CN117274117B - 频域伪彩色增强的心磁信号特征图像生成方法及存储介质 - Google Patents
频域伪彩色增强的心磁信号特征图像生成方法及存储介质 Download PDFInfo
- Publication number
- CN117274117B CN117274117B CN202311566678.1A CN202311566678A CN117274117B CN 117274117 B CN117274117 B CN 117274117B CN 202311566678 A CN202311566678 A CN 202311566678A CN 117274117 B CN117274117 B CN 117274117B
- Authority
- CN
- China
- Prior art keywords
- magnetocardiogram
- sequence
- image
- signal
- color
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 239000011159 matrix material Substances 0.000 claims abstract description 32
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 23
- 230000009466 transformation Effects 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000002708 enhancing effect Effects 0.000 claims abstract description 5
- 108010076504 Protein Sorting Signals Proteins 0.000 claims abstract 3
- 238000010586 diagram Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000004069 differentiation Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 2
- 230000004931 aggregating effect Effects 0.000 abstract description 2
- 230000002776 aggregation Effects 0.000 abstract description 2
- 238000004220 aggregation Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 8
- 208000019622 heart disease Diseases 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000002107 myocardial effect Effects 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 208000023589 ischemic disease Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 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
- A61B5/242—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration by non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30048—Heart; Cardiac
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Abstract
本发明的一种频域伪彩色增强的心磁信号特征图像生成方法及存储介质，包括对实测心磁信号进行分段聚合近似操作，通过计算心磁信号序列每相邻2个点的平均值作为新序列的值来聚合时间序列以减小磁序列长度；再将心磁序列经过格拉姆角场转换为对应的格拉姆矩阵，将一维心磁信号转化为二维灰度图像并经过小波变换进行增强，选取db1小波作为小波基函数，得到对比度增强的灰度图像再使用变分模态分解进行伪彩色处理，得到心磁信号彩色特征图。本发明以一维心磁信号构成格拉姆矩阵，生成了心磁信号的灰度特征图像，通过小波变换进行灰度图增强，再经过频域伪彩色增强，将其转化为彩色特征图，得到了图像清晰度高、纹理细节显著的心磁信号特征图像。
Description
技术领域
本发明涉及生物医学工程心磁信号特征图像生成技术领域，具体涉及一种频域伪彩色增强的心磁信号特征图像生成方法、设备及存储介质。
背景技术
调查显示，在众多危害人类生命的疾病中，心脑血管疾病的死亡率最高，每年有大量的人死于心脏疾病。经过不懈努力，专家学者实现了生物信号与电子、信息等学科相互融合，为诊断疾病提供了有价值的参考。心肌活动不仅产生电活动，也产生磁场。与需要接触体表测量电位的心电图相比，无接触测量的心磁图能够提供更高的时空分辨率的电活动定位，并且在临床试验中表现出较好的效果。心磁图是一种通过检测心肌活动产生磁场变化来对心脏疾病进行诊断、风险分级、疗效评估、心脏源定位的无创检测分析技术，在心脏疾病尤其是心脏缺血性疾病及心律失常的应用中具有潜在优势。心磁信号作为心脏系统电磁信息的数据载体，是心脏病诊断体系的新的发展方向，对于心脏疾病的预防和诊断具有重要意义。
