CN109452938B - 一种基于多尺度多重分形的hfecg信号特征频率检测方法 - Google Patents
一种基于多尺度多重分形的hfecg信号特征频率检测方法 Download PDFInfo
- Publication number
- CN109452938B CN109452938B CN201811640395.6A CN201811640395A CN109452938B CN 109452938 B CN109452938 B CN 109452938B CN 201811640395 A CN201811640395 A CN 201811640395A CN 109452938 B CN109452938 B CN 109452938B
- Authority
- CN
- China
- Prior art keywords
- hfecg
- sequence
- frequency
- signal
- scale
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Cardiology (AREA)
- Signal Processing (AREA)
- General Physics & Mathematics (AREA)
- Psychiatry (AREA)
- General Engineering & Computer Science (AREA)
- Physiology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Fuzzy Systems (AREA)
- Complex Calculations (AREA)
Abstract
一种基于多尺度多重分形的HFECG信号特征频率检测方法,适用于心电信号的多尺度分析及有关疾病的检测中使用。采集HFECG信号并组成时间序列,对HFECG时间序列符号动力学运算并进行单峰映射,对一维符号序列进行非线性多尺度多重分形分析,计算一维符号序列在各尺度下的质量指数谱曲率参数,包括尺度因子的范围,根据尺度因子与特征频率得到所有HFECG信号的特征频率。有效通过一个频率尺度因子寻找与生命活动密切相关的多重分形特性谱参数,该参数对生理、病理活动状态具有敏感性。其步骤简单,检测效率高,能够有效提高临床上系统的诊断准确性。
Description
技术领域
本发明涉及一种HFECG信号特征频率检测方法,尤其适用于一种心电信号的多尺度分析及有关疾病的检测中使用的基于多尺度多重分形的HFECG信号特征频率检测方法
背景技术
近几年研究发现,心电信号中存在非线性“共振”现象。该现象可简单描述如下:自然界中,万物都具有一个固有频率的属性。施加外力使它振动的频率叫做策动频率,属于受迫振动。当物体的策动频率等于其固有频率时,将产生“共振”现象,振幅达到最大,这时的策动频率就称为“共振频率”。生物体是自然界最复杂的非线性系统,同时HFECG信号作为心电波动幅度函数的描述,它同样具有共振频率的属性。对不同生理和病理条件下的人群,心脏各部位形体的形态不同、密度各异,并且还随着活动状态的变化,固有频率也各不相同,是非稳态的。经研究,相应于心脏各部位形态结构有共振的固有频率,非线性参数值随分析数据采样频率的变化而形成共振曲线分布状态(“U”型或倒“U”型),并且在某一频率点上出现一个共振极值。该频点为生理、病理活动状态最为敏感的采样频率点,也就是相对应于生物体某一生理、病理活动状态时整体的采样共振频率(Sampling resonance frequency)点。不同人群心电系统具有不同的共振模式(曲线)和采样共振频率点。我们把该采样共振频率点统一命名为FR,并将FR/2(用FC表示)称为HFECG信号“特征频率(Characteristicfrequency)”,这也是“多尺度”概念的本质所在。在此极值附近的一定区域内,对疾病的敏感性特别强,可作为对疾病早期诊断用。以上就是非线性参数在生命活动中的共振现象,该参数与代表生命活动密切相关的体表HFECG信号频率调制特性有关,我们依据此原理对不同人群建立心电信号的“非线性共振模型”,通过一频率尺度因子寻找其多重分形谱共振响应特征(频率)参数,进一步用于临床上诊断与检验。
分析国内外研究现状,我们认为有以下几个问题:
(1)传统的非线性动力学参数,在对生理时间序列的实时、有效性分析上均存在一些不足之处,且已有研究大部分局限在常规心电图信号,对其高频成份涉及较少。而高频心电图的最高频率分量可达2000Hz以上,这些细节点虽波动幅度不大,为几十个微伏,占整个心电信号波动范围的5%以内、且能量小于3%,但它们是突变点,具有较高的频率成份,它们的形态、数量与健康或疾病直接相关。远在常规心电图发生异常以前,HFECG就已经显示了许多心脏疾病的早期信息;
