CN110974203B - 一种基于等值排列网络的心率非平衡性分析方法 - Google Patents
一种基于等值排列网络的心率非平衡性分析方法 Download PDFInfo
- Publication number
- CN110974203B CN110974203B CN201911262474.2A CN201911262474A CN110974203B CN 110974203 B CN110974203 B CN 110974203B CN 201911262474 A CN201911262474 A CN 201911262474A CN 110974203 B CN110974203 B CN 110974203B
- Authority
- CN
- China
- Prior art keywords
- network
- heart rate
- arrangement
- equivalent
- nodes
- 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.)
- Active
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
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
-
- 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)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Cardiology (AREA)
- Veterinary Medicine (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开一种基于等值排列网络的心率非平衡性分析方法,应用于生理信号处理领域,针对现有技术中利用心率中的动态特征构建合理有效的有向加权网络存在一定的困难;本发明网络节点采用的等值排列类型直接从多维向量中的结构化关系中映射而来,有效表征了心率信号中的动力学特征,同时考虑到心率中等值状态包含的心脏调节信息,采用了等值排列而非原始排列方法;通过对相邻排列类型之间的关系有效的量化了排列节点之间的连接情况,并由此构建了排列节点之间的关联矩阵,进而可以对节点之间的方向性和权值进行有效的区分;采用本发明方法构建的心率网络能有效地识别不同生理状态下的心率信号。
Description
技术领域
本发明属于生理信号处理领域,特别涉及一种基于等值排列的生理网络的非平衡性量化分析技术。
背景技术
非平衡性是复杂心率调节系统的特征之一,通常可用时间不可逆进行分析。对于心率时间序列可以通过正反序列或者序列对称向量的联合概率差异性对时间不可逆进行量化分析,然而对于心率复杂网络关系中的非平衡性特征当前却没有太多的研究。
网络分析在当前受到广泛的关注,网络方法有助于探索、研究当前复杂现象之间的网络关系。网络分析的前提是确定网络节点以及节点连接,然而对于一维心率信号却并非易事。从单一心率序列构建网络关系需要特定的方法从序列中提取节点并定义节点之间的特殊连接,当前存在可视图、相空间重构等方法。现有的时间序列的网络构建方法存在一些局限性或是不足,例如某些网络节点没有明确的含义,有些则是对连接状态的判断过于依靠主观经验性的参数设定,另外则是存在无法确定节点连接的方向、权值等问题,因而有时无法有效利用网络方法解决实际问题。因此如何利用心率中的动态特征构建合理有效的有向加权网络存在一定的困难。
心率调节系统受到多个生理系统的影响,对心率信号的低维非线性分析已经收到广泛的关注。心率网络非平衡性量化的关键在于如何利用衡量任意单一节点以及网络整体的关联性的差异性衡量其非平衡性特征,因此对于心率网络非线性特征的提取分析能够起到重要的作用,然而当前如何对心率的网络非平衡性进行量化分析仍存在较大的困难。
由于非平衡性是复杂心率调节系统的重要特征之一,如何将一维的心率信号转换至有向加权的心率网络并且利用节点之间的关系衡量心率网络的非平衡性具有非常重要理论和应用价值。
发明内容
为解决上述技术问题,本发明提出一种基于等值排列网络的心率非平衡性分析方法,将心率时间序列映射到网络层次,构建了基于等值排列的有向加权的心率网络并提取了其非平衡性特征。
本发明采用的技术方案为:一种基于等值排列网络的心率非平衡性分析方法,包括:
S1、对心率时间序列进行多维向量重构,得到多维向量;
S2、对心率多维空间向量进行等值排列化处理,根据得到的排列类型定义排列网络节点;
S3、统计排列类型相邻状态,定义并更新排列网络节点的连接矩阵;
S4、通过排列网络节点的出、入度分布差异性衡量单一节点的非平衡性;
S5、统计所有网络节点的非平衡性,进而衡量网络整体的非平衡性。
进一步地,步骤S2具体为:
S21、将多维向量中的元素按照从小到大的顺序进行排序,根据排序序号作为向量的下标,根据排序后向量的下标构建初始排列类型;
S22、若排序后向量中存在等值元素,则将初始排列类型中等值元素对应的下标修改为等值元素中的最小下标值;否则排列类型不变;
