生理时间序列的符号化和非线性特征分析

论文摘要

人体是多个非线性生理系统构成的综合体,生理系统之间、器官之间以及器官的不同成分之间都存在不同程度的非线性相互作用。如何通过表征生理系统本身的非线性特征以及生理系统之间相互作用的改变来评估不同的生理、病理状态是生理系统非线性分析的根本问题。本文利用符号化方法简化生理时间序列非线性分析中的概率估计,并按照生理变量增加的研究主线分别从单一变量的非线性特征(符号熵值分析和时间不可逆)、双变量的因果关联性(符号转移熵)和多变量之间的交互关系(网络方法)三个角度对不同生理、病理的时间序列进行非线性特征分析,具体如下:首先,针对符号化对时间序列分析的影响,利用Logistic序列和心率信号对静态和动态符号熵值方法的非线性复杂度提取效果进行了系统的对比分析,充分验证了控制参数对时间序列符号化的影响,并发现需要根据时间序列的结构化或动力学特征的不同选择相应的符号化方法。文章发现了心率信号中大量存在的等值状态,并论证了等值分布包含的重要的心脏调节信息及其对排列类型和排列熵的影响。另外,针对如何结合静态、动态符号动力学信息的问题,从符号化、编码和序列分析三个途径总结了可使用的方法,提出了利用联合熵将两种类型的符号序列相结合的方法,更有效地提取了心率信号的非线性特征,并发现静态和动态符号化方法提取的符号动力学信息不同。心率信号的符号熵值分析有助于加深对心脏非线性特征的认知以及对心衰、年老相关的复杂度丢失理论的理解。其次,针对心率和脑电信号时间不可逆的量化分析,发现了时间不可逆统计定义和相空间理论在数学上的相似性,论证了利用排列类型代替高维向量的可行性,指出并验证了正反序列联合概率差异性和序列对称向量概率差异性的一致性,论证了空排列包含的系统非线性特征及其对时间不可逆分析的影响,提出了基于减法的排列概率差异性参数Ys。在癫痫脑电信号分析中,验证了脑电信号固有的非线性特征,发现了癫痫发作期脑电信号异常高的时间不可逆,提出了癫痫脑电周期性非线性特征的假设。在心率信号的非线性分析中,研究了等值状态对基于排列类型的时间不可逆的影响,发现等值排列类型可产生意味着时间可逆的自对称形式,论证了基于等值排列的时间不可逆有更加合理、可靠的非线性特征提取效果。另外,论证了多尺度分析对心率等值分布的影响,讨论了香农熵和时间不可逆在非线性特征分析中的差异性。心脏和大脑单一器官的时间不可逆分析为理解复杂生理系统的非平衡性以及相关生理、病理的特征等提供了帮助。再次,针对不同睡眠状态下心脑信号之间关联性的特征,利用静态和动态符号转移熵量化方法进行了研究,并从系统的动态关联性以及相互之间信息量的影响两个角度对转移熵进行了解析,研究了心脏和大脑信号之间以及心电信号和不同波段的脑电活动之间存在的信息交换量,发现心脑信号之间信息关联性随着睡眠的加深而降低,而心电信号和不同脑波段的信息交换量随着频段频率的增加而增加。心电信号至脑电的信息流受睡眠影响更大,因而能更加有效地反映睡眠状态的变化,并且心电活动至脑电信号的信息量高于反向脑电至心电信号的信息量,表明在心脑信号的信息交互作用中,心脏活动是驱动因素,而脑电活动是响应因素。另外,对符号序列编码、排列和相空间、采样频率之间的理论和应用中的关系进行了充分的讨论。心脑信息关联性的量化分析提供了对心脑信号之间因果关系的新认识,并且为睡眠分期的研究提供了有价值的信息。最后,针对多生理变量的网络关联性,利用排列转移熵量化生理节点之间的连接并构建了有向加权的生理网络,分析了癫痫脑网络和睡眠生理器官网络的统计特征。在脑信息网络中,癫痫患者脑通道之间、各个脑区和整个大脑的信息传输总量以及信息流概率分布的香农熵值都低于健康人,表明癫痫抑制了不同脑区之间的信息交换以及脑区交互活动复杂度。在生理器官网络中,器官之间信息传输量以及各器官的信息流入、流出信息总量和信息交互的复杂度都随着睡眠深度的增加而降低,表明人体各器官在睡眠状态下存在普遍的信息交互关联性,但是器官之间信息交换的活跃度会随着睡眠的加深而有所下降。另外,结合癫痫和睡眠的生理、病理特点,讨论了生理信息交换网络的特征。脑网络和生理器官网络的分析对探索生理系统中复杂的相互作用的本质以及了解相关癫痫和睡眠的特点起到重要的作用。本文在生理时间序列的符号化和非线性特征分析中,提出了符号联合熵和基于排列的时间不可逆分析,验证了符号化和等值心率对非线性分析的重要影响,提出了癫痫脑电周期性非线性特征的假设,研究了生理器官之间的关联性并构建了生理信息交换网络,取得一定成果但也发现一些需要进一步研究的问题。

