张　璇， 李　锦， 徐文敏

(陕西师范大学 物理学与信息技术学院, 陕西 西安 710119)



昼夜节律颠倒影响心率变异性信号的非线性特性研究

张璇， 李锦*， 徐文敏

(陕西师范大学 物理学与信息技术学院, 陕西 西安 710119)

摘要：研究了昼夜颠倒作息对人体心电信号的影响，并探索了处于睡眠状态和清醒状态人体心电信号在颠倒作息状态下的变化。设计实施昼夜颠倒作息实验, 利用去趋势波动分析法(DFA)和多尺度的基本尺度熵法(MBE)分析颠倒作息情况下的HRV信号，并与正常作息下的变化规律进行比较。实验发现：处于24 h正常作息下的实验对象的α(标度指数)均值大于24 h颠倒作息时的均值，并且在正常作息和颠倒作息下睡眠状态的α值小于清醒状态时的α值。通过对比分析清醒和睡眠状态的MBE曲线以及DFA的结果，发现昼夜颠倒作息对睡眠状态下的HRV信号影响较大。以上研究结果表明颠倒作息会使人体心脏系统的长程相关性减弱并对人体本身动力学复杂性产生一定的负影响，尤其对睡眠状态下HRV信号的负影响较为明显。

关键词:颠倒作息； 睡眠； 心率变异性； 长程相关性

PACS: 87.85.Ng

从统计学角度分析生物电信号，可以为我们提供一定的生理活动信息，据此可以判断一个生理机制是否处于健康稳定的状态。心脏是人体的重要器官，心电信号(electrocardiogram， ECG)是典型的生物电信号，它反映了心脏在兴奋产生、传导、恢复过程中的电变化，是心脏活动的一种客观表示。从心电信号中提取的心率变异性(heart rate variability，HRV)信号是指逐次心跳间期之间的时间差异，也称为RR间期信号[1]。研究表明心率变异性中蕴含有关心血管调节的大量信息，能反映人体自主神经的调节状况[2]。

心脏系统是一个很复杂的非线性系统，而人体的心率变异信号动力学系统是一个典型的混沌动力学系统[3]，因此对心率变异性信号进行非线性研究能够取得比线性研究更多而且更贴近心脏系统的自身规律和应用价值[4]。在众多非线性方法中，目前公认效果较好，比较有代表性的方法有幂律分析[5-11]和熵分析[12-17]。近年来，由Peng等[11]提出的去趋势波动分析(detrended fluctuation analysis,DFA)被引入到生理信号、股票市场、天气记录等领域的研究[5-11]，并取得了显著成效。而Plamen等人在DFA的生理电信号研究中取得了重大成果[5]，并对DFA方法进行了多方面的深入研究。去趋势波动分析(DFA)方法是一种研究时间序列长时相关性的方法，该方法在幂律分析中较自相关、功率谱等传统方法更具优越性，DFA的优势在于能系统地去除数据中由外部因素造成的不同阶的趋势[12]以及减少由于不完善的测量方法引起的噪声水平，从而得到该系统内部动力学本质的影响。熵是混乱和随机程度的测度，熵分析方法被广泛用于非线性生理信号研究中。本文针对非平稳多尺度有噪声干扰的HRV特点，使用多尺度化的基本尺度熵(multiscale base-scale entropy， MBE)[15-17,19]进一步比较分析颠倒作息和正常作息下清醒、睡眠状态的具体差别及影响。

由于心脏系统的活动是在24 h昼夜节律下进行的，国际上许多研究者关注到这一点并对测试者处于昼夜节律下的心电信号进行采集和研究，分析在昼夜节律下清醒和睡眠状态的心率波动情况[20-21]以及对心血管生理系统的影响[22]。然而，许多特殊行业的工作者常年处于昼夜颠倒(即白天睡眠、晚上清醒)状态，例如医护人员、夜班的出租车司机、执勤的民警等，这些人群在关注心血管健康的同时也注意到了颠倒作息对其的影响。因此，本文设计、实施了昼夜颠倒睡眠的实验，采集到夜间清醒、白天睡眠的24 h心电信号，从中提取HRV信号。通过非线性动力学方法研究比对正常作息与颠倒作息HRV信号的混沌特性和长程幂律相关性，进一步探索昼夜作息颠倒对人体心电信号动力学的影响。

1昼夜颠倒睡眠实验模型的建立

1.1实验对象

本文的试验对象为6名在校大学生，男性和女性各3名，平均年龄为22.6岁。6名测试者平时生活规律，无酗酒、吸烟等不良习惯。6名测试者在试验前一星期开始调节个人作息时间，调整到晚上21:00左右入睡。该6名测试者自诉无睡眠障碍、无神经疾病、无家族遗传的心脏病史和无与中枢神经相关用药。