(2)以往的生物医学信号的非线性分析,仅注重在单一采样频率下复杂度的研究。这类方法对疾病的“特异性”较差,即只能大概判断有病和无病,至于是什么类型的心脏疾病、严重性程度难以区分和缺乏理论上合理的解释。我们认为,即使是取自同一个体、相同状态的HFECG信号,其在不同采样频率下的复杂度也是不一样的,那么一定存在某一个合适的采样频率点FC,在这一采样频率下,更达到最好的疾病区分效果。该采样频率点即为HFECG信号的特征频率。研究生理信号的特征频率,进一步掌握它在内部与外界环境影响下、以及随生物体年龄、疾病或本身神经自律控制的变化规律,在临床上具有重要的诊断意义。
发明内容
针对现有技术的不足之处,提供一种步骤简单,计算复杂程度低,执行效率好的基于多尺度多重分形的HFECG信号特征频率检测方法。
为实现上述技术目的,本发明的基于多尺度多重分形的HFECG信号特征频率检测方法,步骤为:采集采样频率为f的HFECG信号并组成HFECG时间序列xN,首先对HFECG时间序列xN进行符号动力学运算,将一维HFECG时间序列xN转换为一维符号序列rN并进行单峰映射,从而简化运算量,然后对一维符号序列进行非线性多尺度多重分形分析,计算一维符号序列在各尺度下的质量指数谱曲率参数Kτ(q),找到Kτ(q)值达到最大的尺度因子γ的范围,然后根据尺度因子γ与特征频率FC的换算关系FC=f/2γ,从而得到所有HFECG信号的特征频率FC。
在临床疾病检测的非线性特征频率检测步骤如下:
a将临床疾病检测的数据生成一维HFECG时间序列xN={x1,x2,…xi,…xN};
b将xN转化为一维符号空间;
c对一维符号空间进行单峰映射;
d进行多尺度多重分形分析;
e当γ=1时,利用公式:1≤j≤N/γ式获得xN重构序列{y(1)},式中,γ为尺度因子,N为序列长度,粗粒化的时间序列长度等于原始时间序列长度N除以尺度因子γ,即Nγ=N/γ,当γ=1时,序列y(1)即为原始HFECG时间序列xN,两者等值;
f计算多重分形参数Kτ(q);
g当γ=2时,重复步骤e和步骤f,获得多重分形参数值Kτ(q);
h以此下去,得到γ=3…k时候的Kτ(q)值,注意γ的取值,使得数据量Nγ=N/γ不少于3000点,以利于多重分形分析;
i作出共振曲线谱Kτ(q)~γ;
j依据该特征曲线,确定|Kτ(q)|值达到最大的频率尺度因子γ范围,进而利用关系式FR=f/γ计算原始信号的粗粒化频率FR和信号特征频率FR/2,即特征频率FC,在这个特征频率FC范围内,HFECG信号对生理、病理活动状态最为敏感,此时区分疾病种类的能力最强在该特征频率下对疾病进行检测;
k重复步骤f~j,计算其它非线性参数,构造人工神经网络临床对疾病进行多参数联合分析。
将一维时间序列转换为一维符号序列以及单峰映射的具体步骤为:
1)将一维时间序列转换到一维符号空间,为达到临床上简化运算的目的,将采集的HFECG信号序列转化到符号空间,即对一个由m个符号组成的符号集Sm={S0,S1,…,Sm-1},和一个由m+1个临界点组成的数据集Cm+1={C0,C1,…,Cm},把一维HFECG时间序列xN={x1,…,xi,…,xN}转化为一维符号序列rN={S(1),...,S(i),...,S(N)},式中S为符号个数集合,C为符号化对应的数据集,其中若Ck<xi≤Ck+1,则:S(i)=Sk,i=1,...,N,k=0,...,m-1;m为符号集中符号个数,xN为HFECG时间序列,rN为一维符号序列,N为序列长度;
2)对一维符号空间进行单峰映射,一维HFECG时间序列经符号化后,反映了原系统在符号状态空间下的动力学本质特征,仅用“0”和“1”两种符号代替符号空间的数据进行单峰映射从而简化运算量,即用符号“1”表示信号上升、符号“0”表示信号下降,具体方法为:对一维HFECG符号序列rN进行差分运算,以tN-1代表一阶差分序列,利用公式:t(i)=r(i+1)-r(i),i=1,2,…N-1,N为序列长度,然后取Sm={0,1}(m=2,即2个符号),判断若差分序列t(i)≥0,则符号集S(i)=1,若差分序列t(i)<0,则符号集S(i)=0,从而符号化判决完成单峰映射。
如图2所示,计算质量指数谱曲率参数Kτ(q)的具体步骤为:
1)首先对HFECG时间序列xN进行多尺度的“粗粒化”即多尺度多重分形,为寻找HFECG信号的特征频率,用多个尺度因子研究时间序列xN不同的时间段,对一维HFECG时间序列xN={x1,…,xi,…,xN},利用公式1≤j≤N/γ,构造它的粗粒化时间序列,式中:γ为尺度因子,N为序列长度,粗粒化的时间序列长度等于原始时间序列长度N除以尺度因子γ,即Nγ=N/γ,当γ=1时,序列y(1)即为原始HFECG时间序列xN,两者等值;
2)对每一个尺度因子,以计算多重分形质量指数谱曲率参数(Kτ(q))的方法计算每一个“粗粒化”时间序列的多重分形参数,并作出Kτ(q)随所有尺度因子分布曲线,即共振响应曲线Kτ(q)~γ,具体方法为:
2.1)生成质量指数谱τ(q)随尺度因子q分布曲线τ(q)~q,其中Dq代表一般维数,Iq为瑞丽(Renyi)信息,q表示不同的标度,以系统可能出现的不同特征作为微观状态,则N代表系统可能出现的所有微观状态的数目,Pi(L)是第i个微观状态的概率,i=1,2,…N,其中L是第i个微观状态的尺寸,Ti为第i个微观状态的测度值,指数αi称为奇异强度,反映的是第i个微观状态的奇异性程度;
