一种心电数据病理特征量化分析方法及装置与流程

本发明属于心脏疾病数据特征挖掘领域，涉及一种心脏电活动系统动态的多病理特征量化提取方法及装置、心脏电信号的异常分析方法及装置。
背景技术：
：心血管疾病，尤其是心肌缺血引发的心脏疾病，给人类健康带来许多不利影响。世界卫生组织指出：在最易导致人类死亡的十大疾病当中，缺血性心脏病居于首位。在我国，每年因为心血管疾病死亡的人数高居各类疾病的首位；其中，很多患者都患有心肌缺血性冠心病，却并无明显的临床症状。尽管现代冠心病治疗技术不断提高，缺血性心脏病的治愈率也获得很大提高，但心源性猝死的比率却没有显著下降，这主要归咎于国内外尚缺乏对无症状缺血性心脏疾病有效的早期检测能力。当前，对于无症状心脏疾病的检测，尤其是心肌缺血引发的心脏疾病的检测，通用的检测指标依然主要来自心电图；但是，取自心电图的检测量化指标对检测早期心肌缺血引发的心脏疾病准确性和敏感性的不足，限制了通过心电图进行心脏疾病量化检测的应用。尽管现有技术对早期心脏疾病患者的心脏电活动病理特征的检测已取得一些进展；然而，到目前为止，现有技术对早期心脏疾病患者的心脏电活动病理特征的检测依然存在两种难以避免的缺陷：第一种是不存在量化指标，只局限于心电图等心电数据的视觉诊断，过多依赖于医生的从业经验，诊断结果主观性太强，容易遗漏一些心电图变化细微的心脏疾病；第二种避免了第一种的缺陷，但对于心脏电活动的动态病理特征的分析过程中，提取的动态病理信息过于有限，无法全面刻画复杂的心脏电活动过程，无法挖掘出心脏非线性系统电活动中更多更丰富的动态病理特征。技术实现要素：为了解决全面刻画复杂的心脏电活动过程，挖掘出心脏非线性系统电活动中更多更丰富的动态病理特征的技术问题，本发明提出如下技术方案：一种心脏电活动系统动态的多病理特征量化提取方法，具有以异质度分析的方法提取出心脏电活动非线性系统动态数据内在的心脏动态病理特征的量化指标的步骤，所述的异质度分析是指对心脏电活动非线性系统动态数据在空间分布和时间推演过程中的不均匀性及其复杂性分析。作为技术方案的补充，所述的异质度分析方法是下述特征分析方法中的一种以上，并在其单独或组合中以反映空间分布和时间推演过程中的不均匀性及其复杂性，特征分析方法包括几何特征方法、非线性动力学方法、模型方法、时域方法和频域方法。作为技术方案的补充，选定单独一种特征分析方法形成特征分析方法m1，选定的该种特征分析方法包括至少两种隶属于选定的该种特征分析方法下的属特征分析方法，并为各属特征分析方法分配适应性权重选择值，所述m1为选定的该种特征分析方法的各属特征分析方法被分配权重值的叠加运算，且分配的权重值为0～1之间并以适应不同种心脏疾病而作出的适应性权重选择值。作为技术方案的补充，选定不同种特征分析方法以组合而形成特征分析方法m2，所述m2为选定的不同种特征分析方法被分配权重值的叠加运算，且分配的权重值为0～1之间并以适应不同种心脏疾病而作出的适应性权重选择值。作为技术方案的补充，对于特征分析方法m2，各不同种特征分析方法中的单独一种又包括至少两种隶属于该种特征分析方法下的属特征分析方法，各属特征分析方法在其隶属的特征分析方法的权重下，各属特征分析方法再于0～1之间并以适应不同种心脏疾病作出适应性权重选择并形成叠加运算，由特征分析方法m2形成特征分析方法m3。作为技术方案的补充，所述的心脏电活动系统动态的多病理特征量化提取方法，还包括：步骤一.对应于不同波段的心脏电信号的采集与处理，步骤二.构建心脏电活动非线性系统动态的步骤；从而获取心脏电活动非线性系统动态数据。本发明还涉及一种心脏电活动系统动态的多病理特征量化提取装置，存储有多条指令，所述指令适于处理器加载并执行：对应于不同波段的心脏电信号采集与处理；构建心脏电活动非线性系统动态；异质度分析；所述异质度分析用于提取出心脏电活动非线性系统动态数据内在的心脏动态病理特征的量化指标，异质度分析是对心脏电活动非线性系统动态数据在空间分布和时间推演过程中的不均匀性及其复杂性分析。作为技术方案的补充，所述的异质度分析是下述特征分析中的一种以上，并在其单独或组合中以反映空间分布和时间推演过程中的不均匀性及其复杂性，特征分析包括几何特征分析、非线性动力学分析、模型分析、时域分析和频域。作为技术方案的补充，选定单独一种特征分析形成特征分析m1，选定的该种特征分析包括至少两种隶属于选定的该种特征分析下的属特征分析，并为各属特征分析分配适应性权重选择值，所述m1为选定的该种特征分析的各属特征分析方法被分配权重值的叠加运算，且分配的权重值为0～1之间并以适应不同种心脏疾病而作出的适应性权重选择值。