CN1887223A

CN1887223A - 心脏状态的实时趋势动力学特征分析方法

Info

Publication number: CN1887223A
Application number: CN 200610052490
Authority: CN
Inventors: 陈杭; 刘峰; 叶树明; 顾斐; 吕维敏
Original assignee: Zhejiang University ZJU
Current assignee: Zhejiang University ZJU
Priority date: 2006-07-17
Filing date: 2006-07-17
Publication date: 2007-01-03
Anticipated expiration: 2026-07-17
Also published as: CN100415159C

Abstract

本发明公开了一种心脏状态的实时趋势动力学特征分析方法。由高输入阻抗、低噪声、高共模抑制比多通道心电放大器，12位A/D转换板获得心电波形；采用时空相关技术和散点图技术，形成时间序列相关心率变异时空散点图；自动和人工交互提取时序相关特征参数，短时－实时特征转变图谱参数，提取特征图谱时空量化参数指标；对上述图谱及其量化参数指标进行人工神经网络分类：参数指标在两个分别由9个准静态时序离散度特征参数集合和5个动态趋势特征参数集合构成的9维与5维空间来刻画时序心率变异的动力学特征和相关不变性特征，存在两个独立曲面及其交界来表征心脏功能的正常，异常和关键的临界状态。用于早期心脏病理动力学趋势的分类预测。

Description

心脏状态的实时趋势动力学特征分析方法

技术领域

本发明涉及一种用于诊断目的的探测测量方法。尤其涉及一种基于时序相关散点图技术的心脏疾病早期分析和心脏动力学特征识别方法。

背景技术

反映心率变异性的Poincare散点图的图形特征参数与许多心脏疾病包括心室传导阻滞、心肌缺血、心肌损伤、交感-副交感调节和体液调节能力有着密切关系。用心率变异性检测评估自律心率控制能力的方法已经成为心脏血管功能的关键信息来源。特别是，它已经作为急性心肌缺血患者的阴性预后的独立判断标识。多年来国内外学者通过时域分析和频域分析，已经证实心率变异性对心脏疾病动态趋势变化具有很强和简洁的敏感性表征，因此在临床心卒和猝死具有早期分析的预测的重要意义。但是没有明确地引入时间信息标尺，不能划分短时心脏活动的状态，不能以时域尺度刻画心脏状态的稳定行和心脏状态的动力学适应性。因而不能全面的描述心脏的当前的生理/病理特征和具有预后行的趋势特征。

小波变换(Wavelet transform，WT)是一种线性运算，它对信号进行不同尺度的分解，能将各种交织在一起的不同频率组成的混合信号分解成不同频率的块信号，可有效地应用于信号分离和ECG复杂波的识别，提高时频两域的分辨率等。将它与时域极值方法结合起来分析可以获得精确的RR间期参数。

神经网络分析系统，以模仿人脑功能，完成类似人脑的工作，是生理学上的真实人脑神经网络的结构和功能，以及若干基本特性的某种理论抽象、简化和模拟而构成的一种信息处理系统。从系统观点来看，这种人工神经网络是有大量神经元通过极其丰富和完善的联接而构成的自适应非线性动态系统。由于神经元之间有着不同的联接方式，所以可组成不同结构形态的神经网络系统。误差反向传播算法(BP算法)网络以及自适应谐振理论算法(ART2)网络均有很好的系统辨识与分类能力。

发明内容

本发明的目的在于：提供一种基于时间序列的心率变异离散图，实现心脏状态的实时趋势动力学特征分析方法。

本发明采用的技术方案如下：

1、用体表电极和高输入阻抗、低噪音、高共模抑制比以及宽带多通道心电放大器得到心电模拟信号，再由12位A/D转换器获得数字心电波形；采用小波变换和极值获得QRS复杂波形位置，并通过RR波峰的时间间隔形成RR(n)/RR(n+1)的表达心率变异率的散点图；再从散点图中生成不同时间间隔的短时散点图形成时序散点图，以分钟作为短时散点图的最小间隔，通过时序散点图提取丰富的心脏动力学状态特征参数和趋势特征参数；时间序列节点内离散度参数；时间序列节点间离散度参数；时间序列节点内离散度描述了心脏动力学状态的稳定度；时间序列节点间离散度距离描述了心脏动力学状态的迁移转换特性；状态稳定度和迁移转换特性表征了心脏的适应性以及体液、交感-副交感神经系统活动影响。

2、对上述时间序列节点内离散度参数，时间序列节点间离散度参数进行人工神经网络的分类分析，分析结果由14个特征参数分别构成9维和5维空间，综合决定心率变异离散度的性质，存在一个14维的曲面，14维曲面将分为3个部分：心脏功能的正常、异常以及过渡区域；BP网络中确定网络隐层为一层；网络的输入层的神经元个数N由上述特征参数的个数选定了总共9个特征参数，这样输入层神经元需要9个；隐层神经元个数M的选择依据经验公式

P < Σ_{i = 0}^{N} C_{M}^{i} (C_{m}^{i} = 0, i > M)

其中P是训练库的样本个数，隐层神经元个数与训练的样本个数相关，式中M与P均跟网络拟合的非线性关系的复杂程度相关；网络的输出层神经元个数K由需要分类的种数决定；

本发明的特点是：将多通道心电波形的检测、先进的极值定位、小波变换、独特的自动时序心率变异散点图形识别及其参数化提取与人工神经网络的分类分析方法进行有机结合，多个时序心率变异离散图参数在多维空间中拟合多维曲面进行分类的创新方法对临床多种心脏病，特别是心肌缺血心脏病的分析、状态变迁趋势和预测具有重要的意义。用于早期心脏病理动力学趋势的分类预测。

