基于多路可视图的健康与心脏疾病患者ECG信号识别方法技术

一种基于多路可视图的健康与心脏疾病患者ECG信号识别方法，适用于临床心脏疾病的检测中使用。采集个体的十二导联ECG信号并组成十二维时间序列，利用可视图算法将十二维时间序列构造为多路可视图，计算层间互信息，并以其为对应连边权重，多路可视图中每一层为节点构造无向加权网络，分析不同尺度因子下的网络参数，寻找最佳序列长度；在此基础上，引入阈值参数，删除权值过小的连边重构加权网络，计算不同阈值下的网络参数，寻找最佳阈值，同时，根据网络参数的显著差异对健康和心脏疾病患者的ECG信号进行识别。其步骤简单，识别效率高，且通过十二导联进行分析，提高对人体生理信号内在机制分析的准确性和系统性。内在机制分析的准确性和系统性。内在机制分析的准确性和系统性。

【技术实现步骤摘要】
基于多路可视图的健康与心脏疾病患者ECG信号识别方法


[0001]本专利技术涉及一种ECG信号识别方法，尤其适用于在各心脏类疾病的检测中使用的一种基于多路可视图的健康与心脏疾病患者ECG信号识别方法

技术介绍

[0002]随着大数据的兴起，多种多样的信息充斥了生活的各个角落且正随时间不断地发生着变化，构成无穷无尽的时间序列，而对于非线性时间序列的研究一直是一个重难点，如何在序列成千上万的数据点中发掘有意义的信息得到了学者们的广泛关注。以往的非线性时间序列分析最常以混沌理论作为基础，例如使用关联维数刻画动力系统特征，使用李雅普诺夫指数进行动力学稳定性测量，利用熵量化轨道未来状态的不确定性等，这些时间序列分析方法如今已经趋于成熟，然而，以上诸多方法仅仅适用于低维的动力系统，且在分析过程中往往涉及参数选择，给最终的分析结果添加了许多人为选择的影响，造成一定的偏差。因此，新的时间序列分析方法应运而生，可视图(Visibility Graph)算法被提出，其主要思想是将时间序列中的数据节点根据一定的映射规则转化为复杂网络中的节点，而两节点间是否连接取决于数据点间是否满足给定的可视性准则。该方法不涉及任何参数的选择，分析过程中的主观性被大大降低。利用可视图算法可以将任意的时间序列转化为复杂网络，通过对复杂网络拓扑结构特征的研究提取新的时间序列特征，从而对其潜在的动力学机制进行更加深入的探究。如今，可视图算法已经在很多领域得到了广泛的使用，且已被证明可以很好的将单变量时间序列转化为复杂网络并提取特征。目前，可视图算法研究的重心仍然在于单变量时间序列，然而，在进行实际研究时遇到的复杂系统演化往往都是由多变量时间序列描述的，因此，利用可视图算法对多维时间序列进行分析是一个亟需解决的问题。
[0003]研究发现，人的心脏系统是一个及其复杂的非线性系统，心电信号(ECG)是记录心电图机采集的心脏在每一个心动周期产生电活动的变化图，不同生理和病理条件下的人群，心脏各部位形体的形态不同、密度各异，ECG信号自然也存在很大的差别。以往用可视图算法对心电信号进行研究时，通常只选取了单一导联下的信号，这令识别结果难免出现偶然性，且若要检测心脏系统的每一个部位，只能重复进行单变量时间序列分析，未免过于繁琐。我们在以上前提下，利用不同人群的十二导联产生的ECG信号分别构造多维时间序列，利用可视图算法对不同病理条件下个体的ECG信号进行识别检测，在各种心脏疾病的临床诊断与检测方面具有重大意义。目前医学上常用的标准十二导联及其位置为：双极肢体心电图导联，包括：I导联：左上肢(+)vs.右上肢(
‑
)，II导联：右上肢(
‑
)vs.左下肢(+)，III导联：左上肢(
‑
)vs.左下肢(+)；单极加压肢体心电图导联，包括：aVR导联：右上肢(+)to[LA&LF](
‑
)，aVL导联：左上肢(+)to[RA&LF](
‑
)，aVF导联：左下肢(+)to[RA&LA](
‑
)，其中RA代表右上肢，LA代表左上肢，LF代表左下肢；胸前导联，包括：V1：胸骨右缘4肋间隙，V2：胸骨左缘4肋间隙，V3：V2与V4的中点，V4：左锁骨中线与5肋间隙交点，V5：V4水平与腋前线交点，V6：V4水平与腋中线交点。