作为技术方案的补充，选定不同种特征分析以组合而形成特征分析m2，所述m2为选定的不同种特征分析被分配权重值的叠加运算，且分配的权重值为0～1之间并以适应不同种心脏疾病而作出的适应性权重选择值。作为技术方案的补充，对于特征分析m2，各不同种特征分析中的单独一种又包括至少两种隶属于该种特征分析下的属特征分析，各属特征分析在其隶属的特征分析的权重下，各属特征分析再于0～1之间并以适应不同种心脏疾病作出适应性权重选择并形成叠加运算，由特征分析m2形成特征分析m3。本发明还涉及一种心脏电信号的异常分析方法，使用上述任一项所述的心脏电活动系统动态的多病理特征量化提取方法，对心脏动态病理特征的量化指标提取，并设定特征分析方法的监测阈值，以实际提取值与所述监测阈值进行对比来进行异常判定。作为技术方案的补充，所述的设定特征分析方法的监测阈值为：分别采集被选取的心脏健康人群及已知患有某种心脏疾病人群的心脏电信号，并施以上述任一项所述的心脏电活动系统动态的多病理特征量化提取方法，对心脏动态病理特征的量化指标提取，以得到两类人群在该特征分析方法下的临界提取值，将其作为监测阈值。一种心脏电信号的异常分析装置，使用上述任一项所述的心脏电活动系统动态的多病理特征量化提取装置，对心脏动态病理特征的量化指标提取，并设定特征分析的监测阈值，以实际提取值与所述监测阈值进行对比结果来进行异常判定。作为技术方案的补充，所述的设定特征分析的监测阈值为：分别采集被选取的心脏健康人群及已知患有某种心脏疾病人群的心脏电信号，并使用上述任一项所述的心脏电活动系统动态的多病理特征量化提取装置对心脏动态病理特征的量化指标提取，以得到多类人群在该特征分析下的临界提取值，将其作为监测阈值。一种心脏电信号的异常分析装置，包括设备x和设备y；所述设备x输出所述的特征分析方法m1的信息，所述的设备y输出所述的特征分析方法m2的信息；心脏电信号的异常分析使用了设备x和设备y。一种心脏电活动系统动态的多病理特征量化提取方法，具有以异质度分析的方法提取出心脏电活动非线性系统动态数据内在的心脏动态病理特征的量化指标的步骤，所述的异质度分析是指对心脏电活动非线性系统动态数据在空间分布和时间推演过程中的不均匀性及其复杂性分析；所述的异质度分析的方法通过方法m进行，所述的方法m为几何特征方法、非线性动力学方法、模型方法、时域方法、频域方法的组合使用，所述的心脏动态病理特征具体为:将心脏电活动非线性系统动态数据进行异质度分析提取的几何特征、非线性动力学特征、模型特征、时域特征和频域特征分别赋以a1、a2、a3、a4和a5的权重值并进行叠加而得到的病理信息；其中，所述的a1的数值可为0～1之间的任意值，所述的a2的数值可为0～1之间的任意值，所述的a3的数值可为0～1之间的任意值，所述的a4的数值可为0～1之间的任意值，所述的a5的数值可为0～1之间的任意值；其中：所述的几何特征选自趋势、斜率、方向、形状、圆形度、球状度、均匀率、离心率、变异率和角度中的一种或几种；所述的非线性动力学特征是选自：熵、复杂度、关联维、李雅普诺夫指数谱、最大李雅普诺夫指数谱中的一种或几种；所述的熵为信息熵、小波熵、近似熵中的一种或几种；所述的复杂度为c0复杂度或lz复杂度；所述的模型特征为ar模型系数；所述的时频特征选自短时傅里叶变换特征、小波变换特征中的一种或其组合。有益效果：本发明使用异质度分析的方法，进行心脏电活动非线性系统动态数据内在的心脏动态病理特征的量化判定，所得的信息可呈现传统方法难以测出的心脏电活动非线性系统动态病理特征；与具体的疾病分类对应起来，该方法的实施，可有效为后续心脏疾病的早期检测提供较为准确的参考内容，为后期医生进行疾病的精准治疗提供便利。附图说明图1是异质度分析方法示意图。具体实施方式本发明提供一种基于心脏电活动系统动态的病理特征量化提取方法，包括如下步骤：将心脏电信号进行采集处理，采用自适应系统辨识方法构建心脏电活动非线性系统动态；采用异质度分析的方法(单独或组合运用几何特征方法、非线性动力学方法、模型方法、时域方法和频域方法)进行心脏电活动非线性系统动态数据内在的心脏动态病理特征的量化判定，所得的信息可呈现传统方法难以测出的心脏电活动非线性系统动态病理特征；与具体的疾病分类对应起来，可有效进行心脏疾病的早期检测，为后期医生进行疾病的精准治疗提供便利。所述基于心脏电活动系统动态的病理特征量化提取方法包括如下步骤：步骤1.心脏电信号采集与处理采集心脏电信号，进行滤波等预处理。步骤2.构建心脏电活动非线性系统动态对从步骤1获得的预处理的心脏电信号，进行自适应系统辨识方法(神经网络方法、调节函数法、最小二乘法、极大似然法、回归方程、或预报误差法等)建模，构建心脏电活动非线性系统动态。