基于散点图和符号动力学的心电特征分析方法
【技术领域】
[0001] 本发明提出一种屯、率变异性分析方法，结合适合的分类器，能够有效地完成对不 同种类屯、电信号的识别分类，属于屯、电信号处理领域。
【背景技术】
[0002] 屯、率变异性化ea;rt rate variability，HRV)是指窦性屯、律一定时间内逐次屯、搏 间期时间长度的差异变化。HRV分析是一类定量评估自主神经和屯、脏状态的方法。通过对 HRV信号的分析处理，可W得到屯、脏、交感神经、迷走神经等的状态W及相互的制衡情况。近 年来众多方法应用到HRV研究中，但是目前广泛应用的主要是传统的时域频域分析方法。由 于人体是一个复杂的非线性系统，屯、脏本质上也是一个非线性动力系统，因此非线性分析 方法更有助于掲示屯、脏动力系统的本质。
[0003] 庞加莱散点图作为皿V非线性分析的一种重要手段，早已开始应用到对屯、率变异 性的辅助分析中。2011年5月，首届屯、电散点图学术峰会在北京召开，讨论了散点图与屯、率 变异性，散点图与屯、律失常等问题，并成立了屯、电散点图学组。由此可见，基于屯、电散点图 的HRV分析日益受到重视，屯、电散点图作为一种非线性的分析方法，是描述屯、率变异性的重 要指标。常用的庞加莱散点图使用连续RR间期(Rn, Rn+l)作为散点坐标在直角坐标系中做散 点图。它能反映相邻RR间期的变化，在显示HRV整体特征的同时，又能显示出逐次屯、搏之间 的变化，掲示出屯、率变异性的非线性特征。但庞加莱散点图缺失了原屯、电图中的时序信息， 不能反映皿V的时间趋势。为了对失常屯、律进行更有效的分类并且保留屯、电信号带有的时 序信息，我们提出利用屯、电散点图结合符号动力学赌提取屯、电信号特征的新方法，可进行 相关疾病的检测和分类，结论可用于临床监护和远程医疗中。
【发明内容】
：
[0004] 鉴于HRV信号所具有的非线性特征，W及传统屯、电散点图分析方法会缺失原有屯、 电数据中的时序信息，本发明在经典屯、电散点图的基础上，结合符号动力学和信息赌，提出 一种新的屯、电特征分析方法。
[0005] 为了实现本发明的目的，本发明提供了一种散点图和符号动力学的屯、电特征分析 方法，包括如下步骤：
[0006] 步骤SI:采集ECG信号并进行预处理，进行R波定位并通过计算相邻R波的间隔获得 HRV序列；
[0007] 步骤S2:特征提取：
[000引S2-1:首先使用步骤Sl获得的HRV序列绘制屯吨散点图，即W(Rn，Rn+i)作为直角坐 标系中的散点坐标，其中Rn代表第n个RR间期长度，并用一组45°平行线对屯、电散点图进行 分区，分区数量为M，令各分区的区号为m = 0~M-I，平行线的数量为M-I，分区按过原点的 45°对角线轴对称，每个位于两条平行线之间的分区的宽度定义为该分区边界平行线之间 的距离，从左上至右下依次为化，02,…，Dm-2;
[0009] 作为优选，采用四分区，即散点图中从左上至右下依次为0区，I区，2区，3区。
[0010] 作为优选，令所有位于两条平行线之间的分区的宽度相等。
[0011] S2-2:依照各散点相应RR间期的顺序，将各散点W该散点所在分区的区号组成序 列，然后将每q位看做一个M进制编码，后一个编码与前一个编码有j位重叠，且j小于q;进行 编码后，将原序列转化为一个由若干个q位M进制编码组成的新序列;然后将每个M进制编码 转化为十进制数，得到一个十进制序列；
[001^ 作为优选，j = l;
[0013] S2-3:计算序列信息赌：由于所述十进制序列由一系列q位M进制数转化而来，因此 得到的十进制序列中所有的数值均在O-(MA-I)之间；计算O-(MA-I)之间的所有数在该序 列中出现的概率，利用下式计算该序列的信息赌：
