本文設計了一種短時(5 min)應用心率變異性(HRV)的分析系統,主要由心電采集模塊(ECGAU)和HRV分析模塊(HRVAU)兩個部分組成。ECGAU采用低倍數放大、高分辨率模數轉換、數字濾波和無線傳輸等技術,具有抗干擾能力強、體積小、重量輕、方便攜帶等特征;HRVAU主要是基于Matlab平臺完成R波的檢測以及HRV時域、頻域和非線性指標的分析。初步驗證結果表明,本系統性能可靠,可以用于靜息、運動等多種狀態下的短時HRV分析。
引用本文： 石波, 陳法圣, 張根選, 曹明娜, 曹陽. 短時應用心率變異性分析系統. 生物醫學工程學雜志, 2015, 32(4): 767-772. doi: 10.7507/1001-5515.20150140 復制
版權信息： ?四川大學華西醫院華西期刊社《生物醫學工程學雜志》版權所有，未經授權不得轉載、改編
引言
據世界衛生組織和聯合國統計，2008年，全球有7 249 000人死于缺血性心臟病，占總死亡人數的12.7%，其中僅印度和中國累計就超過200萬人，美國和俄羅斯累計也超過100萬人[1]。隨著全球老齡化現象的加劇，心臟病患者人數將進一步增加，因此心臟病的預測、診斷和治療一直是國內外研究的熱點問題之一。
心室晚電位、左室射血分數、T波電交替等是目前臨床上預測心臟猝死的重要指標。近些年的研究發現，心率變異性(heart rate variability,HRV)分析是一種特異性優于上述指標的新型預測方法[2]。大量研究表明，HRV降低可以作為對心肌梗死、慢性心力衰竭、不穩定型心絞痛、高血壓及糖尿病等疾病的預測指標，而HRV提高對心血管患者的治療以及藥物評價等也有重要的參考價值[3-5]。
為了規范HRV的研究和應用，歐洲心臟學會和北美心臟起搏和電生理學會于1996年發表了有關HRV 的理論標準[6]。從心電圖(electrocardiogram,ECG)記錄的時間上，HRV分析一般分為長時(24 h)和短時(5 min)兩種。長時HRV主要反映心率的慢變化成分，短時HRV主要反映心率的快變化成分，兩者不能相互替代。目前關于HRV的測試，大多是基于24 h動態ECG信號的長時分析。由于心率受體位改變、運動、藥物、情緒及病理等因素的影響，變化不規則，HRV不存在單一的時間尺度，具有統計自相似性[7]，在進行長時分析時得到的HRV參數離散度極高，因此長時分析一般也是以5 min為單位進行的[8]。再者，長時HRV分析所需要的有效心電圖數據一般要求大于18 h，不能用于快速檢測，而短時HRV分析一般只需5 min，因此短時HRV分析更加方便快捷，也容易采用移動窗口動態反映HRV的變化，具有較高的應用前景。本文設計了一種短時HRV分析系統(HRV analysis system,HRVAS)，可以用于靜息、運動等多種狀態下的快速HRV分析。
1 原理
1.1 HRV的定義
無論是在靜息狀態下還是在運動狀態下，正常人的心率并非恒定，而是存在一定的起伏，通常用HRV這一指標來衡量。準確地說，HRV是指連續正常(竇性)心動周期之間時間上的微小差異。正常情況下，一個完整的ECG信號周期波形包括P波、QRS波和T波，反映竇性心率的間期是PP間期，因此PP間期可以直接反映HRV。然而在ECG信號記錄和監護等實際應用中，由于P波的幅值很小導致難以準確檢測，且一般情況下PP間期與RR間期相等，因此通常以分析ECG信號中的RR間期來獲得HRV[6]，這也是目前HRV分析的黃金標準。
1.2 ECG信號采集裝置