2.2)计算质量指数谱曲率参数Kτ(q),在τ(q)~q曲线中存在交点P(1,0)处出现较明显的拐角,并在P(1,0)两边各自具有不同的近似线性特性,分别延伸到q=±∞,以q=1把τ(q)~q曲线划分为左右两部分,即q∈[q-∞,1]、q∈[1,q+∞],分别对这两部分数据进行最小方差直线拟合,获得的拟合结果线相交于点A,两条拟合结果线形成的夹角为两边线段长度分别为l1和l2,由此定义质量指数谱曲率参数Kτ(q)的计算公式为:
2.3)重复上述2.1~2.2,计算所有尺度因子对应的Kτ(q)参数值,然后作出Kτ(q)随尺度因子分布曲线,即:共振响应曲线Kτ(q)~γ。
在共振响应曲线中存在极值的采样频率点;
在对HFECG信号进行粗粒化采样时,质量指数谱曲率参数Kτ(q)值随着采样频率从高到低变化(γ由小到大取值),在某一采样频率点上出现最大值,该频率点为生理、病理活动状态最为敏感的采样频率点,即HFECG信号的特征频率点FC,上式粗粒化公式中的γ称为频率尺度因子,此时,该频率尺度因子γ对应的参数最大(绝对)值就是HFECG信号非线性复杂度,以上从横向、纵向两个方向对HFECG信号非线性共振曲线进行了分析,从横向可以计算信号的特征频率,纵向用来确定信号的复杂度。
计算HFECG信号特征频率的具体方法为:依据采样定理式中,FR为采样共振频率,在共振响应曲线Kτ(q)~γ中,FR即为参数值Kτ(q)最大时对应的粗粒化频率,由式FR=f/γ计算,其中γ是参数值Kτ(q)最大时对应的尺度因子,f是一维HFECG信号的采样频率,为分析方便,取HFECG信号特征频率FC=FR/2,即最高次谐波频率,上式表示HFECG信号在频率点FR/2上会产生共振,也就是在这个频率点上HFECG信号的生理、病理活动状态最为敏感(信号的非线性参数值最大,即复杂度最高),此时,区分疾病种类的能力也最强(不同疾病HFECG信号的非线性参数值相差也最大)。
使用人工神经网络(ANN)进行多参数联合分析具体方法为:
建立人工神经网络的输入参数为Pi+Qj,i=1,2,j=1,2,…,6,其中:Pi为1~2种线性参数:傅立叶(或采用小波)变换、功率谱,Qj为4~6种典型的非线性特征参数:测度熵(近似熵、样本熵)、DFA、△α、Hurst指数、以及Kτ(q),wxy、wyz为权重因子,ANN层数为输入层、隐含层和输出层3层,ANN的输出结果zk表示有病(给出具体疾病类型)、无病。
有益效果
(1)适用于临床动态、实时性分析的非线性参数及分析方法,利用对生物体生理、病理活动状态较为敏感的非线性特征参数及估算方法,将各输入线性、非线性参数有机结合、做到多参数联合分析,提高诊断的速度和准确性;(2)生物系统心电信号特征频率及心电活动动态过程中的内在机制,以HFECH信号非线性“共振”为基础,深入研究健康和不同生理、病理状态下HFECG信号复杂度和敏感的特征频率,得到以上多种状态HFECG信号特征频率范围区间,在此基础上分析并揭示HFECG信号复杂度、特征频率与生物体年龄、疾病以及神经自律控制相联系的内在规律;(3)进行临床有效性诊断和检验,以人体HFECG动态时间序列为主要研究手段,达到临床上有效区分健康人、疾病大类、疾病大类下的细分类的目的,实现临床上对以上多种疾病细分类的检测、分类、以及早期预测与诊断。
附图说明
图1是健康人HRV信号的质量指数谱τ(q)~q示意图;
图2是非线性质量指数谱曲率共振响应曲线示意图;
图3是本发明基于多尺度多重分形的HFECG信号特征频率检测方法多参数联合分析的人工神经网络(ANN)示意图;
图4是本发明基于多尺度多重分形的HFECG信号特征频率检测方法整体流程图;
图5(a)是脑部受伤患者常规ECG信号奇异谱面积对数lnS随尺度因子γ变化曲线图;
图5(b)是高血压患者常规ECG信号奇异谱面积对数lnS随尺度因子γ变化曲线图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合实例和附图对本发明做进一步详细说明。
本发明的基于多尺度多重分形的HFECG信号特征频率检测方法,包括:
采集采样频率为f的HFECG信号并组成HFECG时间序列xN,首先对HFECG时间序列xN进行符号动力学运算,将一维HFECG时间序列xN转换为一维符号序列rN并进行单峰映射,从而简化运算量,然后对一维符号序列进行非线性多尺度多重分形分析,计算一维符号序列在各尺度下的质量指数谱曲率参数Kτ(q),找到Kτ(q)值达到最大的尺度因子γ的范围,然后根据尺度因子γ与特征频率FC的换算关系FC=f/2γ,从而得到所有HFECG信号的特征频率FC。
如图4所示在临床疾病检测的非线性特征频率检测步骤如下:
a将临床疾病检测的数据生成一维HFECG时间序列xN={x1,x2,…xi,…xN};
b将xN转化为一维符号空间;
c对一维符号空间进行单峰映射,具体步骤为:
1)将一维时间序列转换到一维符号空间,为达到临床上简化运算的目的,将采集的HFECG信号序列转化到符号空间,即对一个由m个符号组成的符号集Sm={S0,S1,…,Sm-1},和一个由m+1个临界点组成的数据集Cm+1={C0,C1,…,Cm},把一维HFECG时间序列xN={x1,…,xi,…,xN}转化为一维符号序列rN={S(1),...,S(i),...,S(N)},式中S为符号个数集合,C为符号化对应的数据集,其中若Ck<xi≤Ck+1,则:S(i)=Sk,i=1,...,N,k=0,...,m-1;m为符号集中符号个数,xN为HFECG时间序列,rN为一维符号序列,N为序列长度;
2)对一维符号空间进行单峰映射,一维HFECG时间序列经符号化后,反映了原系统在符号状态空间下的动力学本质特征,仅用“0”和“1”两种符号代替符号空间的数据进行单峰映射从而简化运算量,即用符号“1”表示信号上升、符号“0”表示信号下降,具体方法为:对一维HFECG符号序列rN进行差分运算,以tN-1代表一阶差分序列,利用公式:t(i)=r(i+1)-r(i),i=1,2,…N-1,N为序列长度,然后取Sm={0,1}(m=2,即2个符号),判断若差分序列t(i)≥0,则符号集S(i)=1,若差分序列t(i)<0,则符号集S(i)=0,从而符号化判决完成单峰映射。
d进行多尺度多重分形分析;
e当γ=1时,利用公式:1≤j≤N/γ式获得xN重构序列{y(1)},式中,γ为尺度因子,N为序列长度,粗粒化的时间序列长度等于原始时间序列长度N除以尺度因子γ,即Nγ=N/γ,当γ=1时,序列y(1)即为原始HFECG时间序列xN,两者等值;
f计算多重分形参数Kτ(q);计算质量指数谱曲率参数Kτ(q)的具体步骤为:
1)首先对HFECG时间序列xN进行多尺度的“粗粒化”即多尺度多重分形,为寻找HFECG信号的特征频率,用多个尺度因子研究时间序列xN不同的时间段,对一维HFECG时间序列xN={x1,…,xi,…,xN},利用公式1≤j≤N/γ,构造它的粗粒化时间序列,式中:γ为尺度因子,N为序列长度,粗粒化的时间序列长度等于原始时间序列长度N除以尺度因子γ,即Nγ=N/γ,当γ=1时,序列y(1)即为原始HFECG时间序列xN,两者等值;
2)如图1所述的τ(q)~q曲线,该曲线由一些离散数据点组成,在交点P(1,0)处形成较明显的拐角(拐角大小代表曲线弯曲程度),并且在P(1,0)两边各自具有不同的近似线性特性,分别延伸到q=±∞。以q=1把它划分为左右两部分(即:q∈[q-∞,1]、q∈[1,q+∞]),分别对这两部分数据进行直线拟合(最小方差法),拟合线相交于点A,形成的夹角为两边线段长度分别为l1和l2,定义质量指数谱曲率:以上通过改变尺度因子γ对ECG时间序列进行多尺度的粗粒化,实际上就是改变该序列的采样频率(称为粗粒化采样频率),对其在时间领域上(不同时间段)进行分析。随后,对每一个粗粒化后的时间序列再计算其多重分形参数,这样做是为了对该序列的不同局域(子集)进行研究、确定它的非线性参数;
对每一个尺度因子,以计算多重分形质量指数谱曲率参数(Kτ(q))的方法计算每一个“粗粒化”时间序列的多重分形参数,并作出Kτ(q)随所有尺度因子分布曲线,即共振响应曲线Kτ(q)~γ,具体方法为:
2.1)生成质量指数谱τ(q)随尺度因子q分布曲线τ(q)~q,其中Dq代表一般维数,Iq为瑞丽(Renyi)信息,q表示不同的标度,以系统可能出现的不同特征作为微观状态,则N代表系统可能出现的所有微观状态的数目,Pi(L)是第i个微观状态的概率,i=1,2,…N,其中L是第i个微观状态的尺寸,Ti为第i个微观状态的测度值,指数αi称为奇异强度,反映的是第i个微观状态的奇异性程度;
2.2)计算质量指数谱曲率参数Kτ(q),在τ(q)~q曲线中存在交点P(1,0)处出现较明显的拐角,并在P(1,0)两边各自具有不同的近似线性特性,分别延伸到q=±∞,以q=1把τ(q)~q曲线划分为左右两部分,即q∈[q-∞,1]、q∈[1,q+∞],分别对这两部分数据进行最小方差直线拟合,获得的拟合结果线相交于点A,两条拟合结果线形成的夹角为两边线段长度分别为l1和l2,由此定义质量指数谱曲率参数Kτ(q)的计算公式为:
2.3)重复上述2.1~2.2,计算所有尺度因子对应的Kτ(q)参数值,然后作出Kτ(q)随尺度因子分布曲线,即:共振响应曲线Kτ(q)~γ;
g当γ=2时,重复步骤e、步骤f,并获得多重分形参数值Kτ(q);
h以此下去,得到γ=3…k时候的Kτ(q)值,注意γ的取值,使得数据量Nγ=N/γ不少于3000点,以利于多重分形分析;
i作出共振曲线谱Kτ(q)~γ;在共振响应曲线中存在极值的采样频率点;
在对HFECG信号进行粗粒化采样时,质量指数谱曲率参数Kτ(q)值随着采样频率从高到低变化(γ由小到大取值),在某一采样频率点上出现最大值,该频率点为生理、病理活动状态最为敏感的采样频率点,即HFECG信号的特征频率点FC,上式粗粒化公式中的γ称为频率尺度因子,此时,该频率尺度因子γ对应的参数最大(绝对)值就是HFECG信号非线性复杂度,以上从横向、纵向两个方向对HFECG信号非线性共振曲线进行了分析,从横向可以计算信号的特征频率,纵向用来确定信号的复杂度。
