CN109567783A - 一种基于加权马尔可夫模型预测空间位置心磁信号的方法 - Google Patents
一种基于加权马尔可夫模型预测空间位置心磁信号的方法 Download PDFInfo
- Publication number
- CN109567783A CN109567783A CN201811457335.0A CN201811457335A CN109567783A CN 109567783 A CN109567783 A CN 109567783A CN 201811457335 A CN201811457335 A CN 201811457335A CN 109567783 A CN109567783 A CN 109567783A
- Authority
- CN
- China
- Prior art keywords
- sequence
- value
- state
- mcg
- data
- 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.)
- Granted
Links
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
- A61B5/242—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents
- A61B5/243—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents specially adapted for magnetocardiographic [MCG] signals
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Cardiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种基于加权马尔可夫模型预测空间位置心磁信号的方法,可解决超导量子干涉仪采集的心磁数据空间测量有限的技术问题;该方法包括:S100、根据实际需要设定超导量子干涉仪的采样周期为T,采用分时分块采点法获得心脏区域中36个采样点的磁场数据,并将所述磁场数据记录成序列L(n),其中,L(n)表示磁场强度,单位特斯拉,n代表采样点的编号;S200、对所述序列L(n)使用加权马尔可夫模型预测,并将预测的数据与原有的序列L(n)数据合并得到新的序列L(n)′;S300、再对新的序列L(n)′使用加权马尔可夫模型预测。本发明可用于丰富心磁场数据和改善心磁图,能够适应具有随机性和周期性的空间位置上的心磁信号序列,为判别人的生理健康状态上提供了帮助。
Description
技术领域
本发明涉及空间位置心磁信号技术领域,具体涉及一种基于加权马尔可夫模型预测空间位置心磁信号的方法。
背景技术
由于硬件SQUID条件所限,在检测人体心脏表面磁场的时候采用分时分块采点法,即在心脏表面上检测20厘米×20厘米区域中36个点上磁场数据。而对测量点外的磁场数据无法获得。
丰富磁场数据的方法有很多,国内外学者进行了大量的研究如插值等等。取得了一些效果的同时也存在一定不足之处。例如:基于插值及其一系列改进的分析方法,插值前后的往往会改变心磁信号原有的特性。
其他已有的预测方法都是基于时间序列上,没有对空间位置上的心磁信号值进行预测。
发明内容
本发明提出的一种基于加权马尔可夫模型预测空间位置心磁信号的方法,可解决超导量子干涉仪采集的心磁数据空间测量有限的技术问题,能丰富心脏磁场数据,并预测磁场发展的趋势。
为实现上述目的,本发明采用了以下技术方案:
一种基于加权马尔可夫模型预测空间位置心磁信号的方法,其特征在于,包括以下步骤:
S100、根据实际需要设定超导量子干涉仪的采样周期为T,采用分时分块采点法获得心脏区域中36个采样点的磁场数据,并将所述磁场数据记录成序列L(n);
S200、对所述序列L(n)使用加权马尔可夫模型预测,并将预测的数据与原有的序列L(n)数据合并得到新的序列L(n)′;
S300、再对新的序列L(n)′使用加权马尔可夫模型预测。
进一步的,所述步骤S200对所述序列L(n)使用加权马尔可夫模型预测,并将预测的数据与原有的序列L(n)数据合并得到新的序列L(n)′,具体包括:
S201:计算序列L(n)的平均值μ和均方差σ,根据所述平均值μ和均方差σ,将序列L(n)分为以下六个状态等级:
一等级(min,μ-σ],二等级(μ-σ,μ-0.5σ],三等级(μ-0.5σ,μ],四等级(μ,μ+0.5σ],五等级(μ+0.5σ,μ+σ],六等级(μ+σ,max];
其中max和min分别表示心磁序列值中最大值和最小值;
根据上述的分级标准,分别确定L(n)各心磁数据的状态值;
S202:计算序列L(n)的各阶自相关系数rk及各种步长的马尔科夫链权重wk计算公式为:
其中:rk为第k阶自相关系数;L(i)为序列L(n)的第i个点的心磁信号数值;μ为L(n)的均值;n为参考样本序列的长度;wk为k阶步长的马氏链权重,k=1,2,3,4,5,6;
S203:根据所确定的序列状态值,统计步长k分别为1,2,3,4,5,6的转移概率矩阵;
转移概率矩阵的计算公式为:
其中:m代表序列L(n)包含的状态个数,fuv (k)表示指标值序列从状态u经过k步转移到达状态v的频数,u=1,2,3,4,5,6,v=1,2,3,4,5,6;
S204:分别以前六个的心磁信号值所对应的状态为初始状态,结合其相应的转移概率矩阵即可预测出该时刻心磁信号值的状态概率k为步长,k=1,2,3,4,5,6,u为预测状态,u=1,2,3,4,5,6;