步骤3.心脏电活动动态特征提取，即基于心脏电活动系统动态的病理特征的提取上述心脏动态病理特征能够表现出心脏电活动非线性系统动态数据所蕴含的心脏疾病的动态病理规律。具体到本发明，述及几何特征方法、非线性动力学方法、模型方法、时域方法、频域方法或为上述各方法分配权重的叠加运算，均可以被使用而处理所述动态数据，以得到能够反映出心脏疾病的动态病理规律。在本发明一个实施方式中，所述的心脏电活动非线性系统动态数据是单维度数据、或多维度的数据。在本发明一个实施方式中，所述异质度分析的方法是单独或组合运用几何特征方法、非线性动力学方法、模型方法、时域方法和频域方法，组合应用时赋以不同的权重，如图1。单独使用时，异质度分析的方法即是几何特征方法或非线性动力学方法或模型方法或时域方法或频域方法；组合使用时，是通过异质度分析的方法对从步骤2处获得的心脏电活动非线性系统动态数据内在的心脏动态病理特征进行量化判定；所述的心脏电活动非线性动态病理特征，具体表现为:将几何特征、非线性动力学特征、模型特征、时域特征和频域特征分别赋以a1、a2、a3、a4和a5的权重值并进行叠加而得到的病理信息；在此处定义a1表示几何特征的权重，a2表示非线性动力学特征的权重，a3表示模型特征的权重，a4表示时域特征的权重，a5表示频域特征的权重；所述a1、a2、a3、a4或a5的值在0～1之间；所述的a1+所述的a2+所述的a3+所述的a4+所述的a5＝1。优选地，所述a1的值为0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9或1.0。优选地，所述a2的值为0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9或1.0。优选地，所述a3的值为0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9或1.0。优选地，所述a4的值为0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9或1.0。优选地，所述a5的值为0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9或1.0。在本发明一个实施方式中，所述的自适应性系统辨识方法包括但不限于建模的方法；更优选地，所述建模的方法包括但不限于神经网络方法、调节函数法、最小二乘法、极大似然法、预报误差法中的一种或几种。在本发明一个实施方式中，所述的几何特征包括但不限于趋势、斜率、方向、形状、圆形度、球状度、均匀率、离心率、变异率和角度中的一种或几种。在本发明一个实施方式中，所述的非线性动力学特征包括但不限于熵、复杂度、关联维、李雅普诺夫指数谱、最大李雅普诺夫指数谱中的一种或几种；所述的熵优选为信息熵、小波熵、或近似熵；所述的复杂度优选为c0复杂度、kolmogorov复杂度、或lz复杂度。在本发明一个实施方式中，所述的模型特征包括但不限于ar模型系数，或tvar模型特征。在本发明一个实施方式中，所述的时频特征包括但不限于短时傅里叶变换特征、小波变换特征、或二者的组合。在本发明一个实施方式中，所述的频域特征包括但不限于快速傅里叶变换特征。下面结合具体实施例对本发明的优选实施方式进行进一步的详细论述，以便于更深刻而准确地理解本发明。但是需要指出的是，以下的具体实施例仅仅是用于举例说明的目的，不会对本发明的保护范围构成任何限制，本发明的范围仅仅由权利要求书限定；下列实施例中未注明具体条件的实验方法，通常按照国家标准测定；若没有相应的国家标准，则按照通用的国际标准、常规条件、或按照制造厂商所建议的条件进行。实施例1：本发明实施例主要解决对心脏电活动非线性系统动态数据内在的心脏动态病理特征进行量化提取，并进一步解决如何对所提取的多个量化指标进行决策性判断融合的问题。本发明实施例提供一种心脏电活动系统动态的多病理特征量化提取方法，包括如下步骤：将心脏电信号数据进行预处理，获得心电向量数据，截取目标波段数据；采用自适应性系统辨识方法对目标波段数据进行建模，然后将获得的系统动态模型进行多维可视化显示得到心脏电活动非线性系统动态数据；采用异质度分析的方法提取出心脏电活动非线性系统动态数据内在的心脏动态病理特征的量化指标，所得的信息可呈现传统方法难以检测的心脏疾病的动态病理特征。优选地，所述的自适应性系统辨识方法包括但不限于建模的方法；更优选地，所述建模的方法包括但不限于神经网络方法、调节函数法、最小二乘法、极大似然法、预报误差法中的一种或几种。