j依据该特征曲线,确定|Kτ(q)|值达到最大的频率尺度因子γ范围,进而利用关系式FR=f/γ计算原始信号的粗粒化频率FR和信号特征频率FR/2,即特征频率FC,在这个特征频率FC范围内,HFECG信号对生理、病理活动状态最为敏感,此时区分疾病种类的能力最强在该特征频率下对疾病进行检测;计算HFECG信号特征频率的具体方法为:依据采样定理式中,FR为采样共振频率,在共振响应曲线Kτ(q)~γ中,FR即为参数值Kτ(q)最大时对应的粗粒化频率,由式FR=f/γ计算,其中γ是参数值Kτ(q)最大时对应的尺度因子,f是一维HFECG信号的采样频率,为分析方便,取HFECG信号特征频率FC=FR/2,即最高次谐波频率,上式表示HFECG信号在频率点FR/2上会产生共振,也就是在这个频率点上HFECG信号的生理、病理活动状态最为敏感(信号的非线性参数值最大,即复杂度最高),此时,区分疾病种类的能力也最强(不同疾病HFECG信号的非线性参数值相差也最大)。
k重复步骤f~j,计算其它非线性参数,构造人工神经网络临床对疾病进行多参数联合分析;
使用人工神经网络(ANN)进行多参数联合分析具体方法为:建立人工神经网络的输入参数为Pi+Qj,i=1,2,j=1,2,…,6,其中:Pi为1~2种线性参数:傅立叶(或采用小波)变换、功率谱,Qj为4~6种典型的非线性特征参数:测度熵(近似熵、样本熵)、DFA、△α、Hurst指数、以及Kτ(q),wxy、wyz为权重因子,ANN层数为输入层、隐含层和输出层3层,ANN的输出结果zk表示有病(给出具体疾病类型)、无病。
图5为是脑部受伤患者和高血压患者常规ECG信号奇异谱面积对数(lnS)随尺度因子γ的分布,该曲线呈倒U型分布。其中:○为30240数据点,□为40320数据点,△为55440数据点。
信号原始采样频率为f=1kHz。由该图可知,与数据长度无关(图中不同符号),对脑部受伤患者(图5a),当尺度因子范围集中在γ=3~7(Fc=166.7Hz~71.4Hz)时非线性参数值最大,并且在γ=5(Fc=100Hz)处达到峰值;而对于高血压患者(图5b),当尺度因子集范围中在γ=4~6(Fc=125Hz~83.3Hz)时非线性参数值最大,而在γ=6(Fc=83.3Hz)处形成拐点。
由图5可知,这两类人群确具有不同的“非线性共振”模式和特征频率。在非线性参数的极值(拐点处)区附近,HFECG信号复杂度最高,相应的尺度因子(以及特征频率)对生HFECG生理、病理活动状态最为敏感。同时由于极值区附近非线性参数值相差也最大,因此该特征频率下对疾病种类的区分能力也最强、检测效果最好。
Claims (5)
1.一种基于多尺度多重分形的HFECG信号特征频率检测方法,其特征在于:
采集采样频率为f的HFECG信号并组成HFECG时间序列xN,首先对HFECG时间序列xN进行符号动力学运算,将一维HFECG时间序列xN转换为一维符号序列rN并进行单峰映射,从而简化运算量,然后对一维符号序列进行非线性多尺度多重分形分析,计算一维符号序列在各尺度下的质量指数谱曲率参数Kτ(q),找到Kτ(q)值达到最大的尺度因子γ的范围,然后根据尺度因子γ与特征频率FC的换算关系FC=f/2γ,从而得到所有HFECG信号的特征频率FC;
将一维时间序列转换为一维符号序列以及单峰映射的具体步骤为:
1)将一维时间序列转换到一维符号空间,为达到临床上简化运算的目的,将采集的HFECG信号序列转化到符号空间,即对一个由m个符号组成的符号集Sm={S0,S1,…,Sm-1},和一个由m+1个临界点组成的数据集Cm+1={C0,C1,…,Cm},把一维HFECG时间序列xN={x1,…,xi,…,xN}转化为一维符号序列rN={S(1),...,S(i),...,S(N)},式中S为符号个数集合,C为符号化对应的数据集,其中若Ck<xi≤Ck+1,则:S(i)=Sk,i=1,...,N,k=0,...,m-1;m为符号集中符号个数,xN为HFECG时间序列,rN为一维符号序列,N为序列长度;
2)对一维符号空间进行单峰映射,一维HFECG时间序列经符号化后,反映了原系统在符号状态空间下的动力学本质特征,仅用“0”和“1”两种符号代替符号空间的数据进行单峰映射从而简化运算量,即用符号“1”表示信号上升、符号“0”表示信号下降,具体方法为:对一维HFECG符号序列rN进行差分运算,以tN-1代表一阶差分序列,利用公式:t(i)=r(i+1)-r(i),i=1,2,…N-1,N为序列长度,然后取Sm={0,1},m=2,即2个符号,判断若差分序列t(i)≥0,则符号集S(i)=1,若差分序列t(i)<0,则符号集S(i)=0,从而符号化判决完成单峰映射。
2.根据权利要求1所述的基于多尺度多重分形的HFECG信号特征频率检测方法,其特征在于:在临床疾病检测的非线性特征频率检测步骤如下:
