CN115177265A - 基于统计流形曲率的心脏病计算机辅助分类方法 - Google Patents
基于统计流形曲率的心脏病计算机辅助分类方法 Download PDFInfo
- Publication number
- CN115177265A CN115177265A CN202210595419.0A CN202210595419A CN115177265A CN 115177265 A CN115177265 A CN 115177265A CN 202210595419 A CN202210595419 A CN 202210595419A CN 115177265 A CN115177265 A CN 115177265A
- Authority
- CN
- China
- Prior art keywords
- curvature
- manifold
- point cloud
- point
- matrix
- 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.)
- Pending
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
- 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
- A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
-
- 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
- A61B5/363—Detecting tachycardia or bradycardia
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Fuzzy Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (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
本发明涉及基于统计流形曲率的心脏病计算机辅助分类方法,属于信号处理技术及计算机辅助诊断领域。本方法利用延迟嵌入和k近邻,将一维的心电图时间序列信号转化为正定矩阵流形上的点云。提出了通过计算每一点的数量曲率并提取曲率离散度这一几何特征来研究点云分布的局部结构差异,从而实现对原始心电图的分类。本方法分类准确度高,鲁棒性强,减少了信息损失并杜绝了可解释性差等缺点,充分保证了应用效果。本方法能够对大量心电图进行精准分类,同时大大降低计算量,保证了高效性。本方法不依赖于参数的选取,具备显著优势。本方法除了可以应用在心电信号分类领域外,在生物医学研究以及信号处理等领域也具有广泛的应用前景。
Description
技术领域
本发明涉及一种基于统计流形曲率的对心脏病异样情况进行预分类的计算机辅助分类方法,属于信号处理技术及计算机辅助诊断领域。
背景技术
心脏病作为全球最常见以及致死率最高的疾病之一,对人类幸福健康生活造成巨大威胁。随着社会压力的增加,心脏病的发病人口逐年攀升。因此,实现心脏病的高效诊断,并进行实时监测和预测对心脏病的治疗和预防有重大意义。目前,心脏病的诊断主要通过医生分析心电图完成,患者心脏收缩的电活动由医疗设备呈现,医生对此给定诊断结果。由于心电图的分析需要专业的医疗人员以及详细的医学知识,而医疗条件分布并不均衡,在条件和资源不足的情况下,病人的生命健康不能得到充分保护。
随着计算机技术的蓬勃发展,各种人工智能技术逐渐在人类的生活中发挥起重要作用。利用计算机辅助诊断技术,对心电图进行辅助分类和预测,已经成为缓解人工医疗资源不均衡,帮助医生制定医疗方案的新兴技术手段。
目前,针对心电图分析,计算机辅助诊断技术主要从信号处理、动力系统、统计分析、机器学习以及拓扑数据分析等角度对单导联以及12导联的心电图进行研究,通过特征提取以及训练学习等手段对心电图进行分类。但是,现有的方法大多会遭遇过于依赖参数以及可解释性差等瓶颈,而调整参数需要经验丰富的编程人员操作,如参数选择不当,会大幅度降低结果的准确性,而且多数并不能给出合理的医学解释。这对计算机辅助诊断的应用造成了巨大阻碍。
发明内容
本发明的目的是针对现有技术存在的不足,为解决计算机辅助诊断系统在进行心电图分类中面临的鲁棒性弱,信号结构化信息提取不完整、可解释性差,参数依赖性强等技术问题,创造性地提出一种基于统计流形曲率的心脏病计算机辅助分类方法。
