论文部分内容阅读
背景:心率变异性(heart rate variability,HRV)是反映心脏自主神经系统功能的无创工具,正常人的自主神经系统处于动态平衡状态,如果这种平衡被打破,就可能引起危及生命的不良心脏事件。作为临床HRV评估的金标准,HRV预测效用的概念主要来自于24小时(h)动态监测的时域和频域研究。24 h HRV记录可以更好地体现较慢的波动过程(如昼夜节律),而短时RR间期(RR interval,RRI)的序列分析更符合心率动力学的非平稳特征,但由于生理意义不同二者不可互换。分析短时HRV指标在长时心率序列上的分布特性,既反映了 RRI序列的非平稳性,又可利用长时序列的数据量优势。为提高24 h HRV预测能力的准确性,进一步探讨生理、病理因素等因素对HRV指标的影响是至关重要的。方法:本研究将THEW数据库中Normal子数据库中年龄大于18岁的昼夜记录完整的Holter数据(n=177)按年龄分为5个对照组(18≤y≤25,n=35;25<y≤35,n=44;35<y≤45,n=41;45<y≤55,n=34;y>55,n=23),利用 ESRD 子数据库的 Holter记录作为具有高心律失常和心源性猝死风险组(n=43),利用PhysioNet数据库中提供的心力衰竭患者的Holter记录作为CHF轻度组(n=12)和重度组(n=32)。采用滑动窗法,以5min为滑动窗宽,2.5min的步进长度,按时间滑动取窗,计算各个窗口内的短时HRV线性和非线性指标。分别计算RRI均值(MRRI)与LF/HF和α1之间的Spearman相关系数(Spearman CC),统计良好相关性人数在各组中的占比。而后,计算不同年龄组正常人的24 h HRV时域指标。进一步筛选出具有正常昼夜作息及充分记录长度的93名25-65岁正常人数据,并以10岁为间隔分为4组,计算每人各个2 h时段中的各5 min滑动窗(2.5 min的步长)的指标均值(EM_MRRI、EM_LF/HF 和 EM_α1)。PhysioNet数据库中PRCP子数据库提供了 8名健康受试者在缓慢倾斜刺激期间的ECG记录。利用短时测量方法,如HRV的几何度量(rrHRV)、RMSSD、SD1/SD2等,分析了 RRI在稳态和动态条件下的行为。为了评价HUT引起的心率动态的跟踪能力,在连续10、20、30、60个连续RRI的滑动窗口宽度下,分别计算RRI与上述三种测量方法间的Spearman相关系数(Spearman CC)。对HUT前后(S1和S2)的稳态进行了比较。结果:具有良好相关性的人数占比在18-55岁正常人中保持了较高的水平,整体大于 94%,在 56 岁后急剧下降(MRRI vs LF/HF:78.26%;MRRI vs α1:65.22%)。但直至65岁,正常人群的这一占比仍然高于患者(降至60%以下)。不同年龄正常人的24 h HRV时域指标中,RRI均值(RRImean)在各年龄组间不存在显著差异,而其余指标(pNN50、RMSSD、SDNN、RMSSD/SDNN、pNN50/SDNN)均随着年龄的增加而降低。对于清晨最低EM_MRRI时段,25-65岁正常人的EM_MRRI、EM_LF/HF和EM_α1在各年龄组间不具有显著差异(P>0.05),虽然在其他时段中各年龄组可能存在显著差异。利用短时HRV指标对HUT过程进行动态跟随时发现,对于Spearman CC,尽管随着窗宽的减少具有下降趋势,但各组之间没有显著差异(在60和10个连续RRI 中,Spearman CC 对于 rrHRV 是 0.744±0.070 和 0.695±0.077,对于 RMSSD 是0.753±0.087 和 0.732±0.073,对于 SD1/SD2 是 0.666±0.083 和 0.587±0.119)。对HUT前后的稳态进行比较时发现,S1和S2之间存在着显著差异(S1 vs S2:6.09±4.10 vs 2.56±1.04,rrHRV;50±45 vs 18±10,RMSSD(ms);0.505±0.168 vs 0.233±0.047,SD1/SD2)。结论:本研究利用Holter记录所提供的长时RRI序列,进行短时序列的RRI均值和相应的HRV指标在长时序列上的相关性分析,同时探讨清晨特征时段HRV指标的特点。研究结果提示了与年龄相关的相关性拐点的存在,以及清晨特征时段不同年龄组HRV指标的一致性。研究短时HRV指标在长时序列上的分布特性,既反映了 RRI序列的非平稳特性,又可利用长时序列的数据量优势。随着可穿戴监测技术的发展,获得正常人长时心率数据的可能大幅提高。本研究的方法和结果为拓展长时序列的HRV分析方法,提供了新的思路。