CN114287950A - 基于持续同调和傅里叶变换的心脏病计算机辅助分类方法 - Google Patents
基于持续同调和傅里叶变换的心脏病计算机辅助分类方法 Download PDFInfo
- Publication number
- CN114287950A CN114287950A CN202111610398.7A CN202111610398A CN114287950A CN 114287950 A CN114287950 A CN 114287950A CN 202111610398 A CN202111610398 A CN 202111610398A CN 114287950 A CN114287950 A CN 114287950A
- Authority
- CN
- China
- Prior art keywords
- fourier transform
- computer
- continuous
- coherence
- classification method
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 208000019622 heart disease Diseases 0.000 title claims abstract description 20
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 230000002085 persistent effect Effects 0.000 claims description 6
- 208000008131 Ventricular Flutter Diseases 0.000 claims description 4
- 230000036541 health Effects 0.000 claims description 4
- 206010006580 Bundle branch block left Diseases 0.000 claims description 3
- 206010006578 Bundle-Branch Block Diseases 0.000 claims description 3
- 208000000418 Premature Cardiac Complexes Diseases 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 201000001715 left bundle branch hemiblock Diseases 0.000 claims description 3
- 230000002861 ventricular Effects 0.000 claims description 3
- 230000000747 cardiac effect Effects 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 5
- 238000004195 computer-aided diagnosis Methods 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 230000000737 periodic effect Effects 0.000 abstract description 2
- 238000011160 research Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 11
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000000718 qrs complex Methods 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 230000002459 sustained effect Effects 0.000 description 2
- 206010015856 Extrasystoles Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000010247 heart contraction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000034225 regulation of ventricular cardiomyocyte membrane depolarization Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种基于持续同调和傅里叶变换的心脏病计算机辅助分类方法，属于计算机辅助诊断及信号处理技术领域。本发明将心电图看成一维时间序列信号，提出利用傅里叶变换将信号转化为点云，并通过持续同调提取拓扑特征研究点云整体的结构性差异，从而对原始信号进行分类，保证了应用效果，杜绝了损失信息并且容易被细微因素干扰等缺点。傅里叶变换是分析周期性信号的有力工具，由于标准正交基的完备性，可将信号的信息完全转化为点云的信息。本方法能够保持准确性，同时能够大量降低计算量，并且基于信号的本身的拓扑特征，不依赖调整参数，具备显著优势。本方法除了在心电信号分类领域外，在生物医学和信号处理等领域，也具有广泛的应用前景。
Description
技术领域
本发明涉及一种基于持续同调和傅里叶变换的对心脏病异样情况进行预分类的计算机辅助分类方法，属于计算机辅助诊断及信号处理技术领域。
背景技术
心脏病作为全球致死率最高的疾病之一，极大威胁着人类的健康和安全。面对不断增长的发病人口，判断、预测并及时预防心脏病，对保护生命和实现个性化医疗有着重大意义。传统的诊断心脏病的方法，主要是观察记录心脏收缩电活动的心电图。但是，心电图的解读需要专业的医疗人员以及详细的医学背景知识，靠医疗人员人工解读，在面临医疗资源分配不均衡、条件紧张的情况下，病人的生命健康将得不到充分保障。
随着计算机技术特别是人工智能技术快速发展，利用计算机***进行心电图预分类预测，成为一种新的技术手段，有效缓解了人工医疗资源分配不均，并为医生进一步制定具体治疗方案提供有力帮助。
但是，现有的计算机辅助诊断***，在针对心电图进行心脏病异样预测分类时，主要从信号处理、动力***出发，统计分析以及机器学习等角度对单导联，以及标准的12导联的心电图进行特征提取，并根据特征进行心脏病情况预测分类。这种方式由于将细节因素过于放大、可解释性差等原因，对于心脏病异样情况进行预分类的效果并不理想。
