$pip安装hrv分析
$git克隆 https://github.com/Aura-healthcare/hrv-analysis.git $python setup.py安装
Python(>=3.5) 天体测量>=3.0.4 未来>=0.16.0 nolds>=0.4.1 数值>=1.15.1 scipy>=1.1.0
从 hr分析 进口 删除外部(_O) , 删除ectopic_beats , 插值nan值
#rr_intervals_list包含rr-interval的整数值
rr_间隔_列表 = [ 1000 , 1050 , 1020 , 1080 , ..., 1100 , 1110 , 1060 ] #这将从信号中删除异常值
rr间隔无外部 = 删除外部(_O) ( rr_间隔 = rr_间隔_列表 , 低_ rri = 300 , 高(_rri) = 2000 ) #这将使用线性插值替换异常值nan值
插值的rr_intervals = 插值nan值 ( rr_间隔 = rr_间隔_无输出 , 插值方法 = “线性” ) #这样可以消除信号中的异位搏动
nn_间隔_列表 = 删除ectopic_beats ( rr_间隔 = 插值的rr_intervals , 方法 = “马利克” ) #用线性插值替换异位搏动nan值
插值_nn间隔 = 插值nan值 ( rr_间隔 = nn_间隔_列表 )
删除外部(_O) 删除ectopic_beats
时域特征: Mean_NNI、SDNN、SDSD、NN50、pNN50、NN20、pNN20、RMSSD、Median_NN、Range_NN、CVSD、CV_NNI,Mean_HR、Max_HR,Min_HR和STD_HR
几何域特征: 三角_指数,TINN
频域特征: LF、HF、VLF、LH/HF比值、LFnu、HFnu、总功率
非线性域特征: CSI、CVI、Modified_CSI、SD1、SD2、SD1/SD2比率、SampEn
从 hr分析 进口 获取时间域功能
#nn_intervals_list包含nn-interval的整数值
nn_间隔_列表 = [ 1000 , 1050 , 1020 , 1080 , ..., 1100 , 1110 , 1060 ] 时间域功能 = 获取时间域功能 ( nn_间隔_列表 ) >> > 时间域功能 { “mean_nni” : 718.248 , “sdnn” : 43.113 , “sdsd” : 19.519 , “nni_50” : 24 , “pnni_50” : 2.4 , “nni_20” : 225 , “pnni_20” : 22.5 , “rmssd” : 19.519 , 'median_nni' : 722.5 , '范围_nni' : 249 , “cvsd” : 0.0272 , “cvnni” : 0.060 , '平均小时' : 83.847 , '最大小时' : 101.694 , '最小小时' : 71.513 , '标准小时' : 5.196 }
获取时间域功能 获取几何特征 获取频率域功能 获取csi_cvi_功能 获取poincare_plot_features 获取采样
从 hr分析 进口 绘图.psd
#nn_intervals_list包含nn-interval的整数值
nn_间隔_列表 = [ 1000 , 1050 , 1020 , 1080 , ..., 1100 , 1110 , 1060 ] 绘图.psd ( nn_间隔_列表 , 方法 = “韦尔奇” ) 绘图.psd ( nn_间隔_列表 , 方法 = “lomb” )
从 hr分析 进口 plot_poincare(点绘)
#nn_intervals_list包含nn-interval的整数值
nn_间隔_列表 = [ 1000 , 1050 , 1020 , 1080 , ..., 1100 , 1110 , 1060 ] plot_poincare(点绘) ( nn_间隔_列表 ) plot_poincare(点绘) ( nn_间隔_列表 , plot_sd_功能 = 真的 )
绘图_分布 plot_timeseries(打印时间序列) 绘图.psd plot_poincare(点绘)
心率变异性-测量标准、生理学解释和临床应用,欧洲心脏病学会和北美起搏和电生理学会特别工作组,1996年
心率变异性的信号处理方法-Gari D.Clifford,2002
使用近似熵和样本熵进行生理时间序列分析,Joshua S.Richman,J.Randall Moorman-2000
使用Lorenz图和心率变异性心脏交感指数检测癫痫患者的癫痫发作,Jesper Jeppesen等人,2014年