1.2实验仪器

光电公司RAC—3003动态心电图记录器，可随身携带，采样频率为128 次/s，A/D 精度为 12 位。

1.3实验过程

实验分两部分进行，第一部分实验记录6名测试者颠倒作息状态(白天睡眠，夜间清醒)下的24 h心电信号，从晚上21:00至次日21:00。夜间要求测试者记录清醒状态12 h的心电信号，测试者应保持清醒状态，可在房间从事简单不剧烈的活动，如：看书、聊天等；白天到安静无人打扰的房间睡觉，保证睡眠效率达到90%。

第二部分记录6名测试者正常作息状态(白天清醒，夜间睡眠)下的24 h心电信号,从20:30至次日21:00。与颠倒作息不同的是，晚上记录时间提早了半个小时，目的是保证测试者有足够时间调整自己能在21:00进入睡眠状态。

功能性ST-T改变可随人体生理活动调节而变化，故立位(清醒)时交感活动增强，心率加速，ST-T改变加重。当实验对象进入睡眠状态后，因生理自身调节，交感神经活动减弱，迷走神经活动增强，故心率减慢，ST-T改变恢复正常。基于此，实验中我们通过心电记录器所记录的数据变化来判断试验者进入睡眠状态的时间。

1.4实验数据预处理

通过RAC—3003仪器自带的动态心电图分析软件可得到每次心跳对应的时间，相邻两次心跳的时间差即为心电信号的RR间期。在HRV时间序列中经常会存在伪差和异位起搏点[18]这两种非窦性心率。对于得到的RR间期序列需要进行预处理，去除受异位心跳影响的RR间期。

若RR(ms)满足以下不等式，则将其保留，否则将其去除：

(1)

500

(2)

对数据进行预处理后，得到心电信号的RR间期序列，如图1所示。

图1　正常作息和颠倒作息两种状态下的RR间期

2研究方法

2.1去趋势波动

首先，设时间序列为x(i),长度为S{x(i)∶1≤i≤N},按下式求出取均值的和序列

(3)

之后,将和序列y(i)不重叠地分解成若干长度为n的片断(片断个数B=S/n)，由于数据长度S不一定整除n，因此会剩余一部分数据。为了不忽视这部分数据,从y(i)的另一端开始再重复划分一次，一共得到2B个片断。

再从每个片断序列m中去除其趋势

yn(i)=y(i)-pm(i)。

(4)

式中,趋势pm(i)即是第m个片断的拟合多项式, 多项式的阶次N可以是1(线性)、2(平方)或者更高。

最后，计算B个去趋势子区间的方根，即DFA波动函数

(5)

上式中

(6)

若F(n)与n的双对数曲线存在线性关系

lnF(n)=lnc+∂lnn，

(7)

则存在幂律形式的波动

F(n)=cnα。

(8)

对上式采用最小二乘法线性回归可求出直线斜率α(DFA的标度指数)。标度指数α的不同反映了时间序列的相关性。

当α值十分接近0.5时，时间序列仅是短期相关；当0<α<0.5时，时间序列具有反持续性，这种反持续性的强度随着α增加而减小；当0.5<α<1.0时，时间序列具有持续的长程幂律相关性；当α>1.0时，相关但不是幂律形式。α=1.0时，时间序列为1/f噪声；α=0.5时，时间序列为白噪声。

2.2多尺度的基本尺度熵

我们将Costa等人[13]在多尺度熵中分尺度的方法应用于基本尺度熵，将原始的时间序列进行多尺度粗粒化处理，对于数据长度为N的时间序列u：{u(i):1≤i≤N}，将这一时间序列按下列方法粗粒化(τ为尺度)：

(9)

对于每一个u(i)，从时间序列中选取m个数据重构一个m维矢量

X(i)=[u(i),u(i+L),…,u(i+(m-1)L)]，

(10)

式中m和L分别为嵌入维数和延迟时间。若选取L=1，则m维矢量的个数为N-m+1个，对于每一个m维矢量计算出基本尺度SB,其定义为m维矢量中所有相邻点数据间隔(或大小)的差值方均根值，即

(11)

根据基本尺度，选取划分符号的标准a×SB，然后把每一个m维矢量转换成m维矢量符号序列Si(X(i))={s(i),s(i+1),…,s(i+m-1)},s∈A(A=0,1,2,3)。转换方式如下：

