为了正常的体验网站,请在浏览器设置里面开启Javascript功能!

[doc格式] 两种熵测度在量化射击运动员短时心率变异性信号复杂度上的一致性

2017-11-13 21页 doc 47KB 25阅读

用户头像

is_633423

暂无简介

举报
[doc格式] 两种熵测度在量化射击运动员短时心率变异性信号复杂度上的一致性[doc格式] 两种熵测度在量化射击运动员短时心率变异性信号复杂度上的一致性 两种熵测度在量化射击运动员短时心率变 异性信号复杂度上的一致性 第57卷第5期2008年5月 1000—3290/2008/57(05)/2805—07 物理 ACTAPHYSICASINICA Vo1.57,No.5,May,2008 ?2008Chin.Phys.Soc. 两种熵测度在量化射击运动员短时心率变异性 信号复杂度上的一致性* 庄建军’-7新宝’邹鸣’’孙飙’杨希’ 1)(南京大学电子科学与工程系生物医学电子工程研...
[doc格式] 两种熵测度在量化射击运动员短时心率变异性信号复杂度上的一致性
[doc] 两种熵测度在量化射击运动员短时心率变异性信号复杂度上的一致性 两种熵测度在量化射击运动员短时心率变 异性信号复杂度上的一致性 第57卷第5期2008年5月 1000—3290/2008/57(05)/2805—07 物理 ACTAPHYSICASINICA Vo1.57,No.5,May,2008 ?2008Chin.Phys.Soc. 两种熵测度在量化射击运动员短时心率变异性 信号复杂度上的一致性* 庄建军’-7新宝’邹鸣’’孙飙’杨希’ 1)(南京大学电子科学与系生物医学电子工程研究所,南京210093) 2)(南京体育学院运动系,南京210014) 3)(南京森林公安高等专科学校侦查系,南京210046) (2007年7月14日收到;2007年8月24日收到修改稿) 利用两种基于熵的非线性复杂度测度:近似熵和样本熵,研究了专业射击运动员两种不同状态下(休息和练习 赛)心率变异性信号的复杂度.计算结果表明:射击运动员休息时其心率变异性信号的熵值大于射击比赛时信号的 熵值,这意味着运动员一旦进行射击比赛时,其心率变异性信号复杂度降低了,心跳变得更为了.为了更好地 应用这两种基于熵的方法,进一步分析了算法中的两个重要影响因素:矢量匹配容差r和序列长度?对算法性能 的影响.分析结果表明:只要参数选择在合适的范围内,近似熵和样本熵都能够正确地区分出两种不同状态的心率 变异性信号,但样本熵测度更适合量化射击运动员短时心率变异性信号,尤其当心跳时间序列降为几百点时,这在 实际应用中显得尤为重要. 关键词:近似熵,样本熵,复杂度,射击 PACC:0545,0547,8770 1.引言 非线性动力学分析是更好地理解复杂生物,生 理系统的一个强有力的工具.心率变异性(heart ratevariability,HRV)是指瞬时心跳或RR间隔之间 的变化,自从被人们认识以来就引起了越来越多的 关注.心率变异性的应用范围也从临床逐步扩 展到了包括运动领域在内的其他场合.近几年 来,体育工作者们尝试利用各种心率变异性测度来 指导运动员进行科学训练”J.但大部分的研究主 要集中在长期运动锻炼对自主神经调节下的心血管 系统带来的变化和HRV测度之间的关系?,探 索过度训练引起的疲劳和HRV指标的变化之间的 关系?以及训练强度,训练量和HRV参数之间的 关系,研究对象主要为中长跑等耐力型运动 项目. 大多数非线性HRV测度的计算需要非常长的 数据序列一,这往往难以获得或根本无法在实际 *国家自然科学基金(批准号:60501003)资助的课题 十E—mail:xbning@-ju.edu.ca 中应用.近似熵(approximateentropy,ApEn),作为 一 种量化信号复杂度的统计指标,已经被广泛地应 用在包括心率变异性,内分泌等生理信号和 其他领域时间序列复杂度问题的研究上.近似 熵之所以广受欢迎的主要原因是它能够对实验数据 的复杂度提供量化信息,而实验中采集的数据往往 受到了噪声的污染,且数据长度较短,但多数情况下 却具有固有的确定性和随机性的动力学特征.尽管 近似熵测度被广泛应用在生理信号复杂度的分析 上,但它本身却是一个有偏的统计量.因为在计算近 似熵的过程中采取了把矢量自匹配包含在矢量相似 的统计中从而可以避免求零的自然对数这一非法情 况的出现.另外,近似熵测度存在严重的依赖于数据 长度且结果缺乏一致性的缺陷鲫J.为了克服这些 局限性,Richman和Moorman提出了一种类似于近似 熵的测度——样本熵(sampleentropy,SampEn). 算法中除了未包括统计矢量自匹配的这一差异外, 其他步骤类似于近似熵,但计算时间可以节约一半. 