[0005] 本发明的目的是克服现有技术存在的问题,提出了基于非线性动力学特征的心电向量图分类方法,首次将非线性动力学特征运用在心电向量图分类上,提取嵌入维数、延迟时间、Kolmogorov熵、关联维数、Lyapunov最大指数谱、近似熵、样本熵、模糊熵、LC复杂度和C0复杂度10个非线性动力学特征,用于心电向量图的分类预测。提供一种更为准确的描述心电信号的特征的基于非线性动力学特征的心电向量图分类方法。
[0006] 本发明的具体技术方案通过如下步骤实现:
[0007] 步骤1、获取三导联心电向量图信号;
[0008] 提取三维心电向量图信号,以矩阵形式存储,构成一组心电向量图信号变量;
[0009] 步骤2、数据预处理;
[0010] 对步骤1中获得的心电向量图信号进行中值滤波处理,去除基线漂移、肌肉噪声、电源干扰;
[0011] 步骤3、非线性动力学特征提取;
[0012] 将步骤2预处理后的心电向量图信号分别计算十个非线性动力学指标:嵌入维数、延迟时间、Kolmogorov熵、关联维数、Lyapunov最大指数谱、近似熵、样本熵、模糊熵、LZ复杂度和C0复杂度;
[0013] 步骤4:归一化处理并特征融合;
[0014] 将步骤3中计算的十个非线性动力学指标分别进行归一化处理,对特征进行部分和全部融合;
[0015] 步骤5:分类识别;
[0016] 将步骤4中融合后的特征进行监督学习分类器的训练,根据训练模式与测试模式之间关于非线性动力学指标间的差异,实现心电向量图的分类;
[0017] 步骤1中所述的心电向量图信号获取,是指利用Frank三导联体系来获取三维心电向量图,并以矩阵的方式进行存储,表示为:xi(n),i=1,2,3;n=1,2,...,N,其中i表示第几维数据,N表示心电向量图数据序列的序列长度;
[0018] 步骤2中所述的数据预处理,是指对步骤1中获得的数据进行中值滤波处理,输入心电向量图数据序列xk={xk(n)|n=1,2,...,N},k=1,2,3;定义窗口范围M,对数据序列xk(n‑M),...,xk(n),...,xk(n+M)取中值替代xk(n),即
[0019] yk(n)=med[xk(n‑M),...,xk(n),...,xk(n+M)],
[0020] 其中med[]表示窗口内所有数按从小到大的顺序排序后,取中间值;
[0021] 步骤3中所述的嵌入维数和延迟时间,是指采用改进的C_C法进行提取;提取过程如下:
[0022] 4‑1.输入心电向量图数据序列xk={xk(n)|n=1,2,...,N},k=1,2,3,N为序列的长度;设置延迟时间t和嵌入维数m的区间,在区间内寻找最优值;以t、m重构相空间Xk={Xki(n)},Xki(n)为相空间中的点;
[0023] 4‑2.定义该心电向量图数据序列的关联积分:
[0024]
[0025] 其中,M=N‑(m‑1)t,dkij=||Xki‑Xkj||(∞),θ为Heaviside函数: r为相空间超球体半径;
[0026] 4‑3.将心电向量图数据序列xk={xki|i=1,2,...,N}分解成t个互不重迭的子序列;根据关联积分,定义两个检验统计量:
[0027]
[0028] 4‑4.Sk1(m,r,t)~t反映了心电向量图数据序列的自相关特性;选择最大和最小的两个半径r,定义差量:
[0029] ΔSk1(m,t)=max{Sk1(m,rj,t)}‑min{Sk1(m,rj,t)}
[0030] ΔSk1(m,t)度量了Sk1(m,r,t)~t对所有半径r的最大偏差;Sk1(m,r,t)~t的第一个局部极小点ΔSk1(m,t)所对应的最优时延τd为该心电向量图数据序列的延迟时间t;
[0031] 4‑5对于周期为T的心电向量图数据序列,当固定m,r,N→∞时,t=aT,既是Sk1(m,N,r,t)的局部极大值点又是Sk2(m,N,r,t)的零点,a为大于零的整数;因此寻找|Sk1(t)‑Sk2(t)|的周期点作为最优嵌入窗τω;该心电向量图数据序列的嵌入维数Mk:
[0032]
[0033] 步骤3中所述的Kolmogorov熵和关联维数,是指采用G_P算法进行提取;提取过程如下:
[0034] 5‑1根据步骤4确定输入的心电向量图数据序列xk={xk(n)|n=1,2,...,N}的延迟时间t,设置嵌入维数m区间以及间隔值s,以t、m重构相空间Xk={Xki(n)},Xki(n)为相空间中的点;
[0035] 定义关联积分
[0036] 其中,l是尺度,θ为Heaviside函数:
[0037]
[0038] 5‑2已知在l→0时,关联积分 与l存在以下关系:
[0039] 其中Dk为关联维数;
[0040] 5‑3定义心电向量图数据序列的K熵为:
[0041] 其中
[0042] 5‑4在嵌入维数按等间隔s不断增加的情况下,在无标度区间内作上式的等斜率线性回归,可同时得到心电向量图数据序列的关联维数D和Kolmogorov熵的稳定估计;
[0043] 在 关系的无标度区间内,令 有yij=axij‑bi;利用最小二乘法,求a和bi的最优估计
[0044] 得 其中
[0045] 该心电向量图数据序列第k维的关联维数Dk:
[0046] Kolmogorov熵:
[0047] 步骤3中所述的Lyapunov最大指数谱,是指采用如下方法进行提取:
[0048] 6‑1根据4‑1,该心电向量图数据序列的相空间轨道演化可以视为xk→Xk的映射Fkn(x),该心电向量图数据序列的微分方程: 其中xk∈R ,且切空间中点xk(t)处切向量ek的演化方程为: 式中,T是F的Jacobi矩阵,解可以表示为:
ek(t)=U(t,ek(0)),其中U:ek(0)→ek(t)是线性算子映射,这个映射U的渐进行为可以用指数刻画为:
[0049]
[0050] 6‑2心电向量图数据序列的Lyapunov指数定义为上述重复过程的平均数:
[0051]
[0052] 6‑3该心电向量图数据序列第k维的Lyapunov最大指数谱定义为:
[0053]
[0054] 步骤3中所述的近似熵,是指采用如下方法进行提取:
[0055] 7‑1输入心电向量图数据序列xk={xk(n)|n=1,2,...,N},k=1,2,3;重构m维向量:
[0056] Xk(1),Xk(2),....,Xk(N‑m+1)*
[0057] 7‑2计算心电向量图数据序列中任意向量Xk, 之间的距离d[Xk,Xk]:
[0058]
[0059] 其中,uk(a)为向量Xk的元素;
[0060] 7‑3设定阈值r,统计重构的心电向量图数据序列中满足d[Xk(i),Xk(j)]≤r条件的Xk(j)向量个数S;
[0061] 定义 其中j的取值范围为[1,N‑m+1],包括j=i;
[0062] 7‑4记 则该心电向量图数据序列第k维的近似熵(ApEn)定义为:
[0063]
[0064] 步骤3中所述的样本熵,是指采用如下方法进行提取:,
[0065] 8‑1根据7‑1和7‑2,设定阈值r,统计重构的心电向量图数据序列中满足d[Xk(i),Xk(j)]≤r条件的Xk(j)向量个数S;
[0066] 定义 其中j的取值范围为[1,N‑m+1],包括j≠i;
[0067] 8‑2对心电向量图数据序列所有的i值得平均值,记为
[0068]
[0069] 8‑3重复8‑1和8‑2,设定阈值r,统计重构的心电向量图数据序列中满足d[Xk(i),Xk(j)]≤r条件的Xk(j)向量个数S;
[0070] 记
[0071] 8‑4该心电向量图数据序列第k维的样本熵:
[0072]
[0073] 步骤3中所述的模糊熵提取方法,是指如下方法:
[0074] 9‑1输入心电向量图数据序列xk={xk(n)|n=1,2,...,N},k=1,2,3;重构m维心电向量图数据序列的相空间:
[0075] Xk(i)=[uk(i),uk(i+1),...,uk(i+m‑1)]‑uk0(i),i=1,2,...,N‑m+1[0076] 其中,
[0077] 9‑2引入模糊隶属度函数:
[0078] 对于i=1,2,...,N‑m+1,计算
[0079] 其中 为窗口向量Xk(i)和Xk(j)之间的最大绝对距离;
[0080] 9‑3对心电向量图数据序列所有的i值得平均值
[0081]
[0082] 9‑4定义 该心电向量图数据序列第k维的模糊熵估计为:
[0083]
[0084] 步骤3中所述的LZ复杂度提取方法,是指如下方法:
[0085] 10‑1输入心电向量图数据序列xk={xk(n)|n=1,2,...,N},k=1,2,3;
[0086] 10‑2定义c为该心电向量图数据序列中新出现模式的次数;
[0087] 10‑3该心电向量图数据序列第k维Lempel‑Ziv复杂度:
[0088]
[0089] 其中,l为粗粒化段数,n为输入的心电向量图数据序列的长度;
[0090] 步骤3中所述的C0复杂度提取方法,是指如下方法:
[0091] 11‑1输入心电向量图数据序列xk={xk(n)|n=1,2,...,N},k=1,2,3;
[0092] 11‑2计算该心电向量图数据序列第k维的快速傅里叶变换Dk(z):
[0093]
[0094] 11‑3计算所得快速傅里叶变换项Dk(z)的均方值Gk:
[0095]
[0096] 并得到一个新的序列Yk(z):
[0097]
[0098] 11‑4计算Yk(z)序列的快速傅里叶逆变换:
[0099]
[0100] 该心电向量图数据序列第k维的C0复杂度:
[0101]
[0102] 步骤4中所述的特征归一化处理是指,运用min‑max方法对特征数据进行归一化处理,其计算方法如下:
[0103] 假设对于序列a1,a2,···,an进行变换: 则新序列b1,b2,···,bn∈[0,1]。
[0104] 步骤五5中所述的分类识别,是指将异常心电向量图和正常心电向量图一起进行监督学习分类器的训练,用未参与训练的数据进行测试。
[0105] 本发明与现有技术相比,具有如下优点和有益效果:
[0106] 1、与传统的基于图形形态特征的心电向量图分类方法相比,本发明方法首次将非线性动力学分析的思路运用到心电向量图分类,提取10个非线性动力学特征用于正常与异常心电向量图的分类。
[0107] 2、与传统的基于图形形态特征的心电向量图分类方法相比,本发明方法所提出的非线性动力学特征有较大的优势,能较全面的将心电向量图的内在特征提取出来,准确度高于90%,分类效果更好。