文中采用代替数据法对HRV信号进行识别证明了HRV的混沌性.DOC

基于代替数据法的脉搏主波间期混沌特性的识别 韩清鹏 扬州大学环境科学与工程学院,扬州 225009 [摘要] 脉搏主波间期是指脉搏信号的连续主波波峰组成的时间序列,本文详细介绍了采用代替数据法对信号混沌特性identified by surrogate data method in the paper. Firstly, the main principle of chaotic identification is introduced, in which the median absolute error (MAE) of one-step prediction for PP intervals of pulse main peaks is set as the statistic. The algorithm is checked with a known chaotic system response and a colored noise signal. Then, some typical healthy and unhealthy PP internals of pulse main peaks are analyzed with the method of surrogate data, and some characteristic parameters from this method are compared. [Key words] PP intervals of pulse main peaks chaos surrogate data method 脉搏信号是由连续的一个个的波形组成的连续的脉搏波形的主波波峰P可以构成一个时间序列,称为脉搏主波间期序列根据文献[1,2]脉搏信号波形和心电信号波形在时间点上具有一一对应的特点如脉搏的P点是在心电T峰稍迟后的位置上因此脉搏主波间期应与心电信号的心率变异信号（HRV）具有相当的一致性分析脉搏主波间期将会获得丰富的结果脉搏主波间期的混沌识别是当前研究的热点脉搏主波间期与HRV一样具有不规则性明显的长期不可预测性即具有明显复杂性其共性特点就是非线性非线性是复杂性的产生根源现有研究表明脉搏主波间期的非线性和复杂性的主要生理根源在于心血管解剖结构的分形特点以及生物电传导系统的分形结构[3~6]. 由于脉搏主波间期一般数据序列长度较短.由于生理系统的高维特点,再加上生理状态变化对脉搏主波间期的影响十分复杂,从表面上看脉搏主波间期与随机信号的区别并不明显,影响了对脉搏主波间期的正确认识.考虑到目前大多数研究都是利用维数估计方法来研究脉搏主波间期的混沌特性,出现了一些明显的分歧,因此,采用合理的算法对脉搏主波间期的混沌特性进行识别研究十分重要. 混沌信号具有貌似随机信号的特点,对混沌信号与随机信号的区分是相当困难却又十分重要的.在非线性预测法的基础上,Tsonis和Elsener利用代替数据法（Method of surrogate data）与统计假设检测方法,提出了一种可识别有色噪声、随机序列和混沌序列的有效方法[7].对不同人在生理状态下的脉搏主波间期进行混沌识别,根据其代替数据法的特征参数数值进行分析比较,可以区分不同的状态并找到一些规律. 本文首先利用基于小波变换的方法提取脉搏主波P波位置,建立脉搏主波间期时间序列.然后,详细叙述了采用代替数据法对脉搏主波间期进行混沌特性识别的算法原理,并对不同脉搏信号的混沌特性进行了对比分析. 脉搏主波间期与HRV相似,是一种非线性时间序列,具有典型的混沌特征.脉搏主波间期的混沌识别目前还很少有研究涉及. 混沌信号具有貌似随机信号的特点,对混沌信号与随机信号的区分是相当困难却又十分重要的.目前用于鉴别混沌和随机的方法主要是维数估计法和非线性预测法.维数估计法是利用G-P算法来计算信号的关联维数[8],但此法对随机信号是失效的[9].非线性预测法则是利用时间序列的预测值与实际值之间的特定关系（如误差）随预测时间变化的情况,来判断时间序列是混沌还是随机的[10].这种方法应用于有色噪声时会出现与混沌相似的相关因子增加的现象,因而此方法不适合于存在有色噪声的情况.本文采用了Tsonis和Elsener的方法[7],在详细介绍算法之后,对已知混沌系统和有色随机噪声进行分析,进一步证实此算法的有效性. 在这里,根据相空间重构和非线性预测原理,给出时间序列的一步预测误差计算公式及其统计量计算公式.采用振幅调节Fourier变换方法生成对应的代替数据集,计算代替数据集与原始序列差别的显著度及其分布概率来判断脉搏主波间期的混沌性. 1.1时间序列的一步预测误差公式及其统计量 根据Takens原理,对测量得到的一维信号时间序列进行