学位论文 > 优秀研究生学位论文题录展示

基于递归复杂网络的房颤预测分析方法研究

作　者: 白宝丹
导　师: 汪源源
学　校: 复旦大学
专　业: 医学电子学
关键词: 房颤预测术后监测递归图复杂网络模体分析多阈值谱分析特征选择粒度信息模式识别
分类号: R541.75
类　型: 博士论文
年　份: 2012年
下　载: 101次
引　用: 1次
阅　读: 论文下载

内容摘要

心房颤动(Atrial fibrillation--AF,简称房颤)是临床最常见的一种房性心率失常,不仅影响患者的生活质量,严重的会引起脑卒中、心力衰竭等恶性疾病。在通常人群中房颤的发病率为0.4%到1%,在60岁以上人群中发病率升至5%-10%,严重威胁着人类尤其是老年人的健康和生命。临床研究表明,房颤是心房外科手术后的共同并发症,在接受冠状动脉搭桥手术的患者中发生率为11%-40%；而在瓣膜手术患者中的发生率高达50%；房颤导管射频消融手术后也有40%的复发率。如果能在房颤开始前预测到房颤的发生及其严重程度就非常重要,一来可以阻止阵发性房颤患者的电生理重构,降低发生慢性房颤的危险；再者可以对心房外科手术后患者进行有效的术后监测,在预测到房颤发生时能够及时有效地采取措施,防止血栓栓塞和其它并发症。因此,房颤的预测具有十分重要的研究意义和临床价值。作为医疗界治疗难题之一,房颤一直受到国内外学者的广泛重视,目前房颤研究的两个主要方面,即房颤电生理和房颤识别,均是在房颤发生之后才进行分析的,很少有文献提到房颤的预测,也很少有这方面的数据。基于此,本论文希望通过动物实验,获取不同程度房颤发生之前心房的窦性电信号,围绕心房动力系统的递归特性,首先用定量递归分析方法证明房颤的可提前预测性；然后采用递归复杂网络时间序列分析方法,得到了较传统定量递归分析方法更好的房颤预测性能；最后,采用粒度信息表示法在保持房颤预测精度的同时降低了特征提取的计算复杂度。论文的研究内容主要集中在以下几个方面：1、针对传统的房颤研究方法只能检测房颤发生后是否终止,不能提前预测房颤发生的不足,提出基于房颤发生前心房窦性电信号的房颤预测方法,为房颤研究提供了一个新的思路。1)文中设计了动物实验,获取了三个动物模型中不同房颤程度发生前的窦性信号。2)采用线性冗余和广义冗余作为统计量,随机相位化傅里叶变换方法产生替代数据,利用sigma检测方法,证明了实验信号具有非线性性质。3)采用定量递归分析方法分析了心房电信号的动力学递归特性,发现心房动力系统从窦性转向房颤过程中,定量递归参数的数值显示渐变性,获得了80.18%、89.98%和86.62%的预测敏感性、特异性和准确率,证明了房颤的可预测性。2、针对传统定量递归分析方法只是基于点、线量化递归图来提取系统递归特征的不足,提出从网络的角度去量化递归图参数、获取动力系统空间递归特性的方法,大大提高了房颤预测性能。1)首先构建了心房电信号的递归复杂网络,提取网络的度分布、集群系数等常规参数。同时根据不同健康状况的心房动力系统的模体分布出现很大差异的特点,定义了四阶群集系数和模体熵等新参数,从而较大改善了预测精度。提出的模体熵值随着心房动力系统状态的变化呈现显著差异,可作为一个量化心房健康状况的新指标。2)用递归复杂网络模体分析的方法,对比分析了logistic映射系统在其混沌区域内的复杂混沌动力学行为和心房动力系统,发现心房系统具有logistic参数取4时类似的复杂混沌状态,从而从已知特性的动力系统去解释心房动力系统的复杂行为。3、对于心房递归复杂网络特有的结构,常用的复杂网络参数只能捕捉到局部结构,缺少可以从全局反应心房动力系统不同健康状态的参数。因此,本论文研究了能全面刻画递归复杂网络拓扑结构的邻接矩阵的特征谱,分析了心房动力系统在不同健康状况下的网络谱密度及其二阶矩、三阶矩和五阶矩。实验结果表明,基于邻接矩阵特征谱的房颤预测准确率高于常规复杂网络参数。4、针对传统递归矩阵谱分析方法单阈值的缺陷,提出基于多阈值谱分析的房颤预测方法。多阈值谱方法能最大限度地提取心房电信号复杂网络的全局结构,避免因选取阈值单一性而导致的递归特性丢失。论文中还采用了基于最大相关性最小冗余性的特征选择方法,提取最优谱特征集合,获得了高达99.8%的房颤预测准确率。5、针对高维心房电信号的计算复杂性,提出了基于粒度计算的房颤预测方法。基于粒度信息表示将高维的心外膜信号,通过粒子群优化算法映射至基于粒度的低维表示,然后提取复杂网络参数进行房颤预测。实验结果表明,基于粒度计算的房颤预测方法能在不降低预测准确率的同时降低了信号特征提取过程中的算法复杂度。