在获得了准确的心磁信号后，需要对其进行分析判断，尽管心磁图具有优越的信号质量，但需要对它进行解释的工作量很大，并且强烈依赖于专业医生的经验，限制了临床的使用。随着深度学习技术的发展，为心磁信号分析也提供了新的方法，由于心磁信号是一维的波形图像，存在信号特征不够明显，会降低深度学习的准确性的问题。
发明内容
本发明提出的一种频域伪彩色增强的心磁信号特征图像生成方法、设备及存储介质，可至少解决背景技术中的技术问题之一。
为实现上述目的，本发明采用了以下技术方案：
一种频域伪彩色增强的心磁信号特征图像生成方法，包括以下步骤：
步骤A：对实测心磁信号进行PAA操作，通过计算心磁信号序列每相邻2个点的平均值作为新序列的值来聚合时间序列以减少心磁信号序列长度。
步骤B：将经过步骤A的心磁序列通过GAF转换为对应的格拉姆矩阵，将一维心磁信号转化为二维灰度图像。
步骤C：将得到的二维灰度图像经过小波变换进行增强，选取db1小波作为小波基函数，得到对比度增强的灰度图像。
步骤D：对增强后的灰度图像使用VMD进行伪彩色处理，得到清晰度高、细节更显著的心磁信号彩色特征图。
进一步地，步骤A：对实测心磁信号进行PAA操作，计算心磁序列每相邻2个点的平均值并将其作为新序列的值来聚合时间序列以减少心磁序列长度，其具体包括如下步骤：
S101：心磁数据是通过超导量子干涉仪(SQUID)在人体胸部上方的36个相邻位置测得获取的，心磁信号的采样率为1000Hz，每个数据点之间的间隔是0.001秒，选取其中一个测量点的一个周期内心磁序列，将其记为，其数值单位：皮伏（pV，1pV=/>V），该周期内数据点个数记为2N。对取得的心磁序列进行PAA操作，可以减少后续的计算量并较好地保留原信号所包含信息。从心磁序列/>第一个采样点开始，选取相邻两个点求平均值，取/>的第一个采样点和第二个采样点并求其平均值，将得到的结果作为新序列的第一个值，取/>的第三个点和第四个采样点并求其平均值，作为新序列的第二个值，依次类推，可得到缩减后的心磁序列/>，序列长度为/>。
进一步地，步骤B：将经过步骤A后的心磁序列通过GAF转换为对应的格拉姆矩阵，将一维心磁信号转化为二维灰度图像，其包括如下具体步骤：
S102：将心磁序列的值缩放至[-1，1]的范围内，即余弦函数值内，以便于时间序列由直角坐标系向极坐标系转换。相应变换式为：
（1）
其中，表示的是心磁序列/>中的最大值，/>表示的是/>的最小值，表示的是缩放后的心磁序列，序列/>值的范围均在/>之间。
S103:将缩放后的序列经过式（2）映射到极坐标下：
（2）
其中，N是心磁序列的长度，i表示心磁序列/>中第i个数据点，/>表示经过反余弦函数转化的极坐标下的角度，单位：弧度，/>表示极坐标下的极径，其范围在[0，1]之间。
S104:利用格拉姆角场，将基于时间序列的转化为基于余弦函数的格拉姆角和场（GASF）矩阵，其计算式为：
（3）
经过计算可以得到心磁序列对应的格拉姆矩阵，为了更好地将GASF矩阵表示为灰度图像显示出来，将其进行归一化处理，归一化公式为：
（4）
其中，和/>分别表示GASF矩阵中的最小值和最大值，经过归一化后GASF矩阵里的每个元素的值都被缩放到/>之间，将其显示为灰度图像I，其大小为。
进一步地，步骤C：将心磁信号二维灰度图像经过小波变换，得到对比度增强的灰度图像，其具体包括如下步骤：
S105：对心磁信号灰度图像I进行小波分解，选取db1小波作为小波基函数，分解层数设为一层，对分解得到的小波低频系数L进行处理，如式（5）所示：
（5）
其中，，为处理前的小波低频系数，/>为处理后的小波低频系数，/>为小波低频系数L的方差，计算得/>，/>为低频系数L的均值，计算得/>，T为阈值，取值为/>，可计算得/>。用处理后的低频系数代替原来低频系数进行二维小波重构，得到对比度增强的灰度图像，并用/>表示。
进一步地，步骤D：对增强后的灰度图像使用VMD进行伪彩色处理，得到清晰度高、细节更显著的心磁信号彩色特征图，其包括如下具体步骤：
S106：将灰度图进行二维VMD分解，可以将原始灰度图分解为多个固有模态函数(intrinsicmodefunction，IMF)，每个IMF表示了原信号在不同频率和振幅上的成分。在进行VMD分解前，需要预先设定待分解的IMF个数k，从而得到频率从低到高分布的k个IMF分量，二维VMD算法中涉及的约束变分模型为：
（6）
表示分解后的第k个IMF模态分量，/>表示第k个IMF分量的解析信号，/>是第k个模态分量的中心频率，/>表示内积操作。/>表示第k个模态的二次惩罚因子，/>符号表示矢量微分算子，/>表示矩阵2范数的平方，/>是输入二维信号，这里将灰度图像/>作为输入的二维信号/>。
使用拉格朗日乘子法将约束最小化问题转化为无约束问题，引入拉格朗日乘子，扩展得到的拉格朗日表达式为：
（7）
其中表示所有IMF分量的集合，/>表示所有模态分量中心频率的集合，采用交替方式乘子算法更新迭代求解(7)式中的鞍点，在频域迭代更新/>，/>和/>得到扩展拉格朗日表达式的最优解，迭代表达式为：
（8）
（9）
（10）
其中n表示当前迭代次数，进行VMD分解要先初始化再进行迭代，表示/>的傅里叶变换。迭代停止条件为：
（11）
设定迭代判定精度，当达到停止条件时，停止式（8）-式（10）的迭代，并得到k个IMF分量。经过实验，选取/>，/>，/>，能够得到较好的分解效果，得到从低频到高频的/>3个IMF分量。其中/>是IMF1分量，属于低频信号，包含了心磁信号灰度图中的整体信息，而/>和/>分别对应IMF2和IMF3分量，包含了灰度图/>中的细节和边缘信息。
