CN113876337B - 一种基于多元递归网络的心脏疾病识别方法 - Google Patents
一种基于多元递归网络的心脏疾病识别方法 Download PDFInfo
- Publication number
- CN113876337B CN113876337B CN202111085080.1A CN202111085080A CN113876337B CN 113876337 B CN113876337 B CN 113876337B CN 202111085080 A CN202111085080 A CN 202111085080A CN 113876337 B CN113876337 B CN 113876337B
- Authority
- CN
- China
- Prior art keywords
- network
- recursive
- recursion
- cross
- time sequence
- 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
- 208000019622 heart disease Diseases 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 36
- 208000010125 myocardial infarction Diseases 0.000 claims description 16
- 208000031225 myocardial ischemia Diseases 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 8
- 230000037396 body weight Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000004069 differentiation Effects 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims 3
- 201000010099 disease Diseases 0.000 abstract description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 5
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 5
- 230000000747 cardiac effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000005291 chaos (dynamical) Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002565 electrocardiography Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
-
- 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
- A61B5/35—Detecting specific parameters of the electrocardiograph cycle by template matching
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Cardiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种基于多元递归网络的心脏疾病识别方法,适用于心电信号分析及相关疾病的检测。采集样本ECG的十二导联信号构成多元时间序列,在不同的尺度因子下对多元时间序列粗粒化生成新的多元时间序列,利用递归图和交叉递归图算法对新多元时间序列构造成多元递归网络,计算其交叉聚类系数熵,确定最佳尺度因子,在最佳尺度因子下重构多元递归网络,计算其交叉聚类系数,将一个时间序列作为一个节点,节点之间的连边权重取交叉聚类系数均值,构造权重网络,根据不同人群的相关网络参数显著差距来对心脏疾病进行检测。其步骤简单,检测效率高,且分析ECG信号的十二导联时间序列,可以有效的提高临床上心脏疾病的诊断准确性。
Description
技术领域
本发明涉及一种心脏疾病识别方法,尤其适用于心脏疾病诊断使用的一种基于多元递归网络的心脏疾病识别方法。
背景技术
信息时代的来临,数据在以一种难以预估的速度出现在各个领域,如何高效的分析这些数据从而获得更有价值的信息成为近年来部分学者研究的主题。应用复杂网络理论对非线性时间序列进行分析是其中的一个重要分支,时间序列出现在现实生活的方方面面,例如某个人的生理信号、某个交通路口在一段时间内的车流量、某个地区连续一个月的最高温度等数据都是时间序列,时间序列是指按照时间排序的一组随机变量,它通常是在相等间隔的时间段内依照给定的采样率对某种潜在过程进行观测的结果。大多数时间序列分析的方法都依赖于线性假设,例如自回归和滑动平均等模型,且这些模型中的自相关函数几乎都是呈指数衰减.现在普遍认为,支配自然或人类活动的动力学规律大部分是非线性的,非线性现象无处不在。非线性时间序列分析的思想和方法,源于动力系统理论或所谓的“混沌理论”,随着相空间重构理的提出,可以通过计算李雅普诺夫指数、熵、分形维数等参数来刻画某个系统存在的混沌行为,近年来,复杂网络的理论被引入进来。