全文目录

摘要  6-8
Abstract  8-11
第1章绪论  11-24
  1.1. 研究背景  11-19
    1.1.1. 心脏解剖及相关电生理知识  11-14
      1.1.1.1. 心脏解剖结构  11-12
      1.1.1.2. 心脏电基础  12-14
    1.1.2. 房颤的基本知识  14-19
      1.1.2.1. 房颤的电生理机制  15-17
      1.1.2.2. 房颤的标测技术  17-18
      1.1.2.3. 房颤的治疗进展  18-19
  1.2. 研究目的和意义  19-21
  1.3. 国内外研究现状  21-22
  1.4. 论文的创新点  22
  1.5. 论文的内容和结构  22-24
第2章房颤预测的可行性研究  24-51
  2.1. 心外膜标测系统简介  24-25
  2.2. 动物实验与心外膜信号获取  25-27
  2.3. 性能评价  27
  2.4. 心外膜信号的线性分析  27-30
    2.4.1. 线性参数  27-28
    2.4.2. 实验与分析  28-30
  2.5. 心外膜信号的非线性分析  30-36
    2.5.1. 非线性证明  31-34
    2.5.2. 实验结果  34-36
  2.6. 非平稳时间序列分析  36-40
    2.6.1. 递归图  36-39
      2.6.1.1. 递归图的宏观表现模式  38
      2.6.1.2. 递归图的微观表现模式  38-39
    2.6.2. 定量递归分析  39-40
  2.7. 实验与分析  40-49
    2.7.1. 心外膜信号的递归图分析  40-44
      2.7.1.1. 心外膜信号的相空间表示  40-41
      2.7.1.2. 递归图及参数选取  41-44
    2.7.2. 基于定量递归参数的房颤预测  44-49
      2.7.2.1. 心外膜信号的定量递归参数分析  44-45
      2.7.2.2. 房颤预测结果  45-49
      2.7.2.3. 可预测时间分析  49
  2.8. 讨论与小结  49-51
第3章基于递归复杂网络的房颤预测研究  51-74
  3.1. 复杂网络基础  51-54
  3.2. 复杂网络时间序列分析  54-57
  3.3. 递归复杂网络  57-60
    3.3.1. 递归复杂网络与相空间  57-59
    3.3.2. 递归复杂网络与定量递归分析  59-60
  3.4. 递归复杂网络的模体分析  60-64
    3.4.1. 模体分析  60-63
    3.4.2. 模体参数  63-64
  3.5. 实验与分析  64-73
    3.5.1. 递归复杂网络参数分析  64-70
    3.5.2. 基于递归复杂网络参数的房颤预测  70-73
  3.6. 讨论及小结  73-74
第4章基于递归复杂网络谱分析的房颤预测研究  74-89
  4.1. 递归复杂网络谱分析  74-77
  4.2. 多阂值递归谱分析  77-80
    4.2.1. 阈值选取分析  77-78
    4.2.2. 多阈值谱方法  78-79
    4.2.3. 特征选择  79-80
  4.3. 实验与分析  80-88
    4.3.1. 谱分析及参数选择  80-82
    4.3.2. 基于传统谱参数的房颤预测  82-84
    4.3.3. 基于多阈值普参数的房颤预测  84-85
    4.3.4. 基于特征选择多阈值谱参数的房颤预测  85-88
  4.4. 讨论及小结  88-89
第5章基于粒度计算的房颤预测研究  89-99
  5.1. 粒度计算  89-92
    5.1.1. 粒度计算的理论基础  89-91
    5.1.2. 粒度计算表示方法  91-92
  5.2. 基于粒度计算的信号表示  92-94
    5.2.1. 心外膜信号的粒度表示  92-93
    5.2.2. 粒子群优化算法实现  93-94
  5.3. 实验与分析  94-97
    5.3.1. 基于粒度信息的递归复杂网络  94-95
    5.3.2. 基于粒度信息的房颤预测  95-97
  5.4. 讨论及小结  97-99
第6章总结和展望  99-102
参考文献  102-112
攻读学位期间发表论文目录  112-113
致谢  113-114

基于递归复杂网络的房颤预测分析方法研究

内容摘要

全文目录

相似论文