S107:灰度图是单通道图像，每个像素只有一个分量，RGB图像是三通道图像，每个像素有3个分量，为了得到心磁信号彩色特征图，将得到的3个IMF分量分别作为彩色图像RGB三通道的输入，得到彩色增强后的图像，从而实现基于频域的伪彩色增强，得到清晰度和纹理细节更显著的心磁信号彩色特征图。
由于人眼对绿色更敏感，而IMF1分量属于低频分量，包含了心磁灰度图中的整体信息，所以选择将IMF1分量作为G通道的输入，IMF2和IMF3分别作为R和B通道输入，由此合成心磁信号的彩色特征图。
又一方面，本发明还公开一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述方法的步骤。
再一方面，本发明还公开一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上方法的步骤。
由上述技术方案可知，本发明的频域伪彩色增强的心磁信号特征图像生成方法，针背景技术中的问题，首先对心磁信号使用GAF从时间序列转化为灰度图像，基于转化后的图像细节信息不明显的问题，对转换后的灰度图像进行增强，由于人眼能分辨的灰度级介于十几级到二十几级之间，但是却可以分辨上千种不同的颜色，因此，利用这一视觉特性，对增强后的心磁信号灰度图再进行频域伪彩色增强，将灰度图变成彩色图，可以有效提高图像的可鉴别性，增强视觉效果，突出细节信息，可以更好地突出其特征。
具体地，本发明提出基于频域伪彩色增强的心磁信号特征图像生成方法，首先对由心磁图仪测得的心磁信号进行PAA操作，通过计算心磁序列每相邻2个点的平均值来聚合时间序列以减小序列长度，将缩减后的心磁序列通过GAF转换为对应的GASF矩阵，将一维心磁信号转化为二维灰度图像。将得到的二维灰度图像经过小波变换进行增强，得到对比度增强的心磁信号灰度图像。对增强后的灰度图像进行二维VMD分解，从而进行频域伪彩色处理，得到了清晰度高、纹理细节显著的心磁信号特征图像。本发明以一维心磁信号构成格拉姆矩阵，生成了心磁信号的特征图像，通过小波变换进行灰度图增强，再对其经过频域伪彩色增强，转化为彩色图片，提高图像清晰度和纹理细节，有益于深度学习网络的特征提取和识别，为心磁信号特征图像的生成提供了一种新的方法。
附图说明
图1是本发明实施方案基于频域伪彩色增强的心磁信号特征图像生成方法的流程图；
图2是本发明的基于心磁图仪实测获得的心磁信号和经过PAA操作缩减后的心磁信号；
图3是本发明经过GAF变换得到的心磁信号二维灰度图；
图4是本发明经小波变换后对比度增强的心磁信号灰度图；
图5是本发明实施例增强后的灰度图经过VMD得到的3个IMF分量的IMF1分量示意图；
图6是本发明实施例增强后的灰度图经过VMD得到的3个IMF分量的IMF2分量示意图；
图7是本发明实施例增强后的灰度图经过VMD得到的3个IMF分量的IMF3分量示意图；
图8是本发明的经过小波变换的灰度图再经频域伪彩色增强得到的彩色特征图；
图9是未经小波变换的心磁灰度图经频域伪彩色增强得到的彩色特征图。
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。
本实例的基于频域伪彩色增强的心磁信号特征图像生成方法，其流程图如图1所示，具体包括如下步骤：
步骤A：对实测心磁信号进行PAA操作，计算心磁序列每相邻2个点的平均值并将其作为新序列的值来聚合时间序列以减少心磁序列长度；
S101：选取其中一个测量点的一个周期内心磁序列，将其记为，其数值单位：皮伏（pV，1pV=/>V），该周期内数据点个数为753，对取得的心磁序列进行PAA操作，可以减少后续的计算量并较好地保留原信号所包含信息。从心磁序列/>第一个采样点开始，选取相邻两个点求平均值，取/>的第一个采样点和第二个采样点并求其平均值，将得到的结果作为新序列的第一个值，取/>的第三个点和第四个采样点并求其平均值，作为新序列的第二个值，依次类推，可得到缩减后的心磁序列/>，序列长度为/>。
如图2所示，是实测的36组心磁信号中其中一组心磁信号在一个周期内的数据图和经过PAA缩减之后的心磁信号数据图。心磁数据采集频率为1000Hz，每个采样点之间间隔为1ms，一周期内共有753个采样点，经过PAA缩减后共有376个采样点，可知缩减后的心磁序列长度小了一半，缩减后心磁信号的整体趋势和原信号一致，较好地保留了原信号的信息。
步骤B：将经过步骤A后的心磁序列通过GAF转换为对应的格拉姆矩阵，将一维心磁信号转化为二维灰度图像，其包括如下具体步骤：
S102：将心磁序列的值缩放至[-1，1]的范围内，即余弦函数值内，以便于时间序列由直角坐标系向极坐标系转换。相应变换式为：
（1）
其中，表示的是心磁序列/>中的最大值，/>表示的是/>的最小值，表示的是缩放后的心磁序列，序列/>值的范围均在/>之间。
S103:将缩放后的序列经过式（2）映射到极坐标下：
（2）
其中，N是心磁序列的长度，i表示心磁序列/>中第i个数据点，/>表示经过反余弦函数转化的极坐标下的角度，单位：弧度，/>表示极坐标下的极径，其范围在[0，1]之间。
S104:利用格拉姆角场，将基于时间序列的转化为基于余弦函数的格拉姆角和场（GASF）矩阵，其计算式为：
（3）
经过计算可以得到心磁序列对应的格拉姆矩阵，为了更好地将GASF矩阵表示为灰度图像显示出来，将其进行归一化处理，归一化公式为：
（4）
其中，和/>分别表示GASF矩阵中的最小值和最大值，经过归一化后GASF矩阵里的每个元素的值都被缩放到/>之间，将其显示为灰度图像I，其大小为。
如图3所示，是根据步骤B的方法，由心磁序列经GAF转化的GASF矩阵并经归一化后的灰度图显示，图3所示图像整体偏暗且对比度低，包含信息不丰富，且有些灰度值变化较小的部分的细节信息不明显。
步骤C：将心磁信号二维灰度图像经过小波变换，得到对比度增强的灰度图像，其具体包括如下步骤：
