[发明专利]一种基于非线性动力学特征的心电向量图分类方法

摘要

本发明公开了一种基于非线性动力学特征的心电向量图分类方法，属于心电检测技术领域；该方法包括如下步骤：采集Frank三导联心电向量图信号；利用中值滤波去除噪声；分别提取每个导联的10个非线性动力学特征；将各特征进行归一化处理，进行特征融合，利用训练心电向量图模式与测试心电向量图模式之间在非线性动力学指标上的差异，实现正常心电向量图与异常心电向量图的分类。上述方法首次将非线性动力学分析方法运用在心电向量图分类上，所提取的非线性动力学特征能够表征心电向量图的动态属性，更好地挖掘了心电向量图的内在特征，将异常和正常的心电向量图区分开，适合在常规的心电检查中使用。

主权项

1.一种基于非线性动力学特征的心电向量图分类方法，其特征在于，包含如下步骤：步骤1、获取三导联心电向量图信号；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；步骤2、数据预处理；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；步骤3、非线性动力学特征提取；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；步骤4：归一化处理并特征融合；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；步骤5：分类识别；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；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：x_i(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；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x_k＝{x_k(n)|n＝1,2,...,N}，k＝1,2,3；定义窗口范围M，对数据序列x_k(n‑M),...,x_k(n),...,x_k(n+M)取中值替代x_k(n)，即y_k(n)＝med[x_k(n‑M),...,x_k(n),...,x_k(n+M)]，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；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：4‑1.输入心电向量图数据序列x_k＝{x_k(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X_k＝{X_ki(n)}，X_ki(n)为相空间中的点；4‑2.定义该心电向量图数据序列的关联积分：其中，M＝N‑(m‑1)t，d_kij＝||X_ki‑X_kj||_(∞)，θ为Heaviside函数：r为相空间超球体半径；4‑3.将心电向量图数据序列x_k＝{x_ki|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：4‑4.S_k1(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：ΔS_k1(m,t)＝max{S_k1(m,r_j,t)}‑min{S_k1(m,r_j,t)}ΔS_k1(m,t)度量了S_k1(m,r,t)～t对所有半径r的最大偏差；S_k1(m,r,t)～t的第一个局部极小点ΔS_k1(m,t)所对应的最优时延τ_d为该心电向量图数据序列的延迟时间t；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S_k1(m,N,r,t)的局部极大值点又是S_k2(m,N,r,t)的零点，a为大于零的整数；因此寻找|S_k1(t)‑S_k2(t)|的周期点作为最优嵌入窗τ_ω；该心电向量图数据序列的嵌入维数M_k：