摘要：连续窦性心拍之间的时间间隔存在微小涨落,这种现象称为心率变异性(Heart Rate Variability, HRV)。 HRV蕴藏了丰富的生理和病理信息,是评估自主神经系统功能的一个重要标志。HRV分析在疾病诊断、情绪识别和脑力负荷评估等诸多领域有着广泛的应用。本文对HRV信号的获取、分析和应用中的一些相关问题进行了研究。论文的主要研究内容如下：1)提出了基于小波系数模极大值序列跃变点的R波检测策略,实现了连续小波变换对心电信号R波的检测。利用复Morlet小波与Mexican-hat小波对心电信号进行连续小波变换后,小波系数模极大值对应R波峰值的特点,通过基于小波系数模极大值序列跃变点的R波检测策略,在上述两种小波系数的线性组合中检测R波,平均灵敏度为99.37%,平均阳性预测率为99.35%。2)提出了基于CEEMD分解的RR间期序列去趋势方法。从心电信号中提取的RR问期序列是HRV分析的信息来源,并且是非均匀采样的。为了得到准确的HRV分析结果,需要在预处理阶段将RR间期序列中缓慢的趋势予以去除。平滑先验方法(Smoothness Prior Approach, SPA)目前使用最为广泛,但这一方法需要将非均匀采样的RR间期序列通过重采样转换为均匀采样序列。这一过程将产生噪声,并使信号的质量受到损害。为了解决这一问题,引入了经验模态分解(Empirical Mode Decomposition, EMD)。将分解后的信号通过部分重构,去除其趋势成分。这一方法可直接用于非均匀采样信号的处理。此外,为了能够采用标准指标评价去趋势方法的性能,提出了一个RR间期序列模型。采用以分贝计的信噪比(ISNR)、均方误差(EMS)和百分比均方根误差(DPRS)评价RR间期序列的去趋势性能。结果表明,与SPA方法相比,基于互补整体EMD(Complementary Ensemble EMD, CEEMD)的去趋势方法能得到更高的ISNR,更低的EMS和DPRS,说明其具有更好的性能,并能由此得到更准确的HRV分析结果。3)比较了心衰病人和健康人的HRV指标,并建立了基于相关指标的心衰诊断模型。采用时域、频域和非线性方法对40名健康人和40名心衰病人的心电数据进行了短时HRV分析,从而建立了基于不同指标组合和线性判别分析(Linear Discriminant Analysis, LDA),及支持向量机(Support Vector Machine, SVM)的心衰诊断模型。结果表明,基于RR间期均值RR、RR间期标准差SDNN、去趋势波动分析(Detrended Fluctuation Analysis, DFA)短期波动斜率α1、DFA长期波动斜率α2、近似熵ApEn等5个指标和LDA的诊断模型诊断正确率可达到92.5%；基于RR、SDNN、RR间期差值的均方根RMSSD、Poincare分析短轴参数SD1、ApEn等5个指标和SVM的模型诊断正确率可达到95%。HRV的相关指标可揭示心脏的动力学特征,并可用于心衰的诊断。4)研究了足跟取血造成的疼痛暴露对新生儿自主神经系统的影响,并建立了基于HRV指标组合的新生儿疼痛检测模型。采用时域、频域和非线性方法对40名新生儿疼痛暴露前后心电数据进行了短时HRV分析,并建立了基于不同指标组合和LDA,及SVM的疼痛检测模型。结果表明,基于ApEn、递归图分析最大对角线长度Lmax、确定性DET等3个指标和LDA的新生儿疼痛检测模型检测正确率达到78.75%,基于RR、相邻两个RR间期对差值大于50ms的百分比pNN50、ApEn、关联维D2、递归率REC等5个指标和SVM的模型检测正确率达到83.75%。HRV的相关指标可反映新生儿自主神经系统对疼痛暴露的应答,相关指标的组合可用于新生儿疼痛检测。