基于动态学习和多尺度分析的心电信号检测方法及系统

1.本发明涉及心电信号检测技术领域，尤其涉及一种基于动态学习和多尺度分析的心电信号检测方法及系统。

背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.心肌梗死是全球范围内致死和致残的主要疾病之一，是威胁人类生命健康最严重的一种心血管疾病。据全球疾病负担报告，全球每年有数百万人死于心肌梗死。及时准确检测心肌梗死对减少患者病死率和改善生存质量具有重要意义。目前临床上诊断手段有心电图、冠脉造影和功能学检查等，其中心电图是最方便、无创的初诊手段。心肌梗死的心电图主要表现为st段偏移和t波倒置，但这些变化在心电图中通常微弱且多样，这对基于心电图的心肌梗死准确诊断提出了重大挑战。
4.随着人工智能的发展，基于机器学习和深度学习算法的心肌梗死检测研究取得了一定进展，但由于采取方法的局限性，比如进行心电信号分析过程中出现stt截取不准、信息提取不够丰富，不能挖掘深层次有用的特征信息等，以及早期心肌梗死心电信号的多样且不明显的特性，导致对心肌梗死的检测性能不够理想，所以很少在临床中得到应用。因此，如何对心电信号实现多尺度的动态检测成为医学领域亟待解决的问题。

