离散度计算公式 python_Python分析离散心率信号（中）

一些理论和背景

心率信号不仅包含有关心脏的信息，还包含有关呼吸，短期血压调节，体温调节和荷尔蒙血压调节（长期）的信息。也（尽管不总是始终如一）与精神努力相关联，这并不奇怪，因为大脑是一个非常饥饿的器官，因此消耗了总葡萄糖的25％和氧气消耗的20％。如果活动增加，心脏需要更加努力地工作以保持其供应。

感兴趣的是这些措施可以被分为时间序列数据连接频域数据。如果熟悉傅立叶变换，则频率部分会很有意义。如果不是，请参阅维基百科页面具有很好的解释，并且对过程也非常直观。基本思想是，要获取随时间重复的信号（例如心率信号），并确定由哪些频率构成该信号。将信号从时域转换到频域。这是特别喜欢的另一种可视化效果，清楚地显示了如何将重复信号近似为随时间重复的不同正弦波之和。

时间序列数据

对于心率信号的时间序列部分，主要关注心跳之间的间隔及其随时间的变化。想要所有R复合物（R1，R2，... Rn）的位置，之间的间隔（RR1，RR2，... RRn，定义为

）以及相邻间隔之间的差异（RRdiff-1，…RRdiff-n，定义为）。

可视化：

在科学文献中经常发现的时间序列度量是：

§

BPM，即每分钟的心跳量，在上一部分中进行了计算；

§

IBI（心跳间隔），即心跳之间的平均距离，在前一部分中隐式地将其计算为BPM计算的一部分；

§ SDNN，心跳间隔的标准偏差：

§

SDSD，相邻RR间隔之间的连续差的标准偏差：

§

RMSSD，相邻RR间隔之间的连续差的均方根：

§

pNN50 / pNN20，比例差异大于50ms / 20ms。

IBI，SDNN，SDSD，RMSSD和pNNx（以及频域量度）通常归为“心率变异性”（HRV）量度，因为可提供有关心率随时间变化的信息。

频域数据在心率信号的频率侧，最常发现的量度称为HF（高频），MF（中频）和LF（低频）频段，这是对创新性命名水平的永恒证明。MF en HF频段通常合并在一起，并被标记为“ HF”。LF和HF大致对应于LF频段的0.04-0.15Hz和HF频段的0.16-0.5Hz。LF频段似乎与短期血压变化有关，HF频段与呼吸频率有关。

通过在RR间隔数据序列上执行快速傅立叶变换来计算频谱。顾名思义，该方法与离散傅立叶变换方法相比是快速的。数据集越大，方法之间的速度差异就越大。

首先对信号进行重新采样，以计算频谱，然后将重新采样的信号转换到频域，然后以给定的间隔积分曲线下的面积，从而计算出HF和LF的量度。

时域度量–入门查看上述时间序列度量，需要一些成分才能轻松计算所有这些度量：

§

所有R峰的位置列表；

§

所有后续RR对之间的间隔的列表（RR1，RR2，.. RR-n）；

§

RR对之间所有后续间隔之间的差异的列表（RRdiff1，…RRdiffn）；

§

RR对之间所有后续差之间的平方差的列表。

已经从第一部分的detect_peaks（）函数获得了所有R峰位置的列表，该列表包含在dict ['peaklist']中。还有来自calc_RR（）函数的RR对差异列表，位于dict ['RR_list']中。大！无需编写其代码，已经完成了50％的编写。

为了获得最后两个成分，使用dict ['RR_list']并计算差值和相邻值之间的平方差：

RR_diff = []

RR_sqdiff = []

RR_list = measures['RR_list']

cnt = 1 #Use counter to iterate over RR_list

while (cnt < (len(RR_list)-1)): #Keep going as long as there are R-R intervals

RR_diff.append(abs(RR_list[cnt] - RR_list[cnt+1])) #Calculate

absolute difference between successive R-R interval

RR_sqdiff.append(math.pow(RR_list[cnt] - RR_list[cnt+1], 2)) #Calculate squared difference

cnt += 1

print(RR_diff, RR_sqdiff)