(12)

在重构的相空间中包含0，1，2，3四种符号的m维矢量符号序列Si(m-words组合),共有4m种不同的组合状态，统计每一种不同的组合形式在整个N-M+1个m维矢量所占的概率，即

(13)

其中C(t)表示序列第t种组合形式的个数，1≤t≤4m。则m维矢量的多尺度化的基本尺度熵(MBE)定义为

H(m)=-∑P(t)log2P(t)。

(14)

为了计算方便，m的取值可以从3到7，N的取值一般只要大于4m即可。

3数据分析

为了能系统去除数据中由外部因素造成的不同阶的趋势以及减少由于不完善的测量方法引起的噪声水平的干扰，以全面了解人体昼夜24 h心脏内部动力学本质的影响，我们采用DFA方法分析HRV信号。

我们所采集处理清醒和睡眠时HRV的数据点为60 000左右，而昼夜24 h的HRV约为130 000个数据点。此数据长度既能可靠反映数据内在的分形性质，又可以通过计算所得的标度指数α有效探寻昼夜颠倒下HRV潜在的可预测性，考察睡眠和清醒时心脏系统的长程相关性。

图2为正常作息和颠倒作息F(n)均值与n的关系曲线(为了观察方便起见我们将结果曲线进行了平移)。从图2中可观察到正常作息的斜率明显高于颠倒作息，即正常作息的标度指数大于颠倒作息。正常作息较颠倒作息呈现出良好的幂律相关性。分析表明颠倒作息时人体心率的长程相关性和可预测性减弱，对心血管系统的自适应能力产生了负面的影响。

图2　正常作息24 h与颠倒作息24 h HRV信号DFA

为了对比分析颠倒作息对HRV信号在清醒、睡眠时长程相关性的影响，我们计算了6组实验对象分别在正常作息和颠倒作息的白天、夜间的去趋势波动的标度指数α均值，结果如图3所示。

图3　正常作息的白天夜间和颠倒作息的白

颠倒作息夜间即颠倒作息清醒状态的标度指数(α=0.927 31±0.034)略大于正常作息夜间(α=0.911 76±0.037 5)，但小于正常作息白天的标度指数值(α=0.955 66±0.028 7)。从图3中我们可以看到颠倒作息白天的斜率明显小于其他3个状态，也就是说颠倒作息睡眠时的标度指数值最小(α=0.866 79±0.031 9)，经t检验p≤0.05，同时颠倒作息睡眠时的DFA曲线与直线的拟合度相对其他3个状态也较差，昼夜颠倒作息对睡眠状态下的HRV信号影响较大。进一步观察，无论是正常作息还是颠倒作息清醒状态时的曲线拟合斜率总高于睡眠状态下的斜率，即清醒状态时的α值总高于睡眠状态时的α值，这说明人体在清醒时心脏系统的稳定性和自适应性较睡眠状态较强。当实验对象处于颠倒作息睡眠状态时，由于昼夜变化作息的失调，而人体细胞内化学物质的合成和机体的激素水平易受到睡眠质量的影响，使睡眠时心脏负荷相对加重，刺激心脏组织产生神经体液因子，作为次级信号分子调节细胞对压力负荷产生适应性反应下降[23]。意味着颠倒作息睡眠状态下心脏适应环境的变化和心血管系统调整的能力衰减较为明显。

心跳间隔序列是一种典型的长时相关信号且具有多尺度性[26]。我们利用多尺度化的基本尺度熵(MBE)，进一步比较分析颠倒作息和正常作息下清醒、睡眠状态的具体差别及影响。原始数据总长N=60 000，时间尺度τ从1到20变化，计算结果如图4所示。

图4 不同状态下HRV的多尺度化的基本尺度熵值

由图4可以发现，对于人体的睡眠状态和清醒状态，正常作息和颠倒作息这两种情况下多尺度化的基本尺度熵(MBE)曲线的趋势基本一致。MBE曲线分析量化了HRV序列在多个时间尺度下的波动不规则度，熵值反映了生理时间序列的动力学复杂性。从图4a可以看到，当τ≥5时，颠倒作息的MBE曲线明显低于正常作息的曲线。而图4b中颠倒作息的MBE曲线与正常作息的MBE曲线相互交错。图中τ≥7时颠倒作息和正常作息的MBE曲线波动基本趋于稳定。可以看出颠倒作息睡眠状态HRV信号的基本尺度熵随着时间尺度的增大明显低于正常作息时HRV的熵值，而清醒状态时的HRV信号在颠倒作息下和正常作息下的基本尺度熵的变化没有明显的差别。这说明颠倒作息对睡眠时HRV信号的MBE影响大于对清醒时的影响。大时间尺度下，颠倒作息睡眠状态的交感神经兴奋减弱和副交感神经兴奋增强的程度加大，导致数据中出现了更多的m-words组合，使颠倒作息睡眠时的HRV信号变化更具规则性，即混沌性下降。在生理控制系统中非线性复杂性越高，个体的自适应能力越高[24]。颠倒作息睡眠状态下植物神经的变化打破了人体的动态平衡，使心率信号混沌性下降，从而会引起心血管系统功能的紊乱。