ECG信號的幅值范圍一般為0.05~5 mV，頻率范圍為0.05~150 Hz。靜息狀態下的ECG信號采集相對較為容易，模擬前端一般采用高增益(1 000倍)的放大器。但是運動狀態下ECG信號的采集過程容易混入較大的干擾信號，最高可達幾百毫伏。如果放大器的增益過高，很容易因干擾過大而飽和。本文采用低倍數放大、高分辨率模數轉換器(analog to digital converter,ADC)、數字濾波、無線傳輸等技術進行ECG信號采集模塊(ECG acquisition unit,ECGAU)的設計[9-10]。其中，低倍數放大和高分辨率ADC可以有效增加系統輸入信號的動態范圍，解決運動過程中由于干擾過大而使得放大器飽和的問題；數字濾波減少了電路板的體積，降低了系統的內部噪聲以及功耗；無線傳輸可以方便各種狀態下的HRV測量分析。本設計ADC選用ADS1255(Texas Instruments,USA)，微處理器選用高性能32位PIC32MX系列(Microchip,USA)，藍牙模塊選用HC-06(HC匯承信息,China)。其中，ADS1255是一款數據傳輸率最大可達30 ksps的24 bit ΔΣ型ADC，內置輸入緩沖器、低噪聲可編程增益放大器(programmable gain amplifier,PGA)，差分輸入阻抗可達80 MΩ，共模抑制比可達110 dB。當數據采樣率為500 sps、PGA=8時，可提供20.9 bit有效分辨率，可以實現微伏量級的分辨能力，完全滿足測量要求。如果ADC的參考電壓為2.5 V，則當放大器的增益設置為8倍時，放大器可以容忍300 mV的漂移，且不會因為干擾過大而飽和。PIC32MX是32 bit高性能單片機，采用改進的哈佛構架，具有體積小、功耗低、功能強、速度快等優點。HC-06是一款主從一體的藍牙串口模塊，主從可以通過指令設置，使用方便。
1.3 ECG信號預處理及R波的提取
要進行HRV分析，必須對采集的ECG信號進行R波檢測。但是ECG信號比較微弱，在采集過程中易受各種干擾的影響，如工頻干擾、呼吸干擾、肌電干擾及電極極化噪聲等，因此在進行R波提取之前對ECG信號預處理十分必要。按照目前對ECG信號測試儀的要求，即使運用數字濾波技術設計了0.05～100 Hz的帶通濾波器和50 Hz的點阻濾波器，也不能十分有效地消除運動中的基線漂移和肌電干擾，因此還要對預處理后的ECG信號進一步進行數字信號處理。本文采用基于Hilbert變換的R波提取算法[11]，該算法無需人工判斷，對于運動、睡眠等狀態下含有基線漂移以及高大T波的ECG信號，也能有效檢測出R波。
1.4 HRV分析指標
HRV分析的本質是對竇性心律不齊程度的定量描述，其方法可分為時域分析、頻域分析和非線性分析[6, 11-13]。
1.4.1 時域分析
時域分析主要是應用數理統計方法對RR間期序列進行統計學分析，主要指標有：全部正常竇性RR間期均值Mean RR、全部正常竇性RR間期標準差SDNN、連續RR間期之差的均方根RMSSD、三角形指數(triangular index)等。目前時域分析指標已經被廣泛用來評估心肌梗死的治療效果、估計冠狀動脈的受阻情況以及預測心律失常的發生概率等。
1.4.2 頻域分析
頻域分析即進行功率譜密度(power spectral density,PSD)分析，一般以基于快速傅里葉變換的經典譜或者是基于自回歸(auto-regressive,AR)模型的現代譜估計得出，主要指標有總功率(TP)(0～0.4 Hz)、低頻功率(LF)(0.04～0.15 Hz)、高頻功率(HF)(0.15～0.4 Hz)、標準化的LF功率(LF norm)、標準化的HF功率(HF norm)以及低頻功率與高頻功率的比值(LF/HF)等指標。目前普遍認為，HF成分主要反映迷走神經活性水平，LF成分主要反映交感神經活性水平，現已廣泛應用于各種需要對自主神經調控功能進行評價或與自主神經調控密切相關的場合，如評估心梗后恢復情況、預測心源性猝死的發作概率等。
1.4.3 非線性分析