S105：对心磁信号灰度图像I进行小波分解，选取db1小波作为小波基函数，分解层数设为一层，对分解得到的小波低频系数L进行处理，如式（5）所示：
（5）
其中，，为处理前的小波低频系数，/>为处理后的小波低频系数，/>为小波低频系数L的方差，计算得/>，/>为低频系数L的均值，计算得/>，T为阈值，取值为/>，可计算得/>。用处理后的低频系数代替原来低频系数进行二维小波重构，得到对比度增强的灰度图像，并用/>表示。
如图4所示，是经过小波变换增强的心磁信号灰度图，与图3相比，图4的亮度有所提高，图像对比度更强，也较好地改善了细节信息不突出的问题。
步骤D：对增强后的灰度图像使用VMD进行伪彩色处理，得到清晰度高、细节更显著的心磁信号彩色特征图，其包括如下具体步骤：
S106：将灰度图进行二维VMD分解，可以将原始灰度图分解为多个固有模态函数(intrinsicmodefunction，IMF)，每个IMF表示了原信号在不同频率和振幅上的成分。在进行VMD分解前，需要预先设定待分解的IMF个数k，从而得到频率从低到高分布的k个IMF分量，二维VMD算法中涉及的约束变分模型为：
（6）
表示分解后的第k个IMF模态分量，/>表示第k个IMF分量的解析信号，/>是第k个模态分量的中心频率，/>表示内积操作。/>表示第k个模态的二次惩罚因子，/>符号表示矢量微分算子，/>表示矩阵2范数的平方，/>是输入二维信号，这里将灰度图像/>作为输入的二维信号/>。
使用拉格朗日乘子法将约束最小化问题转化为无约束问题，引入拉格朗日乘子，扩展得到的拉格朗日表达式为：
（7）
其中表示所有IMF分量的集合，/>表示所有模态分量中心频率的集合，采用交替方式乘子算法更新迭代求解(7)式中的鞍点，在频域迭代更新/>，/>和/>得到扩展拉格朗日表达式的最优解，迭代表达式为：
（8）
（9）
（10）
其中n表示当前迭代次数，进行VMD分解要先初始化再进行迭代，表示/>的傅里叶变换。迭代停止条件为：
（11）
设定迭代判定精度，当达到停止条件时，停止式（8）-式（10）的迭代，并得到k个IMF分量。经过实验，选取/>，/>，/>，能够得到较好的分解效果，得到从低频到高频的/>3个IMF分量。其中/>是IMF1分量，属于低频信号，包含了心磁信号灰度图中的整体信息，而/>和/>分别对应IMF2和IMF3分量，包含了灰度图/>中的细节和边缘信息。
如图5、图6及图7所示，是经过步骤S106将灰度图像分解得到的3个IMF分量，其中IMF1是低频分量，IMF2和IMF3是高频分量，可以看到IMF1包含了图像的整体信息，而IMF2和IMF3包含了图像的细节、纹理等高频信息。
S107:灰度图是单通道图像，每个像素只有一个分量，RGB图像是三通道图像，每个像素有3个分量，为了得到心磁信号彩色特征图，将得到的3个IMF分量分别作为彩色图像RGB三通道的输入，得到彩色增强后的图像，从而实现基于频域的伪彩色增强，得到清晰度和纹理细节更显著的心磁信号彩色特征图。
由于人眼对绿色更敏感，而IMF1分量属于低频分量，包含了心磁灰度图中的整体信息，所以选择将IMF1分量作为G通道的输入，IMF2和IMF3分别作为R和B通道输入，由此合成心磁信号的彩色特征图。
如图8所示，是生成的心磁信号彩色特征图，将图7所示的3个IMF分量分别作为RGB三基色分量，得到对频率敏感的伪彩色图像，与图3所示未经任何处理的心磁信号灰度图相比，图8所示心磁彩色特征图对比度更高，更加清晰，纹理细节更显著。
如图9所示，是跳过了步骤C，直接对图3所示的心磁信号灰度图像进行步骤D操作得到的彩色特征图，与图8相比，图9的细节信息不够突出，但是与图3所示灰度图像相比，图像整体亮度有所提高，细节信息得到了一定程度的增强。
综上所述，本发明实施例公开了一种基于频域伪彩色增强的心磁信号特征图像生成方法，包括如下步骤：（1）对实测心磁信号进行分段聚合近似（PiecewiseAggregationApproximation，PAA）操作，通过计算心磁序列每相邻2个点的平均值作为新序列的值来聚合时间序列以减小磁序列长度。（2）将经过步骤1后的心磁序列经过格拉姆角场(GramianAngularField，GAF)转换为对应的格拉姆矩阵，将一维心磁信号转化为二维灰度图像。（3）将得到的二维灰度图像经过小波变换进行增强，选取db1小波作为小波基函数，得到对比度增强的灰度图像。（4）对增强后的灰度图像使用变分模态分解（VariationalModeDecomposition，VMD）进行伪彩色处理，得到心磁信号彩色特征图。本发明以一维心磁信号构成格拉姆矩阵，生成了心磁信号的灰度特征图像，通过小波变换进行灰度图增强，再经过频域伪彩色增强，将其转化为彩色特征图，得到了图像清晰度高、纹理细节显著的心磁信号特征图像。
又一方面，本发明还公开一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述方法的步骤。
再一方面，本发明还公开一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上方法的步骤。
在本申请提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一频域伪彩色增强的心磁信号特征图像生成方法。
可理解的是，本发明实施例提供的系统与本发明实施例提供的方法相对应，相关内容的解释、举例和有益效果可以参考上述方法中的相应部分。
本申请实施例还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信，
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述频域伪彩色增强的心磁信号特征图像生成方法。