图4中，两图睡眠状态和清醒状态的MBE曲线在时间尺度τ=3时均处于波谷状态。也就是说，无论是正常作息还是颠倒作息时的睡眠状态和清醒状态在时间尺度τ=3时基本尺度熵较小。进一步分析可知，该时间尺度下人体心脏系统的复杂性较低。这意味着，相对于其他时间尺度下的HRV信号，时间尺度τ=3时的HRV信号或许隐藏了较多的非健康信息。这一点，为我们以后所研究的课题提供了方向。

通过以上两种方法分析发现，睡眠状态的标度指数值相对于清醒时较小，同时昼夜颠倒作息会对心脏系统有一定的负影响，尤其是对睡眠状态的影响较大。

4结论

本文设计颠倒作息实验，对采集到的心电信号进行数据预处理后，从中提取HRV信号，联合去趋势波动和多尺度的基本尺度熵方法对实验数据进行分析。实验对象处于正常24 h作息的α均值大于颠倒24 h作息时的平均值。表明作息颠倒会使人体心脏系统的长程相关性减弱及对人体本身动力学复杂性产生一定的负影响。进一步对比分析了实验对象在颠倒作息和正常作息下的清醒和睡眠HRV信号的变化。睡眠状态的标度指数较清醒时减小，意味着人体在睡眠时心脏系统的稳定性和自适应性较清醒状态弱。通过对比分析清醒和睡眠状态的MBE曲线，发现昼夜颠倒作息对睡眠状态下的HRV信号影响较大，由于昼夜作息变化的失调使睡眠时心脏负荷相对加重，心脏对外界环境变化的适应性下降以及HRV信号存在复杂性的缺失导致颠倒睡眠时心率变化长程相关性和混沌性减弱，从而对人体心血管系统相对稳定健康的循环体系的动态平衡产生干扰。我们通过昼夜颠倒作息短期的研究，为生理病理学分析倒班人群的心脑血管疾病提供了一定的理论依据，对疾病入侵及隐患有重要的临床意义。

参考文献:

[1] 李锦,刘大钊.昼夜节律下心率变异性信号的熵信息和谱特征[J].物理学报,2012,61(20):208701.

[2] GRITTI I, DEFENDI S, MAURI C, et al. Heart rate variability, standard of measurement, physiological interpretation and clinical use in mountain marathon runners during sleep and after acclimatization at 3480 m[J]. Journal of Behavioral and Brain Science, 2013, 3:26-48.

[3] BALOYANTZ A, DESTEXH A. Is the normal heart a periodic oscillator[J]. Biological Cybernetics,1988, 58:203-211.

[4] NING X B, BIAN C H, WANG J, et al. Research progress in nonlinear analysis of heart electric activities[J]. Chinese Science Bulletin, 2006, 51(4):385-393.

[5] IVANOV P C, AMARAL L A N, GOLDBERGER A L, et al. Multifractality in human heartbeat dynamics[J]. Nature, 1999, 399:461-465.

[6] HUA K, IVANOV P C,CHEN Z, et al. Effect of trends on detrended fluctuation analysis[J]. Physical Review E, 2001, 64:011114.

[7] IVANOV P C. Scale-invariant aspects of cardiac dynamics across sleep stages and circadian phases[C]∥Proceedings of the 28th IEEE EMBS Annual International Conference. New York, 2006:445-448.

[8] IVANOV P C, MA Q D, BARTSCH R P, Maternal fetal heartbeat phase synchronization[J]. Proceedings of the National Academy of Sciences of the United States of America, 2009, 106(33):13641-13642.

[9] PLAMEN C I, AINSLIE Y, PANDELIS P. Impact of stock market structure on intertrade time and price dynamics[J]. The Public Library of Science One, 2014, 9(4):e92885.

[10] IVANNOVAK A M. Application of the detrended fluctuation analysis(DFA) method for describing cloud breaking[J]. Physical A, 1999, 274:349-354.