非線性分析是建立在非周期混沌力學理論基礎上的分析方法，主要有去趨勢波動分析、冪律分析、熵分析、Poincaré散點圖等方法，其中Poincaré散點圖是最常用的一種[14]。本文采用Poincaré散點圖建立橫軸為x、縱軸為y的二維坐標系，x軸的數值代表間期RRn，y軸的數值代表緊隨其后的間期RR(n+1)。多數的研究者采用橢圓擬合的方法分析Poincaré散點圖，短軸SD1和長軸SD2為定量分析的指標。其中，SD1反映了相鄰RR間期的差異，表達瞬時心率變化；SD2反映了心率的總體變異程度；兩者比值SD1/SD2可以反映HRV的復雜性，復雜程度越高，SD1/SD2越大。
1.5 系統設計
本文設計的短時HRVAS結構框圖如圖 1所示，主要由ECGAU和HRV分析模塊(HRV analysis unit,HRVAU)兩個部分組成。ECGAU主要完成ECG信號的采集、存儲和無線傳輸。HRVAU主要完成ECG信號的預處理、R波的檢測以及HRV分析。HRVAU可以是臺式電腦、筆記本電腦、平板電腦、智能手機等設備，可以基于C/C++、Java、Matlab等平臺實現。本文基于MATLAB R2012a(The MathWorks Inc.,USA)在ThinkPad E445筆記本電腦(Lenovo,China)上實現。
圖1
HRV分析系統框圖
Figure1.
Block diagram for the HRVAS
2 實驗方法與結果
基于以上原理，本文設計了由ECGAU和HRVAU兩個部分組成的短時HRVAS。為了驗證整個系統的性能，對20名健康志愿者進行了ECG波形測試、R波提取測試和HRV分析測試。受試者分為靜息組(n=10)和運動組(n=10)。靜息組測試時保持靜坐狀態，運動組測試時以5 km/h的速度在ZR11跑步機(Reebok,Germany)上進行慢跑。導聯方式為V5導聯，測試時間為5 min。
2.1 ECG波形測試
兩名受試者在靜坐和慢跑兩種狀態下的ECG波形如圖 2所示。可以看出，靜坐狀態下ECG波形的P-QRS-T波群非常清晰，噪聲很小；慢跑狀態下的ECG波形含有較多噪聲，但是R波清晰可見，可以滿足R波提取的要求。
圖2
靜坐和慢跑兩種狀態下的ECG波形
Figure2.
ECG recordings for resting and jogging
2.2 R波提取測試
對20名受試者測得的ECG信號數據進行R波提取。靜息組10名受試者累計50 min ECG信號數據，共得到3 657個R波，無漏檢和誤檢，平均正確率為100%。圖 3為一名受試者靜息狀態下ECG波形的R波提取及RR序列圖。
圖3
R波提取及RR序列圖
Figure3.
R wave detection and RR tachogram
運動組10名受試者累計50 min ECG信號數據，實際R波總數5 823個，共檢出5 822個，漏檢2個，誤檢1個，正確率達99.95%。其中典型的漏檢和誤檢情況如圖 4所示。從圖上可以看出，漏檢一般是由于R波幅值變小所致，誤檢是由于運動過程中產生的高頻噪聲所致。測試前用酒精擦拭皮膚，測試時避免穿著容易產生靜電的服裝以及盡量避免肢體擺動，可以減少干擾和噪聲，從而可以降低圖 4所示的漏檢和誤檢率，提高R波的檢出率。
圖4
含有漏檢和誤檢的R波提取
Figure4.
R wave extractions containing false negative and positive testing results
與傳統的差分閾值法、小波變換法等R波檢測方法相比，本算法不僅運算量小，實時性好，準確率高，而且對含有高大T波和基線漂移的ECG信號也能有效檢測出R波，典型波形如圖 5所示。
圖5
含高大T波或基線漂移的ECG波形R波提取
Figure5.