本发明方法的创新点在于:利用延迟嵌入和k近邻,将一维的心电图时间序列信号转化为正定矩阵流形上的点云。同时,首次提出了通过计算每一点的数量曲率并提取曲率离散度这一几何特征来研究点云分布的局部结构差异,从而实现对原始心电图的分类。
本发明采用以下技术方案实现。
可以先通过插值和滤波器对持续的心电时间序列信号进行预处理,包括分信号分割、降噪等。
然后,利用延迟嵌入以及k近邻,将单个心电图变为正定矩阵流形上的一个点云。
之后,计算点云中每一个点的数量曲率,并得到曲率直方图。
然后,提取曲率直方图的曲率离散度特征,并进行聚类。
最后,系统根据聚类结果,对于新给定的心电图,通过计算其曲率离散度,参考聚类结果中的分类标准进行辅助诊断。
有益效果
本方法,对比现有技术,具有以下优点:
1.本方法是一种基于几何的新式方法,在心电信号分类中有很强的可解释性。对比机器学习等技术,本方法在保持准确性的基础上鲁棒性强,无需调参;对比拓扑数据分析等技术,本方法处理的数据量更巨大,分类精准度也更高。
2.本方法分类准确度高,鲁棒性强,减少了信息损失并杜绝了可解释性差等缺点,充分保证了应用效果。局部统计能够反应点云中每一点局部的结构性差异,根据曲率直方图提取出的曲率离散度可以将这种空间结构的差异性进一步凸显。
3.本方法能够对大量心电图进行精准分类,同时大大降低了计算量,保证了高效性。由于曲率是几何不变量,本方法不依赖于参数的选取,具备显著优势。
4.本方法除了可以应用在心电信号分类领域外,在生物医学研究以及信号处理等领域也具有广泛的应用前景。
附图说明
图1是本发明方法的整体流程图;
图2是本方法分类的七种心电图的实例;
图3是本发明中降噪过程的示意图;
图4至图7分别为本发明中正常心电图的图像,欧式空间点云图,正定矩阵流形上点云Wasserstein距离矩阵的灰度图和曲率直方图;
图8至图11分别为本发明中左束支阻滞心电图的图像,欧式空间点云图,正定矩阵流形上点云Wasserstein距离矩阵的灰度图和曲率直方图;
图12至图15分别为本发明中右束支阻滞心电图的图像,欧式空间点云图,正定矩阵流形上点云Wasserstein距离矩阵的灰度图和曲率直方图;
图16至图19分别为本发明中房性早搏心电图的图像,欧式空间点云图,正定矩阵流形上点云Wasserstein距离矩阵的灰度图和曲率直方图;
图20至图23分别为本发明中室性早搏心电图的图像,欧式空间点云图,正定矩阵流形上点云Wasserstein距离矩阵的灰度图和曲率直方图;
图24至图27分别为本发明中心室融合心跳心电图的图像,欧式空间点云图,正定矩阵流形上点云Wasserstein距离矩阵的灰度图和曲率直方图;
图28至图31分别为本发明中心室扑动心电图的图像,欧式空间点云图,正定矩阵流形上点云Wasserstein距离矩阵的灰度图和曲率直方图;
图32是本发明中原始心电图数据集的曲率离散度分布示意图;
图33是本发明中支持向量机SVM对曲率离散度的分割示意图。
具体实施方式
下面结合附图对本发明方法做进一步详细说明。
如图1所示,一种基于统计流形曲率的心脏病计算机辅助分类方法,包括以下步骤:
步骤1:如图2所示,在本实施例中,包括辅助分类健康、左束支阻滞、右束支阻滞、房性早搏、室性期前收缩、心室扑动和心室融合心跳等主要的心电信号。
首先,通过插值和滤波器,对持续的心电信号进行降噪、分割等预处理。
比如,由于我国供电设备使用交流电的频率为50Hz,为减少噪音的影响,首先可以利用butterworth滤波器,对50Hz以上的心电频率进行滤波降噪。
然后,检测每个心跳的R波所在位置,选取R波前后固定比例(比如,波前1/3、波后2/3)的点组成单个心跳。进一步利用插值统一进行伸缩变换,确保每个心跳的信息量一致(比如每个心跳300个点)。如图3所示。
最后,根据R波的位置对连续心跳进行分割。
步骤2:利用延迟嵌入将心电图信号转换为欧式空间中的点云。
具体地,设置嵌入步长τ以及嵌入维数d,将每一个心电图信号点数为N的心跳E变为个数为N-(d-1)τ的d维欧式空间中的点云。
步骤3:利用k近邻,将步骤2得到的d维欧式空间中的点云转化为正定矩阵流形上的点云。
具体地,设置点云中每一点的近邻数k,计算每一点和其周围最近k个点的均值和协方差,从而得到d(d+1)/2维正定矩阵流形中的点云。
步骤4:赋予正定矩阵流形Wasserstein度量,计算正定矩阵流形中点云每一点的数量曲率,得到曲率直方图。
具体地,对于正定矩阵A,其数量曲率由下式给出:
3tr(UD(U+UT)+(U+UT)DU+(U+UT)DUD(U+UT))