a将临床疾病检测的数据生成一维HFECG时间序列xN={x1,x2,…xi,…xN};
b将xN转化为一维符号空间;
c对一维符号空间进行单峰映射;
d进行多尺度多重分形分析;
e当γ=1时,利用公式:1≤j≤N/γ式获得xN重构序列{y(1)},式中,γ为尺度因子,N为序列长度,粗粒化的时间序列长度等于原始时间序列长度N除以尺度因子γ,即Nγ=N/γ,当γ=1时,序列y(1)即为原始HFECG时间序列xN,两者等值;
f计算多重分形参数Kτ(q);
g当γ=2时,重复步骤e和步骤f,获得多重分形参数值Kτ(q);
h以此下去,得到γ=3…k时候的Kτ(q)值,注意γ的取值,使得数据量Nγ=N/γ不少于3000点,以利于多重分形分析;
i作出共振曲线谱Kτ(q)~γ;
j依据该特征曲线,确定|Kτ(q)|值达到最大的频率尺度因子γ范围,进而利用关系式FR=f/γ计算原始信号的粗粒化频率FR和信号特征频率FR/2,即特征频率FC。
3.根据权利要求1或2所述的一种基于多尺度多重分形的HFECG信号特征频率检测方法,其特征在于计算质量指数谱曲率参数Kτ(q)的具体步骤为:
1)首先对HFECG时间序列xN进行多尺度的“粗粒化”即多尺度多重分形,为寻找HFECG信号的特征频率,用多个尺度因子研究时间序列xN不同的时间段,对一维HFECG时间序列xN={x1,…,xi,…,xN},利用公式1≤j≤N/γ,构造它的粗粒化时间序列,式中:γ为尺度因子,N为序列长度,粗粒化的时间序列长度等于原始时间序列长度N除以尺度因子γ,即Nγ=N/γ,当γ=1时,序列y(1)即为原始HFECG时间序列xN,两者等值;
2)对每一个尺度因子,以计算多重分形质量指数谱曲率参数Kτ(q)的方法计算每一个“粗粒化”时间序列的多重分形参数,并作出Kτ(q)随所有尺度因子分布曲线,即共振响应曲线Kτ(q)~γ,具体方法为:
2.1)生成质量指数谱τ(q)随尺度因子q分布曲线τ(q)~q,其中Dq为一般维数或q次信息维,Iq为瑞丽Renyi信息,q表示不同的标度,以系统可能出现的不同特征作为不同微观状态,对于一维HFECG,就是时间序列长度,则N代表所有微观状态的数目,Pi(L)是第i个微观状态出现的概率,其中符号L是第i个微观状态的尺寸,Ti为第i个微观状态的测度值,指数αi称为奇异强度,反映的是第i个微观状态的奇异性程度;
2.2)计算质量指数谱曲率参数Kτ(q),在τ(q)~q曲线中存在交点P(1,0)处出现较明显的拐角,并在P(1,0)两边各自具有不同的近似线性特性,分别延伸到q=±∞,以q=1把τ(q)~q曲线划分为左右两部分,即q∈[q-∞,1]、q∈[1,q+∞],分别对这两部分数据进行最小方差直线拟合,获得的拟合结果线相交于点A,两条拟合结果线形成的夹角为 两边线段长度分别为l1和l2,由此定义质量指数谱曲率参数Kτ(q)的计算公式为:
2.3)重复上述2.1~2.2,计算所有尺度因子对应的Kτ(q)参数值,然后作出Kτ(q)随尺度因子分布曲线,即:共振响应曲线Kτ(q)~γ。
4.根据权利要求1或2所述的基于多尺度多重分形的HFECG信号特征频率检测方法,其特征在于在共振响应曲线中存在极值的采样频率点;
在对HFECG信号进行粗粒化采样时,质量指数谱曲率参数Kτ(q)值随着采样频率从高到低变化,γ由小到大取值,在某一采样频率点上出现最大值,该频率点为生理、病理活动状态最为敏感的采样频率点,即HFECG信号的特征频率点FC,上式粗粒化公式中的γ称为频率尺度因子,此时,该频率尺度因子γ对应的参数最大值就是HFECG信号非线性复杂度,以上从横向、纵向两个方向对HFECG信号非线性共振曲线进行了分析,从横向计算信号的特征频率,纵向用来确定信号的复杂度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811640395.6A CN109452938B (zh) | 2018-12-29 | 2018-12-29 | 一种基于多尺度多重分形的hfecg信号特征频率检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811640395.6A CN109452938B (zh) | 2018-12-29 | 2018-12-29 | 一种基于多尺度多重分形的hfecg信号特征频率检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109452938A CN109452938A (zh) | 2019-03-12 |
CN109452938B true CN109452938B (zh) | 2020-06-09 |
Family