S205:根据步骤S202各步长的马氏链权重将同一状态的各预测概率加权和作为指标值处于该状态的预测概率Pu,即:
取p=max{pu,u=1,2,3,4,5,6}所对应的状态空间中值为预测值;
S206:将所述预测值与原序列相结合得到新的序列L(n)′,代替原有的序列L(n)。
由上述技术方案可知,本发明提出了一种基于改进的加权马尔可夫模型预测空间位置心磁信号的方法,用于丰富心磁场数据和改善心磁图,属于信息技术模块。该方法包括:超导量子干涉仪依据实际需要设定采样周期为T(单位:秒,S),采用分时分块采点法获得心脏区域中36个采样点的磁场数据,将一组心磁数据记录成序列L(n)(磁场强度,单位特斯拉:T,n代表采样点的编号),对序列L(n)使用改进的加权马尔可夫模型预测,将预测出的数据与L(n)合并替换原有的序列L(n),对新的L(n)序列使用改进的加权马尔可夫模型预测。
本发明可用于丰富心磁场数据和改善心磁图,能够适应具有随机性和周期性的空间位置上的心磁信号序列,为判别人的生理健康状态上提供了帮助。
附图说明
图1是本发明方法的流程示意图;
图2是本发明利用超导量子干涉仪所测得的心磁信号磁场强度的幅值图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
如图1所示,一种改进的加权马尔可夫模型预测心磁信号的方法,包括以下步骤:
步骤S100、超导量子干涉仪依据实际需要设定采样周期为T(单位:秒,S),采用分时分块采点法获得心脏区域中36个采样点的磁场数据,将一组心磁数据记录成序列L(n)(磁场强度,单位特斯拉:T,n代表采样点的编号);
步骤S200、对序列L(n)使用改进的加权马尔可夫模型预测,将预测出的数据与L(n)合并替换原有的序列L(n);
步骤S300、对新的序列L(n)使用改进的加权马尔可夫模型预测;
其中,步骤S200的具体步骤为:
S201、计算序列L(n)的平均值μ和均方差σ,根据平均值和均方差,将序列分为以下六个状态等级:
一等级(min,μ-σ],二等级(μ-σ,μ-0.5σ],三等级(μ-0.5σ,μ],四等级(μ,μ+0.5σ],五等级(μ+0.5σ,μ+σ],六等级(μ+σ,max]。
其中max和min分别表示心磁序列值中最大值和最小值。
根据上述的分级标准,分别确定L(n)各心磁数据的状态值。
S202、计算序列L(n)的各阶自相关系数rk及各种步长的马尔科夫链权重wk计算公式为:
其中:rk为第k阶自相关系数;L(i)为序列L(n)的第i个点的心磁信号数值;μ为L(n)的均值;n为参考样本序列的长度;wk为k阶步长的马氏链权重,k=1,2,3,4,5,6;
S203、根据所确定的序列状态值,统计步长k分别为1,2,3,4,5,6的转移概率矩阵;
转移概率矩阵的计算公式为:
其中:m代表序列L(n)包含的状态个数,fuv (k)表示指标值序列从状态u经过k步转移到达状态v的频数,u=1,2,3,4,5,6,v=1,2,3,4,5,6;
S204、分别以前六个的心磁信号值所对应的状态为初始状态,结合其相应的转移概率矩阵即可预测出该时刻心磁信号值的状态概率k为步长,k=1,2,3,4,5,6,u为预测状态,u=1,2,3,4,5,6;
S205、由S202,根据各步长的马氏链权重将同一状态的各预测概率加权和作为指标值处于该状态的预测概率Pu,即:
取p=max{pu,u=1,2,3,4,5,6}所对应的状态空间中值为预测值;
S206、将所预测的值与原序列相结合得到新的序列L(n)′,代替原有的序列L(n)。
以一组心磁信号数据为例,数据如下(表1):
表1
利用上述一组心磁信号预测实例对本发明实施例进行介绍:
以序列的前35个值为基础数值,预测第36个点的心磁信号数值,表2到表4为预测结果。
k | 1 | 2 | 3 | 4 | 5 | 6 |
r<sub>k</sub> | 0.9489 | 0.8850 | 0.8182 | 0.7410 | 0.6525 | 0.5632 |
w<sub>k</sub> | 0.206 | 0.192 | 0.178 | 0.160 | 0.142 | 0.122 |
表2
表3
表4
从表4可以看出,max{pi}=0.762,所对应的状态等级为6,取第六等级的中值1652.25为预测值,而实际测量值为1650.3。其相对误差只有0.1%,说明了本预测方法具有可行性。
由上可知,本发明实施例提出了一种基于改进的加权马尔可夫模型预测空间位置心磁信号的方法,用于丰富心磁场数据和改善心磁图,属于信息技术模块。该方法包括:超导量子干涉仪依据实际需要设定采样周期为T(单位:秒,S),采用分时分块采点法获得心脏区域中36个采样点的磁场数据,将一组心磁数据记录成序列L(n)(磁场强度,单位特斯拉:T,n代表采样点的编号),对序列L(n)使用改进的加权马尔可夫模型预测,将预测出的数据与L(n)合并替换原有的序列L(n),对新的L(n)序列使用改进的加权马尔可夫模型预测。该方法解决了超导量子干涉仪采集的心磁数据空间测量有限的问题,能丰富心脏磁场数据,并预测磁场发展的趋势。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (2)
1.一种基于加权马尔可夫模型预测空间位置心磁信号的方法,其特征在于,包括以下步骤:
S100、根据实际需要设定超导量子干涉仪的采样周期为T,采用分时分块采点法获得心脏区域中36个采样点的磁场数据,并将所述磁场数据记录成序列L(n),其中,L(n)表示磁场强度,单位特斯拉,n代表采样点的编号;