附图说明

图1.POINCARE心率变异散点图及其轮廓表示；

图2.心率变异散点图构造方法；

图3.散点集合准静态图形参数描述图；

图4.准静态参数BP逻辑图；

图5.动态参数BP逻辑图；

图6.ART2神经网络逻辑图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

1.RR心电图间期的获得。心电波形由如下装置获得，装置由体表电极和高输入阻抗、低噪声、高共模抑制比心电放大器；12位A/D转换器；XSCAL ARM嵌入式处理系统；

2.时序心率离散变异散点分析方法以及提取心脏动力学特征参数和趋势特征参数的分析方法：

a)小波变换从3/5导联ECG的QRS波群的提取出RR间期。如图2右子图所示计算RR间期，如图2左子图所示计算得到散点图坐标点，当前RR间隔(RR_n+1)对前一个RR间期(RR_n+1)构成一个序偶二维坐标(RR_n+1，RR_n)，一系列的序偶二维坐标点集合构成的反映心率变动性(HRV)的可视化散点图又称为Poincare散点图。

b)构造生成不同时间间隔的短时散点图形成时序散点图(以分钟作为短时散点图的最小间隔)，并且如图1和图2所示可采用全自动方法和人机交互方法计算确定散点集合轮廓特征参数(其轮廓线可以按照图1A的包络曲线或者按照图1B的平行四边形周线计算)：散点集合质心位置、正交轴向角、轮廓正交轴向顶点、基于质心正交轴向离散度、散点集合密度(轮廓闭合曲线面积)、最大/最小RR、最大/最小ΔRR等9个主要参数以及如图1和图3的轮廓内疏密点集子聚合区形状、位置、数量等多个辅助参数。其中每个点集子聚合区也可以计算9个主要准静态特征参数。9个主要准静态特征参数在多维空间是相互独立(正交必要但不充分完备)；

c)序心率变异散点图的表示方法：颜色维标记时间序列与二维心率变异散点图构成颜色三维时序心率变异散点图；或者与二维心率变异散点图坐标正交的时间轴构成空间三维时序心率变异散点图。其中散点集合可以用集合质心与集合轮廓表示成简洁三维时序心率变异散点图。

d)提取心脏动力学状态特征参数及其趋势特征参数：二维空间质心运动参数(方向θ、速度ν)、散点集合密度变化率，散点集合轮廓轴向伸缩运动参数(扩张率、收缩率)、散点集合轮廓质心为圆点旋转运动参数(角速度ω)以及质心运动轨迹图谱。

3.人工神经网络分析特征参数获得病理特征分类和趋势特征分类结果。

从临床的原始动态心电数据出发得到病理特征分类和动态特征分类以及趋势预测的心电数据集合。如图4～5，准静态参数和时序动态参数每个分类各包含64个训练数据集作为人工神经网络输入数据集合。这两类相同结构都利用ART2自适应学习网络(如图6)在实际应用中分别对应于病理准静态特征分类和动态趋势特征进行分类分析。ART2神经网络实际上按照训练数据在模式空间中相聚的距离远近进行分类，如图在训练过程中，包括准静态特征参数描述和动力学特征及趋势特征参数描述的两个训练集合，分别进行训练得到两个特征空间集。这两个空间集合就是分类的结果。

在实际分类分析工作中，如果出现准静态特征参数描述误差，通过匹配器触发个体差异性自学习事件；如果出现准动力学特征及趋势特征参数描述误差，触发指导教师存在的人工神经网络自学习过程，自学习过程结果获得病理特征演化的可视化预测信息并进行可视化病理变迁预测。

Claims

1、一种心脏状态的实时趋势动力学特征分析方法，其特征在于：用体表电极和高输入阻抗、低噪音、高共模抑制比以及宽带多通道心电放大器得到心电模拟信号，再由12位A/D转换器获得数字心电波形；采用小波变换和极值获得QRS复杂波形位置，并通过RR波峰的时间间隔形成RR(n)/RR(n+1)的表达心率变异率的散点图；再从散点图中生成不同时间间隔的短时散点图形成时序散点图，以分钟作为短时散点图的最小间隔，通过时序散点图提取丰富的心脏动力学状态特征参数和趋势特征参数；时间序列节点内离散度参数；时间序列节点间离散度参数；时间序列节点内离散度描述了心脏动力学状态的稳定度；时间序列节点间离散度距离描述了心脏动力学状态的迁移转换特性；状态稳定度和迁移转换特性表征了心脏的适应性以及体液、交感—副交感神经系统活动影响。

2、根据权利要求1所述的一种心脏状态的实时趋势动力学特征分析方法，其特征在于：对上述时间序列节点内离散度参数，时间序列节点间离散度参数进行人工神经网络的分类分析，分析结果由14个特征参数分别构成9维和5维空间，综合决定心率变异离散度的性质，存在一个14维的曲面，14维曲面将分为3个部分：心脏功能的正常、异常以及过渡区域；BP网络中确定网络隐层为一层；网络的输入层的神经元个数N由上述特征参数的个数选定了总共9个特征参数，这样输入层神经元需要9个；隐层神经元个数M的选择依据经验公式

P < Σ_{i = 0}^{N} C_{M}^{i}, (C_{M}^{i} = 0, i > M)

其中P是训练库的样本个数，隐层神经元个数与训练的样本个数相关，式中M与P均跟网络拟合的非线性关系的复杂程度相关；网络的输出层神经元个数K由需要分类的种数决定。