优选地，所述的异质度分析的方法包括但不限于数学方法、或物理学方法、或二者的组合的分析。优选地，所述的异质度分析的方法包括但不限于对心脏电活动非线性系统动态数据内在的心脏动态病理特征的构建。优选地，所述的异质度分析的方法通过方法m进行，所述的方法m包括但不限于几何特征方法、非线性动力学方法、模型方法、时域方法、频域方法的组合使用。优选地，所述的几何特征包括但不限于趋势、斜率、方向、形状、圆形度、球状度、均匀率、离心率、变异率和角度中的一种或几种。优选地，所述的非线性动力学特征包括但不限于熵、复杂度、关联维、李雅普诺夫指数谱、最大李雅普诺夫指数谱中的一种或几种；所述的熵优选为信息熵、小波熵、或近似熵；所述的复杂度优选为c0复杂度、kolmogorov复杂度、或lz复杂度。优选地，所述的模型特征包括但不限于ar模型系数，或tvar模型特征。优选地，所述的时频特征包括但不限于短时傅里叶变换特征、小波变换特征、或二者的组合。优选地，所述的频域特征包括但不限于快速傅里叶变换特征。本发明实施例提供一种使用了上述任一方法的产品。本发明实施例提供一种使用了上述任一方法在医疗移动设备上的应用。本发明实施例提供一种使用了上述任一方法在健康移动设备上的应用。本发明实施例提供一种使用了上述任一方法在人体植入设备上的应用。本发明实施例提供一种使用了上述任一方法在心脏疾病检测领域的应用。在本发明实施例中，对所述的几何特征、非线性动力学特征、模型特征、时域特征、或频域特征，都可赋予相同或不同的权重，所述的权重值可为0～1之间的任意值。在本发明实施例中，当选择所述的熵、复杂度、关联维、李雅普诺夫指数谱或最大李雅普诺夫指数中一种或几种来呈现非线性动力学特征时，选用的所述熵、复杂度、关联维、李雅普诺夫指数谱或最大李雅普诺夫指数谱可被赋以相同或不同的权重，所述的权重值可为0～1之间的任意值。例如，提取了多个所述非线性动力学特征来呈现心脏电活动非线性系统动态的非线性动力学特征，如熵、复杂度、关联维、李雅普诺夫指数谱和最大李雅普诺夫指数谱，那么所述心脏电活动非线性系统动态的非线性动力学特征可表述为：将熵、复杂度、关联维、李雅普诺夫指数谱和最大李雅普诺夫指数谱分别赋以q1、q2、q3、q4和q5权重值并进行叠加而得到的病理信息；所述q1表示熵的权重，所述q2表示复杂度的权重，所述q3表示关联维的权重，所述q4表示李雅普诺夫指数谱的权重，所述q5表示最大李雅普诺夫指数谱的权重；所述q1、q2、q3、q4或q5的值在0～1之间；所述q1+所述q2+所述q3+所述q4+所述q5＝1。在本发明实施例中，当选择ar模型系数和tvar模型特征呈现所述的模型特征，可对所述ar模型系数和tvar模型特征赋以相同或不同的权重，所述的权重值可为0～1之间的任意值。在本发明实施例中，当选择短时傅里叶变换特征、小波变换特征、或二者的组合呈现时频特征，可对选择的所述短时傅里叶变换特征、小波变换特征、或二者的组合赋以相同或不同的权重，所述的权重值可为0～1之间的任意值。在本发明实施例中，当选择趋势、斜率、方向、形状、圆形度、球状度、均匀率、离心率、变异率和角度中的一种或几种呈现几何特征时，可对选择的趋势、斜率、方向、形状、圆形度、球状度、均匀率、离心率、变异率或角度赋以相同或不同的权重，所述的权重值可为0～1之间的任意值。在本发明实施例中，所述的心脏疾病包括但不限于心肌缺血、心肌梗塞、心源性猝死、心肌炎、心律失常、心肌梗死、心绞痛、冠心病、冠状动脉疾病和心力衰竭等心脏疾病。在本发明实施例中，所述的心脏电信号可以是对应于心电图任意波段的电信号；所述的心脏电信号包括但不限于心电图的p波、qrs波群或qt间期的电信号。在本发明实施例中，所述的心脏电活动非线性系统动态数据是单维度数据、或多维度的数据。在本发明实施例中，所述的心脏动态病理特征的量化指标可应用于心肌缺血引发疾病、心肌梗塞、心源性猝死、心肌炎、心律失常、心肌梗死、心绞痛、冠心病、冠状动脉疾病和心力衰竭等心脏疾病的检测产品、体检设备和术后康复当中。在本发明实施例中，所述的心脏电活动非线性系统动态，是指把心脏电活动过程中产生的电信号看作是非线性复杂动力学系统产生的非平稳信号，信号随时间推进的变化快慢规律。在本发明实施例中，所述的异质度分析，是指在空间分布和时间推演过程中的不均匀性及其复杂性分析；所述的异质度分析不仅包括但不限于采用非线性动力学方法分析、和/或频域方法进行分析，还包括但不限于采用几何特征方法、和/或模型方法、和/或时域方法进行分析。在本发明实施例中，对于不同的心脏疾病，采用的所述异质度分析的不同方法，需被赋以0～1之间不同的病情适应性权重值。