人类和动物的自主神经系统通过其交感神经和副交感神经分支之间的动态平衡来控制多种脏器发挥正常功能,心脏的正常搏动也受自主神经系统控制。自主神经失衡是指交感神经过度活跃,副交感神经活跃不足,或两种情况同时出现。自主神经失衡是许多疾病的共同机制,但是临床上很少针对该机制给予患者有效的治疗。神经生理学研究发现,自主神经系统在控制血压值中发挥着重要的作用,在多数人群中,机体的自主神经失衡先于高血压出现,并且助长了高血压的形成和发展。分析高血压患者的自主神经模式有助于提前阻断自主神经失衡对心血管系统的破坏性影响。然而,目前高血压患者的自主神经活动模式的快速有效量化指标还未见文献报道,因此本文以此作为研究问题。本文基于机器学习方法,分析了短期心率变异性(Heart rate variability,HRV),以确定高血压患者与正常人群之间自主神经功能的差异。高血压患者的心电(Electrocardiogram,ECG)数据来自于风险智能评估数据库(Smart health for assessing the risk of events via ECG,shareedb),该数据库提供了用于评估心血管意外事件风险的137个ECG记录。健康受试者的心电数据来自MIT-BIH正常窦性心律数据库(nsrdb和nsr2db),这两个数据库分别包含18个受试者的ECG记录和54个受试者的正常窦性心律的RR间期数据。本文在已有自主神经生理学文献的基础上,提取了17个HRV特征以区分高血压心律与健康心律,并用以量化高血压人群自主神经系统的活动模式与健康人群的差异。应用Kolmogorov-Smirnov统计检验和后向特征选择(Sequential backward selection,SBS)获得区分高血压心电和正常心电的最佳HRV特征组合。此外,用支持向量机(Support vector machine,SVM),K最近邻(K-nearest neighbor,KNN)和随机森林(Random forest,RF)作为区分高血压心电和正常心电的分类器,使用留一被试验证法评估各种分类器的性能。本文主要研究结果和结论如下:(1)在17个初始HRV特征中,有15个体现了高血压组与正常组之间的显著性差异。这一结果表明,高血压患者的自主神经调控上显著不同于健康人。从HRV的超低频率带总功率(Very low frequency,VLF)、低频带总功率(Low frequency,LF)和低/高频率带总功率比(LF/HF)来看,与健康组相比,高血压组的上述HRV指标显著升高。该结果表明高血压患者的交感神经过度活跃,这是心血管自主神经功能受损的表现。其中LF/HF反映了交感神经与副交感神经的竞争关系,由此可知,在高血压人群中,交感神经在自主神经的调控中占据主导地位。(2)RF分类器与五个HRV特征构成了高血压自主神经模式的最佳预测模型。在SBS特征选择和模型优化后得到的五个最佳HRV指标是:样本熵(Sample entropy,SampEn),VLF,相邻RR间期差值的均方根(Root mean square of successive differences,RMSSD),LF/HF和矢量角度指数(Vector angle index,VAI)。RF分类器与这五个量化指标在高血压组/正常组的二分类问题中得到的接受者操作特性曲线下面积(Area under curve,AUC)为0.9075,正确识别率为86.44%。该分类器对高血压自主神经模式的敏感度为93.43%,这一结果对日常监测由HRV异常引起的高血压风险具有重要意义。(3)在SBS特征选择过程中,所有分类器都选择了SampEn为最佳特征。这表明,与文献中提出的最优高血压量化指标VLF相比,SampEn更适合预测高血压风险。高血压组具有显著降低的SampEn指标,表明自主神经活动复杂性降低是高血压形成和发展的重要特征。