（1） 概述
介绍
心率变异性（HRV）描述了根据心电图（ECG）信号计算出的心跳频率的变化。它被认为是个人心血管疾病的关键指标。
自从确定自主神经系统与心血管死亡率之间存在显著关系以来，研究人员一直致力于从原始RR间期信号中寻找有用的特征来表征自主神经系统状态。
提供HRV分析功能的软件已经存在，但处于专有许可之下，无法访问结果的计算方式。为了使HRV分析免费可用并允许一些透明度，我们决定开源我们的包。hrv分析是一个用于Python环境的开源软件包，提供了一套完整的工具来执行HRV分析。
在本文中，我们将只介绍包的核心方面。更多信息可以在文档中找到[]。两个主要部分是过滤功能和特征提取功能。
与现有软件的比较
为了确保所有实施方法的准确性，已与现有标准软件Kubios HRV（v3.1）进行了仔细比较[]。我们比较了我们的软件包和Kubios软件提供的所有功能。按域详细列出的所有方法为：
- –时域特征：平均RR、SDNN、平均HR、RMSSD、NN50、pNN50、HRV三角指数
- –用于频域功能：VLF、LF、HF、LF/HR比率、LFnu、HFnu
- –对于非线性域特征：SD1、SD2、SD2/SD1、SampEn
我们不会在本文中介绍每个功能。文档中提供了所有相关信息[].
为了收集一些测试数据，我们使用Polar H10胸带[]。我们选择此传感器是因为它可靠并且提供非常准确的RR间隔[,]。此外，API可用于提取连续RR-interval值以进行自定义分析。
其中一位候选人配备了该设备几天，我们选择了没有明显伪影的数据段。分段的时间范围已设置为5分钟，符合标准[]据我们所知，用于正确的hrv分析。没有应用任何预处理来进行无偏比较。
为了比较不同情况下特征的计算，我们重点研究了具有不同心律模式的5个周期：一个周期有加速/减速，一个周期心率高（体力活动情况，跑步），还有几个周期心率正常。
为了便于阅读，我们将只显示其中的两个比较，但所有部分的结果都是相似的。时域和非线性域特征的比较结果如下表所示(图1).
图1比较hrv分析和Kubios的时域和非线性域特征。
所有计算的特征都非常接近。观察到的一些微小差异可以用数学近似解释。
在频域方面，我们使用韦尔奇快速傅里叶变换对功率谱密度（PSD）进行了比较。Welch的周期图是Kubios中的高级功能，因此我们无法比较此方法的结果。我们确保与Kubios具有相同的设置和参数。例如，我们将采样频率设置为4 Hz（这是Kubios中的默认参数），段大小固定为300秒，重叠率为50%。
下表显示了一些差异(图2).
这些差异可能被认为是显著的，但它只是强调了一些其他参数的重要性，如窗口函数、解链段的方法或如何计算积分，Kubios软件没有提供这些信息。这也可能是由于Scipy包的库实现[]用于计算PSD。另一种解释可能是Kubios对计算的变量使用了不同的精度（例如float64位与float32位），或者依赖于不同的FFT实现，这可能会导致计算中的微小变化。
然而，由于这两个特征的数量级非常接近，我们认为这些指标是相关的医学指标。
我们注意到，当我们观察归一化值或比率时，对LF和HF特征的过度和低估消失了，这往往会证实我们函数的准确性。
实施和架构
语言
hrv分析是用纯Python编写的。由于分析和机器学习项目的兴起，Python在研究领域越来越受欢迎。它是一种开源语言，开发简单，代码简明扼要，并且有许多高效的科学库可用。基于这些原因，我们希望这将有助于研究界采纳该方案。
API组织
心率变异性分析依赖于两个连续步骤：第一步是预处理，第二步是特征计算。
可以在Aura关联github上访问完整的Python API参考(https://aura-healthcare.github.io/hrv-analysis/hrvanalysis.html).