技术实现要素：

5.针对现有技术存在的不足，本发明的目的是提供一种基于动态学习和多尺度分析的心电信号检测方法及系统，提高了诊断心电信号检测的准确率。
6.为了实现上述目的，本发明是通过如下的技术方案来实现：
7.本公开第一方面提供了一种基于动态学习和多尺度分析的心电信号检测方法，包括以下步骤：
8.步骤(1)：对十二导联心电图进行数据预处理，并转化为3导联心电向量图；
9.步骤(2)：对3导联心电向量图的心电向量信号进行采样，利用动态学习算法进行准确的动力学建模，将建模结果三维可视化显示得到心电动力学图；
10.步骤(3)：在多分辨率框架下，对心电动力学图各维度进行五级离散小波变换分解；
11.步骤(4)：对心电动力学图各维度数据及各级小波系数进一步提取统计学、频域、混沌不变量和非线性特征；
12.步骤(5)：将提取的小波特征进行归一化处理，然后利用互信息进行特征选择，对选择的特征进行检测和分析。
13.进一步的，步骤(1)的具体方法为：将十二导联心电图通过kors矩阵转化为3导联心电向量图，采用母小波函数的dwt去除噪声和基线漂移，然后基于整个心电信号进行建
模。
14.进一步的，步骤(2)的具体方法为：对3维心电向量信号进行采样，采用径向基函数神经网络辨识器进行准确神经网络建模，获得关于心电向量信号的动力学特征。
15.更进一步的，采用径向基函数神经网络辨识器对整个心电信号包括除极和复极在内的系统动态进行准确神经网络建模。
16.进一步的，步骤(3)的具体方法为：将心电动力学图作为输入信号，采用db4小波函数对其各维度数据进行五级离散小波变换分解。
17.进一步的，步骤(4)中，针对心电动力学图提取下列特征：均值、标准差、近似熵、样本熵、频域特征和李雅普诺夫指数。
18.更进一步的，结合特征选择的方法从心电动力学图提取的特征中筛选有效的4个特征，构成一个低维特征子集。
19.本公开第二方面提供了一种基于动态学习和多尺度分析的心电信号检测系统，包括：
20.预处理模块，被配置为对十二导联心电图进行数据预处理，并转化为3导联心电向量图；
21.动力学模型构建模块，被配置为对3导联心电向量图的心电向量信号进行采样，利用动态学习算法进行准确的动力学建模，将建模结果三维可视化显示得到心电动力学图；
22.变换分解模块，被配置为在多分辨率框架下，对心电动力学图各维度进行五级离散小波变换分解；
23.特征提取模块，被配置为对心电动力学图各维度数据及各级小波系数进一步提取统计学、频域、混沌不变量和非线性特征；
24.诊断模块，被配置为将提取的小波特征进行归一化处理，然后利用互信息进行特征选择，对选择的特征进行检测和分析。
25.本公开第三方面提供了一种介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的基于动态学习和多尺度分析的心电信号检测方法中的步骤。
26.本公开第四方面提供了一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的基于动态学习和多尺度分析的心电信号检测方法中的步骤。
27.上述本发明的实施例的有益效果如下：
28.本发明采集十二导联心电图，进行数据预处理，利用kors矩阵将十二导联心电图转化为三维心电向量图，采用动态学习算法对心电信号进行动力学建模，获取非线性动力学模式生成心电动力学图，然后利用离散小波对心电动力学图信号进行多尺度分析，提取心电动力学图的统计学特征、频谱拟合指数、样本熵、近似熵和李雅普诺夫指数作为全局特征，并提取各子代的统计学特征、近似熵、样本熵作为局部特征，然后结合多种特征选择的方法从上述特征中筛选有效的4个特征，构成一个低维特征子集，从而提高了心电信号检测的准确率。
29.本发明的方法与传统方法相比，利用整个心电图信号进行动力学建模，避免stt截取不准带来的一系列问题，同时包含了心脏除极和复极的变化，包含了更丰富的信息；二是利用多级离散小波提取更多有用特征，有利于提高检测性能。
附图说明
30.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
31.图1为本发明中实施例一中基于动态学习和多尺度分析的心电信号检测方法的流程图；
32.图2为本发明实施例一中某心肌梗死患者和健康受试者心电动力学图；
33.图3为本发明实施例一中某心肌梗死患者和健康受试者心电动力学图各维信号及db4离散小波分解系数图；
34.图4为本发明实施例一中心电动力学图三维数据的小波特征在心肌梗死患者和健康受试者间的分布差异图；
35.图5为本发明实施例一中利用互信息算法进行特征选择，互信息量排序及特征数与心肌梗死检测性能的关系图。
具体实施方式：
36.应该指出，以下详细说明都是例示性的，旨在对本技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本技术所属技术领域的普通技术人员通常理解的相同含义。
37.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合；
38.实施例一：
39.本公开实施例一提供了一种基于动态学习和多尺度分析的心电信号检测方法，以心肌梗死早期心电信号检测为例，如图1所示，包括以下步骤：
40.步骤(1)：对十二导联心电图进行数据预处理，通过kors矩阵转化为3导联心电向量图。
41.作为进一步的技术方案，首先将十二导联心电图通过kors矩阵转化为3导联心电向量图，采用母小波函数的dwt去除噪声和基线漂移，然后基于整个心电信号进行建模。
42.步骤(2)：对3导联心电向量图的心电向量信号进行采样，利用动态学习算法进行准确的动力学建模，将建模结果三维可视化显示得到心电动力学图。
43.作为进一步的技术方案，首先对3维心电向量信号进行采样，采用径向基函数神经网络辨识器对整个心电信号包括除极和复极在内的系统动态进行准确神经网络建模，获得关于心电向量信号的动力学特征。心电动力学图及各维度数据如图2所示。
44.优选的，网络辨识器为：
[0045][0046]
其中，x(t)＝[x1(t),x2(t),x3(t)]
t
∈r3代表着三维心电st-t向量环，f(x(t))＝[f1(x(t)),f2(x(t)),f3(x(t))]是非线性系统动态，代表心电向量信号内在的动力学特征，代表x(t)的动力学变化。
[0047]
步骤(3)：在多分辨率框架下，对心电动力学图各维度进行五级离散小波变换分解。
[0048]
作为进一步的技术方案，将心电动力学图作为输入信号x(k)，采用db4小波函数对其各维度数据进行五级离散小波变换分解。心肌梗死患者和健康受试者心电动力学图各维信号及db4离散小波分解系数如图3所示
[0049]
步骤(4)：对心电动力学图各维度数据及各级小波系数进一步提取统计学、频域、混沌不变量和非线性特征。