论文目录

文章来源

类型: 博士论文

作者: 姚文坡

导师: 王俊

关键词: 生理时间序列,符号化,非线性分析,熵值分析,时间不可逆,因果关联性,生理网络分析,心率,癫痫,睡眠

来源: 南京邮电大学

年度: 2019

分类: 基础科学,医药卫生科技

专业: 数学,基础医学

单位: 南京邮电大学

分类号: O211.61;R33

DOI: 10.27251/d.cnki.gnjdc.2019.001338

总页数: 133

文件大小: 4136K

下载量: 654

相关论文文献

• [1].基于非稳态时间序列的生理控制模型研究[J]. 系统工程理论与实践 2020(02)
• [2].基于多样化top-k shapelets转换的时间序列分类方法[J]. 计算机应用 2017(02)
• [3].时间序列趋势预测[J]. 现代计算机(专业版) 2017(02)
• [4].基于分型转折点的证券时间序列分段表示法[J]. 商 2016(31)
• [5].基于ARMA模型的股价预测及实证研究[J]. 智富时代 2017(02)
• [6].《漫长的告别》(年度资助摄影图书)[J]. 中国摄影 2017(04)
• [7].王嵬作品[J]. 当代油画 2017(07)
• [8].基于模糊时间序列的计算机信息粒构建研究[J]. 粘接 2020(10)
• [9].基于时间序列挖掘的合成旅装备维修保障能力预测[J]. 系统工程与电子技术 2020(04)
• [10].风速时间序列混沌判定方法比较研究[J]. 热能动力工程 2018(07)
• [11].土壤退化时间序列的构建及其在我国土壤退化研究中的意义[J]. 土壤 2015(06)
• [12].基于信息颗粒和模糊聚类的时间序列分割[J]. 模糊系统与数学 2015(01)
• [13].不确定时间序列的降维及相似性匹配[J]. 计算机科学与探索 2015(04)
• [14].时间序列的异常点诊断方法[J]. 中国卫生统计 2011(04)
• [15].基于独立成分分析的时间序列谱聚类方法[J]. 系统工程理论与实践 2011(10)
• [16].面向不确定时间序列的分类方法[J]. 计算机研究与发展 2011(S3)
• [17].一种基于频繁模式的时间序列分类框架[J]. 电子与信息学报 2010(02)
• [18].超启发式组合时间序列预报模型[J]. 福建电脑 2020(08)
• [19].基于深度学习的时间序列算法综述[J]. 信息技术与信息化 2019(01)
• [20].基于时间序列符号化模式表征的有向加权复杂网络[J]. 物理学报 2017(21)
• [21].基于互相关的二阶段时间序列聚类方法[J]. 计算机工程与应用 2016(19)
• [22].基于期货市场行为的时间序列切分及表示方法研究[J]. 中国管理信息化 2015(19)
• [23].基于形态特征的时间序列符号聚合近似方法[J]. 模式识别与人工智能 2011(05)
• [24].基于模糊时间序列对我国对外贸易中的进口水平的预测[J]. 统计与决策 2010(23)
• [25].模糊变量时间序列及其应用[J]. 辽宁工程技术大学学报(自然科学版) 2010(06)
• [26].时间序列流的分层段模型[J]. 小型微型计算机系统 2009(04)
• [27].发动机转速时间序列分形特征分析[J]. 机械科学与技术 2008(11)
• [28].基于HDAD的异构航空数据异常检测的研究[J]. 计算机仿真 2020(03)
• [29].重庆藕塘滑坡地下水位时间序列混沌性判别与预测[J]. 人民长江 2020(S1)
• [30].基于能量过滤的不确定时间序列数据清洗方法[J]. 智能计算机与应用 2019(04)

标签：生理时间序列论文;  符号化论文;  非线性分析论文;  熵值分析论文;  时间不可逆论文;  因果关联性论文;  生理网络分析论文;  心率论文;  癫痫论文;  睡眠论文;