Identification result of R waves in ECG waves with high T waves or baseline drift
2.3 HRV分析軟件測試
基于Matlab平臺在PC機上設計了HRVAU實現HRV的分析[15-16]。為了驗證HRVAU的性能，同時以Kubios HRV version 2.1分析軟件(Biosignal Analysis and Medical Imaging Group,University of Eastern Finland)進行HRV指標的分析作為參考。如表 1所示，分別運用HRVAU和Kubios HRV軟件分析20名受試者的ECG信號數據中HRV的時域參數、頻域參數和Poincaré散點圖參數，結果無統計學差異。
表1
HRVAS與Kubios HRV軟件分析結果的比較
Table1.
Comparisons of time domain,frequency domain and Poincaré plot parameters for HRVAS and Kubios HRV Software
2.4 靜息與運動狀態下的HRV對比
應用SPSS 22.0統計軟件(IBM Corp.,USA)對靜息和運動狀態下的短時HRV進行分析。如表 2所示，靜息狀態下的HRV各項指標與運動狀態比較，差異均有統計學意義(P<0.001)。運動狀態下的Mean RR、SDNN、RMSSD、HF norm、SD1、SD2等指標較靜息狀態均顯著降低，而LF norm、LF/HF指標均顯著升高，這說明運動導致人體交感神經興奮，迷走神經抑制，與宋淑華等[17]采用RS800心率表(Polar,Finland)研究結果一致。
表2
靜息與運動狀態下的短時HRV對比
Table2.
Comparisons of short-term HRV for resting and exercise
3 結論
本文設計了一種短時HRV分析系統，主要由ECGAU和HRVAU兩個部分組成。ECGAU采用低倍數放大、高分辨率模數轉換、數字濾波和無線傳輸等技術實現ECG信號的采集，HRVAU是在PC機上實現HRV時域指標、頻域指標和非線性指標的分析。這種設計具有抗干擾能力強、體積小、重量輕、方便攜帶等特征，可以用于靜息、運動等多種狀態下的HRV分析。
利用ECGAU采集了20名受試者在靜坐和慢跑狀態下的ECG信號，然后用HRVAU進行HRV的分析，與采用Kubios HRV軟件分析的結果無統計學差異；將20例數據按靜息組和運動組進行分組研究，結果發現，運動組的Mean RR、SDNN、RMSSD、HF norm、SD1、SD2等指標較靜息組均顯著降低，而LF norm、LF/HF指標均顯著升高，差異有統計學意義。這些初步研究表明了本系統的可靠性，具有一定的應用前景。
本研究的不足之處在于HRVAU功能還不完善，僅僅進行了部分HRV指標的測試，未來還需要增加更多的HRV分析指標。此外，實現超短時的HRV分析和移動窗口的動態HRV監測也是我們下一步將要繼續研究的內容。
引言
據世界衛生組織和聯合國統計，2008年，全球有7 249 000人死于缺血性心臟病，占總死亡人數的12.7%，其中僅印度和中國累計就超過200萬人，美國和俄羅斯累計也超過100萬人[1]。隨著全球老齡化現象的加劇，心臟病患者人數將進一步增加，因此心臟病的預測、診斷和治療一直是國內外研究的熱點問題之一。
心室晚電位、左室射血分數、T波電交替等是目前臨床上預測心臟猝死的重要指標。近些年的研究發現，心率變異性(heart rate variability,HRV)分析是一種特異性優于上述指標的新型預測方法[2]。大量研究表明，HRV降低可以作為對心肌梗死、慢性心力衰竭、不穩定型心絞痛、高血壓及糖尿病等疾病的預測指標，而HRV提高對心血管患者的治療以及藥物評價等也有重要的參考價值[3-5]。
