王星月，陈兆学

（上海理工大学医疗器械与食品学院，上海，200093）

引 言

心房颤动(Atrial fibrillation，AF)即房颤是因心房产生不协调激动而引起的无效收缩[1]，是临床最常见的心律失常之一[2]。AF 的发病率可随年龄增加而明显增加[3]。随着社会老龄化，在未来50 年AF 患病率将增加2.5 倍[4]，并且女性患AF 的症状较男性更为严重[5]。AF 亦可增加中风、心率衰竭等并发症[6]，术后更会带来如炎症、氧化应激[7]等诸多并发症，并且复发率极高[8]，严重危害患者的日常生活与身体健康，因此准确快速地检测出AF，对患者的早期干预以及预后改善至关重要。

由于心电信号(Electrocardiogram signal，ECG)是混沌信号[9]，因此其最突出的特征在R-R 间期也具有混沌特性。在AF 的研究中，利用R-R 间期的混沌性质研究出的Lorenz 图、相空间重构法和概率密度函数(Probability density function，PDF)等方法[10-13]得到越来越多学者的关注，但这些方法往往是从图形变化作为心率变异性最直观的反映。另外随着深度学习的广泛研究，基于AF 在R-R 间期的深度学习检测算法也逐渐被提出[14-16]，但由于算法复杂度很高，需要庞大的数据库支持，因此可行性还有待进一步确证。20 世纪70 年代金日光教授独立地提出第四统计力学[17]，并将之描述为JRG 群子理论[18]，随后利用JRG 群子理论成功地解释了中药学中有关阴阳、归经等理论的内在规律[18-19]。阴阳、矛盾等对立统一规律在自然界中普遍存在，对人体器官之功能而言亦如此，暗含阴与阳相关因素的作用与协同。ECG 的R-R 间期数据是心脏自发搏动产生的相对最稳定和最具代表性的数据之一，能够反映心脏的功能与在位状态，其中必定隐含影响和控制心脏跳动的积极、消极两种因素协同作用的信息。……