实施例2：本实施例提供一种心脏电活动系统动态的多病理特征量化提取方法，其是一种单独的实施方式或对实施例1中所述提取方法的补充说明，尤其是给出了其中述及的不同特征方法的具体实施方式。在该实施例中，详细对心脏电活动非线性系统动态病理特征的构建进行说明。本实施例所述病理特征构建即是计算心脏电活动非线性系统动态各项病理特征，包括如下两个步骤：步骤一、获取心脏电活动非线性系统动态数据对采集得到心电数据进行非线性系统动态建模，从而获得心脏电活动非线性系统动态数据；把原始的心电数据e(t),e∈r12,t＝1,2,...,t转化成心脏电活动非线性系统动态信息x(t),x∈r3,t＝1,2,...,t；其中，r12表示十二维实数空间，t表示时刻t，r3表示三维实数空间。步骤二、对心脏电活动非线性系统动态数据进行异质度分析对心脏电活动非线性系统动态数据分别进行异质度分析，提取其几何特征、非线性动力学特征、模型特征、时域特征和频域特征，作为心脏电活动的病理特征：(1)几何特征方面，针对具有k个周期的心脏电活动非线性系统动态数据x(t),x∈r3,t＝1,2,...,t，第i个周期的数据记为为第i周期的数据围成图形的周长，si表示计算机拟合该周期围成图形的面积，用刻画该周期的形状因子。最后用算术平均求得作为心脏电活动非线性系统动态数据的几何特征，刻画了心电非线性系统动态数据空间分布的几何形状信息，空间形状越接近圆，该指标值越接近1。(2)非线性动力学特征方面，若采用复杂度来刻画心脏电活动非线性系统动态数据，则计算心电非线性系统动态数据每一维度xi(t),xi∈r1,t＝1,2,...,t,i＝1,2,3的傅里叶变换序列：其中是虚数单位，记{fi(j),j＝1,2,...,t}的均方值为记其中，r1表示一维实数空间。对做傅里叶逆变换定义c0复杂度为该维度非线性动力学指标：其中，f(t)表示非线性动态数据序列。通过几何平均的方法把每一维度的非线性动力学指标c0(i),i＝1,2,3综合成为心脏电活动非线性系统动态数据x(t),x∈r3的非线性动力学离散量化指标，记为刻画了心脏电活动非线性系统动态数据序列的复杂程度及随机程度。非线性动力学特征方面，若采用熵来刻画心脏电活动非线性系统动态数据，则对每一维度的心脏电活动非线性系统动态数据xi(t),xi∈r1,t＝1,2,...,t,i＝1,2,3，先按照顺序组成2维矢量，有xi(t)＝{xi(t),xi(t+1)},t＝1,2,...,t-1,i＝1,2,3。定义xi(t)和xi(k)的距离为两矢量中对应元素的差值中的最大值，记为d[xi(t),xi(k)]。设定一个阈值r，对每个t值统计d[xi(t),xi(k)]＜r的个数及此数目与总矢量个数的比值，记为进一步求得重复上述过程，得到近似熵apen(i)＝φ2(i)-φ3(i)。通过几何平均的方法把每一维度的时间离散度特征apen(i),i＝1,2,3综合成为心脏电活动非线性系统动态数据x(t),x∈r3的时间离散度的量化特征记为刻画了心脏电活动非线性系统动态数据序列的混乱程度。(3)基于模型的特征方面，计算心脏电活动非线性系统动态数据每一维度xi(t),xi∈r1,t＝1,2,...,t,i＝1,2,3的自相关函数计算序列均值及方差计算自相关系数定义三阶自相关系数矩阵自相关系数向量qi＝[pi(1)pi(2)pi(3)]t,i＝1,2,3，求得三阶模型参数θi＝pi-1qi,i＝1,2,3，该维度的特征用ci＝||θi||2,i＝1,2,3表示。最后通过几何平均的方法把每一维度的时间离散度特征ci,i＝1,2,3综合成为心脏电活动非线性系统动态数据x(t),x∈r3的基于模型的量化指标，记为刻画了心脏电活动非线性系统动态数据的功率谱信息。(4)时域特征方面，假设心脏电活动非线性系统动态数据x(t),x∈r3,t＝1,2,...,t共有k个周期，每个周期有n个数据，第i个周期的第j个数据记为xij,i＝1,2,...,k；j＝1,2,...n；计算均值方差最终求得刻画了心脏电活动非线性系统动态数据在不同周期的差异大小。时域特征方面，还可假设心脏电活动非线性系统动态数据x(t)，x∈r12，t＝1，2，...，t共有k个周期，每个周期有n个数据，第i个周期的第j个数据记为xij,i＝1,2,...,k；j＝1,2,...n；计算均值方差最终求得刻画了心脏电活动非线性系统动态数据在不同周期的差异大小。