时间序列向复杂网络的转换存在不同的方法,例如根据时间序列采样点之间的可视性条件构成的可视图方法、利用符号动力学和随机过程思想的转换网络方法、将时间序列观测点或片段定义为节点的近似网络等,非线性混沌系统的一个重要性质是递归性,即随着时间趋于无穷,相空间轨迹将无限多次回到初始点所在的无限小领域内,递归图方法被提出,从重构序列生成一个递归矩阵来刻画系统的递归特性,递归网络将每一个相空间点当作网络节点,且网络连边表示节点在相空间内靠近的程度.排除递归图中的自身连接,递归网络忽略了时间序列的时间演化信息,分析更多关注吸引子在相空间内的几何特性。单个系统递归图的思想已经被推广为能够处理双变量或者多变量的交叉递归图、联合递归图或者多路递归图,应用的重点还是在单变量的递归图或者双变量的交叉递归图、联合递归图等上面,但是在现实生活中时间序列的多元化才能更好描述某个系统的内部性质和状态变化,所以利用递归图算法等去分析多元时间序列是一个需要解决的问题。
心电图(ECG)是以心脏电活动的形式记录下来的一个时间序列。通过心电图对心脏动力学的研究已经引起了人们的广泛关注,在非线性动力学中,试图证明混沌的程度在此系统,以及识别异常情况下的疾病。短持续时间和非平稳性等限制可能限制了非线性时间序列分析工具在心电图数据中的应用。在这种情况下,递归网络方法被证明是有用的分析短期和非平稳数据。它将来自给定时间序列的重构动态中的递归模式转换成复杂网络。在临床实践中,心脏病专家倾向于根据疾病的性质,根据部分或全部导联进行诊断。但研究单一变量的递归图或者研究双变量的交叉递归图等并不能充分的揭示该系统的动力学性质,因此多元递归网络的出现很好的解决了这个问题,且本文中将交叉聚类系数和熵进行结合,提出了交叉聚类系数熵的概念,探究随着尺度的变化,健康和患者ECG信号复杂性的变化。
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,执行效率好的一种基于多元递归网络的心脏疾病识别方法。
为实现上述技术目的,本发明的基于多元递归网络的心脏疾病识别方法,其于步骤为:
分别采集健康人、心肌缺血患者以及心肌梗塞患者三类人在相同采样频率下ECG十二导联信号,将ECG十二导联信号组成原始多元时间序列,并分为心脏病患者以及正常人两大类记录,然后分别对每一原始多元时间序列在不同的尺度因子下粗粒化,然后采用递归图和交叉递归图算法对不同尺度因子下的多元时间序列构造多元递归网络,计算多元递归网络的平均交叉聚类系数熵,心脏病患者的平均交叉聚类系数熵值低于正常人的平均交叉聚类系数熵值,确定该多元递归网络的最佳尺度因子,即在最佳尺度因子下心脏病患者和正常人的平均交叉聚类系数熵差值最大,心脏疾病识别效果最好;计算最佳尺度因子下多元时间序列构造的多元递归网络中的交叉聚类系数,将多元时间序列中的各时间序列作为节点,各节点对应多元递归网络中递归网络的全局交叉聚类系数均值作为节点之间的连边权重,生成权重网络,并计算心脏病患者和正常人形成的权重网络的网络参数,心脏病患者与正常人的网络参数存在明显的差别,利用正常人到心脏病患者网络参数的变化揭示不同ECG信号的复杂性变化,从而对心脏疾病进行识别。
进一步,具体步骤如下:
a提取三类群体在相同的采样频率下采集ECG十二导联信号生成原始多元时间序列,三类群体分别为健康人、心肌缺血患者以及心肌梗塞患者,分别对三类群体中每一个个体的原始多元时间序列在不同尺度因子e下进行粗粒化,每一个个体获得不同尺度因子e下的多元时间序列;
b利用递归图和交叉递归图算法对三类群体中每一个体在不同尺度因子e下的多元时间构造多元递归网络;
c计算不同尺度因子e下每一类群体中每一个样本所形成的一个多元递归网络的平均交叉聚类系数熵,并对每一类群体的多个样本的平均交叉聚类系数熵求均值,将三类群体在不同尺度因子e下的平均交叉聚类系数熵的均值进行比较,确定最佳尺度因子s;
d在最佳尺度因子s下将三类群体中每一个样本的多元时间序列构造一个多元递归网络,计算每个样本的多元递归网络中的交叉聚类系数;
e将多元时间序列中的各导联时间序列作为节点,两个节点对应的递归网络相互的交叉聚类系数均值作为连边权重,生成权重网络;
f计算权重网络的网络参数:平均加权路径长度,图能量,对三类群体中每个体所形成的权重网络参数求均值并进行比较,可以看出心脏病患者和正常人的网络参数均值存在明显的差距,利用差异分析从而实现对不同ECG十二导联信号的区分,对心脏疾病患者进行识别。
进一步,对多元时间序列粗粒化,具体步骤如下:
对于一个原始多元时间序列在不同的尺度因子e下进行粗粒化,得到多元时间序列,公式如下:
其中,k表示多元时间序列的元数,k=1,2,…,12,xk,i表示第k元时间序列中的点i,/>表示在尺度因子e下的第k元时间序列中的点j;
进一步,递归图算法和交叉递归图算法,具体步骤如下:
对于原始多元时间序列在不同尺度下构成的多元时间序列N′表示时间序列的长度),选取合适的嵌入维度m和延迟时间τ进行相空间重构,相空间重构之后的轨迹为:
其中,1≤h≤m,m表示嵌入维数,采用经验值2,τ表示延迟时间,采用经验值1。相空间轨迹之间的距离用最大距离来表示,公式如下:
其中k,k′均表述多元时间序列的元数,k′=1,2,…,12;
递归图算法计算单一时间序列内部的递归特征,即当k=k′时,递归矩阵表示为:
交叉递归图算法描述两个不同的时间序列之间的递归特征,即k≠k′时,交叉递归矩阵表示为:
其中Θ表示Heaviside函数,Θ(x)={1|x>0;0|x≤0},ε表示阈值,其值设置为时间序列标准差的15%,若的值为1,即表示该时间序列相空间重构之后的轨迹点a,b之间递归,若值为0,则不递归,若/>的值为1,即表示该时间序列相空间重构之后的轨迹点a,b之间递归,若值为0,则不递归。
进一步,多元递归网络构建,具体步骤如下:
多元递归网络的邻接矩阵是将递归网络的邻接矩阵和交叉递归网络的邻接矩阵进行组合,
递归网络是将单一原始时间序列进行相空间重构之后的轨迹中的点映射到复杂网络中的节点,节点之间是否存在连边取决于两个节点之间是否递归,为了防止节点的自循环现象,递归网络的邻接矩阵表示如下:
其中δ是克罗内克函数,若a=b,则δ=1,否则为0;相比于递归网络,交叉递归网络是将两个不同的原始时间序列进行相空间重构之后的轨迹中的点映射到复杂网络中的节点,节点之间是否存在连边取决于两个点之间是否递归,交叉递归网络的邻接矩阵就是交叉递归矩阵;
多元递归网络的邻接矩阵中主对角线部分由各递归网络的邻接矩阵组成,递归网络的邻接矩阵是通过递归图算法来计算多元时间序列而来,行的其他位置是交叉递归网络的邻接矩阵,是通过交叉递归图算法计算该行对角线位置处的时间序列与同一个样本相同尺度下多元时间序列中的其他时间序列获得的;
进一步,将确定最佳尺度因子s:
计算不同尺度因子e下多元递归网络中的交叉聚类系数熵,交叉聚类系数熵公式如下:
其中表示多元递归网络中递归网络A和B中,递归网络A中某个节点i的交叉聚类系数,N表示递归网络中节点的总数,/>表示多元递归网络中的递归网络A和B中,递归网络A的交叉聚类系数熵,/>则表示多元递归网络中的递归网络A和B中,递归网络B的交叉聚类系数熵,对一个多元递归网络中的交叉聚类系数取平均,得到平均交叉聚类系数熵/>
计算不同尺度因子e下每一类群体中的每一个样本的平均交叉聚类系数熵并求每一类群体中多个样本平均交叉聚类系数熵的均值/>在不同尺度因子e下,计算心脏病患者群体和正常人群体的平均交叉聚类系数熵均值/>之差,当正常人群体的平均交叉聚类系数熵均值/>大于心脏病患者群体平均交叉聚类系数熵均值/>并且两者的差值最大时,选择此时的尺度因子为最佳尺度因子s。
进一步,多元递归矩阵转化成权重网络计算过程为:
对多元时间序列构造多元递归网络并确定尺度因子,对最佳尺度因子下的多元时间序列构造多元递归网络,并计算交叉聚类系数,公式如下:
其中表示多元时间序列中的时间序列A构成的相空间轨迹中点i的交叉聚类系数,/>表示多元时间序列中的时间序列A,B构成的交叉递归矩阵中点i的度,所以时间序列A构成相空间轨迹所有点的交叉聚类系数的平均值,即全局交叉聚类系数:
其中NA表示时间序列A构成的相空间轨迹的长度;
将多元时间序列中各导联时间序列作为节点,节点之间的连边权重是多元时间序列构成的多元递归网络中两个节点对应的递归网络的全局交叉聚类系数均值公式如下:
即组成了一个权重网络。
进一步,计算权重网络的网络参数具体步骤为:
将多元递归网络转换到权重网络之后,做出其网络拓扑图,并计算权重网络的网络参数:加权平均路径长度和图能量,公式如下:
其中Lw表示加权平均路径长度,k表示时间序列的个数,d(α,β)表示节点α,β之间的加权最短路径长度,E表示图能量,λi表示权重网络对应矩阵的特征值,n表示特征值的数量;
分别对每一类群体中的每一个样本构造权重网络,首先对每一类群体中多个样本产生的权重网络的连边取均值,不同ECG十二导联信号产生的权重拓扑图明显的差别:正常人群体的权重网络拓扑图中连边的权重普遍大于心脏疾病患者的;其次计算每一类群体中多个样本平均加权路径长度和图能量的均值,正常群体体权重网络的加权平均路径长度和图能量均大于心脏疾病患者群体权重网络的加权平均路径长度和图能量,因此实现对正常人的ECG十二导联信号和患者的心电信号进行有效的辨别,从而实现心脏疾病的识别。
有益效果
本方法适用于心脏类临床疾病的检测,利用对生物体相关生理系统状态较为敏感的网络参数作量化生理信号之间关系的度量,有效的识别心脏疾病患者的心脏系统内部状态变化,提高诊断的速度和准确性;实现同时对多元时间序列的分析,更加全面的检测生物体生理状态的变化从而区分健康人和心脏病患者,在临床上表现为对心脏类疾病的早期预测与诊断。
附图说明
图1为本发明基于多元递归网络的心脏疾病识别方法整体流程图;
图2为本发明多元时间序列转换为多元递归网络以及权重网络的步骤图;
图3为本发明中将递归网络的邻接矩阵和交叉递归网络的邻接矩阵组合为多元递归网络的邻接矩阵示意图;
图4为不同尺度因子下三组群体的平均交叉聚类系数熵均值以及健康人群体和心肌缺血群体HY-IO、健康人群体和心肌梗塞群体HY-MI平均交叉聚类系数熵均值的差值,分别是10个健康人HY、10个心肌缺血患者IO、10个心肌梗塞患者MI示意图;
图5为健康人群体所形成的权重网络示意图;
图6为心肌缺血患者群体所形成的权重网络示意图;
图7为心肌梗塞患者群体所形成的权重网络;
图8(a)为健康人群体、心肌缺血患者群体、心肌梗塞患者群体三组群体权重网络的平均加权路径长度的均值和标准差;
图8(b)为健康人群体、心肌缺血患者群体、心肌梗塞患者群体三组群体权重网络的图能量的均值和标准差。
具体实施方式
下面结合附图对本发明的实施例做进一步说明:
如图1所示,本发明的基于多元递归网络的心脏疾病识别方法,其步骤为:
