心脏是人类维持生命健康的重要器官之一,结构和生理功能极其复杂。心脏系统是自然界中典型的混沌系统,其输出信号常常呈现出复杂的变异性,因此被称为心率变异性(HRV)信号,也称RR间期序列。该时间序列大量的储藏着与心血管调节的相关信息,已作为评价自主神经活动水平以及临床检测心脏健康的一个重要研究对象。RR间期序列的输出波形看似有规律实则存在微小的差异,是一种复杂的混沌信号。对RR间期序列的研究必须采用非线性混沌指标对其进行刻画,在众多的非线性混沌指标当中,熵分析是一种被用于测量非平稳随机信号的复杂性、随机性以及不规则性的方法,可作为识别RR间期序列不同生理状态下的一种指标。熵分析的本质是嵌入维数的变化会引起时间序列产生新模式的概率发生变化,说明数据结构的复杂性。然而当熵分析作为衡量非线性序列的指标时,易受信号的各种趋势或噪声影响,造成计算结果的不稳定和不确定性。在实际ECG信号采集过程中,由于传感器的影响,ECG信号通常会受到采集者呼吸、出汗和轻微移动电极等因素的影响。甚至是由一些肌肉缓慢移动等现象带来的低频噪声干扰(即趋势项渗入)经常会影响到熵分析结果的准确性,进而影响整个实验结论的正确性。因此,消除或减少待测信号中的噪声和趋势成分是数据处理当中很关键的一步,然而目前在消除非线性趋势项的众多方法中,依然还存在着很大的缺陷性。基于此,本文在前人的研究基础上,进行了以下创新:(1)针对混沌经典模型Logistic映射序列的低频慢变成分(即趋势项部分)进行去趋势处理,提出了一种基于平滑先验发消除非线性信号趋势的方法,并且与传统的小波分析法、集合经验模态分解法进行仿真模拟对比,再联合Welch-PSD谱图对去趋势处理前后Logistic序列做功率谱分析。结果发现:小波分析法将频率小于100Hz的有效成分都一并消除掉,这就带来了RR间期序列一段有效成分的缺失,对实验结果造成了很大错误;EEMD消除蕋线漂移部分有一定的效果,然而在频率小于12Hz时,还没有明显的消除,这对于信号趋势项消除不太明显,不具优势;而本文提出的SPA算法很明显的消除掉这部分趋势项,并且由频率响应可知,SPA算法消除掉了截止频率为0.1668Hz以下的趋势项的去除,体现出平滑先验法消除非线性趋势的优越性。(2)对昼夜节律下健康人的RR间期序列添加三种常见的主要趋势:直线趋势、周期趋势、幂指数趋势以及这三种趋势的混合趋势,对其进行近似熵和模糊熵计算,经t检验,P(白天,夜间)>0.05,结果表明两种算法对趋势或噪声均很敏感,极易受到信号当中渗透的趋势或噪声成分的影响,使得健康人白天和夜间两种状态下的RR间期序列难以清楚的区分开。(3)为了提高两种熵算法在噪声或不同趋势强干扰下的识别性,使用平滑先验法消除RR间期序列在噪声或不同趋势下的非线性趋势项,再次计算两种熵,发现两个熵值均保持稳定且经t检验,P(白天,夜间)<0.05,这说明平滑先验法有效的提高了两种熵分析法的稳定性和识别性,在以后的研究中,无需再考虑趋势或噪声对实验结果的影响,对非线性信号处理和特征值选取提供了可行性的实施方法。