[0050]
作为进一步的技术方案，针对心电动力学图提取下列特征：均值、标准差、近似熵、样本熵、频域特征和李雅普诺夫指数；
[0051]
通过公式(2)计算心电动力学图小波分解后的均值e
h,l
(x)：
[0052][0053]
其中，h＝1,2,3表示心电动力学图维度，l＝1,2,3,4,5表示小波变换系数；n是采样点；xi是第i个采样点对应的数值。
[0054]
通过公式(3)计算心电动力学图小波分解后的标准差s
h,l
：
[0055][0056]
其中，h＝1,2,3表示心电动力学图维度，l＝1,2,3,4,5表示小波变换系数。
[0057]
通过公式(4)计算心电动力学图各维度及各级小波系数的近似熵apen
h,l
：
[0058][0059]
其中，ai为数据序列与第i个长度为m+1模板向量所匹配的采样点数量，bi为数据序列与第i个长度为m模板向量所匹配的采样点数量。其中，h＝1,2,3表示心电动力学图维度，l＝1,2,3,4,5表示小波变换系数。
[0060]
通过公式(5)计算心电动力学图各维度及各级小波系数的样本熵sampen
h,l
：
[0061][0062]
其中，为数据序列在容限r范围内与长度为m+1模板向量的匹配概率，为数据序列在容限r范围内与长度为m模板向量的匹配概率。其中，h＝1,2,3表示心电动力学图维度，l＝1,2,3,4,5表示小波变换系数。
[0063]
通过公式(6)计算心电动力学图拟合指数的均方值esfi：
[0064]
[0065]
其中，表示一组拟合频谱数据的负指数函数，k表示心电动力学图的三个维度，f
max
是频谱数据的最大值，w＝1,2,
…
,n，且n是频谱的数据点数。
[0066]
通过公式(7)计算心电动力学图李雅普诺夫指数lye：
[0067][0068]
其中，k是迭代次数；f为系统，心电动力学图三维数据的小波特征在心肌梗死患者和健康受试者间的分布差异如图4所示。
[0069]
步骤(5)：将提取的小波特征进行归一化处理，然后利用互信息进行特征选择，对选择的特征进行检测和分析。
[0070]
以早期心肌梗死心电信号检测为例，利用互信息算法进行特征选择，从心电动力学图提取的特征中筛选有效的4个特征，构成一个低维特征子集。互信息量排序及特征数与心肌梗死检测性能的关系如图5所示。
[0071]
特征选择后，可以采用基于线性核和高斯径向基函数的svm检测心肌梗死，对于实例(x,y)决策函数定义为
[0072][0073]
其中，αi是拉格朗日因子，b是偏移项，m1为样本数，κ(
·
,
·
)是核函数，包括：
[0074]
(1)线性核：κ(xi,xj)
[0075]
(2)高斯核：σ为高斯核的带宽。
[0076]
以早期心肌梗死心电信号检测为例进行实验验证：
[0077]
本实施例中共采用290名受试者(平均年龄为57.2岁，209名男性)的549份记录组成。其中，包括52例健康受试者和148例心肌梗死受试者。每条心电记录包含12条常规导联(i,ii,iii,avr,avl,avf,v1,v2,v3,v4,v5,v6)和3条frank导联(vx,vy,vz)心电信号，采样率为1000hz,16位分辨率，范围为16.384mv。采用逻辑回归(lr)、svm-rbf、k近邻法(knn)、svm-linea四个分类器进行测试，均取得了较好的结果。
[0078]
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制。
[0079]
实施例二：
[0080]
本公开实施例二提供了一种基于动态学习和多尺度分析的心电信号检测系统，包括：
[0081]
预处理模块，被配置为对十二导联心电图进行数据预处理，并转化为3导联心电向量图；
[0082]
动力学模型构建模块，被配置为对3导联心电向量图的心电向量信号进行采样，利用动态学习算法进行准确的动力学建模，将建模结果三维可视化显示得到心电动力学图；
[0083]
变换分解模块，被配置为在多分辨率框架下，对心电动力学图各维度进行五级离散小波变换分解；
[0084]
特征提取模块，被配置为对心电动力学图各维度数据及各级小波系数进一步提取统计学、频域、混沌不变量和非线性特征；
[0085]
诊断模块，被配置为将提取的小波特征进行归一化处理，然后利用互信息进行特征选择，对选择的特征进行检测和分析。
[0086]
实施例三：
[0087]
本公开实施例三提供了一种介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例一所述的基于动态学习和多尺度分析的心电信号检测方法中的步骤，所述步骤为：
[0088]
步骤(1)：对十二导联心电图进行数据预处理，并转化为3导联心电向量图；
[0089]
步骤(2)：对3导联心电向量图的心电向量信号进行采样，利用动态学习算法进行准确的动力学建模，将建模结果三维可视化显示得到心电动力学图；
[0090]
步骤(3)：在多分辨率框架下，对心电动力学图各维度进行五级离散小波变换分解；
[0091]
步骤(4)：对心电动力学图各维度数据及各级小波系数进一步提取统计学、频域、混沌不变量和非线性特征；
[0092]
步骤(5)：将提取的小波特征进行归一化处理，然后利用互信息进行特征选择，对选择的特征进行检测和分析。
[0093]
实施例四：
[0094]
本公开实施例四提供了一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例一所述的基于动态学习和多尺度分析的心电信号检测方法中的步骤，所述步骤为：
[0095]
步骤(1)：对十二导联心电图进行数据预处理，并转化为3导联心电向量图；
[0096]
步骤(2)：对3导联心电向量图的心电向量信号进行采样，利用动态学习算法进行准确的动力学建模，将建模结果三维可视化显示得到心电动力学图；
[0097]
步骤(3)：在多分辨率框架下，对心电动力学图各维度进行五级离散小波变换分解；
[0098]
步骤(4)：对心电动力学图各维度数据及各级小波系数进一步提取统计学、频域、混沌不变量和非线性特征；
[0099]
步骤(5)：将提取的小波特征进行归一化处理，然后利用互信息进行特征选择，对选择的特征进行检测和分析。
[0100]
以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
[0101]
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们
中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
[0102]
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

