熵分析方法在生物信息处理中的应用

论文摘要

在本文中,我们分析研究了两种生物信号,一种是步伐时间序列,一种是心电图(ECG)信号。使用的是近似熵和功率谱熵两种分析指标,分别对两种信号进行分析研究。本文的研究分两部分:第一部分,用近似熵对儿童步伐时间序列进行分析研究,观察熵值的变化规律,发现儿童在3到14岁时,随着年龄的增长,近似熵值逐渐减小,表现为步伐趋于稳定。相关研究中多采用线性方法对这类时间序列进行研究,而本文采用的是近似熵这一指标,发现近似熵可以更好的反映时间序列的复杂性差异,所需数据量小,具有敏感性和稳定性。第二部分:本文提出功率谱熵的子频段法和缩合法,用其对一组健康组及一组心肌梗塞患者组的心电图信号进行分析,拟探讨健康组和心肌梗塞患者组的功率谱熵值的差异。研究发现:子频段上的功率谱熵值能较好的区分老年心梗者和老年健康者。利用缩合法分析研究发现,随着年龄的增长,健康者功率谱熵值逐渐变小而心梗者的功率谱熵值基本稳定不变。中年时,健康者的熵值大于心梗者(P＜0.05),而老年时,健康者的熵值小于心梗者(P＜0.001)。采用通常所用的全频段分析法,由于其不能充分反映局部频域的信息,因而很难得到本文所采用的子频段法所得出的研究结果。子频段法和缩合法区分健康者和心梗者的ECG信号,简易可行,为ECG的分析和研究提供了一个容易计算且灵敏的特异性指标。

论文目录

• 摘要
• ABSTRACT
• 第一章 熵研究方法综述
• 1.1 研究背景
• 1.2 信息熵和信息量的概念
• 1.3 本文研究内容及目的
• 第二章 时间序列分析方法的介绍
• 2.1 复杂度
• 2.1.1 复杂度的算法
• 2.1.2 算法举例
• 2.2 熵
• 2.3 样本熵
• 2.3.1 样本熵分析时间序列
• 2.3.2 样本熵分析logistic序列
• 2.4 多尺度熵
• 2.4.1 多尺度熵算法
• 2.4.2 多尺度熵的应用
• 第三章 步伐序列的近似熵研究
• 3.1 研究背景及优点
• 3.2 近似熵算法
• 3.3 步伐时间序列
• 3.4 数据来源及数据处理
• 3.4.1 研究对象
• 3.4.2 数据处理方法
• 3.5 分析和研究结果
• 3.6 结论与讨论
• 第四章 心肌梗塞患者的功率谱熵研究
• 4.1 功率谱信息熵
• 4.2 子频段法计算功率谱熵
• 4.3 缩合法计算功率谱熵
• 4.4 数据来源及数据处理
• 4.4.1 研究对象
• 4.4.2 数据处理方法
• 4.4.3 分析和研究结果
• 4.4.3.1 采用子频段法的研究结果
• 4.4.3.2 采用缩合法的研究结果
• 4.4.4 结论与讨论
• 第五章 总结与展望
• 5.1 工作的总结
• 5.1.1 方法学研究总结
• 5.1.2 健康者和心肌梗塞者功率谱熵研究总结
• 5.2 进一步工作的展望
• 参考文献
• 附录
• 致谢
• 攻读硕士期间主要的研究成果