文献综述（或调研报告）：
摘要：本文在阅读大量文献的资料的基础上，总结心率变异性分析的现有研究方法；概括熵理论在生理信号处理方面的发展历程；结合心衰、房颤等疾病的特征，分析常用熵算法如近似熵，样本熵，模糊测度熵等在心血管时间序列分析领域的国内外研究现状；重点阐述熵算法研究中的参数选择问题，对比不同参数设置对计算结果产生的潜在影响。
关键词：心率变异性；熵算法；心血管时间序列；熵算法参数
⒈ 心率变异性分析的研究方法
对于生理信号时间序列的分析主要是分析序列的变异性特征，其中最为经典的是关于心率变异性(Heart Rate Variability, HRV)的研究，在生理信号变异性研究中一直占据主导地位[1]。HRV指连续窦性心脏搏动瞬时心率的微小涨落，由自主神经系统对心率的调节而产生，反映了交感神经与副交感神经平衡协调的关系和对心血管系统的影响。正常情况下，窦房结都能按照一定的节律搏动，使得心率在一定的范围内变化，交感神经的调节使心率变快，副交感神经的调节使心率变慢，两者之间的协调作用使心率处于一种动态平衡中；而当人体有某些心血管疾病时，这种平衡就会打破，从而引起HRV的改变。HRV本质测量的应当为心电PP间期的波动情况，但是由于PP间期难以准确测量，且在一般情况下与RR间期相同，故通常HRV分析的对象是逐拍心跳间RR间期的微小涨落[2]。
目前比较成熟的HRV分析方法是时域分析法和频域分析法，此外，还有大量研究致力于发展HRV非线性分析法，用于挖掘传统线性分析方法无法表征的HRV非线性特征[3]。
基于时域的方法直接测量HRV各项指标是否在正常的参考范围内，由于方法简单，最早在临床上得以应用，并积累了大量的经验。根据时域指标统计的RR间隔的数据来源，可以将时域指标分为两类：一类是直接对RR间隔序列进行统计得到的指标，另一类是对相邻RR间隔的差值序列进行统计得到的指标[1]。其中，统计方式又可以分成两种方式：一种是数值统计，另一种是几何统计[4]。对于数值统计的指标而言，由于它们都是评估心率高频变化的短时变量，因而高度相关。对于几何统计的指标而言，它们的主要优点在于对窦性RR间隔序列的分析质量相对不敏感[5]，但是需要合理地利用窦性RR间隔来构造几何模式。
HRV的频域分析法是利用频谱分析将RR间期变化的曲线转换到频域进行分析的方法，它提供了能量随频率变化的基本信息[6]。频域分析法可将复杂的RR间隔序列波动按照不同频段来描述能量的分布情况，把各种生理因素的作用适量分离后进行分析。对于时长为2-5分钟的短时序列，频谱分析中常分为三个主要部分[7,8]：极低频段（VLF），低频段（LF）和高频段（HF）。LF和HF的功率和中心频率的分布是不固定的，但可能因心脏周期自主调节的变化而变化[9,10]。频谱分析也可用于完整的24小时周期内窦性RR间隔序列，此时，除了VLF、LF和HF外，结果还包括超低频分量（ULF）。频域分析法生理意义较为明确，但是由于它只反映HRV一段时间概貌，并且建立在平稳模型的基础上，所以信息量较少，不能反映序列的动态特性和细节时变信息，从而针对心血管疾病进行诊断的特异性不高[11]。
非线性现象必然涉及HRV的起源，它们由血液动力学、电生理学和体液变量的复杂相互作用以及自主和中枢神经调节决定。研究表明，基于非线性动力学方法的HRV分析，可为HRV的生理解释和评估突然死亡风险提供有价值的信息[12]。用于测量 HRV 非线性属性的参数包括傅立叶频谱的1/f缩放[13]、H缩放指数和粗粒化频谱分析（CGSA）[14]。在数据表示方面，用于可视化心脏非线性活动的Lorenz图[15]，用于量化RR间隔序列相空间相邻轨迹的平均指数发散率的Lyapunov指数[16]，用于反映RR间隔序列复杂度的Kolmogorov熵[17]等方法均得到发展。
⒉ 熵理论发展历程简介
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