S200、对所述序列L(n)使用加权马尔可夫模型预测,并将预测的数据与原有的序列L(n)数据合并得到新的序列L(n)′;
S300、再对新的序列L(n)′使用加权马尔可夫模型预测。
2.根据权利要求1所述的基于加权马尔可夫模型预测空间位置心磁信号的方法,其特征在于:
所述步骤S200对所述序列L(n)使用加权马尔可夫模型预测,并将预测的数据与原有的序列L(n)数据合并得到新的序列L(n)′,具体包括:
S201:计算序列L(n)的平均值μ和均方差σ,根据所述平均值μ和均方差σ,将序列L(n)分为以下六个状态等级:
一等级(minμ,-σ],二等级(μ-σ,μ-0.5σ],三等级(μ-0.5σ,μ],四等级(μ,μ+0.5σ],五等级(μ+0.5σ,μ+σ],六等级(μ+σ,max];
其中max和min分别表示心磁序列值中最大值和最小值;
根据上述的分级标准,分别确定L(n)各心磁数据的状态值;
S202:计算序列L(n)的各阶自相关系数rk及各种步长的马尔科夫链权重wk计算公式为:
其中:rk为第k阶自相关系数;L(i)为序列L(n)的第i个点的心磁信号数值;μ为L(n)的均值;n为参考样本序列的长度;wk为k阶步长的马氏链权重,k=1,2,3,4,5,6;
S203:根据所确定的序列状态值,统计步长k分别为1,2,3,4,5,6的转移概率矩阵;
转移概率矩阵的计算公式为:
其中:m代表序列L(n)包含的状态个数,fuv (k)表示指标值序列从状态u经过k步转移到达状态v的频数,u=1,2,3,4,5,6,v=1,2,3,4,5,6;
S204:分别以前六个的心磁信号值所对应的状态为初始状态,结合其相应的转移概率矩阵即可预测出该时刻心磁信号值的状态概率k为步长,k=1,2,3,4,5,6,u为预测状态,u=1,2,3,4,5,6;
S205:根据步骤S202各步长的马氏链权重将同一状态的各预测概率加权和作为指标值处于该状态的预测概率Pu,即:
取p=max{pu,u=1,2,3,4,5,6}所对应的状态空间中值为预测值;
S206:将所述预测值与原序列相结合得到新的序列L(n)′,代替原有的序列L(n)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811457335.0A CN109567783B (zh) | 2018-11-30 | 2018-11-30 | 一种基于加权马尔可夫模型预测空间位置心磁信号的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811457335.0A CN109567783B (zh) | 2018-11-30 | 2018-11-30 | 一种基于加权马尔可夫模型预测空间位置心磁信号的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109567783A true CN109567783A (zh) | 2019-04-05 |
CN109567783B CN109567783B (zh) | 2021-06-18 |
Family
ID=65926786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811457335.0A Active CN109567783B (zh) | 2018-11-30 | 2018-11-30 | 一种基于加权马尔可夫模型预测空间位置心磁信号的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109567783B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110187280A (zh) * | 2019-05-20 | 2019-08-30 | 天津大学 | 一种基于灰色模型的锂电池剩余寿命概率预测的方法 |
CN117292243A (zh) * | 2023-11-24 | 2023-12-26 | 合肥工业大学 | 基于深度学习的心磁信号时空图像预测方法、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006083588A1 (en) * | 2005-02-02 | 2006-08-10 | Siemens Medical Solutions Usa, Inc. | System and method for segmenting the left ventricle in a cardiac image |
CN101061950A (zh) * | 2006-04-26 | 2007-10-31 | 通用电气公司 | 利用spo2进行心房纤颤检测 |
CN102024343A (zh) * | 2010-12-20 | 2011-04-20 | 东南大学 | 停车场有效泊位占有率短时预测方法 |
CN107252313A (zh) * | 2017-05-25 | 2017-10-17 | 深圳市卡迪赛克科技有限公司 | 一种安全驾驶的监测方法及系统、汽车、可读存储介质 |
CN108052387A (zh) * | 2017-11-15 | 2018-05-18 | 青海大学 | 一种移动云计算中的资源分配预测方法及系统 |
-
2018