而且样本熵在很大程度上独立于数据记录的长度并 2806物理57卷 且结果保持相对的一致性. 不像其他以消耗体力和耐力为特征的体育运动 那样,射击是一项技术性非常强的体育项目,它要求 射击运动员能够保持长久的注意力,具备超强的心 理稳定性和精神持久力.因此射击项目与运动员的 自主神经功能间具有更为密切的关系.考虑到近似 熵和样本熵作为一种复杂度测度具有区分不同实验 数据序列的能力,因此本文研究的目的就是使用这 两种基于熵的复杂度度量方法来量化和比较射击运 动员处于休息和射击比赛两种不同状态时其输出的 短时HRV信号的复杂度及其差异. 2.实验方法和手段 2.1.近似熵和样本熵算法 近似熵算法描述如下:对一个?点的时间序 列,{():1?.『?N},一共可以形成N—m+1个m 维矢量(i),其中{iI1?i?N—m+1l1.两个m 维矢量间的距离定义为 d[X(i),X(j)] =max{IM(i+k)一M(-『+k)1.0?k?m一1}, (1) 也就是两个矢量对应标量元素间最大差值的绝对 值.让表示矢量()在矢量(i)容限r范围 内的相似矢量数,让A表示矢量+.()在矢量 +(i)容限r范围内的相似矢量数,定义如下 变量: C(r)=B/(N—m十1).(2) 计算c(r)时,矢量(i)被称为模板矢量,如果在 模板矢量(i)容限r范围内能够找到一个矢量 (),则称之为矢量的模板匹配,即两矢量在容差 r条件下相似.c(r)就是矢量()在(i)容限 r范围内出现的概率.定义如下参数: (r):(?一m+1)一?N-m”ln[c(r)], (3) 即为函数c(r)自然对数的平均数.Eckmann等 人]建议用liraliralira[(r)一一(r)]来近似 过程的熵值,但该定义却不适合计算有限长度且混 有噪声的实验数据.Pincus发现固定参数m,r,?, 计算(r)一,(r),并以此作为一种规则度和 复杂度的测度具有内在的应用价值.因此他定义了 如下的相关参数: ApEn(m,r)=lim[(r)一,(r)],(4) 而对长度有限的数据集则可以通过以下统计量来估 计上述参数, ApEn(m,r,N)=(r)一,.(r).(5) 将上式进行数学展开后,有 ApEn(m,r,?) : (?一m+1)?”ln[c(r)] 一 (?一m)?ln[c?”(r)].(6) 当?足够大时, ApEn(m,r,?) (?一m)?一一[1n(A./)],(7) 它是在d[X(i),(.『)]?r前提下d[+.(i), +.()]?r时条件概率自然对数负值的平均数. (6),(7)式的区别在于:共有N—m+1个长度为m 的模板,却只有N—m个长度为m+1的模板.因 此,尽管变量c一+(r)有定义,但变量cm+一l+.(r) 却没有定义,或者说矢量+(N—m+1)根本不存 在.在实际的应用中,近似熵被认为是数据序列中 m个点邻近增加一个点后仍然邻近的条件概率值 的负自然对数. 样本熵测度减小了近似熵算法中固有的偏差. Richman和Moorman提出了样本熵统计量消除了由 于矢量自匹配带来的偏差b.样本熵和近似熵之间 存在两个主要差异:第一,样本熵在统计矢量相似的 过程中排除了矢量自匹配的情况,原因在于熵值作 为一种系统新信息产生速率的测度,同自身的比较 没有任何意义.第二,在估计条件概率的时候,样本 熵不是使用类模板的方法.为了使算法更明确,样本 熵只需要找到一个长度为m+1的模板匹配即可. 样本熵算法描述如下:定义变量(r)为矢量 (-『)在矢量(i)容限r范围内的相似矢量数, 的变化范围为从1到?一m,而且-『?i排除了矢量 自匹配.同样定义变量A(r)为矢量+.()在 +.()容限r内的相似矢量数,.『的变化范围仍然 为1到N—m,而且?i.接着根据(8),(9)式分别 计算变量(r),A(r), (r):(?一m)?(r),(8) A(r):(?一m)?A(r),(9) 其中(r)为两个序列m个点匹配的概率,A(r) 5期庄建军等:两种熵测度在量化射击运动员短时心率变异性信号复杂度上的一致性 是两个序列m+1个点匹配的概率.则样本熵由 (10)式给出: SampEn:lim{一ln[(r)/B(r)]},(10) 当应用到具体的实验数据时,样本熵则通过(11)式 进行估计, SampEn=一ln[(r)/Bm(r)].(11) 在样本熵的定义中对容限r和矢量长度m不存在 有疑问的地方.另外又定义了两个变量和B, B:{[(N—m一1)(N—m)]/2}B(r),(12) ={[(N—m一1)(N—m)]/2}(r),(13) 其中B是长度为m的模板匹配数目,是长度为m +1的模板匹配数目.并且存在下列关系: A/B=[(r)/B(r)],(14) 因此样本熵又可以表示为 SampEn(m,r,N)=一in(/B).