技术特征：

1.一种基于动态学习和多尺度分析的心电信号检测方法，其特征在于，包括以下步骤：步骤(1)：对十二导联心电图进行数据预处理，并转化为3导联心电向量图；步骤(2)：对3导联心电向量图的心电向量信号进行采样，利用动态学习算法进行准确的动力学建模，将建模结果三维可视化显示得到心电动力学图；步骤(3)：在多分辨率框架下，对心电动力学图各维度进行五级离散小波变换分解；步骤(4)：对心电动力学图各维度数据及各级小波系数进一步提取统计学、频域、混沌不变量和非线性特征；步骤(5)：将提取的小波特征进行归一化处理，然后利用互信息进行特征选择，对选择的特征进行检测和分析。2.如权利要求1所述的基于动态学习和多尺度分析的心电信号检测方法，其特征在于，步骤(1)的具体方法为：将十二导联心电图通过kors矩阵转化为3导联心电向量图，采用母小波函数的dwt去除噪声和基线漂移，然后基于整个心电信号进行建模。3.如权利要求1所述的基于动态学习和多尺度分析的心电信号检测方法，其特征在于，步骤(2)的具体方法为：对3维心电向量信号进行采样，采用径向基函数神经网络辨识器进行准确神经网络建模，获得关于心电向量信号的动力学特征。4.如权利要求3所述的基于动态学习和多尺度分析的心电信号检测方法，其特征在于，采用径向基函数神经网络辨识器对整个心电信号包括除极和复极在内的系统动态进行准确神经网络建模。5.如权利要求1所述的基于动态学习和多尺度分析的心电信号检测方法，其特征在于，步骤(3)的具体方法为：将心电动力学图作为输入信号，采用db4小波函数对其各维度数据进行五级离散小波变换分解。6.如权利要求1所述的基于动态学习和多尺度分析的心电信号检测方法，其特征在于，步骤(4)中，针对心电动力学图提取下列特征：均值、标准差、近似熵、样本熵、频域特征和李雅普诺夫指数。7.如权利要求1所述的基于动态学习和多尺度分析的心电信号检测方法，其特征在于，结合特征选择的方法从心电动力学图提取的特征中筛选有效的4个特征，构成一个低维特征子集。8.一种基于动态学习和多尺度分析的心电信号检测系统，其特征在于，包括：预处理模块，被配置为对十二导联心电图进行数据预处理，并转化为3导联心电向量图；动力学模型构建模块，被配置为对3导联心电向量图的心电向量信号进行采样，利用动态学习算法进行准确的动力学建模，将建模结果三维可视化显示得到心电动力学图；变换分解模块，被配置为在多分辨率框架下，对心电动力学图各维度进行五级离散小波变换分解；特征提取模块，被配置为对心电动力学图各维度数据及各级小波系数进一步提取统计学、频域、混沌不变量和非线性特征；诊断模块，被配置为将提取的小波特征进行归一化处理，然后利用互信息进行特征选择，对选择的特征进行检测和分析。9.一种计算机可读存储介质，其特征在于，其中存储有多条指令，所述指令适于由终端
设备的处理器加载并执行权利要求1-7中任一项所述的基于动态学习和多尺度分析的心电信号检测方法。10.一种终端设备，其特征在于，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行权利要求1-7中任一项所述的基于动态学习和多尺度分析的心电信号检测方法。

技术总结

本发明公开了一种基于动态学习和多尺度分析的心电信号检测方法及系统，涉及心电信号检测技术领域。利用动态学习算法对心电图信号进行动力学建模，获取非线性动力学模式生成心电动力学图；其次利用离散小波对心电动力学图信号进行多尺度分析，提取心电动力学图的全局特征和局部特征；然后结合多种特征选择的方法从上述特征中筛选有效的4个特征，构成一个低维特征子集；最后基于该特征子集构成用于各种心电信号的分析和检测。能够很好地应用于心电图机、动态心电图机、24小时心电监护仪等各个检测及监测心脏变化的仪器中，具有较好的应用场景。场景。场景。