上述电子设备提到的通信总线可以是外设部件互连标准（英文：PeripheralComponentInterconnect，简称：PCI）总线或扩展工业标准结构（英文：ExtendedIndustryStandardArchitecture，简称：EISA）总线等。该通信总线可以分为地址总线、数据总线、控制总线等。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器（英文：RandomAccessMemory，简称：RAM），也可以包括非易失性存储器（英文：Non-VolatileMemory，简称：NVM），例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器（英文：CentralProcessingUnit，简称：CPU）、网络处理器（英文：NetworkProcessor，简称：NP）等；还可以是数字信号处理器（英文：DigitalSignalProcessing，简称：DSP）、专用集成电路（英文：ApplicationSpecificIntegratedCircuit，简称：ASIC）、现场可编程门阵列（英文：Field-ProgrammableGateArray，简称：FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如同轴电缆、光纤、数字用户线（DSL））或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质（例如固态硬盘SolidStateDisk(SSD)）等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
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 (5)
1.一种频域伪彩色增强的心磁信号特征图像生成方法，其特征在于，包括以下步骤：
步骤A：对实测心磁信号进行PAA操作，通过计算心磁信号序列每相邻2个点的平均值作为新序列的值来聚合时间序列以减少心磁信号序列长度；
步骤B：将经过步骤A的心磁序列通过GAF转换为对应的格拉姆矩阵，将一维心磁信号转化为二维灰度图像；
步骤C：将得到的二维灰度图像经过小波变换进行增强，选取db1小波作为小波基函数，得到对比度增强的灰度图像；
步骤D：对增强后的灰度图像使用VMD进行伪彩色处理，得到清晰度和细节都满足设定的心磁信号彩色特征图；
所述步骤D：对增强后的灰度图像使用VMD进行伪彩色处理，得到清晰度高、细节更显著的心磁信号彩色特征图，其包括如下具体步骤：
S106：将灰度图进行二维VMD分解，将原始灰度图分解为多个固有模态函数，每个IMF表示了原信号在不同频率和振幅上的成分；在进行VMD分解前，需要预先设定待分解的IMF个数k，从而得到频率从低到高分布的k个IMF分量，二维VMD算法中涉及的约束变分模型为：
（6）
表示分解后的第k个IMF模态分量，/>表示第k个IMF分量的解析信号，/>是第k个模态分量的中心频率，/>表示内积操作；/>表示第k个模态的二次惩罚因子，/>符号表示矢量微分算子，/>表示矩阵2范数的平方，/>是输入二维信号，这里将灰度图像/>作为输入的二维信号/>；
使用拉格朗日乘子法将约束最小化问题转化为无约束问题，引入拉格朗日乘子，扩展得到的拉格朗日表达式为：
（7）
其中表示所有IMF分量的集合，/>表示所有模态分量中心频率的集合，采用交替方式乘子算法更新迭代求解(7)式中的鞍点，在频域迭代更新/>，/>和/>得到扩展拉格朗日表达式的最优解，迭代表达式为：
（8）
（9）
（10）
其中n表示当前迭代次数，进行VMD分解要先初始化再进行迭代，表示/>的傅里叶变换，迭代停止条件为：
（11）
设定迭代判定精度，当达到停止条件时，停止式（8）-式（10）的迭代，并得到k个IMF分量；选取/>，/>，/>，能够得到较好的分解效果，得到从低频到高频的/>3个IMF分量；其中/>是IMF1分量，属于低频信号，包含了心磁信号灰度图/>中的整体信息，而/>和/>分别对应IMF2和IMF3分量，包含了灰度图/>中的细节和边缘信息；
S107:灰度图是单通道图像，每个像素只有一个分量，RGB图像是三通道图像，每个像素有3个分量，为了得到心磁信号彩色特征图，将得到的3个IMF分量分别作为彩色图像RGB三通道的输入，得到彩色增强后的图像，从而实现基于频域的伪彩色增强，得到清晰度和纹理细节更显著的心磁信号彩色特征图；
选择将IMF1分量作为G通道的输入，IMF2和IMF3分别作为R和B通道输入，由此合成心磁信号的彩色特征图。
2.根据权利要求1所述的频域伪彩色增强的心磁信号特征图像生成方法，其特征在于：所述步骤A：对实测心磁信号进行PAA操作，计算心磁序列每相邻2个点的平均值并将其作为新序列的值来聚合时间序列以减少心磁序列长度，其具体包括如下步骤：
S101、心磁数据是通过超导量子干涉仪在人体胸部上方的36个相邻位置测得获取的，心磁信号的采样率为1000Hz，每个数据点之间的间隔是0.001秒，选取其中一个测量点的一个周期内心磁序列，将其记为，其数值单位：皮伏，该周期内数据点个数记为2N；
对取得的心磁序列进行PAA操作，减少后续的计算量并较好地保留原信号所包含信息；从心磁序列第一个采样点开始，选取相邻两个点求平均值，取/>的第一个采样点和第二个采样点并求其平均值，将得到的结果作为新序列的第一个值，取/>的第三个点和第四个采样点并求其平均值，作为新序列的第二个值，依次类推，得到缩减后的心磁序列，序列长度为/>。
3.根据权利要求2所述的频域伪彩色增强的心磁信号特征图像生成方法，其特征在于：所述步骤B：将经过步骤A后的心磁序列通过GAF转换为对应的格拉姆矩阵，将一维心磁信号转化为二维灰度图像，其包括如下具体步骤：