S23、统计经步骤S22得到的排列类型中总的类型数量,根据统计得到的类型定义排列网络节点。
进一步地,步骤S3具体为:
S31、记步骤S23得到的总的类型数量为S,则初始化S行、S列的等值排列网络关联矩阵;
S32、根据步骤S22中得到的排列类型中相邻类型的关联性对等值排列网络关联矩阵进行赋值,从而构建有向加权的排列网络。
更进一步地,步骤S31中初始化的等值排列网络关联矩阵中元素的初始值均为0。
进一步地,步骤S32具体为:
经步骤S22等值处理后的向量中元素的下标取值为1到S的整数;
将与经步骤S22等值处理后的向量中相邻元素的下标组成的坐标相同的关联矩阵中的元素值进行加1操作,构建有向加权的排列网络。
进一步地,步骤S4具体为:
S41、计算步骤S32得到的排列网络节点的入度和出度概率分布;
S42、根据排列网络各节点的入度和出度概率分布,计算排列网络对应节点的非平衡性。
本发明的有益效果:有效地将心率时间序列映射到网络层次,构建了基于等值排列的有向加权的心率网络并提取了其非平衡性特征。网络节点采用的等值排列类型直接从多维向量中的结构化关系中映射而来,有效表征了心率信号中的动力学特征,同时考虑到心率中等值状态包含的心脏调节信息,采用了等值排列而非原始排列方法。通过对相邻排列类型之间的关系有效的量化了排列节点之间的连接情况,并由此构建了排列节点之间的关联矩阵,进而可以对节点之间的方向性和权值进行有效的区分。另外,由于排列类型利用了元素之间的大小关系,通过相邻排列节点之间的关系可以有效地表征心率信号中升降状态的变化,因此利用排列网络节点的出、入度的分布差异性可有效地衡量网络的非平衡性特征。本发明中的网络构建方法有效地表征了模型数据的特征,并能且有效地识别不同生理状态下的心率信号。
附图说明
图1为本发明的方案流程图;
图2为本发明实施例提供的健康年轻和老年心率的有向加权网络;
其中,图2(a)为健康年轻心率有向加权网络,图2(b)为健康老年心率的有向加权网络。
具体实施方式
为便于本领域技术人员理解本发明的技术内容,下面结合附图1-2对本发明内容进一步阐释。
S1、给定长度为L的心率时间序列X(t)={x(1),x(2),…,x(L)},对心率序列y(t)进行相空间重构得多维向量其中m为向量维度,τ为时间延迟,共有L-(m-1)τ个向量,多维向量表达式为:
S2、将心率序列的多维向量映射至等值排列类型,得等值排列序列π(n)={π(1),π(2),…,π(L-(m-1)τ)},并将排列类型定义为排列网络的节点。步骤S2具体包括以下分步骤:
S22、将排列类型进行等值化处理,按照步骤S21,向量中若存在等值元素,例如x(ji)=x(ji+1)<…<x(jm)=x(jm+1)=x(jm+2)<…,其排列类型则为相邻的{ji,ji+1,…,jm,jm+1,jm+2,…},将排列类型中对应的坐标改为相应的最小值,即{ji,ji,…,jm,jm,jm,…},若向量中没有等值元素,排列类型不变;
S23、统计心率排列类型,假设其种类数量为S,定义网络节点为πs={π1,π2,…,πS}。
这里需要注意区分步骤S2中的排列序列π(n)和S23中的排列节点πs,π(n)序列的长度为L-(m-1)τ,表示从步骤S1中心率序列X(t)可以转化得到L-(m-1)τ个排列,其中排列可能有重复,而πs长度为S,表示步骤S1中心率序列X(t)最多可以生成S个不同的排列类型。本领域的技术人员应注意,步骤S2进行等值处理时,若序列不存在等值元素,S的上限为m!,若存在等值元素,则S的上限需要根据m进行相应的增加。通常情况下,L-(m-1)τ≥S,即排列序列的长度不小于排列类型的数量,如果所有的排列类型都没有重复,则L-(m-1)τ=S。
S3、统计排列类型相邻状态,定义并更新排列网络节点的连接矩阵;具体包括以下分步骤
S31、定义并初始化S行、S列的等值排列网络关联矩阵di,j=0,其中i和j取值都为从1至S:
S32、对节点关联矩阵进行更新,构建有向加权的心率网络。具体为,相邻的排列类型表示具有关联性,而当前排列类型相邻的下一个排列类型为正向关联,据此对节点关联矩阵进行赋值。举例说明,相邻的排列为π={…,π1,π1,π1,π3,π5,…},其相邻排列的坐标分别为‘1,1’、1,1’、‘1,3’和‘3,5’,原始矩阵中元素值为0,因此将步骤S31关联矩阵的元素d1,1连续增加两次1,得到d1,1=2,d1,3和d3,5分别加为1,得到d1,3=1以及d3,5=1。
S4、提取所有网络节点的出度和入度的概率分布差异性,计算单一网络节点的非平衡性;具体包括以下分步骤:
其中,D为排列网络总的度分布;
S42、计算单一网络节点的非平衡性,式中s表示第s个排列网络节点:
S5、计算网络整体的非平衡性:
nE=∑snEs
本发明的仿真结果:
本发明采用PhysioNet公共数据库中的两组心率信号对等值排列网络及其非平衡性进行分析,仿真实验在Windows操作系统中的matlab2017a软件(本发明分析结果并不会受到操作系统以及matlab软件版本的影响)。两组健康心率采集自‘Fantasia’数据库,其中包括20名年轻(年龄范围21至34岁,平均25.8±4.3岁)和20组老年(年龄范围68至85岁,74.5±4.4岁)心率,两组信号男女数量相同。心率信号提取的心电信号采集时长为120分钟,采样频率250Hz。
