[论文解读] Poincaré parameters and principal component analysis of Heart rate variability of subjects with health disorder

Sobhendu Kumar Ghatak, Subhra Aditya|arXiv (Cornell University)|Feb 28, 2018

Heart Rate Variability and Autonomic Control参考文献 1被引用 7

一句话总结

本研究对糖尿病、高血压及健康受试者的短时心电图数据应用滞后Poincaré图分析、主成分分析（PCA）及自相关分析。结果显示，患病组的SD1、SD2和SD12参数显著降低，且SD12随滞后时间呈现不同的曲率趋势；这些关键发现经PCA验证，PCA在二维主成分空间中能清晰区分三组，表明该方法在区分自主神经功能障碍方面优于传统HRV指标。

ABSTRACT

Heart rate variability,important marker for modulation of autonomic nervous system is studied for diabetic,hypertensive and control group of subjects.Lagged Poincaré plot of heart rate(HR),method of principal component analysis and auto-correlation of HR fluctuation are used to analyze HR obtained from ECG signal recorded over short time duration.The parameters $(SD1)$,$(SD2)$ and their ratio $(SD12)$,characterizing the Poincaré plot reveal a significant reduction of their values for diabetic and hypertensive subjects compared to the corresponding results of control one.The slope and the curvature of the plot of these parameters with lagged number exhibit similar trend.In particular,the curvature of $(SD12)$ for the control group differs widely from that of other groups.The principal component analysis is used for analysing multi-dimensional data set resulting from the Poincaré plot for all subjects.The correlation matrix points out significant correlation between slope and curvature.The analysis demonstrates that three groups are well separated in the domain of two significant principal components.The auto-correlation of HR fluctuation exhibits highly correlated pattern for subjects with health disorder compared to that of control subject.

研究动机与目标

• 探究滞后Poincaré参数与PCA是否能够区分糖尿病、高血压及健康受试者的心率变异性（HRV）模式。
• 评估Poincaré图参数（SD1、SD2、SD12）及其随滞后时间增长的特性在检测自主神经系统（ANS）失衡中的实用性。
• 评估基于多维Poincaré衍生变量的主成分分析是否能增强健康与疾病组之间的分离效果。
• 考察RR间期波动的自相关性作为HRV中非随机、病理动力学特征的标志。

提出的方法

• 通过绘制RRi与RRi+m（滞后时间m逐步增加至8）的关系图生成滞后Poincaré图，以捕捉相邻心跳间心率动态的时间相关性。
• 从滞后Poincaré图中提取关键参数SD1（短期变异性）、SD2（长期变异性）及其比值SD12，以量化HRV的分布特征。
• 对Poincaré参数的多维数据集应用主成分分析（PCA），以识别主要模式并降低维度，同时保留方差信息。
• Poincaré参数的相阵列矩阵揭示了显著的相互依赖关系，尤其体现在SD12的斜率与曲率随滞后时间的变化上。
• 计算RR间期波动的自相关性作为滞后时间m的函数，以评估HR动力学中的持久性与振荡行为。
• 数据随机重排五次以检验其随机性；将所得相关性模式与原始数据对比，验证其非随机结构的存在。

实验结果

研究问题

• RQ1 滞后Poincaré图参数（SD1、SD2、SD12）在糖尿病、高血压与对照组之间是否存在显著差异？
• RQ2 随着滞后时间m的增加，Poincaré参数（尤其是SD12）的斜率与曲率如何区分三组受试者？
• RQ3 基于多维Poincaré参数，主成分分析是否能有效分离三组？
• RQ4 健康与患病受试者之间RR间期波动的自相关性是否存在可测量差异？
• RQ5 SD1、SD2、SD12等推导参数在多大程度上反映了心血管疾病中自主神经系统的失衡？

主要发现

• 糖尿病与高血压受试者的SD1、SD2及SD12值显著低于对照组，表明其短期与长期HRV受损。
• SD12随滞后时间m变化的曲率在对照组中与糖尿病及高血压组存在显著差异，提示健康自主神经调节具有独特的动态特征。
• SD12的斜率与曲率在所有组中均表现出一致趋势，其中对照组的曲率特征最为显著。
• PCA显示，前两个主成分在二维空间中能有效分离三组，证明Poincaré衍生参数具有强大的判别能力。
• 前四个主成分与显著的特征值相关，保留了大部分数据的方差，其中主导成分主要依赖于SD12。
• RR波动的自相关性在患病受试者中呈现有限、衰减且常伴有振荡的模式，与随机重排数据中接近零、类似随机的相关性形成鲜明对比，表明HRV中存在非随机的病理动力学。