ID=65615794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811640395.6A Expired - Fee Related CN109452938B (zh) | 2018-12-29 | 2018-12-29 | 一种基于多尺度多重分形的hfecg信号特征频率检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109452938B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110659621A (zh) * | 2019-09-27 | 2020-01-07 | 山东科技大学 | 一种基于变分模态分解和排列熵的联合降噪方法 |
CN110946562B (zh) * | 2019-11-25 | 2022-12-23 | 南京摩尼电子科技有限公司 | 基于Micro:bit微处理器的生理电信号测量分析方法及系统 |
CN110840443B (zh) * | 2019-11-29 | 2022-06-10 | 京东方科技集团股份有限公司 | 心电信号处理方法、心电信号处理装置和电子设备 |
CN112881795A (zh) * | 2021-01-07 | 2021-06-01 | 国网河南省电力公司电力科学研究院 | 一种基于小波分析的电网频率大扰动快速判别方法和系统 |
CN113588259A (zh) * | 2021-08-03 | 2021-11-02 | 山东中科普锐检测技术有限公司 | 一种设备振动信号标度曲线转折点检测方法及工况监测装置 |
CN113876337B (zh) * | 2021-09-16 | 2023-09-22 | 中国矿业大学 | 一种基于多元递归网络的心脏疾病识别方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5471991A (en) * | 1993-11-16 | 1995-12-05 | Trustees Of The University Of Pennsylvania | Wavelet analysis of fractal systems |
WO2002096288A1 (en) * | 2001-05-29 | 2002-12-05 | Reproductive Health Technologies, Inc. | System for detection and analysis of material uterine, maternal and fetal cardiac and fetal brain activity |
US8306610B2 (en) * | 2006-04-18 | 2012-11-06 | Susan Mirow | Method and apparatus for analysis of psychiatric and physical conditions |
US20090264786A1 (en) * | 2008-04-21 | 2009-10-22 | Brainscope Company, Inc. | System and Method For Signal Denoising Using Independent Component Analysis and Fractal Dimension Estimation |
CN103683196B (zh) * | 2013-07-24 | 2017-02-22 | 昆明理工大学 | 一种基于多重分形谱的变压器励磁涌流鉴别方法 |
JP6222342B2 (ja) * | 2014-02-27 | 2017-11-01 | 株式会社村田製作所 | 個人識別装置 |
CN105496402B (zh) * | 2015-11-20 | 2018-03-02 | 北京理工大学 | 基于散点图和符号动力学的心电特征分析方法 |
CN107233092A (zh) * | 2017-05-22 | 2017-10-10 | 陕西师范大学 | 一种用于心脏生理电信号的处理方法 |
CN107894965A (zh) * | 2017-11-30 | 2018-04-10 | 陕西师范大学 | 一种用于两组不同类型信号的耦合处理方法 |
-
2018
- 2018-12-29 CN CN201811640395.6A patent/CN109452938B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN109452938A (zh) | 2019-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109452938B (zh) | 一种基于多尺度多重分形的hfecg信号特征频率检测方法 | |
CN108714026B (zh) | 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法 | |
Übeyli | ECG beats classification using multiclass support vector machines with error correcting output codes | |
