[發(fā)明專利]一種基于非線性動力學(xué)特征的心電向量圖分類方法

有效

• 申請?zhí)枺?/td>: 201910364525.6
• 申請日: 2019-04-30
• 公開（公告）號: CN110151165B
• 公開（公告）日: 2022-02-01
• 發(fā)明（設(shè)計(jì)）人: 鄧木清;王丹俐;范慧婕;李枚格
• 申請（專利權(quán)）人: 杭州電子科技大學(xué)
• 主分類號: A61B5/346
• 分類號: A61B5/346
• 代理公司: 杭州君度專利代理事務(wù)所(特殊普通合伙) 33240
• 代理人: 朱月芬

本發(fā)明公開了一種基于非線性動力學(xué)特征的心電向量圖分類方法，屬于心電檢測技術(shù)領(lǐng)域；該方法包括如下步驟：采集Frank三導(dǎo)聯(lián)心電向量圖信號；利用中值濾波去除噪聲；分別提取每個導(dǎo)聯(lián)的10個非線性動力學(xué)特征；將各特征進(jìn)行歸一化處理，進(jìn)行特征融合，利用訓(xùn)練心電向量圖模式與測試心電向量圖模式之間在非線性動力學(xué)指標(biāo)上的差異，實(shí)現(xiàn)正常心電向量圖與異常心電向量圖的分類。上述方法首次將非線性動力學(xué)分析方法運(yùn)用在心電向量圖分類上，所提取的非線性動力學(xué)特征能夠表征心電向量圖的動態(tài)屬性，更好地挖掘了心電向量圖的內(nèi)在特征，將異常和正常的心電向量圖區(qū)分開，適合在常規(guī)的心電檢查中使用。

技術(shù)領(lǐng)域

本發(fā)明屬于模式識別技術(shù)領(lǐng)域，具體涉及一種基于非線性動力學(xué)特征的心電向量圖分類方法。

背景技術(shù)

心血管疾病是常見的人類疾病，嚴(yán)重威脅著人類的生命財(cái)產(chǎn)安全。2012年世界衛(wèi)生組織統(tǒng)計(jì)全球十大死亡原因時指出，心血管疾病成為全球第一位死亡原因，其死亡人數(shù)已經(jīng)明顯超過了腫瘤及其他疾病的死亡人數(shù)。心電信號作為一種較早研究分析并運(yùn)用于診斷心血管病的生物電信號，與其他的生物信息相比，心電更具有周期性且更易提取和分析，而且其蘊(yùn)含了豐富的生理信息，因此被作為評價人體心臟健康狀況的重要依據(jù)。

心電向量圖是診斷心血管疾病的一個重要檢查手段。自臨床應(yīng)用以來，充分證明這種輔助診斷手段有很大的價值。心電向量圖表示的是某一瞬間心臟除極與復(fù)極的心電向量的變化。用它來解釋心臟的電激動更接近心臟電活動的實(shí)際情況，同時可以完滿解釋心電圖波形變化的機(jī)理。心電圖僅能表示心臟電流大小與正負(fù)的變化，所以稱數(shù)量心電圖；而心電向量圖不僅能反映心電大小，還能解釋瞬間的電位變化。凡是心電圖診斷可疑或不明確時，均可以心電向量圖檢查。心電向量圖在心電圖不能確定的心肌梗死、心肌缺血、傳導(dǎo)阻滯等方面有一定的長處。

當(dāng)前診斷心電向量圖的方法都是根據(jù)波形起止點(diǎn)對VCG作環(huán)切割，形成三個獨(dú)立向量環(huán)P，QRS，T環(huán)，分析運(yùn)轉(zhuǎn)方向，主體環(huán)、最大向量、初始向量、終末向量的方位、時限、電壓等基于圖形形態(tài)特征。這些方法都沒有提取到心電動力學(xué)特性。

發(fā)明內(nèi)容

本發(fā)明的目的是克服現(xiàn)有技術(shù)存在的問題，提出了基于非線性動力學(xué)特征的心電向量圖分類方法，首次將非線性動力學(xué)特征運(yùn)用在心電向量圖分類上,提取嵌入維數(shù)、延遲時間、Kolmogorov熵、關(guān)聯(lián)維數(shù)、Lyapunov最大指數(shù)譜、近似熵、樣本熵、模糊熵、LC復(fù)雜度和C0復(fù)雜度10個非線性動力學(xué)特征，用于心電向量圖的分類預(yù)測。提供一種更為準(zhǔn)確的描述心電信號的特征的基于非線性動力學(xué)特征的心電向量圖分類方法。

本發(fā)明的具體技術(shù)方案通過如下步驟實(shí)現(xiàn)：

步驟1、獲取三導(dǎo)聯(lián)心電向量圖信號；

提取三維心電向量圖信號，以矩陣形式存儲，構(gòu)成一組心電向量圖信號變量；

步驟2、數(shù)據(jù)預(yù)處理；

對步驟1中獲得的心電向量圖信號進(jìn)行中值濾波處理，去除基線漂移、肌肉噪聲、電源干擾；

步驟3、非線性動力學(xué)特征提取；

將步驟2預(yù)處理后的心電向量圖信號分別計(jì)算十個非線性動力學(xué)指標(biāo)：嵌入維數(shù)、延遲時間、Kolmogorov熵、關(guān)聯(lián)維數(shù)、Lyapunov最大指數(shù)譜、近似熵、樣本熵、模糊熵、LZ復(fù)雜度和C0復(fù)雜度；

步驟4：歸一化處理并特征融合；

將步驟3中計(jì)算的十個非線性動力學(xué)指標(biāo)分別進(jìn)行歸一化處理，對特征進(jìn)行部分和全部融合；

步驟5：分類識別；

將步驟4中融合后的特征進(jìn)行監(jiān)督學(xué)習(xí)分類器的訓(xùn)練，根據(jù)訓(xùn)練模式與測試模式之間關(guān)于非線性動力學(xué)指標(biāo)間的差異，實(shí)現(xiàn)心電向量圖的分類；