其中,tr表示矩阵的迹,即矩阵对角线元素之和,D=diag(λ1,…,λn)正交相似于A,λn表示矩阵A的第n个特征值;U为上三角矩阵,其第i行第j列的位置为1/(λi+λj),T表示矩阵转置。
如图4至图31所示,28张图分别表示了7种心电图的图像、欧式空间的点云图,正定矩阵流形上点云Wasserstein距离矩阵的灰度图和各自的曲率直方图。
步骤5:从曲率图中提取曲率离散度,并利用支持向量机(support vectormachines,SVM)提取分割线进行分割。
具体地,曲率离散度的第一个分量能反应曲率直方图中曲率的分布情况,第二个分量能反应曲率直方图中每个曲率数量的差异。原始心电图的曲率离散度的表现如图32所示。
最后,利用线性核的支持向量机得出割线,利用割线可对新的心电信号进行分类。
实例验证
将本方法运用到19926个心跳构成的数据集上,数据来源于MIT-BIH心跳数据库,其中正常心跳16102个;左束支阻滞心跳1312个;右束支阻滞心跳614个;房性早搏心跳244个;室性期前收缩心跳1235个;心室融合心跳303个;心室扑动心跳116个。具体识别的情况如图33所示,各类的准确度均达到99%以上。
Claims (6)
1.基于统计流形曲率的心脏病计算机辅助分类方法,其特征在于:
首先,对持续的心电图时间序列信号,利用延迟嵌入以及k近邻,将单个心电图变为正定矩阵流形上的一个点云;
之后,计算点云中每一个点的数量曲率,并得到曲率直方图;
然后,提取曲率直方图的曲率离散度特征,并进行聚类;
最后,系统根据聚类结果,对于新给定的心电图,通过计算其曲率离散度,参考聚类结果中的分类标准进行辅助诊断。
2.如权利要求1所述的基于统计流形曲率的心脏病计算机辅助分类方法,其特征在于,通过插值和滤波器,首先对持续的心电信号进行预处理,包括降噪、分割。
3.如权利要求2所述的基于统计流形曲率的心脏病计算机辅助分类方法,其特征在于,对心电信号的分割方法为,检测每个心跳的R波所在位置,选取R波前后固定比例的点组成单个心跳,进一步利用插值统一进行伸缩变换,确保每个心跳的信息量一致;
最后,根据R波的位置对连续心跳进行分割。
4.如权利要求1所述的基于统计流形曲率的心脏病计算机辅助分类方法,其特征在于,利用延迟嵌入,将心电图信号转换为欧式空间中的点云;
设置嵌入步长τ以及嵌入维数d,将每一个心电图信号点数为N的心跳E变为个数为N-(d-1、)τ的d维欧式空间中的点云;
利用k近邻,将得到的d维欧式空间中的点云转化为正定矩阵流形上的点云,设置点云中每一点的近邻数k,计算每一点和其周围最近k个点的均值和协方差,从而得到d(d+1)/2维正定矩阵流形中的点云。
5.如权利要求1所述的基于统计流形曲率的心脏病计算机辅助分类方法,其特征在于,通过赋予正定矩阵流形Wasserstein度量,计算正定矩阵流形中点云每一点的数量曲率,得到曲率直方图,具体如下:
对于正定矩阵A,其数量曲率由下式给出:
3tr(UD(U+UT)+(U+UT)DU+(U+UT)DUD(U+UT))
其中,tr表示矩阵的迹,即矩阵对角线元素之和,D=diag(λ1,…,λn)正交相似于A,λn表示矩阵A的第n个特征值;U为上三角矩阵,其第i行第j列的位置为1/(λi+λj),T表示矩阵转置。
6.如权利要求1所述的基于统计流形曲率的心脏病计算机辅助分类方法,其特征在于,从曲率图中提取曲率离散度,并利用支持向量机SVM提取分割线进行分割,方法为:
曲率离散度的第一个分量能反应曲率直方图中曲率的分布情况,第二个分量能反应曲率直方图中每个曲率数量的差异;
最后,利用线性核的支持向量机得出割线,利用割线对新的心电信号进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210595419.0A CN115177265A (zh) | 2022-05-29 | 2022-05-29 | 基于统计流形曲率的心脏病计算机辅助分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210595419.0A CN115177265A (zh) | 2022-05-29 | 2022-05-29 | 基于统计流形曲率的心脏病计算机辅助分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115177265A true CN115177265A (zh) | 2022-10-14 |
Family