Acır | A support vector machine classifier algorithm based on a perturbation method and its application to ECG beat recognition systems | |
CN109117730B (zh) | 心电图心房颤动实时判断方法、装置、系统及存储介质 | |
Übeyli | Adaptive neuro-fuzzy inference systems for automatic detection of breast cancer | |
Lee et al. | A data mining approach for coronary heart disease prediction using HRV features and carotid arterial wall thickness | |
Gupta et al. | An efficient low computational cost method of R-peak detection | |
CN109948396B (zh) | 一种心拍分类方法、心拍分类装置及电子设备 | |
Fang et al. | Dual-channel neural network for atrial fibrillation detection from a single lead ECG wave | |
CN107595249A (zh) | 基于脉搏波的怀孕女性筛查方法 | |
CN110490257A (zh) | 一种基于去趋势项的生理电信号熵分析方法 | |
Ajitkumar Singh et al. | Heart abnormality classification using PCG and ECG recordings | |
Zarrabi et al. | A system for accurately predicting the risk of myocardial infarction using PCG, ECG and clinical features | |
CN111956209B (zh) | 一种基于ewt和结构特征提取的心电信号r波识别方法 | |
Lahiri et al. | Analysis of ECG signal by chaos principle to help automatic diagnosis of myocardial infarction | |
CN110767315B (zh) | 基于心电信号量化分析的自主神经系统健康状态评估装置 | |
CN115736950B (zh) | 一种基于多脑区协同相幅传递的睡眠动力学分析方法 | |
Islam et al. | Arrhythmia detection technique using basic ECG parameters | |
Celin et al. | A novel method for ECG classification using polynomial based curve fitting | |
Jalil et al. | Detection of QRS complex in ECG signal based on classification approach | |
Vimala et al. | Classification of cardiac vascular disease from ECG signals for enhancing modern health care scenario | |
Zhanquan et al. | ECG signal classification via combining hand-engineered features with deep neural network features | |
George et al. | Modelling of Electrocardiogram Using Autoregressive Moving Average Model and Linear Predictive Coefficient A Comparative Study | |
Desai | Automated detection of cardiac health condition using linear techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200609 Termination date: 20211229 |
|
CF01 | Termination of patent right due to non-payment of annual fee |