S102：将心磁时间序列的值缩放至[-1，1]的范围内，即余弦函数值内，以便于时间序列由直角坐标系向极坐标系转换；相应变换式为：
（1）
其中，表示的是心磁序列/>中的最大值，/>表示的是/>的最小值，/>表示的是缩放后的心磁序列，序列/>值的范围均在/>之间；
S103:将缩放后的心磁序列经过式（2）映射到极坐标下：
（2）
其中，N是心磁序列的长度，i表示心磁序列/>中第i个数据点，/>表示经过反余弦函数转化的极坐标下的角度，单位：弧度，/>表示极坐标下的极径，其范围在[0，1]之间；
S104:利用格拉姆角场，将以时间维度表示的心磁序列转化为基于余弦函数的格拉姆角和场矩阵，其计算式为：
（3）
经过计算得到心磁序列对应的格拉姆矩阵，将其进行归一化处理，归一化公式为：
（4）
其中，和/>分别表示GASF矩阵中的最小值和最大值，经过归一化后GASF矩阵里的每个元素的值都被缩放到/>之间，将其显示为灰度图像I，其大小为。
4.根据权利要求3所述的频域伪彩色增强的心磁信号特征图像生成方法，其特征在于：所述步骤C：将心磁信号二维灰度图像经过小波变换，得到对比度增强的灰度图像，其具体包括如下步骤：
S105：对心磁信号灰度图像I进行小波分解，选取db1小波作为小波基函数，分解层数设为一层，对分解得到的小波低频系数L进行处理，如式（5）所示：
（5）
其中，，为处理前的小波低频系数，/>为处理后的小波低频系数，/>为小波低频系数L的方差，计算得/>，/>为低频系数L的均值，计算得/>，T为阈值，取值为/>，计算得/>；用处理后的低频系数代替原来低频系数进行二维小波重构，得到对比度增强的灰度图像，并用/>表示。
5.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至4中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311566678.1A CN117274117B (zh) | 2023-11-23 | 2023-11-23 | 频域伪彩色增强的心磁信号特征图像生成方法及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311566678.1A CN117274117B (zh) | 2023-11-23 | 2023-11-23 | 频域伪彩色增强的心磁信号特征图像生成方法及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117274117A CN117274117A (zh) | 2023-12-22 |
| CN117274117B true CN117274117B (zh) | 2024-02-02 |
Family
ID=89209158
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311566678.1A Active CN117274117B (zh) | 2023-11-23 | 2023-11-23 | 频域伪彩色增强的心磁信号特征图像生成方法及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117274117B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101866638A (zh) * | 2010-07-09 | 2010-10-20 | 北京理工大学 | 一种led背光源驱动控制信号的确定方法 |
| CN104881847A (zh) * | 2015-04-17 | 2015-09-02 | 广西科技大学 | 一种基于小波分析和伪彩色处理的比赛视频图像增强方法 |
| CN108985357A (zh) * | 2018-06-29 | 2018-12-11 | 湖南理工学院 | 基于图像特征的集合经验模态分解的高光谱图像分类方法 |
| CN109253882A (zh) * | 2018-10-08 | 2019-01-22 | 桂林理工大学 | 一种基于变分模态分解和灰度共生矩阵的转子裂纹故障诊断方法 |
| CN109359506A (zh) * | 2018-08-24 | 2019-02-19 | 浙江工业大学 | 一种基于小波变换的心磁信号降噪方法 |
| CN112652326A (zh) * | 2020-11-18 | 2021-04-13 | 西北工业大学 | 基于伪彩色时频图像及卷积网络的环境声音识别方法 |
| CN114112400A (zh) * | 2021-12-01 | 2022-03-01 | 盐城工学院 | 一种基于多角度信息融合的机械轴承故障诊断方法 |
| CN114325072A (zh) * | 2022-03-14 | 2022-04-12 | 南昌航空大学 | 基于格拉姆角场编码的铁磁谐振过电压识别方法及装置 |
| CN114569116A (zh) * | 2022-01-13 | 2022-06-03 | 复旦大学 | 基于三通道图像及迁移学习的心冲击图室颤辅助诊断系统 |
| CN114970326A (zh) * | 2022-05-08 | 2022-08-30 | 东北石油大学 | 一种基于改进胶囊神经网络的油井故障诊断方法 |