(5)频域特征方面，通过既定的公认有效的快速傅里叶变换方法分别将每一维度的心脏电活动非线性系统动态数据xi(t),xi∈r1,t＝1,2,...,t,i＝1,2,3转化成频域信息fi(n),f∈r3,n＝1,2,...,n,i＝1,2,3，n为采样频率。另外，包含零频率点置零操作，即fi(1)＝0,i＝1,2,3。然后用进行功率谱密度估计。求和并求得wi使得最小。通过几何平均的方法把每一维度的时间离散度特征wi,i＝1,2,3综合成为心脏电活动非线性系统动态数据x(t),x∈r3的频域量化特征记为给出了心脏电活动非线性系统动态数据的平均功率谱密度信息，刻画了心脏电活动非线性系统动态数据的时间周期规整性的病理特征。在本发明中，发明人进行本实施例的实验过程中，采用的心脏电活动非线性系统动态数据是单维度数据、或多维度的数据；所述的多维度的数据包括但不限于三维的心脏电活动非线性系统动态数据、四维的心脏电活动非线性系统动态数据、十二维的心脏电活动非线性系统动态数据、或十八维的心脏电活动非线性系统动态数据。发明人发现采用的心脏电活动非线性系统动态数据可以是不限定维度数目的数据。实施例3：作为一个单独的实施例或者对实施例1、2的方案补充说明，实施例3重点阐述了单个特征方法实施，对不同的心脏电活动系统动态病理特征指标的检测与辅助判定标准，即示例性的介绍了心脏电信号的异常分析方法。纳入n个临床已知心脏健康个体(n>50)以及m个临床已知某种心脏疾病个体(m>100)作为测试样本人群，采集测试样本人群的心电图，通过现有技术(见cn107260161a)获得心脏电活动非线性系统动态图。通过几何特征计算方法(依据实施例2的步骤二里(1)中记载所述方法)获取所有个体的几何特征值，进行基于概率的统计学分类(何贤英,赵志,温兴煊,等.logistic回归中连续型自变量离散化为二分类变量时适宜分界点的确定.中国卫生统计,2015,32(2):275-277.)得到两类个体的临界值c1作为几何特征的临界诊断值。同理，依据实施例2的步骤二的记载，可得非线性动力学特征的临界值c2、模型特征的临界值c3、时域特征的临界值c4，频域特征的临界值c5。同样地，采集待诊人员的心电图，进行上述同样地处理，得到待诊人员的几何特征的计算值c1’、非线性动力学特征的计算值c2’、模型特征的计算值c3’、时域特征的计算值c4’，频域特征的计算值c5’。分别将c1和c1’进行比较，c2和c2’进行比较，c3和c3’进行比较，c4和c4’进行比较，c5和c5’进行比较，然后依据个体动态病理特征分布图判定待诊人员的健康状况。待诊人员健康状态的判定标准是：对于几何指标，将c1和c1’进行比较，若c1’>c1，则该指标异常。对于非线性动力学指标，将c2和c2’进行比较，若c2’>c2，则该指标异常。对于模型指标，将c3和c2’进行比较，若c3’>c3，则该指标异常。对于时域指标，将c4和c4’进行比较，若c4’>c4，则该指标异常。对于频域指标，将c4和c4’进行比较，若c4’>c4，则该指标异常。实施例4：作为一个单独的实施例或者对实施例1、2、3的方案补充说明，实施例4重点阐述了组合特征方法实施，对赋予权重的心脏电活动系统动态病理特征的检测与辅助判定标准，即示例性的介绍了心脏电信号的异常分析方法。采集不同疾病患者的心电数据，采用现有技术(参见cn107260161a)获得心脏电活动非线性系统动态数据，随后对心脏电活动非线性系统动态的综合病理特征s进行提取：所述s可表述为将几何特征、非线性动力学特征、模型特征、时域特征和频域特征分别赋以a1、a2、a3、a4和a5的权重值并进行叠加而得到的病理信息；其中，a1为几何特征的权重，a2为非线性动力学特征的权重，a3为模型特征的权重，a4为时域特征的权重，a5为频域特征的权重；所述a1的值在0～1之间，所述a2的值在0～1之间，所述a3的值在0～1之间，所述a4的值在0～1之间，所述a5的值在0～1之间；所述的a1+所述的a2+所述的a3+所述的a4+所述的a5＝1。根据不同的疾病病情观察和多次的实验，对不同角度的动态病理特征赋予不同的权重。如心肌缺血，纳入n个临床已知心脏健康个体(n>50)以及m个临床已知心肌缺血个体(m>100)作为测试样本人群，采集测试样本人群的心电图，通过现有技术(见cn201710587538.0)获得心脏电活动非线性系统动态图。