ID=83513696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210595419.0A Pending CN115177265A (zh) | 2022-05-29 | 2022-05-29 | 基于统计流形曲率的心脏病计算机辅助分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115177265A (zh) |
-
2022
- 2022-05-29 CN CN202210595419.0A patent/CN115177265A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111449645B (zh) | 心电图心拍智能分类识别方法 | |
CN109117730B (zh) | 心电图心房颤动实时判断方法、装置、系统及存储介质 | |
Li et al. | Inter-patient arrhythmia classification with improved deep residual convolutional neural network | |
CN109645980A (zh) | 一种基于深度迁移学习的心律异常分类方法 | |
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 | |
CN111626114B (zh) | 基于卷积神经网络的心电信号心律失常分类系统 | |
CN108836302A (zh) | 基于深度神经网络的心电图智能分析方法及系统 | |
JP7487965B2 (ja) | グラフ畳み込みに基づく心電図心拍数マルチタイプの予測方法 | |
CN114052744A (zh) | 基于脉冲神经网络的心电信号分类方法 | |
CN113116300A (zh) | 一种基于模型融合的生理信号分类方法 | |
CN112617850A (zh) | 心电信号的早搏心拍检测方法 | |
CN111557660A (zh) | 一种亚群体深度学习框架下的心律失常识别方法 | |
CN110522446A (zh) | 一种准确性高实用性强的脑电信号分析方法 | |
Chen et al. | Multi-channel lightweight convolution neural network for anterior myocardial infarction detection | |
CN114041800A (zh) | 心电信号实时分类方法、装置及可读存储介质 | |
Zeng et al. | Deep arrhythmia classification based on SENet and lightweight context transform | |
CN111759302A (zh) | 一种可穿戴式个体心电检测方法 | |
CN115177265A (zh) | 基于统计流形曲率的心脏病计算机辅助分类方法 | |
Shen et al. | Multi-lead ECG classification based on independent component analysis and support vector machine | |
CN114287950A (zh) | 基于持续同调和傅里叶变换的心脏病计算机辅助分类方法 | |
Yang et al. | Automated atrial fibrillation and ventricular fibrillation recognition using a multi-angle dual-channel fusion network | |
Yang et al. | A faster R CNN-based real-time QRS detector | |
CN113349790B (zh) | 基于s型重构的2d卷积神经网络的心拍分类方法及系统 | |
Sadhukhan et al. | Automated identification of Myocardial Infarction using a single Vectorcardiographic feature | |
Liu et al. | Application of convolutional neural network in automatic classification of arrhythmia |
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 |