分别采集健康人、心肌缺血患者以及心肌梗塞患者三类人在相同采样频率下ECG十二导联信号,将ECG十二导联信号组成原始多元时间序列,并分为心脏病患者以及正常人两大类记录,然后分别对每一原始多元时间序列在不同的尺度因子下粗粒化,然后采用递归图和交叉递归图算法对不同尺度因子下的多元时间序列构造多元递归网络,计算多元递归网络的平均交叉聚类系数熵,心脏病患者的平均交叉聚类系数熵值低于正常人的平均交叉聚类系数熵值,确定该多元递归网络的最佳尺度因子,即在最佳尺度因子下心脏病患者和正常人的平均交叉聚类系数熵差值最大,心脏疾病识别效果最好;计算最佳尺度因子下多元时间序列构造的多元递归网络中的交叉聚类系数,将多元时间序列中的各时间序列作为节点,各节点对应多元递归网络中递归网络的全局交叉聚类系数均值作为节点之间的连边权重,生成权重网络,并计算心脏病患者和正常人形成的权重网络的网络参数,心脏病患者与正常人的网络参数存在明显的差别,利用正常人到心脏病患者网络参数的变化揭示不同ECG信号的复杂性变化,从而对心脏疾病进行识别。
所示在临床疾病检测中基于多元递归网络的心脏疾病识别步骤如下:
a提取三类群体在相同的采样频率下采集ECG十二导联信号形成原始多元时间序列,三类群体分别为健康人、心肌缺血患者以及心肌梗塞患者,分别对三类群体中每一个个体的原始多元时间序列在不同尺度因子e下进行粗粒化,每一个个体获得不同尺度因子e下的多元时间序列,具体步骤如下:
对于一个原始多元时间序列在不同的尺度因子e下进行粗粒化,得到多元时间序列,公式如下:
其中,k表示多元时间序列的元数,k=1,2,…,12,xk,i表示第k元时间序列中的点i,/>表示在尺度因子e下的第k元时间序列中的点j;
b利用递归图和交叉递归图算法对三类群体中每一个体在不同尺度因子e下的多元时间构造多元递归网络,具体步骤如下:
1)对于原始多元时间序列在不同尺度下构成的多元时间序列N′表示时间序列的长度),选取合适的嵌入维度m和延迟时间τ进行相空间重构,相空间重构之后的轨迹为:
其中,1≤h≤m,m表示嵌入维数,采用经验值2,τ表示延迟时间,采用经验值1。相空间轨迹之间的距离用最大距离来表示,公式如下:
其中k,k′均表述多元时间序列的元数,k′=1,2,…,12;
递归图算法计算单一时间序列内部的递归特征,即当k=k′时,递归矩阵表示为:
交叉递归图算法描述两个不同的时间序列之间的递归特征,即k≠k′时,交叉递归矩阵表示为:
其中Θ表示Heaviside函数,Θ(x)={1|x>0;0|x≤0},ε表示阈值,其值设置为时间序列标准差的15%,若的值为1,即表示该时间序列相空间重构之后的轨迹点a,b之间递归,若值为0,则不递归,若/>的值为1,即表示该时间序列相空间重构之后的轨迹点a,b之间递归,若值为0,则不递归;
2)多元递归网络的邻接矩阵是将递归网络的邻接矩阵和交叉递归网络的邻接矩阵进行组合。
递归网络是将单一原始时间序列进行相空间重构之后的轨迹中的点映射到复杂网络中的节点,节点之间是否存在连边取决于两个点之间是否递归,为了防止节点的自循环现象,递归网络的邻接矩阵表示如下:
其中δ是克罗内克函数,若a=b,则δ=1,否则为0;相比于递归网络,交叉递归网络是将两个不同的原始时间序列进行相空间重构之后的轨迹中的点映射到复杂网络中的节点,节点之间是否存在连边取决于两个点之间是否递归,交叉递归网络的邻接矩阵就是交叉递归矩阵;
多元递归网络的邻接矩阵中主对角线部分由各递归网络的邻接矩阵组成,递归网络的邻接矩阵是通过递归图算法来计算多元时间序列而来,行的其他位置是交叉递归网络的邻接矩阵,是通过交叉递归图算法计算该行对角线位置处的时间序列与相同尺度下同一多元时间序列中的其他时间序列获得的,如图3所示;
c计算不同尺度因子下多元递归网络的交叉聚类系数熵,确定最佳尺度因子s,基本步骤如下:
1)计算不同尺度因子e下多元递归网络中的交叉聚类系数熵,交叉聚类系数熵公式如下:
其中表示多元递归网络中递归网络A和B中,递归网络A中某个节点i的交叉聚类系数,N表示递归网络中节点的总数,/>表示多元递归网络中的递归网络A和B中,递归网络A的交叉聚类系数熵,/>则表示多元递归网络中的递归网络A和B中,递归网络B的交叉聚类系数熵,对一个多元递归网络中的交叉聚类系数取平均,得到平均交叉聚类系数熵/>
2)计算不同尺度因子e下每一类群体中的每一个样本的平均交叉聚类系数熵并求每一类群体中多个样本平均交叉聚类系数熵的均值/>在不同尺度因子e下,计算心脏病患者群体和正常人群体的平均交叉聚类系数熵均值/>之差,当正常人群体的平均交叉聚类系数熵均值/>大于心脏病患者群体平均交叉聚类系数熵均值/>并且两者的差值最大时,选择此时的尺度因子为最佳尺度因子;
如图4所示,健康人群体的平均交叉聚类系数熵均值在尺度为3-20均高于心肌缺血和心肌梗塞患者,在尺度因子为10时,健康人群体与心肌梗塞群体的平均交叉聚类系数熵均值之差达到了最大值,差值为0.7207;在尺度因子为13时,健康人群体和心肌缺血群体的平均交叉聚类系数熵均值之差最大,差值为0.1323,在尺度因子为10时,差值为0.0915;健康人群体和心肌梗塞群体在尺度因子为13的条件下,平均交叉聚类系数熵均值之差为0.5266,与0.7207差距过大,所以选择尺度因子10作为最佳尺度因子;
d在最佳尺度因子s下的ECG多元时间序列构造多元递归网络,计算多元递归网络的全局交叉聚类系数,基本步骤如下:
1)首先计算多元递归网络中递归网络的局部交叉聚类系数,公式如下:
其中表示多元时间序列中的时间序列A构成的相空间轨迹中点i的交叉聚类系数,/>表示多元时间序列中的时间序列A,B构成的交叉递归矩阵中点i的度,所以时间序列A构成相空间轨迹所有点的交叉聚类系数的平均值,即全局交叉聚类系数:
其中NA表示时间序列A构成的相空间轨迹的长度,如图6所示,对三类人群中每个个体多元时间序列计算其形成的多元递归网络中的全局交叉聚类系数,按照导联进行划分并取平均值,即三类人群的平均全局交叉聚类系数具有明显的差别;
e将多元时间序列中的各导联时间序列作为节点,两个节点对应的递归网络相互的交叉聚类系数均值作为连边权重,构成权重网络,具体步骤如下:
图2展示了多元时间序列到多元递归网络以及权重网络的转换,将多元时间序列中各导联时间序列作为复杂网络中的节点,节点之间的连边权重是该多元时间序列构成的多元递归网络中两个节点对应的递归网络的全局交叉聚类系数均值公式如下:
即组成了一个权重网络,如图5,图6和图7所示,其中节点之间连线的宽度与连边所代表的权重成正比,健康人群体的权重网络中的边的权重范围为0.3976-0.6268,均值为0.4920,心肌缺血群体的权重网络中的边的权重范围为0.3572-0.5864,均值为0.4616,心肌梗塞群体的权重网络中边的权重范围为0.2440-0.5165,均值为0.3682,即正常人群体的权重网络中边的权重普遍高于心脏疾病患者的权重网络中边的权重,从而对心脏疾病患者的ECG信号进行区分;
f计算权重网络的网络参数:平均加权路径长度,图能量,对三类群体中每个体所形成的权重网络参数求均值并进行比较,心脏病患者和正常人的网络参数均值存在明显的差距,如图8(a)所示,图显示健康人群体的平均加权路径长度大于心肌缺血和心肌梗塞患者群体,如图8(a)所示,图中健康人群体的图能量高于心肌缺血和心肌梗塞患者群体,从而实现对不同ECG十二导联信号的区分,对心脏疾病患者进行识别。
Claims (7)
1.一种基于多元递归网络的ECG信号处理方法,其特征在于步骤为:
分别采集健康人、心肌缺血患者以及心肌梗塞患者三类人在相同采样频率下ECG十二导联信号,将ECG十二导联信号组成原始多元时间序列,并分为心脏病患者以及正常人两大类记录,然后分别对每一原始多元时间序列在不同的尺度因子下粗粒化,然后采用递归图和交叉递归图算法对不同尺度因子下的多元时间序列构造多元递归网络,计算多元递归网络的平均交叉聚类系数熵,心脏病患者的平均交叉聚类系数熵值低于正常人的平均交叉聚类系数熵值,确定该多元递归网络的最佳尺度因子,即在最佳尺度因子下心脏病患者和正常人的平均交叉聚类系数熵差值最大,心脏疾病识别效果最好;计算最佳尺度因子下多元时间序列构造的多元递归网络中的交叉聚类系数,将多元时间序列中的各时间序列作为节点,各节点对应多元递归网络中递归网络的全局交叉聚类系数均值作为节点之间的连边权重,生成权重网络,并计算心脏病患者和正常人形成的权重网络的网络参数,心脏病患者与正常人的网络参数存在明显的差别,利用正常人到心脏病患者网络参数的变化揭示不同ECG信号的复杂性变化,从而对心脏疾病进行识别;
具体步骤如下:
a提取三类群体在相同的采样频率下采集ECG十二导联信号生成原始多元时间序列,三类群体分别为健康人、心肌缺血患者以及心肌梗塞患者,分别对三类群体中每一个个体的原始多元时间序列在不同尺度因子e下进行粗粒化,每一个个体获得不同尺度因子e下的多元时间序列;
b利用递归图和交叉递归图算法对三类群体中每一个体在不同尺度因子e下的多元时间构造多元递归网络;
c计算不同尺度因子e下每一类群体中每一个样本所形成的一个多元递归网络的平均交叉聚类系数熵,并对每一类群体的多个样本的平均交叉聚类系数熵求均值,将三类群体在不同尺度因子e下的平均交叉聚类系数熵的均值进行比较,确定最佳尺度因子s;
d在最佳尺度因子s下将三类群体中每一个样本的多元时间序列构造一个多元递归网络,计算每个样本的多元递归网络中的交叉聚类系数;
e将多元时间序列中的各导联时间序列作为节点,两个节点对应的递归网络相互的交叉聚类系数均值作为连边权重,生成权重网络;
f计算权重网络的网络参数:平均加权路径长度,图能量,对三类群体中每个个体所形成的权重网络参数求均值并进行比较,可以看出心脏病患者和正常人的网络参数均值存在明显的差距,利用差异分析从而实现对不同ECG十二导联信号的区分,对心脏疾病患者进行识别。
2.根据权利要求1所述的基于多元递归网络的ECG信号处理方法,其特征在于对多元时间序列粗粒化,具体步骤如下:
对于一个原始多元时间序列在不同的尺度因子e下进行粗粒化,得到多元时间序列,公式如下:
其中,k表示多元时间序列的元数,k=1,2,…,12,xk,i表示第k元时间序列中的点i,/>表示在尺度因子e下的第k元时间序列中的点j;
3.根据权利要求1所述的基于多元递归网络的ECG信号处理方法,其特征在于递归图算法和交叉递归图算法,具体步骤如下:
对于原始多元时间序列在不同尺度下构成的多元时间序列N′表示时间序列的长度),选取合适的嵌入维度m和延迟时间τ进行相空间重构,相空间重构之后的轨迹为:
其中,1≤h≤m,m表示嵌入维数,采用经验值2,τ表示延迟时间,采用经验值1;相空间轨迹之间的距离用最大距离d[Yk(a),Yk′(b)]来表示,公式如下:
其中k,k′均表述多元时间序列的元数,k′=1,2,…,12;
递归图算法计算单一时间序列内部的递归特征,即当k=k′时,递归矩阵表示为:
交叉递归图算法描述两个不同的时间序列之间的递归特征,即k≠k′时,交叉递归矩阵表示为:
其中Θ表示Heaviside函数,Θ(x)={1|x>0;0|x≤0},ε表示阈值,其值设置为时间序列标准差的15%,若的值为1,即表示该时间序列相空间重构之后的轨迹点a,b之间递归,若值为0,则不递归,若/>的值为1,即表示该时间序列相空间重构之后的轨迹点a,b之间递归,若值为0,则不递归。
4.根据权利要求3所述的一种基于多元递归网络的ECG信号处理方法,其特征在于多元递归网络构建,具体步骤如下:
多元递归网络的邻接矩阵是将递归网络的邻接矩阵和交叉递归网络的邻接矩阵进行组合,递归网络是将单一原始时间序列进行相空间重构之后的轨迹中的点映射到复杂网络中的节点,节点之间是否存在连边取决于两个节点之间是否递归,为了防止节点的自循环现象,递归网络的邻接矩阵表示如下:
其中δ是克罗内克函数,若a=b,则δ=1,否则为0;相比于递归网络,交叉递归网络是将两个不同的原始时间序列进行相空间重构之后的轨迹中的点映射到复杂网络中的节点,节点之间是否存在连边取决于两个点之间是否递归,交叉递归网络的邻接矩阵就是交叉递归矩阵;
多元递归网络的邻接矩阵中主对角线部分由各递归网络的邻接矩阵组成,递归网络的邻接矩阵是通过递归图算法来计算多元时间序列而来,行的其他位置是交叉递归网络的邻接矩阵,是通过交叉递归图算法计算该行对角线位置处的时间序列与同一个样本相同尺度下多元时间序列中的其他时间序列获得的;
5.根据权利要求4所述的一种基于多元递归网络的ECG信号处理方法,其特征在于将确定最佳尺度因子s:
计算不同尺度因子e下多元递归网络中的交叉聚类系数熵,交叉聚类系数熵公式如下:
其中表示多元递归网络中递归网络A和B中,递归网络A中某个节点i的交叉聚类系数,N表示递归网络中节点的总数,/>表示多元递归网络中的递归网络A和B中,递归网络A的交叉聚类系数熵,/>则表示多元递归网络中的递归网络A和B中,递归网络B的交叉聚类系数熵,对一个多元递归网络中的交叉聚类系数取平均,得到平均交叉聚类系数熵
计算不同尺度因子e下每一类群体中的每一个样本的平均交叉聚类系数熵并求每一类群体中多个样本平均交叉聚类系数熵的均值/>在不同尺度因子e下,计算心脏病患者群体和正常人群体的平均交叉聚类系数熵均值/>之差,当正常人群体的平均交叉聚类系数熵均值/>大于心脏病患者群体平均交叉聚类系数熵均值/>并且两者的差值最大时,选择此时的尺度因子为最佳尺度因子s。
6.根据权利要求5所述的一种基于多元递归网络的ECG信号处理方法,其特征在于多元递归矩阵转化成权重网络计算过程为:
对多元时间序列构造多元递归网络并确定尺度因子,对最佳尺度因子下的新多元时间序列构造多元递归网络,并计算交叉聚类系数,公式如下:
表示多元时间序列中的时间序列A,B构成的交叉递归矩阵中点i的度,所以时间序列A构成相空间轨迹所有点的交叉聚类系数的平均值,即全局交叉聚类系数:
其中NA表示时间序列A构成的相空间轨迹的长度;
将ECG多元时间序列中各导联时间序列作为节点,节点之间的连边权重是ECG多元时间序列构成的多元递归网络中两个节点对应的递归网络的全局交叉聚类系数均值公式如下:
即组成了一个权重网络。
7.根据权利要求5所述的一种基于多元递归网络的ECG信号处理方法,其特征在于计算权重网络的网络参数具体步骤为:
将多元递归网络转换到权重网络之后,做出其网络拓扑图,并计算权重网络的网络参数:加权平均路径长度和图能量,公式如下:
其中Lw表示加权平均路径长度,k多元时间序列的元数,d(α,β)表示节点α,β之间的加权最短路径长度,E表示图能量,λi表示权重网络对应矩阵的特征值,n表示特征值的数量;
分别对每一类群体中的每一个样本构造权重网络,首先对每一类群体中多个样本产生的权重网络的连边取均值,不同ECG十二导联信号产生的权重拓扑图明显的差别:正常人群体的权重网络拓扑图中连边的权重普遍大于心脏疾病患者的;其次计算每一类群体中多个样本平均加权路径长度和图能量的均值,正常群体体权重网络的加权平均路径长度和图能量均大于心脏疾病患者群体权重网络的加权平均路径长度和图能量,因此实现对正常人的ECG十二导联信号和患者的心电信号进行有效的辨别,从而实现心脏疾病的识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111085080.1A CN113876337B (zh) | 2021-09-16 | 2021-09-16 | 一种基于多元递归网络的心脏疾病识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111085080.1A CN113876337B (zh) | 2021-09-16 | 2021-09-16 | 一种基于多元递归网络的心脏疾病识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113876337A CN113876337A (zh) | 2022-01-04 |
CN113876337B true CN113876337B (zh) | 2023-09-22 |
Family
ID=79009625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111085080.1A Active CN113876337B (zh) | 2021-09-16 | 2021-09-16 | 一种基于多元递归网络的心脏疾病识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113876337B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114358212B (zh) * | 2022-01-25 | 2024-01-30 | 电子科技大学 | 一种基于K-means的癌症预嘱指标数据分析系统 |
