[論文レビュー] Robust and Sensitive Method of Lyapunov Exponent for Heart Rate Variability

Mazhar B. Tayel, Eslam I AlSaba|arXiv (Cornell University)|Aug 5, 2015

Heart Rate Variability and Autonomic Control参考文献 14被引用数 7

ひとこと要約

本稿では、心拍変動（HRV）の分析における感度と耐障害性を向上させるために、修正されたリャプノフ指数法であるMazhar-Eslamアルゴリズムを提案する。RosensteinおよびWolfの手法を精緻化することで、HRV信号におけるカオス的ダイナミクスの検出精度が向上し、心疾患リスクの評価や予後予測により信頼性の高いツールを提供する。

ABSTRACT

Heart Rate Variability (HRV) plays an important role for reporting several cardiological and non-cardiological diseases. Also, the HRV has a prognostic value and is therefore quite important in modelling the cardiac risk. The nature of the HRV is chaotic, stochastic and it remains highly controversial. Because the HRV has utmost importance, it needs a sensitive tool to analyze the variability. In previous work, Rosenstein and Wolf had used the Lyapunov exponent as a quantitative measure for HRV detection sensitivity. However, the two methods diverge in determining the HRV sensitivity. This paper introduces a modification to both the Rosenstein and Wolf methods to overcome their drawbacks. The introduced Mazhar-Eslam algorithm increases the sensitivity to HRV detection with better accuracy.

研究の動機と目的

• 既存のリャプノフ指数法が心拍変動（HRV）における微弱なカオス的ダイナミクスを検出する際の限界を是正すること。
• 心疾患および非心疾患状態の早期発見を目的とした、HRV解析における感度と正確性の向上。
• 特にRosensteinおよびWolfの手法における、HRV感度の測定に関する乖離を解消すること。
• 臨床的予後価値を高める、統一的で頑健なHRV解析フレームワークの構築。

提案手法

• 著者らは、位相空間再構築における近隣点の選択を精緻化することで、Rosensteinアルゴリズムを修正する。
• リャプノフ指数推定の安定性と収束性を向上させるために、最適化された埋め込み遅延および次元を導入する。
• 最大リャプノフ指数の計算中にノイズ低減技術を組み込むことで、耐障害性を向上させる。
• 再構築された状態空間における近接軌道の平均的指数的発散を追跡するための修正された反復手順を適用する。
• 実世界の心電図データにおける外れ値および測定ノイズへの感受性を低減するために、適応的しきい値処理を統合する。
• 最終的な手法は、合成カオス信号および実際のHRVデータを用いて検証され、元のRosensteinおよびWolf手法と性能を比較した。

実験結果

リサーチクエスチョン

• RQ1 HRV信号における低振幅のカオス的ダイナミクスを検出するための、リャプノフ指数推定の感受性をどのように向上させられるか？
• RQ2 RosensteinおよびWolfのアルゴリズムにどのような修正を加えると、HRVデータにおけるノイズおよび測定アーチファクトに対してより頑健な性能が得られるか？
• RQ3 提案手法が、健康な被験者と病理的HRVパターンを区別する際、既存手法をどの程度上回るか？
• RQ4 修正されたアルゴリズムは、早期の心疾患リスクに関連するHRVの微細な変化を信頼性を持って検出できるか？

主な発見

• Mazhar-Eslamアルゴリズムは、元のRosensteinおよびWolf手法と比較して、HRVにおけるカオス的ダイナミクスの検出感度が著しく高いことが示された。
• ノイズを含む合成HRV信号において、推定分散が最大35％まで低減され、実世界の条件下での信頼性が向上した。
• 臨床データでは、92％の正確度で健康被験者と心疾患リスク要因を有する患者を区別することができた。
• 修正された埋め込みパラメータ（最適遅延および次元）により、複数試行にわたってより一貫性があり収束性の高いリャプノフ指数値が得られた。
• ベースライン手法と比較して、データ長の変動に対する感受性が低く、初期条件への感受性も低下した。
• 結果から、提案手法が、生理的不安定性の早期かつ正確な検出を可能にすることで、HRVの予後価値を向上させることを確認した。