| CN116965822A (zh) * | 2023-09-25 | 2023-10-31 | 合肥工业大学 | 心磁彩色空间圆图生成及波段时间识别方法及存储介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8417005B1 (en) * | 2011-09-15 | 2013-04-09 | Sunnybrook Health Sciences Centre | Method for automatic three-dimensional segmentation of magnetic resonance images |
| WO2017205382A1 (en) * | 2016-05-23 | 2017-11-30 | The University Of New Hampshire | Techniques for empirical mode decomposition (emd)-based signal de-noising using statistical properties of intrinsic mode functions (imfs) |
| WO2018148153A1 (en) * | 2017-02-08 | 2018-08-16 | Giant Leap Holdings, Llc | Light steering and focusing by dielectrophoresis |
| US10206602B2 (en) * | 2017-04-05 | 2019-02-19 | LR Technologies, Inc. | Hybrid electromagnetic field signal detection system for human bioelectrical signal monitoring |
| EP4150584A1 (en) * | 2020-05-14 | 2023-03-22 | Siemens Energy Global GmbH & Co. KG | Method of converting time series data into an image |
-
2023
- 2023-11-23 CN CN202311566678.1A patent/CN117274117B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101866638A (zh) * | 2010-07-09 | 2010-10-20 | 北京理工大学 | 一种led背光源驱动控制信号的确定方法 |
| CN104881847A (zh) * | 2015-04-17 | 2015-09-02 | 广西科技大学 | 一种基于小波分析和伪彩色处理的比赛视频图像增强方法 |
| CN108985357A (zh) * | 2018-06-29 | 2018-12-11 | 湖南理工学院 | 基于图像特征的集合经验模态分解的高光谱图像分类方法 |
| CN109359506A (zh) * | 2018-08-24 | 2019-02-19 | 浙江工业大学 | 一种基于小波变换的心磁信号降噪方法 |
| CN109253882A (zh) * | 2018-10-08 | 2019-01-22 | 桂林理工大学 | 一种基于变分模态分解和灰度共生矩阵的转子裂纹故障诊断方法 |
| CN112652326A (zh) * | 2020-11-18 | 2021-04-13 | 西北工业大学 | 基于伪彩色时频图像及卷积网络的环境声音识别方法 |
| CN114112400A (zh) * | 2021-12-01 | 2022-03-01 | 盐城工学院 | 一种基于多角度信息融合的机械轴承故障诊断方法 |
| CN114569116A (zh) * | 2022-01-13 | 2022-06-03 | 复旦大学 | 基于三通道图像及迁移学习的心冲击图室颤辅助诊断系统 |
| CN114325072A (zh) * | 2022-03-14 | 2022-04-12 | 南昌航空大学 | 基于格拉姆角场编码的铁磁谐振过电压识别方法及装置 |
| CN114970326A (zh) * | 2022-05-08 | 2022-08-30 | 东北石油大学 | 一种基于改进胶囊神经网络的油井故障诊断方法 |
| CN116965822A (zh) * | 2023-09-25 | 2023-10-31 | 合肥工业大学 | 心磁彩色空间圆图生成及波段时间识别方法及存储介质 |
Non-Patent Citations (8)
| Title |
|---|
| Development of EMD-Based Denoising Methods Inspired by Wavelet Thresholding;Yannis Kopsinis，et al;IEEE Transactions on Signal Processing;第57卷(第4期);1351 - 1362 * |
| Performance Comparison of Variational Mode Decomposition over Empirical Wavelet Transform for the Classification of Power Quality Disturbances Using Support Vector Machine;C. Aneesh，et al;Elsevier logo Journals & Books Go to journal home page - Procedia Computer Science;第46卷;372-380 * |