- 2018-11-30 CN CN201811457335.0A patent/CN109567783B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006083588A1 (en) * | 2005-02-02 | 2006-08-10 | Siemens Medical Solutions Usa, Inc. | System and method for segmenting the left ventricle in a cardiac image |
CN101061950A (zh) * | 2006-04-26 | 2007-10-31 | 通用电气公司 | 利用spo2进行心房纤颤检测 |
CN102024343A (zh) * | 2010-12-20 | 2011-04-20 | 东南大学 | 停车场有效泊位占有率短时预测方法 |
CN107252313A (zh) * | 2017-05-25 | 2017-10-17 | 深圳市卡迪赛克科技有限公司 | 一种安全驾驶的监测方法及系统、汽车、可读存储介质 |
CN108052387A (zh) * | 2017-11-15 | 2018-05-18 | 青海大学 | 一种移动云计算中的资源分配预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
秦松: "基于加权的滑动平均-马尔科夫预测模型及其应用", 《水资源与水工程学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110187280A (zh) * | 2019-05-20 | 2019-08-30 | 天津大学 | 一种基于灰色模型的锂电池剩余寿命概率预测的方法 |
CN117292243A (zh) * | 2023-11-24 | 2023-12-26 | 合肥工业大学 | 基于深度学习的心磁信号时空图像预测方法、设备及介质 |
CN117292243B (zh) * | 2023-11-24 | 2024-02-20 | 合肥工业大学 | 基于深度学习的心磁信号时空图像预测方法、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109567783B (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Santoso et al. | Power quality disturbance waveform recognition using wavelet-based neural classifier. II. Application | |
Hosseini et al. | The comparison of different feed forward neural network architectures for ECG signal diagnosis | |
CN109948647A (zh) | 一种基于深度残差网络的心电图分类方法及系统 | |
CN102959584B (zh) | 功能磁共振图像配准方法 | |
CN106170246A (zh) | 用于四维(4d)流磁共振成像的设备、方法和产品 | |
CN102085095A (zh) | 一种检测心电图中st段的方法、系统和心电检测仪器 | |
CN109993230A (zh) | 一种面向脑功能磁共振图像分类的tsk模糊系统建模方法 | |
CN109567783A (zh) | 一种基于加权马尔可夫模型预测空间位置心磁信号的方法 | |
CN103336771B (zh) | 基于滑动窗口的数据相似检测方法 | |
CN109330584A (zh) | 基于字典学习和稀疏表示的心电信号身份识别方法和系统 | |
CN103942567A (zh) | 一种基于支持向量机的轻度认知障碍自动判别分析方法 | |
Weigel et al. | Forecasting auroral electrojet activity from solar wind input with neural networks | |
CN102855321A (zh) | 人体行为识别方法 | |
CN110349619A (zh) | 基于相似度计算的疾病与代谢物网络构建方法 | |
CN112668921A (zh) | 以流域为基础的社会经济发展评价方法及装置 | |
CN107219483A (zh) | 一种基于扩散峰度成像的径向峰度各项异性定量方法 | |
CN108460424B (zh) | 一种基于线点转换和聚类对比的空间运动轨迹识别方法 | |
CN107564588B (zh) | 一种生理健康数据预测装置 | |
CN109948465A (zh) | 一种基于多目标的表面肌电信号分类方法 | |
CN109350072A (zh) | 一种基于人工神经网络的步频探测方法 | |
CN104850863B (zh) | 一种人脑功能活动状态分类方法 | |
CN104239708A (zh) | 基于小波神经网络的岩溶陷落柱预测方法 | |
Chen et al. | Preserving-texture generative adversarial networks for fast multi-weighted MRI | |
CN112071434B (zh) | 一种异常体温序列检测方法 | |
CN107239435A (zh) | 一种基于信息熵的出行周期检测方法 |
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 |