技术实现思路

[0004]针对现有技术的不足之处，提供一种步骤简单，计算复杂度低且识别效果良好的基于多路可视图的健康与心脏疾病患者ECG信号识别方法。
[0005]为实现上述技术目的，本专利技术的一种基于多路可视图的健康与心脏疾病患者ECG信号识别方法，在相同频率下分别采集健康个体和心脏类疾病患者的十二导联ECG信号并组成两组十二维的ECG时间序列，然后利用可视图算法将两组十二个时间序列依次转换为两组十二张可视图，每组十二张可视图组合为一个有十二层的多路可视图，依次计算多路可视图中每两层之间的层间互信息，然后将每一层作为一个节点，将层间互信息作为两节点连边的权重，最终分别生成健康个体和心脏类疾病患者两个全连通的无向加权网络；分别对两个不同加权网络的网络参数进行多尺度分析寻找使得网络参数差值最大的尺度因子，在此尺度因子下，对ECG信号进行识别的效果最好，在此基础上引入阈值参数重新构造无向加权网络，寻找出最佳阈值使得在此阈值下的网络参数差异最大，即识别效果最佳，并计算此时的网络参数用以对不同的ECG信号进行识别。
[0006]具体步骤如下：
[0007]a在相同频率下分别采集健康个体的十二导联ECG信号并组成一个十二维的ECG时间序列，每一维序列的长度为N，具体的健康个体的十二导联的ECG信号组成ECG时间序列x1～x
12
,此ECG时间序列即为十二维的多维时间序列x
N
＝{x1,x2,
…
x
i
,
…
x
N
}；
[0008]b利用可视图算法依次将健康个体的十二个时间序列转换为十二张可视图，然后将十二张可视图构造为一个有十二层的多路可视图之后分别计算多路可视图中每两层之间的层间互信息I；
[0009]c根据多路可视图及其层间互信息I构造健康个体的全连通无向加权网络，其中全连通无向加权网络共有十二个节点，依次由多路可视图的每一层可视图映射得到，节点与节点之间两两相连，并且边的权重为其所连接的两个节点对应的层间互信息I；
[0010]d利用步骤a
‑
步骤c相同的方法，采集心脏疾病患者的十二导联的ECG信号并组成ECG时间序列y1～y
12
，此组成ECG时间序列即为十二维的多维时间序列y
N
＝{y1,y2,
…
y
i
,
…
y
N
}，并构建某心脏类疾病患者的无向全连通加权网络；
[0011]e对健康个体的无向全连通加权网络以及某心脏类疾病患者的无向全连通加权网络的网络参数进行多尺度分析寻找，从而获得对ECG信号进行识别的效果最好的网络参数差值最大的尺度因子γ；
[0012]f引入阈值参数ω，对健康个体和心脏疾病患者分别重新构造无向加权网络；
[0013]g分别对健康人和患者重新构造后的无向加权网络计算网络参数平均权重度<d>，利用网络参数平均权重度<d>选择出能使健康个体和某心脏类疾病患者的网络参数相差最大的阈值ω0，利用阈值ω0重新构造后的无向加权网络识别效果即为最佳；
[0014]h利用阈值ω0分别为健康人和某心脏类疾病患者的多路可视图构造相应的无向加权网络，并通过对两个无向加权网络的拓扑图进行比较，对两类人群对应的无向加权网络进行网络参数分析，实现对健康人与心脏病患者的十二导联ECG信号的识别。
[0015]将两组十二个时间序列依次转换为两组十二张可视图的可视图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多路可视图的健康与心脏疾病患者ECG信号识别方法，其特征在于：在相同频率下分别采集健康个体和某心脏类疾病患者的十二导联ECG信号并组成两组十二维的ECG时间序列，然后利用可视图算法将两组十二个时间序列依次转换为两组十二张可视图，每组十二张可视图组合为一个有十二层的多路可视图，依次计算多路可视图中每两层之间的层间互信息，然后将每一层作为一个节点，将层间互信息作为两节点连边的权重，最终分别生成健康个体和某心脏类疾病患者两个无向的全连通加权网络；分别对两个不同加权网络的网络参数进行多尺度分析寻找使得网络参数差值最大的尺度因子，在此尺度因子下，对ECG信号进行识别的效果最好，在此基础上引入阈值参数重新构造无向加权网络，寻找出最佳阈值使得在此阈值下的网络参数差异最大，即识别效果最佳，并计算此时的网络参数用以对不同的ECG信号进行识别。