(15) 变量A/B是两个时间序列在容差r允许的范围内m 点邻近的前提下再增加一个点后仍然保持邻近的条 件概率.不同于近似熵的统计量ApEn(m,r,N)以 类模板的方式来计算条件概率,样本熵的统计量 SampEn(m,r,?)是作为一个整体来计算与时间序 列有关的条件概率的对数负值. 2.2.实验对象和数据采集 7名不同运动水平的男子气手枪项目专业射击 运动员参加了我们的实验,其中3名射击运动员来 自江苏省射击队,4名参加冬训的运动员来自于江 苏省内各个市级射击队.所有运动员均身体健康,无 心,脑和糖尿病等病史.平均年龄21.3?6.8(均值 套\ 鼷 厘 爱 心跳数 套 \ 鼷 厘 爱 ?差)岁,年龄范围17—36岁,运动年限3—18 年.实验前同每一名实验对象签署了一份与当地运 动道德委员会规章相符合的书面同意书. 实验设备采用南京大学生物医学电子工程研究 所研制的自主神经生物功能反馈仪ANS.100以及韩 国产3M贴片电极采集所有实验对象的单通道ECG 信号.自主神经生物功能反馈仪ANS.100的采样频 率为1kHz,A/D转换器的精度为12位.运动员休息 和练习赛两种状态下的信号采集都是在南京方山射 击训练基地完成的. 休息状态的信号采集:要求所有实验对象在午 饭后约一小时(约13:00—14:00)平躺在一个安静, 光线柔和的房间内进行单通道ECG信号的测量,测 量时间为45min. 比赛状态的信号采集:所有实验对象在射击馆 内按照实际比赛的要求进行练习赛,ECG信号的采 集从开始射击前10min一直持续到比赛结束,记录 时间持续2个多小时.ECG信号的采集采用v模拟 胸导联,之所以采用该导联的原因一是为了尽量减 小运动员射击过程中心电采集的肌电干扰以及尽量 减少安装导联对运动员射击技术动作的影响. 所有运动员的ECG信号采集完后,在我们的分 析软件中准确地检测出所有心电记录的R波波峰, 进而计算出所有的RR间期,这样ECG信号就转变 为RR间隔序列,即心率变异性信号.接着对所有的 RR间隔序列进行滤波处理,目的是为了去除肌电干 扰和早搏等异常的心跳.图1为其中一个实验对象 在休息和射击比赛两种状态下采集到的一段RR间 O500lOOO15002O00 心跳数 图1某实验对象(a)休息和(b)射击比赛时记录到的一段RR间隔序列 (已经过滤波处理) ?的?的?的?的?5;踮舳曲?弱砌 物理57卷 隔序列. 尽管近似熵和样本熵均很容易实现,但计算前 针对不同的时间序列需具备两个参数选取的先验知 识,一个是嵌入维m,一个是矢量相似的容差,,容 差r实际上就是一个滤波器.Pincus建议计算近似 熵时容限r的取值范围应为0.1—0.25倍的输入时 间序列的标准差(standarddeviation,SD),当输入序 列的长度在100--5000点范围内时,嵌入维m取1 或2],也可以根据有关的算法估算嵌入维m[4. 因此,接下来我们在计算射击运动员短时HRV信号 的近似熵和样本熵的过程中,m,r,J7\,依次选取为 2.0.2×SD.1000. 蓑 运动员编号 3.结果 图2给出了射击运动员休息和比赛两种状态下 HRV信号的近似熵和采样熵计算结果.从图上可以 很明显地看出无论近似熵还是样本熵,运动员静止 状态HRV的熵值均大于比赛时的熵值.为了获得一 个让人信服的,一致性的结果,我们通过固定每次计 算的RR间隔序列长度不变而不断改变序列在整个 记录中的起始位置来重新计算序列的近似熵和样本 熵值,尽管熵值的计算结果有微小的变化,但休息状 态采集的HRV信号其熵值仍然明显大于比赛状态 下的熵值. 壤 幡 运动员编号 图2所有实验对象休息和射击比赛两种状态下采集的HRV信号计 算出的(a)近似熵和(b)样本熵值(参数m,r,?分别固 定为2,0.2×SD,1000), 计算熵值的同时,我们也计算了射击运动员休 息状态和射击比赛状态下采集到的HRV信号的两 个线性参数,它们是平均RR间期和RR间期的标准 差.计算结果发现:射击运动员休息时其平均RR间 期大于射击比赛时的平均RR问期,这意味着射击 运动员射击比赛时心跳有不同程度的加快现象.各 参数详细的计算结果列在表1中. 壅!塞墼叁旦旦叁墼蔓堕墨塑篁堡薹 状态RR Inls 值腿间 Inl 雠 s 差 (譬)AD也namn匕n 注:P(O.05,t检验;et(O.001,t检验.参数m,r,?分别为2, 0.2×SD.1000. 因为容差r,序列长度J7\,以及嵌入维m对近似 熵和样本熵的性能有着重要的影响,所以接下来我 们对前两个因素单独做了分析,而后一个因素则采 用推荐值m=2. 3.1.