为了展现两组心率信号的有向加权网络示意图,本发明选取排列长度m=3、τ=1,结果如图2(a)和图2(b)所示,图中从‘1’至‘6’的编号为6个不含等值的排列类型,从‘7’至‘12’的编号为6个双等值的排列类型,‘13’的编号为三等值的排列类型。健康年轻心率排列网络的非平衡性指标nE为0.000138±1.86E-05,健康老年心率排列网络的nE为0.000102±6.70E-05,两者之间的统计检验结果为p=0.034,具有显著的差异性。这也符合现实心率调节的生理特点,即健康年轻人的心率调节系统具有更高的非线性动态特征,因而表现为较高的网络非平衡性,而老年人由于机体调节能力的下降,其心脏系统的非线性特征也随之下降,因此其心率网络非平衡性低于健康年轻人。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (4)
1.一种基于等值排列网络的心率非平衡性分析方法,其特征在于,所述方法将心率时间序列映射到网络层次,构建基于等值排列的有向加权的心率网络;具体包括以下步骤:
S1、对心率时间序列进行多维向量重构,得到多维向量;
S2、对心率多维向量进行等值排列化处理,根据得到的排列类型定义排列网络节点;步骤S2具体为:
S21、将多维向量中的元素按照从小到大的顺序进行排序,根据排序序号作为向量的下标,并根据排序后向量的下标构建初始排列类型;
S22、若排序后向量中存在等值元素,则将初始排列类型中等值元素对应的下标修改为等值元素中的最小下标值;否则排列类型不变;
S23、统计经步骤S22得到的排列类型中总的类型数量,根据统计得到的类型定义排列网络节点;
S3、统计排列类型相邻状态,定义并更新排列网络节点的连接矩阵;步骤S3具体为:
S31、记步骤S23得到的总的类型数量为S,则初始化S行、S列的等值排列网络关联矩阵;
S32、根据步骤S22中得到的排列类型中相邻类型的关联性对等值排列网络关联矩阵进行赋值,从而构建有向加权的排列网络;关联矩阵中元素的值根据对应相邻排列的坐标出现的次数进行更新;
S4、通过排列网络节点的出、入度分布差异性衡量单一节点的非平衡性;
S5、统计所有网络节点的非平衡性,进而衡量网络整体的非平衡性。
2.根据权利要求1所述的一种基于等值排列网络的心率非平衡性分析方法,其特征在于,步骤S31中初始化的等值排列网络关联矩阵中元素的初始值均为0。
3.根据权利要求2所述的一种基于等值排列网络的心率非平衡性分析方法,其特征在于,步骤S32具体为:
经步骤S22等值处理后的向量中元素的下标取值为1到S的整数;
将与经步骤S22等值处理后的向量中相邻元素的下标组成的坐标相同的关联矩阵中的元素值进行加1操作,构建有向加权的排列网络。
4.根据权利要求3所述的一种基于等值排列网络的心率非平衡性分析方法,其特征在于,步骤S4具体为:
S41、计算步骤S32得到的排列网络节点的入度和出度概率分布;
S42、根据排列网络各节点的入度和出度概率分布,计算排列网络对应节点的非平衡性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911262474.2A CN110974203B (zh) | 2019-12-10 | 2019-12-10 | 一种基于等值排列网络的心率非平衡性分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911262474.2A CN110974203B (zh) | 2019-12-10 | 2019-12-10 | 一种基于等值排列网络的心率非平衡性分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110974203A CN110974203A (zh) | 2020-04-10 |
CN110974203B true CN110974203B (zh) | 2020-12-04 |
Family
ID=70092135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911262474.2A Active CN110974203B (zh) | 2019-12-10 | 2019-12-10 | 一种基于等值排列网络的心率非平衡性分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110974203B (zh) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102629301A (zh) * | 2012-03-30 | 2012-08-08 | 复旦大学 | 心脏标测信号的网络建模方法 |
CN203290891U (zh) * | 2012-12-21 | 2013-11-20 | 四川宇峰科技发展有限公司 | 一种基于网络拓扑分析的颅内血液循环障碍无创检测系统 |