2.根据权利要求1所述基于多路可视图的健康与心脏疾病患者ECG信号识别方法，其特征在于具体步骤如下：a在相同频率下分别采集健康个体的十二导联ECG信号并组成一个十二维的ECG时间序列，每一维序列的长度为N，具体的健康个体的十二导联的ECG信号组成ECG时间序列x1～x
12
,此ECG时间序列即为十二维的多维时间序列x
N
＝{x1,x2,
…
x
i
,
…
x
N
}；b利用可视图算法依次将健康个体的十二个时间序列转换为十二张可视图，然后将十二张可视图构造为一个有十二层的多路可视图之后分别计算多路可视图每两层之间的层间互信息I；c根据多路可视图及其层间互信息I构造健康个体的全连通无向加权网络，其中全连通无向加权网络共有十二个节点，依次由多路可视图的每一层可视图映射得到，节点与节点之间两两相连，并且边的权重为其所连接的两个节点对应的层间互信息I；d利用步骤a
‑
步骤c相同的方法，采集某心脏类疾病患者的十二导联的ECG信号并组成ECG时间序列y1～y
12
，此组成ECG时间序列即为十二维的多维时间序列y
N
＝{y1,y2,
…
y
i
,
…
y
N
}，并构建某心脏类疾病患者的无向全连通加权网络；e对健康个体的无向全连通加权网络以及某心脏类疾病患者的无向全连通加权网络的网络参数进行多尺度分析寻找，从而获得对ECG信号进行识别的效果最好的网络参数差值最大的尺度因子γ；f引入阈值参数ω，对健康个体和心脏疾病患者分别重新构造无向加权网络；g分别对健康人和患者重新构造后的无向加权网络计算网络参数平均权重度<d>，利用网络参数平均权重度<d>选择出能使健康个体和某心脏类疾病患者的网络参数相差最大的阈值ω0，利用阈值ω0重新构造后的无向加权网络识别效果即为最佳；h利用阈值ω0分别为健康人和心脏类疾病患者的多路可视图构造相应的无向加权网络，并通过对两个无向加权网络的拓扑图进行比较，对两类人群对应的无向加权网络进行网络参数分析，实现对健康人与心脏病患者十二导联ECG信号的识别。3.根据权利要求1所述基于多路可视图的健康与心脏疾病患者ECG信号识别方法，其特征在于，将两组十二个时间序列依次转换为两组十二张可视图的可视图算法为：b1将长度为N的一维时间序列x
N
＝{x1,
…
,x
i
,
…
,x
N
}的每一个时间点映射为可视图网络中的一个节点，该可视图网络为一个无向无权网络，共有N个节点，而两个节点之间是否能
够连接成边取决于两节点是否满足所给出的可视性准则；若两个节点之间满足可视性准则，则认为这两个节点“可视”，在复杂网络中可以连接成边，若两个节点之间不满足上述的可视性准则，则认为这两个节点之间“不可视”，不能在网络中相互连接；时间序列的相邻数据点间一定“可视”，并且每一个节点不可与自身相连；由此，一维的时间序列成功的转化为了仅有一层的网络；b2对于每一维时间序列的长度均为N的一个十二维的时间序列M代表维数，取值范围为M∈[1,12]，将每一维时间序列按照以上的可视性准则转化为一个拥有N个节点，根据两节点间是否“可视”确定连边的无向无权的复杂网络，每一个复杂网络对应多路可视图中的一层，这样就将一个十二维的时间序列构造成了一个具有十二层的多路可视图每一维代表一层，其中第α层表示为{x
[α]
(1),x
...

【专利技术属性】
技术研发人员：杨小冬，马志怡，陈梅辉，任彦霖，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：