观察两类个体的几何特征(a1)、非线性动力学特征(a2)、模型特征(a3)、时域特征(a4)和频域特征(a5)，进行权重赋值实验，赋予不同的动态病理特征以不同的权重值，在不同的权重值组合中找出对心肌缺血最为敏感的一组权值a1’,a2’,a3’,a4’,a5’；其中，a1’为心肌缺血最为敏感患者的几何特征的权重值，a2’为心肌缺血最为敏感患者的非线性动力学特征的权重值，a3’为心肌缺血最为敏感患者的模型特征的权重值，a4’为心肌缺血最为敏感患者的时域特征的权重值，a5’为心肌缺血最为敏感患者的频域特征的权重值；a1’为心肌缺血最为敏感患者的几何特征值，a2’为心肌缺血最为敏感患者的非线性动力学特征值，a3’为心肌缺血最为敏感患者的模型特征值，a4’为心肌缺血最为敏感患者的时域特征值，a5’为心肌缺血最为敏感患者的频域特征值；进而获得心肌缺血的非线性系统动态综合病理特征的临界判定值：s’＝a1’a1’+a2’a2’+a3’a3’+a4’a4’+a5’a5’；所述的a1’+所述的a2’+所述的a3’+所述的a4’+所述的a5’＝1。依据实施例2的步骤二记载方法，得到待诊人员的不同角度的动态病理特征值a1”、a2”、a3”、a4”和a5”值，进行a1’a1”+a2’a2”+a3’a3”+a4’a4”+a5’a5”加权运算，得到动态病理特征评估值为s”。分别将s”和s’进行比较，从而判定待诊人员的健康状况；待诊人士的健康状态判定标准是:将s”和s’进行比较，若s”>s’，则该指标异常。实施例5:在该实施例中，对于实施例3、4分别述及的心脏电活动系统动态病理特征的单个量化指标和赋予权重的多指标检测与辅助判定的准确性进行对比。根据实施例3和4所述方法，进行心肌缺血引起心脏病的动态病理特征的量化指标的辅助判定，得到如下表1的数据结果。根据对心肌缺血引起心脏疾病的动态病理特征的临床观察和对动态病理特征进行的大量的权重实验，赋予心肌缺血的动态病理特征的优选权重范围分别为：a1为几何特征的权重范围为0～0.1，a2为非线性动力学特征的权重范围为0～0.9，a3为模型特征的权重范围为0～0.2，a4为时域特征的权重范围为0～0.1，a5为频域特征的权重范围为0～0.1；在此处，选择实验中发现较优的权重值：a1为0.1,a2为0.6,a3为0.1,a4为0.1,a5为0.1；从表1可看出，加了权重的动态病理特征量化指标的辅助判定的准确率有了明显的提高。表1.心脏电活动系统动态病理特征的检测在本发明实施例实验过程中，发明人发现对几何特征、非线性动力学特征、模型特征、时域特征和频域特征等病理特征的量化指标赋以权重，可以更好地检测不同的心脏疾病，结合不同单一特征量化指标，可以实现对心脏电活动的动态病理特征的全面刻画，挖掘出心脏非线性系统电活动中更多更丰富的动态病理特征。在本发明实施例实验过程中，发明人克服了离散度分析只能反映心脏电活动非线性系统动态数据的时间周期的规整性和空间特征的发散混沌性的局限性(该局限会导致后期医生判定心脏电活动非线性系统动态病理特征时的片面)，采用了更为全面准确的异质度分析方法，挖掘出心脏非线性系统电活动中更多更丰富的动态病理特征；所述异质度分析方法里的非线性动力学方法包括但不限于熵的方法、复杂度的方法、空间离散度的方法、关联维的方法、李雅普诺夫指数谱的方法、最大李雅普诺夫指数谱方法中的一种或几种；所述异质度分析方法里的频域方法包括但不限于时间离散度方法或快速傅里叶变换方法的一种或几种；在此基础上，本发明所述的异质度分析还可对动态病理特征的几何特症、模型特征和时域特征等方面进行量化指标提取，并对其赋以权重进行心脏疾病的量化判定。实施例6：该实施例对于上述各实施例中涉及的病理特征提取方法，结合具体心脏疾病，阐述动态病理特征的量化分析在心肌缺血疾病的辅助判定中的应用。采集医院患者的心电数据，患者的个体信息如表2；采用现有技术(参见cn201710587538.0)获得心脏电活动非线性系统动态数据。接着按照实施例2所述方法，对患者心脏电活动非线性系统动态病理特征进行提取，得到几何特征(a1)、非线性动力学特征(a2)、模型特征(a3)、时域特征(a4)和频域特征(a5)。表2.心脏异常患者的信息按照实施例2所述提取方法，对不同的动态病理特征量化值进行计算，得到量化指标计算结果：几何特征a1值＝3.32，非线性动力学特征(复杂度)a2值＝0.0368，模型特征a3值＝1.9064，时域特征a4值＝4.87，频域特征a5值＝197.36；根据实施例3所记载的辅助判定标准，可知患者几何特征a1值＝3.32，趋于不正常，其心脏电活动非线性系统动态数据的几何特征趋向心肌缺血的几何特征标准；非线性动力学特征a2值＝0.0368，趋于不正常，其心脏电活动非线性系统动态数据的非线性动力学特征趋向心肌缺血的非线性动力学特征标准；模型特征a3值＝1.9064，趋于不正常，其心脏电活动非线性系统动态数据的模型特征趋向心肌缺血的模型特征标准；时域特征a4值＝4.87，趋于不正常，其心脏电活动非线性系统动态数据的时域特征趋向心肌缺血的时域特征标准；频域特征a5值＝197.36，趋于不正常其心脏电活动非线性系统动态数据的频域特征趋向心肌缺血的频域特征标准。