- –hr分析.后处理：包含预处理RR间隔的所有方法
- –hr分析.提取功能：包含基于RR间隔计算特征的所有方法
- –hrv分析.plot：包含绘制RR间隔图形和特征的所有方法(图3)
当然，可以在每个块中添加新功能、预处理方法或绘图函数来改进库。
步骤1–预处理
众所周知，异常和异位搏动具有巨大的影响[]心率变异性特征的计算。在临床环境中，最佳实践是手动检查ECG记录中的伪影，并在分析中仅包括无伪影部分[]。这个过程非常耗时，不适合长期录制。或者，通常的做法是自动调整RR间隔并消除异常节拍[]但据我们所知，在最佳使用方法方面还没有达成共识。这个hrv分析包提供了一个两步预处理系统。首先，有两种方法可以检测异常和异位搏动，并用NaN公司值（不是Python中的数字）。第二种方法对先前删除的值进行插值。
使用Python API，如下例所示：
从hrvanalysis.preprocessing导入（删除输出，插值nan值） rr_intervals_list=[1000、150、1050、2600、1000]rr_intervals_list=remove_outliers（rr_intervals_list，低_rri=300，高_rri=2000）rr_间隔_列表>>>[1000，南，1050，南，1000] interpole_nan_values（rr_intervals_list，interpolation_method=«线性»）>>>[10001002510501000900]
第2步-特征计算
如前所述，几十年来，研究人员和生理学家一直在跟踪和利用HRV，因为它被认为是一些健康相关问题的有用指标。评估心率变化有几种方法：时域、频域和非线性域分析。它们都已在包中实现，非常易于使用，因为它们都采用相同的输入RR间隔数据。
Python API可以按如下方式使用：
从hrvanalysis导入（gettime_domain_features，获取频率域功能） rr_intervals_list=[1010、987、…、950、929] 获取时间域特性（rr间隔列表）>>>{‘mean_nni’：718.248，‘sdnn’：43.11，‘sdsd’：19.51，‘ni_50’：24，‘pnni_50'：2.4，“nni_20”：225，“pnni_20”:22.5，“rmssd”：19.52，“median_nni”：722.5，“range_nni”：249，“cvsd”：0.027，“cvnni”：0.060，“mean_hr”：83.85，“最大小时”：101.69，“最小小时”：71.51，“标准小时”：5.197} 获取频率域功能（rr间隔列表）>>>{“lf”：299.72，“hf”：436.15，“lf_hr_ratio”：0.69，“lfnu”：40.73，“hfnu”：59.27，“total_power”：833.46，“vlf”：97.58}
我们的实现支持大量输入参数（采样频率、频带等）和文献中常见的傅里叶分解方法。所有相关信息都可以在软件包的文档中找到。
绘图模块
同时，还有一些功能用于绘制标准图形（及其相关特征），研究人员通常使用这些功能进行hrv分析。
以下是plot_psd（）使用包的两种不同绘图方法（Welch和Lomb）的方法(图4).
依赖关系
统计分析和预处理方法依赖于Numpy[]和熊猫[]为阵列提供了优化和高效的方法。Scipy公司[]和天文[]用于频域分析，尤其是涉及傅里叶变换的分析。绘图模块完全依赖于Matplotlib库。
质量控制
代码质量也是一个重要的主题。目前，使用Python统一测试框架的测试覆盖了82%的代码[]，用于跟踪此统计信息的代码覆盖率报告工具。测试通过持续集成工具Travis CI运行。由于github CI模块，所有最新的依赖项都被加载到Docker容器中。该包是在Python 3.5中开发的，但可以在3.5到最新版本（目前为Python 3.9）的所有Python版本中使用。
该软件包还遵循PEP 484，对所有功能参数和输出使用“类型提示”。我们希望这将提高代码的可读性，并帮助更容易地检测错误。
有两个与库的每个高级功能相对应的主要测试文件（均在github上提供）：
- –预处理测试：检查每个预处理方法是否返回正确的修改RR间隔列表
- –功能计算测试：检查每个功能计算是否与Kubios功能相似。
所有测试也可以单独运行，提供的文档中给出了在本地运行这些测试的说明。
该库还遵循PEP8编码标准，所有文件都使用了linter pylint，以确保不同模块之间的一致性。
我们希望它能简化维护和进一步改进。
结论
该库的第一个版本集成了我们认为最重要的功能，以进行稳健和充分的基本HRV分析。除了列出的Python依赖项之外，它不依赖于任何其他软件。它的体系结构很灵活，我们希望很容易集成到定制系统中（如API）。通过适当的测试覆盖范围以及与用于计算HRV特征的现有最先进工具的比较，可以确保鲁棒性。
该库的第一个用途是通过AURA协会的项目进行癫痫监测，可能会考虑许多未来的用例。例如，它可以对各种慢性心脏病进行随访。
不过，该方案并没有假装详尽无遗。接下来的一些步骤可能会添加对原始ECG数据的支持（通过QRS复合检测进行RR间隔提取），或者高级时频分析（多页过滤器），仅举几个例子。通过开源此软件包（可在https://github.com/Aura-healthcare/hrv-analysis网站)，我们希望其他研究人员或用户能很好地利用它，希望社区能帮助我们丰富这个图书馆。