CN116898401B (zh) * | 2023-07-17 | 2024-02-02 | 燕山大学 | 基于联合递归量化的孤独症谱系障碍亚型分类方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446441A (zh) * | 2016-10-11 | 2017-02-22 | 天津大学 | 基于多尺度加权递归网络的两相流网络可视化方法及应用 |
CN106503799A (zh) * | 2016-10-11 | 2017-03-15 | 天津大学 | 基于多尺度网络的深度学习模型及在脑状态监测中的应用 |
CN106491083A (zh) * | 2016-10-11 | 2017-03-15 | 天津大学 | 用于脑状态监测的头戴式智能穿戴电极数量优化法及应用 |
CN107595256A (zh) * | 2017-08-02 | 2018-01-19 | 南京邮电大学 | 一种多通道先天性心脏病快速筛选装置及其筛选方法 |
CN107807192A (zh) * | 2017-10-13 | 2018-03-16 | 南昌大学 | 微波等离子体炬串联质谱鉴别蜂蜜掺假的方法 |
CN109199362A (zh) * | 2018-08-15 | 2019-01-15 | 哈尔滨理工大学 | 心脏早搏的ecg自动诊断系统及装置 |
CN109452938A (zh) * | 2018-12-29 | 2019-03-12 | 中国矿业大学 | 一种基于多尺度多重分形的hfecg信号特征频率检测方法 |
CN113096818A (zh) * | 2021-04-21 | 2021-07-09 | 西安电子科技大学 | 基于ode和grud的急性病症发生几率的评估方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2002302003B2 (en) * | 2001-11-28 | 2008-05-22 | Cardanal Pty Ltd | Method and system for processing electrocardial signals |
US7869864B2 (en) * | 2007-07-09 | 2011-01-11 | Dynacardia, Inc. | Methods, systems and devices for detecting and diagnosing heart diseases and disorders |
US8676937B2 (en) * | 2011-05-12 | 2014-03-18 | Jeffrey Alan Rapaport | Social-topical adaptive networking (STAN) system allowing for group based contextual transaction offers and acceptances and hot topic watchdogging |
US20150018631A1 (en) * | 2013-07-14 | 2015-01-15 | Avita Corporation | Apparatus and Method for Measuring Physiological Signals |
US10963499B2 (en) * | 2017-12-29 | 2021-03-30 | Aiqudo, Inc. | Generating command-specific language model discourses for digital assistant interpretation |
EP3616605A1 (en) * | 2018-08-30 | 2020-03-04 | Tata Consultancy Services Limited | Non-invasive detection of coronary heart disease from short single-lead ecg |
-
2021
- 2021-09-16 CN CN202111085080.1A patent/CN113876337B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446441A (zh) * | 2016-10-11 | 2017-02-22 | 天津大学 | 基于多尺度加权递归网络的两相流网络可视化方法及应用 |
CN106503799A (zh) * | 2016-10-11 | 2017-03-15 | 天津大学 | 基于多尺度网络的深度学习模型及在脑状态监测中的应用 |
CN106491083A (zh) * | 2016-10-11 | 2017-03-15 | 天津大学 | 用于脑状态监测的头戴式智能穿戴电极数量优化法及应用 |
CN107595256A (zh) * | 2017-08-02 | 2018-01-19 | 南京邮电大学 | 一种多通道先天性心脏病快速筛选装置及其筛选方法 |
CN107807192A (zh) * | 2017-10-13 | 2018-03-16 | 南昌大学 | 微波等离子体炬串联质谱鉴别蜂蜜掺假的方法 |
CN109199362A (zh) * | 2018-08-15 | 2019-01-15 | 哈尔滨理工大学 | 心脏早搏的ecg自动诊断系统及装置 |