复制

计算时域度

量值现在有了所有成分，可以轻松计算所有度量值：

ibi = np.mean(RR_list) #Take the mean of RR_list to get the mean Inter Beat

Interval

print("IBI:", ibi)

sdnn = np.std(RR_list) #Take standard deviation of all R-R intervals

print("SDNN:", sdnn)

sdsd = np.std(RR_diff) #Take standard deviation of the differences between all

subsequent R-R intervals

print("SDSD:", sdsd)

rmssd = np.sqrt(np.mean(RR_sqdiff)) #Take root of the mean of the list of squared differences

print("RMSSD:", rmssd)

nn20 = [x for x in RR_diff if (x>20)] #First create a list of all values over 20, 50

nn50 = [x for x in RR_diff if (x>50)]

pnn20 = float(len(NN20)) / float(len(RR_diff)) #Calculate the proportion of NN20, NN50 intervals to all

intervals

pnn50 = float(len(NN50)) / float(len(RR_diff)) #Note the use of float(), because we don't want Python to

think we want an int() and round the proportion to 0 or 1

print("pNN20,

pNN50:", pnn20, pnn50)

复制

时间序列度量就是这样。让将包装在可调用函数中。扩展calc_RR（）函数以计算额外成分，并将其附加到字典对象中，还将calc_bpm（）与其时间序列测量值合并到一个新函数calc_ts_measures（）中，并将附加到字典中：

def calc_RR(dataset, fs):

peaklist = measures['peaklist']

RR_list = []

cnt = 0

while (cnt < (len(peaklist)-1)):

RR_interval = (peaklist[cnt+1] - peaklist[cnt])

ms_dist = ((RR_interval / fs) * 1000.0)

RR_list.append(ms_dist)

cnt += 1

RR_diff = []

RR_sqdiff = []

cnt = 0

while (cnt < (len(RR_list)-1)):

RR_diff.append(abs(RR_list[cnt] - RR_list[cnt+1]))

RR_sqdiff.append(math.pow(RR_list[cnt] - RR_list[cnt+1], 2))

cnt += 1

measures['RR_list'] = RR_list

measures['RR_diff'] = RR_diff

measures['RR_sqdiff'] = RR_sqdiff

def calc_ts_measures():

RR_list = measures['RR_list']

RR_diff = measures['RR_diff']

RR_sqdiff = measures['RR_sqdiff']

measures['bpm'] = 60000 / np.mean(RR_list)

measures['ibi'] = np.mean(RR_list)

measures['sdnn'] = np.std(RR_list)

measures['sdsd'] = np.std(RR_diff)

measures['rmssd'] = np.sqrt(np.mean(RR_sqdiff))

NN20 = [x for x in RR_diff if (x>20)]

NN50 = [x for x in RR_diff if (x>50)]

measures['nn20'] = NN20

measures['nn50'] = NN50

measures['pnn20'] = float(len(NN20)) / float(len(RR_diff))

measures['pnn50'] = float(len(NN50)) / float(len(RR_diff))

#Don't forget to

update our process() wrapper to include the new function

def process(dataset, hrw, fs):

rolmean(dataset, hrw, fs)

detect_peaks(dataset)

calc_RR(dataset, fs)

calc_ts_measures()

复制

这样称呼：

import heartbeat as hb #Assuming we

named the file 'heartbeat.py'

dataset = hb.get_data('data.csv')

hb.process(dataset, 0.75, 100)

#The module dict

now contains all the variables computed over our signal:

hb.measures['bpm']

hb.measures['ibi']

hb.measures['sdnn']

#etcetera

#Remember that

you can get a list of all dictionary entries with "keys()":

print(hb.measures.keys())

复制

在计算机上，分析信号并计算单个线程中的所有度量大约需要25毫秒。

频域度量–入门频域度量计算比较棘手。主要原因是不想要将心率信号转换到频域（这样做只会返回等于BPM / 60（以Hz表示的心跳）的强频率）。相反，希望将RR间隔转换到频域。很难理解？这样思考：随着身体需求的变化，心率随着时间的变化而变化。这种变化表现为心跳之间的距离随时间变化（之前计算的RR间隔）。RR峰之间的距离随其自身频率随时间变化。为了可视化，绘制之前计算的RR间隔：