综上可知，多个量化指标皆提示患者是心肌缺血的高危个体。根据实施例4所记载的辅助判定标准和实验筛选获得较优权重值：a1为0.1,a2为0.6,a3为0.1,a4为0.1,a5为0.1；其中，a1为几何特征的权重，a2为非线性动力学特征的权重，a3为模型特征的权重，a4为时域特征的权重，a5为频域特征的权重；可知患者动态病理特征评估值为s”＝20.96644，其心脏电活动非线性系统动态数据的动态病理特征趋向心肌缺血的动态病理特征标准。综上可知，患者的动态病理特征明显，有较大的心肌缺血的可能性，和医生的诊断结果一致。实施例7：该实施例对于上述各实施例中涉及的病理特征提取方法，结合具体心脏疾病，阐述动态病理特征的量化分析在冠状动脉粥样硬化性心脏病的辅助判定中的应用。采集医院患者的心电数据，患者的个体信息如表3；采用现有技术(参见cn201710587538.0)获得心脏电活动非线性系统动态数据。接着按照实施例2所述提取方法，对患者心脏电活动非线性系统动态病理特征进行提取，得到几何特征(a1)、非线性动力学特征(a2-2)、模型特征(a3)、时域特征(a4)和频域特征(a5)。表3.心脏异常患者的信息住院号******性别男年龄52主诉发作性胸痛医院诊断冠状动脉粥样硬化性心脏病按照实施例2所述提取方法的异质度分析，对不同的动态病理特征量化值进行计算，得到量化指标计算结果：几何特征a1值＝2.32，非线性动力学特征(近似熵)a2-2值＝6.37，模型特征a3值＝5.9064，时域特征a4值＝2.17，频域特征a5值＝120.15；根据实施例4所记载的辅助判定标准，可知患者几何特征a1值＝2.32，趋于不正常，其心脏电活动非线性系统动态数据的几何特征趋向冠状动脉粥样硬化性心脏病的几何特征标准；非线性动力学特征(近似熵)a2-2值＝6.37，趋于不正常，其心脏电活动非线性系统动态数据的非线性动力学特征趋向冠状动脉粥样硬化性心脏病的非线性动力学特征标准；模型特征a3值＝5.9064，趋于不正常，其心脏电活动非线性系统动态数据的模型特征趋向冠状动脉粥样硬化性心脏病的模型特征标准；时域特征a4值＝2.17，趋于正常，其心脏电活动非线性系统动态数据的时域特征趋向健康人的时域特征标准；频域特征a5值＝120.15，其心脏电活动非线性系统动态数据的频域特征趋向冠状动脉粥样硬化性心脏病的频域特征标准。综上可知，多个量化指标皆提示患者是冠状动脉粥样硬化性心脏病的高危个体。根据实施例4所记载的辅助判定标准和实验筛选获得较优权重值：a1为0.2,a2为0.3,a3为0.3,a4为0.2,a5为0；其中，a1为几何特征的权重，a2为非线性动力学特征的权重，a3为模型特征的权重，a4为时域特征的权重，a5为频域特征的权重；可知患者动态病理特征评估值为s”＝4.58092，其心脏电活动非线性系统动态数据的动态病理特征趋向冠状动脉粥样硬化性心脏病的动态病理特征标准。综上可知，患者冠状动脉粥样硬化性心脏病的动态病理特征明显，有较大的冠状动脉粥样硬化性心脏病的可能性，和医生的诊断结果一致。实施例8：一种动态病理特征的量化分析产品，包括心电数据采集模块、目标波段截取模块和心电信号分析模块，所述的心电数据采集模块为市场上常见的心电数据采集设备，所述的心电信号分析模块采用了实施例1～4所述的任一方法，该过程是一种处理器加载计算机程序并执行的过程；具体使用时，通过心电数据采集模块采集心电数据，接着将采集的心电数据传递给所述目标波段截取模块；所述目标波段截取模块获取目标波段，接着将获取的目标波段传递给所述心电信号分析模块，构建心脏电活动非线性系统动态；接着所述心电信号分析模块采用实施例1～4任一所述提取方法，提取心脏电活动非线性系统动态病理特征的量化判定指标，输出辅助判定结果；本发明所述动态病理特征的量化分析产品，可用于量化判定由心肌缺血引起的多种心脏疾病。藉由上述各实施例中涉及的方法、及产品，本发明通过对心脏电活动非线性系统动态病理特征进行量化指标的提取，并对不同量化指标赋以权重进行心脏电活动非线性系统动态病理特征进行量化判定，和本发明记载的技术操作方案协同使用，可解决心脏电活动非线性系统动态病理特征的多视角观察和疾病严重程度的量化判定问题。以上显示和描述了本发明的基本原理和主要特征以及本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。当前第1页12