| ZHENG LIU,et al.RMCW: An Improved Residual Network With Multi-Channel Weighting for Machinery Fault Diagnosis.IEEE Access.2023,第11卷124472 - 124483. * |
| 基于二维经验模态分解与小波变换的农作物图像去噪;姚宏等;江苏农业科学(第04期);400-402 * |
| 基于小波分析和伪彩色处理的轮毂图像增强;焦腾云等;自动化与仪表(第01期);47-51 * |
| 基于正交小波变换和伪彩色的遥感图像增强;王智文等;计算机测量与控制(第07期);1602-1605 * |
| 基于粒子群优化和小波变换的视频水印算法;方旺盛等;电视技术(第01期);8-14 * |
| 心磁信号插值处理的相关性研究;陈浩等;合肥工业大学学报(自然科学版)(第02期);200-204 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117274117A (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108537794B (zh) | 医学图像数据处理方法、装置和计算机可读存储介质 | |
| Kilner et al. | Topological inference for EEG and MEG | |
| Najarian et al. | Biomedical signal and image processing | |
| US11341616B2 (en) | Methods and system for selective removal of streak artifacts and noise from images using deep neural networks | |
| Gross et al. | Properties of MEG tomographic maps obtained with spatial filtering | |
| Hussein et al. | Fully‐automatic identification of gynaecological abnormality using a new adaptive frequency filter and histogram of oriented gradients (HOG) | |
| Na et al. | Guided filter‐based images fusion algorithm for CT and MRI medical images | |
| CN116503507B (zh) | 基于预训练模型的磁粒子图像重建方法 | |
| Guo et al. | Over-and-under complete convolutional rnn for mri reconstruction | |
| Moreno López et al. | Evaluation of MRI denoising methods using unsupervised learning | |
| Mohsen et al. | AI aided noise processing of spintronic based IoT sensor for magnetocardiography application | |
| CN112070785A (zh) | 一种基于计算机视觉的医学图像分析方法 | |
| CN116630762B (zh) | 一种基于深度学习的多模态医学图像融合方法 | |
| Salleh et al. | Acoustic cardiac signals analysis: a Kalman filter–based approach | |
| CN110197472B (zh) | 一种用于超声造影图像稳定定量分析的方法和系统 | |
| CN117274117B (zh) | 频域伪彩色增强的心磁信号特征图像生成方法及存储介质 | |
| Cao et al. | Morphology extraction of fetal ECG using temporal CNN-based nonlinear adaptive noise cancelling | |
| WO2020253138A1 (zh) | 一种分类方法、装置、设备和存储介质 | |
| CN109584322B (zh) | 基于频域方向平滑Shearlet医学PET图像去噪方法 | |
| Bagaria et al. | A wavelet-based segmentation technique for medical images | |
| CN116712056A (zh) | 心电图数据的特征图像生成与识别方法、设备及存储介质 | |
| Wong et al. | A bayesian residual transform for signal processing | |
| Mvuh et al. | Multichannel high noise level ECG denoising based on adversarial deep learning | |
| Shukla et al. | A comparative study to detect tumor in brain MRI images using clustering algorithms | |
| CN114171045A (zh) | 一种音频降噪方法和系统 |
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 |