容限,对近似熵和样本熵的影响 如图3所示,如果计算近似熵时容差r根据推 荐的标准选择为下限,即标准差的0.1倍(0.1× SD),那么我们计算出的静态HRV的熵值反而略小 于比赛时的熵值.而在r取值范围内计算出的样本 熵值均是静态时的熵值大于射击比赛时的熵值,表 明休息时运动员HRV信号的复杂度大于射击比赛 时的信号复杂度.当r值趋近于标准差时,两种熵测 度利用值的大小来区分两类不同状态信号的能力下 降了.当r值大于0.1倍的标准差时,近似熵可以很 好地区分两类不同状态的信号,然而当r值小于 5期庄建军等:两种熵测度在量化射击运动员短时心率变异性信号 复杂度上的一致性2809 0.1倍的标准差时,两种状态信号的近似熵值大小 变得很接近而且原有的大小关系也颠倒了,因此此 时通过近似熵分析得到的复杂度关系是矛盾的.这 就说明近似熵算法对容限r的选择更为敏感,因此 应用近似熵时r值的选取应该大于0.1倍的标准 差.而Pincus推荐的r值选择范围是大于等于0.1 倍数据序列的标准差.不同于近似熵,根据相同数据 计算出的样本熵在容差r给出的整个取值范围内均 壤 荟 容差r/SD 可以正确区分出两种不同状态的HRV信号,即使r 值很小时.这是因为计算近似熵时,所有的矢量自匹 配都包括在矢量相似的统计中,因而熵值随着r值 的增加先增加到一个临界峰值,然后逐步单调下降. 而样本熵在计算过程中排除了矢量自匹配的统计, 因而熵值随着r值的增加而不断下降.因此,我们在 具体分析实验中获得的时间序列时应该权衡r值的 选择和获取最佳的区分能力. 壤 幡 容差r/SD 图3矢量相似容差r的变化对(a)近似熵和(b)样本熵测度的影响 3蒯长度?以黼样本熵向= 序 5 列 00 女 为了观察近似熵和样本熵值如何随着数据序列所示,数据长度N对 近似熵和样本熵总的影响是熵 壤 苍 数据长度? 壤 幡 数据长度? 图4实验对象HRV时间序列长度的变化对(a)近似熵和(b)样本熵测 度的影响 2810物理57卷 值会随着序列长度的增加而增加,但是样本熵值随 序列长度增加的幅度小于近似熵值的增加幅度.而 且近似熵区分两种不同状态序列的能力随着序列长 度的缩短而下降,但是样本熵的区分能力几乎不随 序列长度的变化而变化.尤其当RR间隔序列只有几 百点的时候,样本熵仍然可以很好的区分出两种不同 状态的HRV信号,此时近似熵就显得无能为力了. 4.结论和讨论 两种基于熵的非线性复杂度测度的分析结果表 明射击运动员进行射击比赛时,其心率变异性信号 比休息时变得规则了许多,这是因为射击比赛时运 动员心率变异性信号的近似熵和样本熵值均小于休 息时的熵值,而低的熵值总是赋予一个更加规则或 复杂度低的时间序列,高的熵值则赋予一个不规则 的,不可预测的时间序列.射击运动要求射击运动员 比赛过程中能够长时间的保持一定的兴奋性和高度 的注意力集中.因此在赛场内外诸多心理应激源的 刺激下,运动员的自主神经功能系统和神经内分泌 系统能够进行自我调整以适应这种高强度的心理压 力.作为人体输出信号之一的HRV信号与人体的自 主神经系统高度相关,它的变化反应了自主神经系 统的调节能力和对外界的适应能力,它的改变能够 给需要长时间保持高度注意力集中的射击运动员提 供一个良好的生理和心理保障. 近似熵和样本熵都能够量化和区分射击运动员 休息和比赛时的HRV信号.因为两种算法中容差r 和数据长度?的选取至关重要,所以我们研究了容 差r和数据长度?的变化对两种复杂度测度性能 的影响.分析结果表明两种方法都对容差r的选取 比较敏感,而近似熵更为敏感.尤其当r值小于0.1 ×SD时,近似熵值的计算结果就会得出矛盾的结 论.所以以前研究者给出的r值的取值范围并不总 能够准确地表达系统状态的复杂度,计算时具体参 数的选取还要视所分析时间序列的特点而定.根据 我们的分析,当参数选择在合适的范围内,样本熵看 起来能够产生一致的结论,而且它受矢量相似容差 和数据长度的影响较小.因此在短时间序列的应用 场合,样本熵算法显得更为合适. 无论分析休息状态还是射击状态下采集的 HRV信号,两种熵值的计算结果均存在明显的个体 差异,这就给我们提供了这样一种可能性:下一步的 研究重点和方向将会放在运动员HRV信号的熵值 或熵值的变化量与运动员运动表现,运动成绩间的 关系,熵值和运动员长期注意力集中导致的精神疲 劳之间的关系,以及熵测度能否作为射击运动员运 动训练质量评估或运动员心理选材的客观指标. GoldbergerAL,AmaralLAN,HausdofffJMetal2002PNAS99 2466 JoydeepB2000Acta.Neurobio1.Exp.6o495 “J,NingXB,wuWetal2OO5Chin.P.142428 NingXB,BianCH,WangJetal2006ChineseScienceBulletin51 