в Інтернеті 
Українська  English  Русский  

DOI: https://doi.org/10.31071/kit2019.15.06


Опис-посилання ISSN 1812-7231 Klin.inform.telemed. Volume 14, Issue 15, 2019, Pages 67-73


Автор(и) A. Martynenko1, G. Raimondi2, N. Budreiko1


Установа(ви)

1V. N. Karazin Kharkiv National University, School of Medicine, Ukraine

2University of Roma "Sapienza", Italy


Назва статті Робастна формула ентропії для аналізу варіабельності серцевого ритму


Анотація (резюме)

Вступ. Нелінійні методи аналізу знайшли широке застосування в технології варіабельності серцевого ритму (ВСР) при наявності довгих записів ВСР. Використання одного з ефективних методів нелінійних аналізу ВСР — ентропії для стандартних 5-хв. записів ВСР стримується незадовільною точністю наявних методів в разі коротких записів (зазвичай, стандартна 5 хв. запис ВСР містить 300-600 комплексів RR), а також складністю і неоднозначністю вибору додаткових параметрів для відомих методів обчислення ентропії ApEn, SampEn, MSE.

Мета роботи. Побудова робастної формули обчислення ентропії (EnRE) з високою точністю для обмеженого ряду RR-інтервалів, які спостерігаються в стандартній 5-хвилинного запису HRV, тобто з N≈300–600. А також демонстрація можливостей формули EnRE на ряді статистичних розподілів і в діагностиці серцевої недостатності EnRE на ряді статистичних розподілів і в діагностиці серцевої недостатності EnRE

Матеріали та методи. У статті була використана база даних MIT-BIH з тривалими записами ВСР в разі нормального синусового ритму (NSR) і при серцевій недостатності (CHF). Для аналізу точності EnRE використовувалися відомі статистичні розподіли (нормальне, рівномірне, експоненціальне, логнормальне, Парето) з їх точними значеннями ентропії.

Результати. Була показана ефективність розробленої формули EnRE для часового ряду обмеженої довжини (N=300–600) на прикладі різних видів статистичних розподілів, що симулюють діапазони ВСР людини, а також продемонстрована висока точність класифікації випадків нормального синусового ритму і серцевою недостататочності для стандартних 5 хв. сегментів з бази даних MIT-BIH записів ВСР з використанням EnRE і EnRE (sort).

Висновки. У статті запропонована робастна формула обчислення ентропії (EnRE), яка дозволяє для часового ряду обмеженої довжини (N= 300–600) знайти значення ентропії, які відрізняються від точного на 0,5–2,9%, що було продемонстровано для різних випадкових розподілів. На стандартних 5 хв. сегментах з бази даних MIT-BIH записів ВСР було показано використання EnRE і EnRE (sort) для класіфікації випадків нормального синусового ритму і серцевої недостатності з показниками якості поділу на групи: Se = 0,76, Sp = 0,98, Acc = 0,90.


Ключові слова варіабельність серцевого ритму, ентропія, серцева недостатність


Список літератури

1. Task force of the European society of cardiology and the North American society of pacing and electrophysiology. Heart rate variability — standards of measurement, physiological interpretation, and clinical use. Circulation, 1996. vol. 93, iss. 5, pp. 1043–1065.

2. Yabluchansky N., Martynenko A. [Heart Rate Variability for clinical practice]. 2010. Kharkiv, Univer. Press, 131 p. (In Russ.) depositary: http://dspace.univer.kharkov.ua/handle/123456789/1462

3. Nayak S. K. at all. A Review on the Nonlinear Dynamical System Analysis of Electrocardiogram Signal. J. Healthc. Eng. 2018. Article ID 6920420, 19 p.
https://doi.org/10.1155/2018/6920420

4. De Godoy M. F. Nonlinear Analysis of Heart Rate Variability: A Comprehensive Review. J. Cardiology and Therapy, 2016, vol. 3, no. 3, pp.528–533.

5. İşler Y., Kuntalp M. Combining classical HRV indices with wavelet entropy measures improves to performance in diagnosing congestive heart failure. Comput. Biol. Med., 2007. iss. 37, pp. 1502–1510.

6. Wood A. J., Cohn J. N. The management of chronic heart failure. N. Engl. J. Med. 1996, iss. 335, pp. 490–498.

7. Nolan J. at all. Prospective study of heart rate variability and mortality in chronic heart. Circulation 1998, vol. 98, pp. 1510–1516.

8. Rector T. S., Cohn J. N. Prognosis in congestive heart failure. Annu. Rev. Med. 1994, vol. 45, pp. 341–350.

9. Arbolishvili G. N. at all. Heart rate variability in chronic heart failure and its role in prognosis of the disease. Kardiologiia [Cardiology]. 2005, vol. 46, pp. 4–11.

10. Smilde T. D. J., van Veldhuisen, D. J. and van den Berg, M. P. Prognostic value of heart rate variability and ventricular arrhythmias during 13-year follow-up in patients with mild to moderate heart failure. Clin. Res. Cardiol. 2009, vol. 98, pp. 233–239.