[11] PENG C K, HAVLIN S, STANLEY H E, et al. Quantification of scaling exponents and crossover phenomena in nonstationary heartbeat time series[J]. Chaos, 1995, 5(1):82-87.

[12] PINCUS S M. Approximate entropy as a measure of system complexity[J]. Proceedings of the National Academy Sciences, 1991, 88(6):2297-2301.

[13] COSTA M, GOLDBERGER A L, PENG C K. Multiscale entropy analysis of complex physiologic time series[J]. Physical Review Letters, 2002, 89(6): 068102.

[14] KLEIGER R E, STEIN P K,BIGGER J T. Heart rate variability: measurement and clinical utility[J].Ann Noninvasive Electrocardiol, 2005, 10(1):88-101.

[15] LI J, NING X B. The base-scale entropy analysis of short-term heart rate variability signal[J]. Chinese Science Bulletin, 2005, 50(12):1269-1273.

[16] WESSEL N, ZIEHMANN C, KURTHS J, et al. Short-term forecasting of life-threatening cardiac arrhythmias based on symbolic dynamics[J]. Physical Review E, 2000, 61(1):733-739.

[17] LI J, NING X B. Dynamical complexity detection in short-term physiological series using base-scale entropy[J]. Physical Review E, 2006, 73(5):052902.

[18] 杨希,宁新宝,何爱军,等. 基本尺度熵方法用于短时心率变异性分析的临床应用研究[J].南京大学学报(自然科学版), 2008, 44(4):361-370.

[19] PACKARD N H, CRUTCHFIELD J P, FARMER J D, et al. Geometry from a time series[J]. Physical Review Letters, 1980, 45:712-716.

[20] KANTELHARDT J W, ASHKENAZY Y, IVANOV P C H, et al. Characterization of sleep stages by correlations in the magnitude and sign of heartbeat increments[J]. Physical Review E, 2002, 65:051908.

[21] PENZEL T, KANTELHARDT J W, GORTE L, et al. Comparison of detrended fluctuation analysis and spectral analysis for heart rate variability in sleep and sleep apnea[J]. IEEE Transactions on Biomedical Engineering, 2003, 50(10):1143-1151.

[22] IVANOV P C, HU K, MICHAEL F H. Endogenous circadian rhythm in human motor activity uncoupled from circadian influences on cardiac dynamics[J]. Proceedings of the National Academy of Sciences, 2007, 104(52):20702-20707.

[23] SCHLAICH M P, KAYE D M, ELISABETH L, et al. Relation between cardiac sympathetic activity and hypertensive left ventricular hypertrophy[J]. Circulation, 2003, 108:560-565.

[24] 张辉,杨明静,葛霁光,等.非线性动力学在心脏活动研究中的应用[J].生物物理学, 1997, 13(2):340-346.

[25] IVANOV P C, CHEN Z, HU K, et al. Multiscale aspects of cardiac control[J]. Physica A, 2004,344: 685-704.

〔责任编辑 李博〕

The nonlinear features study of heart rate variability signals affected by reversed circadian rhythms

ZHANG Xuan， LI Jin*， XU Wenmin

(School of Physics and Information Technology, Shaanxi Normal University,Xi′an 710119, Shaanxi, China)

Abstract:The influence of reversed sleep and normal daily routine on electrocardiogram(ECG) signals are investigated.ECG signals at sleep state is compared with it at waking state in reversed sleep. The methods of detrended fluctuation analysis(DFA) and multiscale base-scale entropy(MBE) is used to analyze the signals of HRV at reversed sleep in comparison with normal daily. The mean value of α (scaling exponent) at normal state is bigger than it at reversed state in experiment. The impact on HRV signals of sleep state in reversed sleep is bigger than in normal daily by analyzing the results of the MBE and DFA curves at sleep state and waking state. The results show that reversed sleep will weaken the long correlation of internal mechanism and have a bad effect on complexity of the human body itself. Especially the negative impact on HRV signals of sleep state in reversed schedule is obvious.

Keywords:reversed schedule; sleeping; heart rate variability (HRV); long-range correlation

中图分类号:TN911.6

文献标志码:A

*通信作者：李锦，女，博士，副教授。E-mail:lijin1997@snnu.edu.cn

基金项目：国家自然科学基金(61102094)；中央高校基本科研业务费专项资金(GK201505035)

收稿日期：2015-05-08

doi:10.15983/j.cnki.jsnu.2016.02.226

文章编号：1672-4291(2016)02-0048-06

第一作者： 张璇，女，硕士研究生，研究方向为信号处理。E-mail: 616256640@qq.com