从图中可以清楚地看到，RR间隔不会随心跳而剧烈变化，而是随时间呈正弦波状变化（更准确地说是不同正弦波的组合）。想找到组成该模式的频率。

但是，任何傅立叶变换方法都依赖于均匀间隔的数据，并且RR间隔在时间上肯定不是均匀间隔的。这是因为间隔的时间位置取决于长度，每个间隔都不同。希望这是有道理的。

要找到措施，需要：

§

创建一个带有RR间隔的均匀间隔的时间线；

§

内插信号，既可以创建均匀间隔的时间序列，又可以提高分辨率；

§

在某些研究中，此插值步骤也称为重新采样。

§

将信号转换到频域；

§

积分频谱的LF和HF部分下方的面积。

计算频域量度首先，为RR间隔创建均匀间隔的时间线。为此，获取所有R峰的样本位置，这些样本位置位于在第1部分中计算的列表dict ['peaklist']中。然后，将y值分配给列表dict ['中的这些样本位置RR_list']，其中包含所有RR间隔的持续时间。最后，对信号进行插值。

from scipy.interpolate import interp1d #Import the

interpolate function from SciPy

peaklist = measures['peaklist'] #First retrieve the lists we need

RR_list = measures['RR_list']

RR_x = peaklist[1:] #Remove the first entry, because first interval is

assigned to the second beat.

RR_y = RR_list #Y-values are equal to interval lengths

RR_x_new = np.linspace(RR_x[0],RR_x[-1],RR_x[-1]) #Create evenly spaced timeline starting at the second

peak, its endpoint and length equal to position of last peak

f = interp1d(RR_x, RR_y, kind='cubic') #Interpolate the signal with cubic spline interpolation

复制

请注意，时间序列不是从第一个峰值开始，而是从第二个R峰值的采样位置开始。因为使用间隔，所以第一个间隔在第二个峰值可用。

现在，可以使用创建的函数f（）查找信号范围内任何x位置的y值：

print f(250)

#Returns

997.619845418, the Y value at x=250

复制

同样，可以将整个时间序列RR_x_new传递给该函数并进行绘制：

plt.title("Original and

Interpolated Signal")

plt.plot(RR_x, RR_y, label="Original", color='blue')

plt.plot(RR_x_new, f(RR_x_new), label="Interpolated", color='red')

plt.legend()

plt.show()

复制

现在，要查找组成插值信号的频率，请使用numpy的快速傅立叶变换np.fft.fft（）方法，计算采样间隔，将采样仓转换为Hz并作图：

#Set variables

n = len(dataset.hart) #Length of the

signal

frq = np.fft.fftfreq(len(dataset.hart), d=((1/fs))) #divide the bins

into frequency categories

frq = frq[range(n/2)] #Get single side of the frequency range

#Do FFT

Y = np.fft.fft(f(RR_x_new))/n #Calculate FFT

Y = Y[range(n/2)] #Return one side of the FFT

#Plot

plt.title("Frequency

Spectrum of Heart Rate Variability")

plt.xlim(0,0.6) #Limit X axis to frequencies of interest (0-0.6Hz for

visibility, we are interested in 0.04-0.5)

plt.ylim(0, 50) #Limit Y axis for

visibility

plt.plot(frq, abs(Y)) #Plot it

plt.xlabel("Frequencies

in Hz")

plt.show()

复制

可以清楚地看到信号中的LF和HF频率峰值。

剩下的最后一件事是对LF（0.04 – 0.15Hz）和HF（0.16 – 0.5Hz）频带下的曲线下面积进行积分。需要找到与感兴趣的频率范围相对应的数据点。在FFT期间，计算了单侧频率范围frq，因此可以在其中搜索所需的数据点位置。

lf = np.trapz(abs(Y[(frq>=0.04) & (frq<=0.15)])) #Slice frequency spectrum where x is between 0.04 and

0.15Hz (LF), and use NumPy's trapezoidal integration function to find the area

print("LF:", lf)

hf = np.trapz(abs(Y[(frq>=0.16) & (frq<=0.5)])) #Do the same for 0.16-0.5Hz (HF)

print("HF:", hf)

复制

返回：

LF: 38.8900414093

HF: 47.8933830871

复制

这些是感兴趣频谱处频谱下的区域。请记住，从理论上讲，HF与呼吸有关，而LF与短期血压调节有关。这些措施也与增加精神活动有关。

全面包装已经走了很长一段路，现在可以从心率信号中提取许多有意义的指标。但是，如果输入其心率数据，则该模块很可能会失败，因为可能比理想数据更嘈杂，或者可能包含伪像。将处理信号过滤，错误检测和离群值剔除。