CN109452938A (zh) * | 2018-12-29 | 2019-03-12 | 中国矿业大学 | 一种基于多尺度多重分形的hfecg信号特征频率检测方法 |
CN113096818A (zh) * | 2021-04-21 | 2021-07-09 | 西安电子科技大学 | 基于ode和grud的急性病症发生几率的评估方法 |
Non-Patent Citations (1)
Title |
---|
李俊敏 ; 张晓光 ; 朱滨峰 ; .基于小波变换的心电信号数据处理.计量与测试技术.2006,(10),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN113876337A (zh) | 2022-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113876337B (zh) | 一种基于多元递归网络的心脏疾病识别方法 | |
US20100217144A1 (en) | Diagnostic and predictive system and methodology using multiple parameter electrocardiography superscores | |
CN110403600B (zh) | 基于差值时间散点图的阵发性房颤智能分析方法及系统 | |
Rajan et al. | A generative modeling approach to limited channel ECG classification | |
CN113397555A (zh) | 生理参数监测用c-lstm的心率失常分类算法 | |
CN110638430B (zh) | 级联神经网络ecg信号心律失常分类模型的搭建方法 | |
Wang et al. | A novel multi-scale dilated 3D CNN for epileptic seizure prediction | |
Safarbali et al. | Nonlinear dynamic approaches to identify atrial fibrillation progression based on topological methods | |
CN110151165A (zh) | 一种基于非线性动力学特征的心电向量图分类方法 | |
Hussain et al. | Efficient ECG signal classification using sparsely connected radial basis function neural network | |
Olamat et al. | Synchronization analysis in epileptic EEG signals via state transfer networks based on visibility graph technique | |
CN114431873B (zh) | 一种基于图卷积的心电图心率多类型预测模型构建方法 | |
Yang et al. | Detection of strict left bundle branch block by neural network and a method to test detection consistency | |
CN116503673A (zh) | 一种基于心电图的心律失常识别检测方法及系统 | |
CN113413158B (zh) | 基于多路可视图的健康与心脏疾病患者ecg信号识别方法 | |
CN109033990B (zh) | 基于类内类间距离的cnn模型心拍分类方法 | |
CN117582235A (zh) | 基于cnn-lstm模型的心电信号分类方法 | |
Kachhara et al. | Bimodality and scaling in recurrence networks from ECG data | |
KR20130011567A (ko) | 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용하여 심근 허혈을 검출하는 방법 | |
Ding-Fei et al. | Study of feature extraction based on autoregressive modeling in EGG automatic diagnosis | |
CN114521900B (zh) | 一种基于迁移学习心律失常分类识别的方法 | |
Piña-Vega et al. | Early prediction of sudden cardiac death using fractal dimension and ecg signals | |
Hori et al. | Arrhythmia detection based on patient-specific normal ECGs using deep learning | |
Bogatinovski et al. | Feature extraction for heartbeat classification in single-lead ECG | |
CN114224351A (zh) | 一种基于融合多个深度学习模型的房颤识别方法 |
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 |