385 BianCH,NingXB2004ChineseScienceBulletin49530 Bojorges-ValdezER,EeheverriaJC,Veld6s—CristemaRetal 2007Physio1.Mehs.28721 EeheverriaJC,Hayes-GillBR,CroweJAetal2004Physio1. Meas.25763 IvanovPC,AmaralLAN,GoldbergerALetal1999Nature399 461 KmthsJ,VossA,Sapa.dnPetal1995Chaos588 “J,NingXB,2006P.Rev.E73052902 MelansonEL2000Med.Sci.Spom.Exerc.321894 SchipkeJD,PelzerM2001Br.J.Spom.Med.35174 FosterC,Florhan8JA,FranklinJetal2001J.Strength.Cond. Res.151O9 LuciaA,HoyosJ,PerezMetal2000Med.Sci.Spom.Exerc. 321777 BonadueeD,PetmttaM,Cav~laroVetaf1998Med.Scf. Spom.Exerc.30691 HedelinR,WiklundU,SjerlePetal2000Med.Sci.Spom. Exerc.32153l MiddletonN,VitoGD2005c2.Physio1.Funct.Imaging.25 83 HedelinR,KenttaG,WiklundUetal2000Med.Sci.Spom. Exerc.321480 WinsleyRJ,BattersbyGL,CockleHC2005Ira.J.Spom. Med.26768 EarnestCP,JurcaR,Chu~hTSetal2004Br.J.Spom. Med.38568 MaxtinlsM,Kne~evi6A,Krsta~i6Getal2003Phys.Rev.E70 0l2903 PichotV,RocheF,GaspozJMetal2000Med.Sci.Spom. Brc.321729 WinsleyRJ,ArmstrongN,BywaterKetal2003Br.J.Spora. Med.37550 :2”_寸mm_. ….呈… 5ev.E61733 PincusSM1991Pr0c.NntlAcad.Sci.USA882297 CostaM.GoldbergerAL.PengCK2002Phys.Rev.Lett.89 O68lo2 CostaM,GoldbergerAL,PengCK2005P.Rev.E7l O2l9O6 LewisMJ.ShortAL2oo7Physio1.Meas.2873l NingXB.XuYL.WangJetal2005PhysicaA346475 PalazzoloJA,EstafanousFG,MurrayPA1998Am.J.Physio1. 274Hlo99 TulppoMP,MakikallioTH,TakalaTEetal1996Am.,. Physio1.胁artCirc.Physio1.271244 [34] [35] [36] [37] [38] [39] [4O] [41] [42] PincusSM2000Novartis.FoundSymp.22782 CaiJP,LiZ,SongWT2003ActaPhys.Sin.521871(in Chinese)[蔡觉平,李赞,宋文涛2003物理521871] CaoB,LuXQ,ZengMetal2006ActaPhys.Sin.551696(in Chinese)[曹彪,吕小青,曾敏等2006物理551696] XiaoFH,YanGR,HanYH2004ActaPhys.Sin.532877(in Chinese)[肖方红,阎桂荣,韩宇航2004物理532877] LakeDE,RichmanJS.GrimnMPetal2002Am.J.Physio1. Regu1.Imegr.Comp.Physio1.283R789 RichmanJS,MoormanJR2000AmJ.PZ.HeartCirc. Physio1.2782039 PincusSM,GoldbergerAL1994Am.J.Physio1.266H1643 BianCH,NingXB2004Chin.Phys.130633 ZhangS,LiuHX,GaoDTetal2003Chin.Phys.120594 Agreementoftwoentropy--basedmeasuresonquantifying