[0014] H=-If二iP; Zo巧 A
[001引其中，Pi是第i个数值出现的概率;a是可能出现的数值总数个数，此处为M9。
[0016] 步骤S3:分类：
[0017] S3-1:利用计算所得的信息赌值来构造特征向量；
[0018] S3-2:利用所构造的特征向量，进行屯、电信号的分类。
[0019] 作为优选，采用分类器进行不同类别屯、电信号的分类，采用的分类器包括如下之 一:Bayes分类器，B巧巾经网络分类器，自组织映射，支持向量机。
[0020] 作为优选，步骤Sl包括：
[0021] Sl-I:首先去除ECG信号中的工频干扰、肌电干扰及基线漂移；
[0022] S1-2:对步骤Sl-I获得的ECG信号进行QRS波群定位，计算相邻R波的间隔，并将其 编号从而获得原始HRV信号序列;作为优选，采用化n-Tompkins算法检测QRS波群，定位R波；
[0023] 对比现有技术，本发明有益效果在于:在屯、电散点图的基础上，结合非线性动力学 中的符号动力学和信息赌的内容，对HRV序列进行非线性分析。使我们能更为有效的发现复 杂的HRV信号背后的各种联系。数据符号化实质上是对序列中的值符号化，其基本思想是将 细节信息去除，将数据在离散值上进行分类，把有很多可能性的数据存在形式变换为仅有 的几个相互不同的符号序列。运是一个"粗粒化"过程，它能让我们捕获到数据的大尺度特 征，从而降低噪声对信号的影响。而信息赌常用来表现系统的不确定性，在HRV分析中，我们 可W用来更好的分析屯、脏活动状态的混乱程度。
【附图说明】
[0024] 图1为本发明所述方法的流程图；
[0025] 图2屯吨散点图示意图mPAF预测挑战数据库中p7数据为例）；
[0026] 图3屯吨散点图4分区示意图mPAF预测挑战数据库中p7数据为例）。
[0027] 图4符号动力学编码过程(WPAF预测挑战数据库中p7数据为例）。
[002引图5屯吨散点图6分区示意图mPAF预测挑战数据库中p7数据为例）。
【具体实施方式】
[0029]下面将对本发明加 W详细说明，同时也叙述了本发明技术方案解决的技术问题及 有益效果，需要指出的是，所描述的实例仅旨在便于对本发明的理解，而对其不起任何限定 作用。
[0030] 下面W进行房颤与正常屯、电信号分类为例，结合【附图说明】本发明的具体实施方 式。算法流程图见图1。
[0031] 步骤Sl:采集ECG信号并进行预处理，获得HRV序列:运一步包括：
[0032] Sl-I:采集或提取所需多个均大于5分钟的屯、电信号，本实例中我们共进行两组实 验，分别选用来自PAF(predicting paroxysmal atrial fibrillation)预测挑战数据库的 75例数据和来说MIT-BIH数据库的20例数据。其中PAF预测挑战数据库已知PAF的HRV信号样 本为25例，正常屯、电的HRV信号样本为50例，M口-BIH数据库中已知早搏屯、电的HRV信号样本 10例，正常屯、电的HRV信号样本10例。
[0033] 首先去除ECG信号中50化工频干扰、肌电干扰及基线漂移;作为优选，在运里，采用 FIR带通滤波器去除ECG信号中50化工频干扰、肌电干扰及基线漂移，滤波器截止频率设为 5化和15化。
[0034] S1-2:对S1-2进行预处理后获得的ECG信号中的QRS波进行定位，计算相邻R波的间 隔，并将其编号即为原始HRV信号序列;在运里我们采用化n-Tompkins算法(Ref: JiapuPan， Willis J.Tompkins.A Real-Time QRS Detection Algorithm，IEEE Transactionson Biomedi