為了規范HRV的研究和應用，歐洲心臟學會和北美心臟起搏和電生理學會于1996年發表了有關HRV 的理論標準[6]。從心電圖(electrocardiogram,ECG)記錄的時間上，HRV分析一般分為長時(24 h)和短時(5 min)兩種。長時HRV主要反映心率的慢變化成分，短時HRV主要反映心率的快變化成分，兩者不能相互替代。目前關于HRV的測試，大多是基于24 h動態ECG信號的長時分析。由于心率受體位改變、運動、藥物、情緒及病理等因素的影響，變化不規則，HRV不存在單一的時間尺度，具有統計自相似性[7]，在進行長時分析時得到的HRV參數離散度極高，因此長時分析一般也是以5 min為單位進行的[8]。再者，長時HRV分析所需要的有效心電圖數據一般要求大于18 h，不能用于快速檢測，而短時HRV分析一般只需5 min，因此短時HRV分析更加方便快捷，也容易采用移動窗口動態反映HRV的變化，具有較高的應用前景。本文設計了一種短時HRV分析系統(HRV analysis system,HRVAS)，可以用于靜息、運動等多種狀態下的快速HRV分析。
1 原理
1.1 HRV的定義
無論是在靜息狀態下還是在運動狀態下，正常人的心率并非恒定，而是存在一定的起伏，通常用HRV這一指標來衡量。準確地說，HRV是指連續正常(竇性)心動周期之間時間上的微小差異。正常情況下，一個完整的ECG信號周期波形包括P波、QRS波和T波，反映竇性心率的間期是PP間期，因此PP間期可以直接反映HRV。然而在ECG信號記錄和監護等實際應用中，由于P波的幅值很小導致難以準確檢測，且一般情況下PP間期與RR間期相等，因此通常以分析ECG信號中的RR間期來獲得HRV[6]，這也是目前HRV分析的黃金標準。
1.2 ECG信號采集裝置
ECG信號的幅值范圍一般為0.05~5 mV，頻率范圍為0.05~150 Hz。靜息狀態下的ECG信號采集相對較為容易，模擬前端一般采用高增益(1 000倍)的放大器。但是運動狀態下ECG信號的采集過程容易混入較大的干擾信號，最高可達幾百毫伏。如果放大器的增益過高，很容易因干擾過大而飽和。本文采用低倍數放大、高分辨率模數轉換器(analog to digital converter,ADC)、數字濾波、無線傳輸等技術進行ECG信號采集模塊(ECG acquisition unit,ECGAU)的設計[9-10]。其中，低倍數放大和高分辨率ADC可以有效增加系統輸入信號的動態范圍，解決運動過程中由于干擾過大而使得放大器飽和的問題；數字濾波減少了電路板的體積，降低了系統的內部噪聲以及功耗；無線傳輸可以方便各種狀態下的HRV測量分析。本設計ADC選用ADS1255(Texas Instruments,USA)，微處理器選用高性能32位PIC32MX系列(Microchip,USA)，藍牙模塊選用HC-06(HC匯承信息,China)。其中，ADS1255是一款數據傳輸率最大可達30 ksps的24 bit ΔΣ型ADC，內置輸入緩沖器、低噪聲可編程增益放大器(programmable gain amplifier,PGA)，差分輸入阻抗可達80 MΩ，共模抑制比可達110 dB。當數據采樣率為500 sps、PGA=8時，可提供20.9 bit有效分辨率，可以實現微伏量級的分辨能力，完全滿足測量要求。如果ADC的參考電壓為2.5 V，則當放大器的增益設置為8倍時，放大器可以容忍300 mV的漂移，且不會因為干擾過大而飽和。PIC32MX是32 bit高性能單片機，采用改進的哈佛構架，具有體積小、功耗低、功能強、速度快等優點。HC-06是一款主從一體的藍牙串口模塊，主從可以通過指令設置，使用方便。
1.3 ECG信號預處理及R波的提取
要進行HRV分析，必須對采集的ECG信號進行R波檢測。但是ECG信號比較微弱，在采集過程中易受各種干擾的影響，如工頻干擾、呼吸干擾、肌電干擾及電極極化噪聲等，因此在進行R波提取之前對ECG信號預處理十分必要。按照目前對ECG信號測試儀的要求，即使運用數字濾波技術設計了0.05～100 Hz的帶通濾波器和50 Hz的點阻濾波器，也不能十分有效地消除運動中的基線漂移和肌電干擾，因此還要對預處理后的ECG信號進一步進行數字信號處理。本文采用基于Hilbert變換的R波提取算法[11]，該算法無需人工判斷，對于運動、睡眠等狀態下含有基線漂移以及高大T波的ECG信號，也能有效檢測出R波。