thecomplexityofshort-termheartratevariability signalsfrOmprofessionalshooters ZhuangJian.Jun?NingXin.Bao)ZouMing).)SunBiao)YangXi) 1)(Imtit~eforBiomedicalElec~onicEngineering,DepartmentofElectronicScienceandE,nee~ng,NanjingUniversity,Nang210093,China) 2)(DepartmentofSports,NanjingInstituteofPhysicalEducation,Naniing210014,China) 3)(DepartmentofInvestigation,Na彬 ngForestPoliceCollege,Nanjing210046,China) (Received14July2007;revisedmanuscriptreceived24August2007) Abstract Usingtwoentropy—basedmeasures,namelytheapproximateentropyandsampleentropymeasures,westudiedthe complexityofheartratevariabilitysignalsobtainedfromprofessionalshootingathletesinthesituationsofrestandpracticematch. Theresultsdemonstratethatthevaluesoftwomeasurescalculatedfromtherestingsignalsarebothgreaterthanthosecalculated fromthetrainingsignals,whichmeansthatthesignalscollectedduringthematcharemoreregularcomparedtothoseacquiredin arestingstate.Forabetterapplicationofthetwomethods,wefurtherinvestigatedtheinfluencesoftwofactors:thresholdrand datalengthN,ontheperformanceofthealgorithms.Althoughbothapproache shavetheabilitytodiscriminatethecomplexityof heartbeatintervalseriesfromdifferentstatesoftheshooters,providedthattheparametersrequiredbythealgorithmsarechosen withinaproperrange,itstillseemsthatsampleentropymethodismoreappropr termheartrate iateinquantifyingtheshort— variabilitysignalsforshootingathletes,especiallywhenthetimeseriesareonlyseveralhundredpointslong. Keywords:approximateentropy,sampleentropy,complexity,shooting PACC:0545.0547.8770 *ProjectsupportedbytheNationalNaturalScienceFoundationofChina(GrantNo.60501003) tE-mail:xbning@nju.edu,cn
/
本文档为【[doc格式] 两种熵测度在量化射击运动员短时心率变异性信号复杂度上的一致性】,请使用软件OFFICE或WPS软件打开。作品中的文字与图均可以修改和编辑, 图片更改请在作品中右键图片并更换,文字修改请直接点击文字进行修改,也可以新增和删除文档中的内容。
[版权声明] 本站所有资料为用户分享产生,若发现您的权利被侵害,请联系客服邮件isharekefu@iask.cn,我们尽快处理。 本作品所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用。 网站提供的党政主题相关内容(国旗、国徽、党徽..)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。

历史搜索

    清空历史搜索