1.3动脉血压信号的预处理信号处理主要由滤波、收缩压特征点识别及心率、血压变异性序列提取三个模块构成，①滤波:使用小波［9］去除人工噪声干扰并进行基线校正，小波基函数为harr，小波尺度为3；②特征点识别:应用一阶导数阈值与模板匹配的两级判定算法对血压信号进行波峰识别，计算SBP幅值与时刻；③变异性时间序列提取：以SBP间期（PP间期）的平均值为序列间距，以逐跳SBP峰值为序列幅值，作等间距表示得到收缩压变异性（systolic blood pressure variability, SBPV）信号序列. 本实验未专门记录心电信号，以PP间期代表对应时刻的RR间期（其倒数即为瞬时心率）；以PP间期的均值作为序列间距，以PP间期大小作为幅值，由此得到HRV数据序列.
1.4血压变异性信号的谱分析方法使用经典周期图法对SBPV信号进行谱估计［1-2］. 首先，通过聚束（bunching） 算法（128点做算术均值）［6］对大鼠血压数据进行平滑，降低采样数据中噪声干扰. 其次，进行去除线性趋势项操作，消除极低频成分对功率谱的贡献. 最后，使用周期图法对大鼠血压数据进行功率谱密度估计. 大鼠血压信号的功率谱可大致划分为：极低频段（very low frequency, VLF：0.0～0.3 Hz）、低频段（low frequency, LF：0.3～0.6 Hz）及高频段(high frequency, HF：1.4～1.7 Hz）3个频带［6］.
上述所有算法均使用Matlab(R13)语言编写，在DELL Dimension 5100计算机上进行计算.
2结果
2.1变异性信号提取从大鼠原始血压记录中提取变异信号的结果见图1. 图1A，为一只对照大鼠2 min的原始血压记录曲线；图1B，对原始血压数据进行收缩压检测得到的SBPV数据序列；图1C，对PP间期序列（从SBPV数据序列中提取）取倒数后得到瞬时HR时间序列.
2.2SBPV常规谱分析大鼠SBPV信号2 min的功率谱分析结果见图2. 与对照组相比，14 d模拟失重可使清醒大鼠的心率明显加快（图2B，E），血压值无明显改变（图2A，D），但反映交感对外周血管阻力调节的LF功率却是降低的（图2C，F）.
图1从一只对照大鼠原始血压记录提取收缩压与瞬时心率时间序列的结果（略）
图2对照与14 d模拟失重大鼠SBPV常规谱比较（略）
3讨论
研究表明：一阶导数阈值与模板匹配的血压特征值检测算法能够较好地从原始血压数据中识别出逐次心跳的收缩压峰值，检测准确率高；从SBP数据中获取的PP间期可作为心电RR间期信号的替代数据，用于HRV信号的分析；通过对SBPV信号进行常规谱估计可揭示模拟失重大鼠外周阻力与心率控制的改变. 但由于实验对象及实验设计的特殊性，在数据分析过程中，还应注意以下几点：① 研究对象为自由活动清醒大鼠，易受外界环境干扰，实验过程中应控制环境避免外界噪声干扰；② 进行收缩压峰值检测时，由于收缩压尖峰的形态常常被噪声污染，导致识别过程中存在漏检或误检现象. 故应选用相应的信号处理方法降低噪声干扰，提高检测准确性；③ 使用谱分析处理数据时，要求待分析信号为各态遍历的平稳信号. 由于人体心血管功能的时变特性，本质上讲SBPV数据为非平稳信号. 再者，信号中的噪声干扰、波峰丢失均可使谱估计结果严重畸变. 为解决这一问题，处理中常常选择相对平稳的1～4 min数据进行短时程谱估计.
鉴于生理过程的复杂性,要精确全面地描述其特征, 目前尚没有那一种方法能够胜任, 因此必须结合不同的分析工具. 目前已有实验证实，心血管活动的调节有赖于不同控制机制的相互制衡，例如，行为改变、神经因素、压力反射及心脏节律等因素都可对其产生影响. 这些调控机制的相互作用又导致了血压与心率的复杂波动，使其蕴涵某些非线性特征. 因此，对比传统的时域及频域的分析方法，非线性的分析将为我们理解其机理提供更为全面的手段［1-2］.
［1］ 张立藩.心率与血压的变异性:分析方法、生理意义及其应用［J］.生理科学进展,1996,27(4): 295-300.
［2］ 张立藩, 王守岩, 牛有国. 心率与血压变异性的多变量、多维信号分析进展［J］. 航天医学与医学工程, 2002, 13(3): 157-162.
［3］ Japundzic N, Grichois ML, Zitoun P, et al. Spectral analysis of blood pressure and heart rate in conscious rats: effects of autonomic blockers［J］. J Auton Nerv Syst, 1990, 30(2):91-100.
［4］ Kuo TBJ, Shyr MH, Chan SHH. Simultaneous, continuous, online and realtime spectral analysis of multiple physiologic signals by a personal computerbased algorithm［J］. Biol Signals, 1993, 2(1): 45-56.
［5］ Cerutti C, Barres C, Paultre C. Baroreflex modulation of blood pressure and heart rate variabilities in rats: assessment by spectral analysis［J］. Am J Physiol, 1994, 266(35): 1993-2000.
［6］ Kuo TBJ, Chan SHH. Continuous, online, realtime spectral analysis of system arterial pressure signals［J］. Am J Physiol, 1993, 264(33): 2208-2213.
［7］ Fortrat JO, Somody L, Gharib C. Autonomic control of cardiovascular dynamics during weightlessness［J］. Brain Res Rev, 1998, 28(12): 66-72.
［8］ MoreyHolton ER, Globus RK. Hindlimb unloading rodent model: technical aspects［J］. J Appl Physiol, 2002, 92(4): 1367-1377.
［9］ Kadambe S, Murray R, BoudreauxBartels GF. Wavelet transformbased QRS complex dector［J］. IEEE Trans Biomed Eng, 1999, 46(7):838-848.
转贴于 中国论文下载中心 http://www.studa.net
当前位置：