1.4 HRV分析指標
HRV分析的本質是對竇性心律不齊程度的定量描述，其方法可分為時域分析、頻域分析和非線性分析[6, 11-13]。
1.4.1 時域分析
時域分析主要是應用數理統計方法對RR間期序列進行統計學分析，主要指標有：全部正常竇性RR間期均值Mean RR、全部正常竇性RR間期標準差SDNN、連續RR間期之差的均方根RMSSD、三角形指數(triangular index)等。目前時域分析指標已經被廣泛用來評估心肌梗死的治療效果、估計冠狀動脈的受阻情況以及預測心律失常的發生概率等。
1.4.2 頻域分析
頻域分析即進行功率譜密度(power spectral density,PSD)分析，一般以基于快速傅里葉變換的經典譜或者是基于自回歸(auto-regressive,AR)模型的現代譜估計得出，主要指標有總功率(TP)(0～0.4 Hz)、低頻功率(LF)(0.04～0.15 Hz)、高頻功率(HF)(0.15～0.4 Hz)、標準化的LF功率(LF norm)、標準化的HF功率(HF norm)以及低頻功率與高頻功率的比值(LF/HF)等指標。目前普遍認為，HF成分主要反映迷走神經活性水平，LF成分主要反映交感神經活性水平，現已廣泛應用于各種需要對自主神經調控功能進行評價或與自主神經調控密切相關的場合，如評估心梗后恢復情況、預測心源性猝死的發作概率等。
1.4.3 非線性分析
非線性分析是建立在非周期混沌力學理論基礎上的分析方法，主要有去趨勢波動分析、冪律分析、熵分析、Poincaré散點圖等方法，其中Poincaré散點圖是最常用的一種[14]。本文采用Poincaré散點圖建立橫軸為x、縱軸為y的二維坐標系，x軸的數值代表間期RRn，y軸的數值代表緊隨其后的間期RR(n+1)。多數的研究者采用橢圓擬合的方法分析Poincaré散點圖，短軸SD1和長軸SD2為定量分析的指標。其中，SD1反映了相鄰RR間期的差異，表達瞬時心率變化；SD2反映了心率的總體變異程度；兩者比值SD1/SD2可以反映HRV的復雜性，復雜程度越高，SD1/SD2越大。
1.5 系統設計
本文設計的短時HRVAS結構框圖如圖 1所示，主要由ECGAU和HRV分析模塊(HRV analysis unit,HRVAU)兩個部分組成。ECGAU主要完成ECG信號的采集、存儲和無線傳輸。HRVAU主要完成ECG信號的預處理、R波的檢測以及HRV分析。HRVAU可以是臺式電腦、筆記本電腦、平板電腦、智能手機等設備，可以基于C/C++、Java、Matlab等平臺實現。本文基于MATLAB R2012a(The MathWorks Inc.,USA)在ThinkPad E445筆記本電腦(Lenovo,China)上實現。
圖1
HRV分析系統框圖
Figure1.
Block diagram for the HRVAS
2 實驗方法與結果
基于以上原理，本文設計了由ECGAU和HRVAU兩個部分組成的短時HRVAS。為了驗證整個系統的性能，對20名健康志愿者進行了ECG波形測試、R波提取測試和HRV分析測試。受試者分為靜息組(n=10)和運動組(n=10)。靜息組測試時保持靜坐狀態，運動組測試時以5 km/h的速度在ZR11跑步機(Reebok,Germany)上進行慢跑。導聯方式為V5導聯，測試時間為5 min。
2.1 ECG波形測試
兩名受試者在靜坐和慢跑兩種狀態下的ECG波形如圖 2所示。可以看出，靜坐狀態下ECG波形的P-QRS-T波群非常清晰，噪聲很小；慢跑狀態下的ECG波形含有較多噪聲，但是R波清晰可見，可以滿足R波提取的要求。
圖2
靜坐和慢跑兩種狀態下的ECG波形
Figure2.