11. Acharya U. R. at all. Application of empirical mode decomposition (EMD) for automated identification of congestive heart failure using heart rate signals. Neural Comput. Appl. 2016, pp. 1–22
https://doi.org/10.1007/s00521-016-2612-1

12. Yu, S. N., Lee M. Y. Bispectral analysis and genetic algorithm for congestive heart failure recognition based on heart rate variability. Comput. Biol. Med. 2012, vol. 42, pp. 816–825.

13. Narin A., Isler Y., Ozer M. Investigating the performance improvement of hrv indices in chf using feature selection methods based on backward elimination and statistical significance. Comput. Biol. Med. 2013, vol. 45, pp. 72–79.

14. Jong T. L., Chang B., Kuo C. D. Optimal timing in screening patients with congestive heart failure and healthy subjects during circadian observation. Ann. Biomed. Eng. 2011, vol. 39, pp. 835–849.

15. Kumar M., Pachori R. B., Acharya U. R. Use of accumulated entropies for automated detection of congestive heart failure in flexible analytic wavelet transform framework based on short-term HRV signals. Entropy 2017, vol. 19, p. 92,
https://doi.org/10.3390/e19030092

16. Pincus S. M. Approximate entropy as a measure of system complexity. Proc. Natl. Acad. Sci. USA. 1991, vol. 88, pp. 2297–2301.

17. Richman J. S., Moorman, J. R. Physiological time-series analysis using approximate entropy and sample entropy. Am. J. Physiol. Heart Circ. Physiol. 2000, iss. 278, pp. H2039–H2049.

18. Humeau-Heurtier A. The multiscale entropy algorithm and its variants: A review. Entropy 2015, vol. 17, pp. 3110–3123.

19. Costa M., Goldberger A. L., Peng C. K. Multiscale entropy analysis of biological signals. Phys. Rev. E. 2005, vol. 71, Article ID 021906.

20. Costa M., Goldberger A. L., Peng C. K. Multiscale entropy analysis of complex physiologic time series. Phys. Rev. Lett. 2002, vol. 89, Article ID 068102.

21. Gao Z. K., Fang P. C., Ding M. S., Jin N. D. Multivariate weighted complex network analysis for characterizing nonlinear dynamic behavior in two-phase flow. Exp. Therm. Fluid Sci. 2015, vol. 60, pp. 157–164.

22. Labate D. at all. Entropic measures of EEG complexity in Alzheimer's disease through a multivariate multiscale approach. IEEE Sens. J. 2013, vol. 13, pp. 3284–3292.

23. Azami H., Escudero J. Refined composite multivariate generalized multiscale fuzzy entropy: A tool for complexity analysis of multichannel signals. Physica A. 2017, iss. 465, pp. 261–276.

24. Zhao L. N., Wei S. S., Tong H., Liu C. Y. Multivariable fuzzy measure entropy analysis for heart rate variability and heart sound amplitude variability. Entropy. 2016, vol. 18, p. 430.
https://doi.org/10.3390/e18120430

25. Li, P. at all. Multiscale multivariate fuzzy entropy analysis. Acta Phys. Sin. 2013, vol. 62, 120512.

26. Ahmed M. U., Mandic D. P. Multivariate multiscale entropy analysis. IEEE Signal Proc. Lett. 2012, vol. 19, pp.91–94.

27. Chengyu L., Rui G. Multiscale Entropy Analysis of the Differential RR Interval Time Series Signal and Its Application in Detecting Congestive Heart Failure. Entropy. 2017, vol. 19, p. 251.
https://doi.org/10.3390/e19060251

28. Goldberger A. L. at all. Physiobank, physiotoolkit, and physionet: Components of a new research resource for complex physio logic signals. Circulation. 2000, vol. 101, pp. 215–220.

29. Shannon C. E. "A Mathematical Theory of Communication". Bell System Technical Journal. 1948. vol. 27, no. 3, pp. 379–423.
https://doi.org/10.1002/j.1538-7305.1948.tb01338.x

30. Lazo A. and Rathie P. "On the entropy of continuous probability distributions". IEEE Transactions on Information Theory. 1978, vol. 24, no. 1.
https://doi.org/10.1109/TIT.1978.1055832

31. Gini C. Variabilitа e mutabilitа. Reprinted in Pizetti, E., Salvemini, T., eds. Memorie di metodologica statistica. Rome, Libreria Eredi Virgilio Veschi. 1955. 156 p.

32. Sаnchez-Hechavarrнa M. E. and etc. Introduction of Application of Gini Coefficient to Heart Rate Variability Spectrum for Mental Stress Evaluation. Arq Bras Cardiol. 2019, [online]. ahead print, pp. 0–0.
https://doi.org/10.5935/abc.20190185

33. Firebaugh G. Empirics of World Income Inequality. American Journal of Sociology. 1999, vol. 104, no. 6, pp. 1597–1630.
doi:10.1086/210218

34. Shorrocks A. F. The Class of Additively Decomposable Ine quality Measures. Econometrica. 1980, vol. 48, no. 3, pp. 613–625.
https://doi.org/10.2307/1913126


Повнотекстова версія http://kit-journal.com.ua/uk/viewer_uk.html?doc/2019_15/006.pdf