CN105595961A (zh) * | 2015-12-21 | 2016-05-25 | 天津大学 | 基于脑电信号的阿尔兹海默症检测系统及检测方法 |
EP3679575A1 (en) * | 2017-09-07 | 2020-07-15 | Regeneron Pharmaceuticals, Inc. | Systems and methods for leveraging relatedness in genomic data analysis |
CN109497996B (zh) * | 2018-11-07 | 2020-10-16 | 太原理工大学 | 一种微状态eeg时域特征的复杂网络构建及分析方法 |
CN109645983A (zh) * | 2019-01-09 | 2019-04-19 | 南京航空航天大学 | 一种基于多模块神经网络的不平衡心拍分类方法 |
CN110522448B (zh) * | 2019-07-12 | 2023-04-11 | 东南大学 | 一种基于图卷积神经网络的脑网络分类方法 |
CN110477912B (zh) * | 2019-09-20 | 2020-06-30 | 电子科技大学 | 基于等值排列和标准差的癫痫脑电幅度不可逆性分析方法 |
-
2019
- 2019-12-10 CN CN201911262474.2A patent/CN110974203B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110974203A (zh) | 2020-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104523264B (zh) | 一种心电信号处理方法 | |
CN109359385A (zh) | 一种服务质量评估模型的训练方法及装置 | |
CN112784913B (zh) | 一种基于图神经网络融合多视图信息的miRNA-疾病关联预测方法及装置 | |
CN111401757B (zh) | 一种计及时空相关性的多区域电力负荷时序场景建模方法 | |
CN110033132A (zh) | 基于深度目标检测和数值天气预报的热带气旋预报方法 | |
CN105787500A (zh) | 基于人工神经网络的特征选择方法和装置 | |
CN111046961B (zh) | 基于双向长短时记忆单元和胶囊网络的故障分类方法 | |
CN109684314A (zh) | 一种基于空间结构的无线传感器网络缺失值估计方法 | |
CN109116312A (zh) | 基于qmfb与卷积神经网络的雷达信号分类方法 | |
CN109921921A (zh) | 一种时变网络中时效稳定社团的检测方法和装置 | |
CN108898244B (zh) | 一种耦合多源要素的数字标牌位置推荐方法 | |
Seary et al. | Partitioning networks by eigenvectors | |
CN115131627A (zh) | 一种轻量化植物病虫害目标检测模型的构建和训练方法 | |
CN116596151B (zh) | 基于时空图注意力的交通流量预测方法及计算设备 | |
CN113283902A (zh) | 一种基于图神经网络的多通道区块链钓鱼节点检测方法 | |
CN115755221A (zh) | 一种基于数理不确定性分析的多源降水数据融合方法 | |
CN109088744A (zh) | 电力通信网络异常入侵检测方法、装置、设备及存储介质 | |
CN110974203B (zh) | 一种基于等值排列网络的心率非平衡性分析方法 | |
CN111865690B (zh) | 基于网络结构和时序的机会网络链路预测方法 | |
CN113657678A (zh) | 一种基于信息新鲜度的电网电力数据预测方法 | |
US20240029556A1 (en) | Short-term traffic flow prediction method based on causal gated-low-pass graph convolutional network | |
Vega-Oliveros et al. | From spatio-temporal data to chronological networks: An application to wildfire analysis | |
CN110766308B (zh) | 一种基于集合同化策略的区域农作物估产方法 | |
Munaganuri et al. | Cap-DiBiL: an automated model for crop water requirement prediction and suitable crop recommendation in agriculture | |
CN109768890A (zh) | 基于stl分解法的符号化有向加权复杂网络建网方法 |
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 |