ECG recordings for resting and jogging
2.2 R波提取測試
對20名受試者測得的ECG信號數據進行R波提取。靜息組10名受試者累計50 min ECG信號數據，共得到3 657個R波，無漏檢和誤檢，平均正確率為100%。圖 3為一名受試者靜息狀態下ECG波形的R波提取及RR序列圖。
圖3
R波提取及RR序列圖
Figure3.
R wave detection and RR tachogram
運動組10名受試者累計50 min ECG信號數據，實際R波總數5 823個，共檢出5 822個，漏檢2個，誤檢1個，正確率達99.95%。其中典型的漏檢和誤檢情況如圖 4所示。從圖上可以看出，漏檢一般是由于R波幅值變小所致，誤檢是由于運動過程中產生的高頻噪聲所致。測試前用酒精擦拭皮膚，測試時避免穿著容易產生靜電的服裝以及盡量避免肢體擺動，可以減少干擾和噪聲，從而可以降低圖 4所示的漏檢和誤檢率，提高R波的檢出率。
圖4
含有漏檢和誤檢的R波提取
Figure4.
R wave extractions containing false negative and positive testing results
與傳統的差分閾值法、小波變換法等R波檢測方法相比，本算法不僅運算量小，實時性好，準確率高，而且對含有高大T波和基線漂移的ECG信號也能有效檢測出R波，典型波形如圖 5所示。
圖5
含高大T波或基線漂移的ECG波形R波提取
Figure5.
Identification result of R waves in ECG waves with high T waves or baseline drift
2.3 HRV分析軟件測試
基于Matlab平臺在PC機上設計了HRVAU實現HRV的分析[15-16]。為了驗證HRVAU的性能，同時以Kubios HRV version 2.1分析軟件(Biosignal Analysis and Medical Imaging Group,University of Eastern Finland)進行HRV指標的分析作為參考。如表 1所示，分別運用HRVAU和Kubios HRV軟件分析20名受試者的ECG信號數據中HRV的時域參數、頻域參數和Poincaré散點圖參數，結果無統計學差異。
表1
HRVAS與Kubios HRV軟件分析結果的比較
Table1.
Comparisons of time domain,frequency domain and Poincaré plot parameters for HRVAS and Kubios HRV Software
2.4 靜息與運動狀態下的HRV對比
應用SPSS 22.0統計軟件(IBM Corp.,USA)對靜息和運動狀態下的短時HRV進行分析。如表 2所示，靜息狀態下的HRV各項指標與運動狀態比較，差異均有統計學意義(P<0.001)。運動狀態下的Mean RR、SDNN、RMSSD、HF norm、SD1、SD2等指標較靜息狀態均顯著降低，而LF norm、LF/HF指標均顯著升高，這說明運動導致人體交感神經興奮，迷走神經抑制，與宋淑華等[17]采用RS800心率表(Polar,Finland)研究結果一致。
表2
靜息與運動狀態下的短時HRV對比
Table2.
Comparisons of short-term HRV for resting and exercise
3 結論
本文設計了一種短時HRV分析系統，主要由ECGAU和HRVAU兩個部分組成。ECGAU采用低倍數放大、高分辨率模數轉換、數字濾波和無線傳輸等技術實現ECG信號的采集，HRVAU是在PC機上實現HRV時域指標、頻域指標和非線性指標的分析。這種設計具有抗干擾能力強、體積小、重量輕、方便攜帶等特征，可以用于靜息、運動等多種狀態下的HRV分析。
利用ECGAU采集了20名受試者在靜坐和慢跑狀態下的ECG信號，然后用HRVAU進行HRV的分析，與采用Kubios HRV軟件分析的結果無統計學差異；將20例數據按靜息組和運動組進行分組研究，結果發現，運動組的Mean RR、SDNN、RMSSD、HF norm、SD1、SD2等指標較靜息組均顯著降低，而LF norm、LF/HF指標均顯著升高，差異有統計學意義。這些初步研究表明了本系統的可靠性，具有一定的應用前景。
本研究的不足之處在于HRVAU功能還不完善，僅僅進行了部分HRV指標的測試，未來還需要增加更多的HRV分析指標。此外，實現超短時的HRV分析和移動窗口的動態HRV監測也是我們下一步將要繼續研究的內容。