此外，目前对于计算机辅助***而言，大多依赖于人工参数的选择。而对于不同的患者需要足够有经验的代码操作人员进行调参，而参数的不当选择将大幅降低***诊断的准确性。
发明内容
本发明的目的是针对现有技术存在的不足，为解决计算机辅助诊断***在进行心电图分类中面临的信号结构化信息被破坏、可解释性差、参数依赖性强等技术问题，创造性地提出一种基于持续同调和傅里叶变换的心脏病计算机辅助分类方法。
本发明方法的创新点在于：将心电图看成一维时间序列信号，首次提出利用傅里叶变换将信号转化为点云，并通过持续同调提取拓扑特征研究点云整体的结构性差异，从而对原始信号进行分类，保证了应用效果，杜绝了损失信息并且容易被细微因素干扰等缺点。傅里叶变换是分析周期性信号的有力工具，同时，由于标准正交基的完备性，可以将信号的信息完全转化为点云的信息。
本发明采用以下技术方案实现。
将心电图看成一维的时间序列信号。首先通过插值和滤波器，对持续的时间序列信号进行预处理。
然后，利用滑动窗口和傅里叶变换，将信号嵌入成点云。
之后，对点云应用持续同调，得到对应的同调图和条形图。
最后，提取拓扑特征，构建特征空间并利用支持向量机进行分割。
有益效果
本方法，对比现有技术，具有以下优点：
本方法是一种基于拓扑的新式方法，揭示了心电信号分类的可解释性。对比现有技术，本方法能够保持准确性，同时能够大量降低计算量，并且基于信号的本身的拓扑特征，不依赖调整参数，具备显著优势。
本方法除了在心电信号分类领域外，在生物医学和信号处理等领域，也具有广泛的应用前景。
附图说明
图1是本发明方法的整体流程图；
图2是本方法的四种心电图的实例；
图3是本发明中降噪过程的示意图；
图4至图6分别为本发明中正常心电图的图像，点云图和持续同调图的示意图；
图7至图9分别为本发明中室性早搏心电图的图像，点云图和持续同调图的示意图；
图10至图12分别为本发明中左束支阻滞心电图的图像，点云图和持续同调图的示意图；
图13至图15分别为本发明中心室扑动心电图的图像，点云图和持续同调图的示意图；
图16是本发明中Vietoris-Rips复形构建的过程效果图；
图17是本发明中条形图的示例图和贝蒂数的产生过程；
图18是本发明中原始心电图数据集在特征空间的分布示意图；
图19是本发明中支持向量机SVM对特征空间的分割平面。
具体实施方式
下面结合附图对本发明方法做进一步详细说明。
如图1所示，一种基于持续同调和傅里叶变换的心脏病计算机辅助分类方法，包括以下步骤：
步骤1：如图2所示，本发明方法主要辅助分类健康、左束支阻滞、心室扑动和室性早搏等心电信号。
通过插值和滤波器，对持续的心电信号进行预处理。
将心电图看成一维的时间序列信号。由于我国供电设备使用交流电的频率为50Hz，而供电设备产生的工频干扰对心电图影响较大，因此，首先可以利用butterworth滤波器，对50Hz以上的心电频率进行滤波降噪。
然后，检测每个心跳的R波所在位置，选取R波前后固定比例(波前1/3，波后2/3)的点组成单个心跳。根据R波的长短，心跳长度不一，利用插值统一进行伸缩变换，维持单个心跳的信息量(比如300点的单个心跳)。如图3所示。
最后，根据R波的位置对连续心跳进行分割。
步骤2：利用滑动窗口和傅里叶变换，将心跳信号嵌入成点云。
具体地，对每一个心跳H，设置滑动窗口W的长度为M个点。其中，M不小于50。这是因为，达到50个点能够实现足够长的包括QRS综合波的信息，而QRS综合波是判断心电图的一个重要因素，QRS波群反映了人体左、右心室除极电位和时间的变化，第一个向下的波为Q波，向上的波为R波，接着向下的波是S波。
利用滑动窗口在心跳H上进行滑动，每次滑动都会取出长度为M的连续信号Si。此时，进行快速傅里叶，产生大小为M的复数序列，序列中的第j个复数会包括其幅值
角度
和相位
三个特征。根据快速傅里叶的特性，有：
其中，Fs表示采样频率，N表示单个样本的点的数量。
因此，对任意的i,Si产生的复数序列都有相同的正交基，Si表示连续信号。提取
作为第j个位置的坐标，由此产生了心跳H的点云。如图4至图15所示，十二张图分别表示了四种心电图的图像，点云图和持续同调图。
步骤3：对点云应用持续同调，得到对应的同调图和条形图。
具体地，对点云构建vietoris-rips复形(简称V-R复形)，根据不同维度单纯复形对应的拓扑。本发明选择一维单纯复形来反映点云的拓扑特征，如图16所示。随着时间和半径的扩大，不同生成元(在V-R复形中，随着半径的增加，一个个圈会出来，将这个圈叫做生成元)的出身和死亡时间被记录下来，形成同调图(如图6)和条形图(如图17)。
步骤4：提取拓扑特征作为空间维度构建特征空间，并利用支持向量机(supportvector machines，SVM)提取分割平面进行分割。
具体地，根据同调图和条形图，提取持续熵、最大生成元生存时间和最大贝蒂数生存时间。其中，一维贝蒂数是一种拓扑不变量，能够区分不同拓扑空间中一维循环的尺度。因此，在构建复形的过程中，选择最大贝蒂数生存时间来描述最稳定的情况。
通过检查持续同调图，发现不同的点到对角线的距离有明显的差别。因此，用最大的生命来表达最持久的周期。除了关注持久图的细节之外，还需要描述整个属性，因此引入熵。原始心电图在特征空间中的表现如图18所示。
最后，利用线性核的支持向量机对特征空间中的点进行分割，得出最后的分割准确度和割平面。利用割平面可对新的心电信号进行分类。
实例验证
将本方法运用到250个心跳构成的数据集上，数据来源于MIT-BIH心跳数据库。具体识别的情况如图19所示，得出区分正常心跳和不正常心跳的准确度可达到82％以上，其中区分心室扑动和正常心跳的准确率可达到99％。
Claims (8)
1.基于持续同调和傅里叶变换的心脏病计算机辅助分类方法，其特征在于，包括以下步骤：
步骤1：通过插值和滤波器，对持续的心电信号进行预处理；
步骤2：利用滑动窗口和傅里叶变换，将心跳信号嵌入成点云，方法如下：
对每一个心跳H，设置滑动窗口W的长度为M个点，其中，M不小于50；
利用滑动窗口在心跳H上进行滑动，每次滑动都会取出长度为M的连续信号Si；此时，进行快速傅里叶，产生大小为M的复数序列，序列中的第j个复数会包括其幅值
角度
和相位
三个特征；根据快速傅里叶的特性，有：
其中，Fs表示采样频率，N表示单个样本的点的数量；
对任意的i，Si产生的复数序列都有相同的正交基，Si表示连续信号；提取
作为第j个位置的坐标，由此产生了心跳H的点云；
步骤3：对点云应用持续同调，得到对应的同调图和条形图；
步骤4：提取拓扑特征作为空间维度构建特征空间，并利用支持向量机提取分割平面进行分割，得出最后的分割准确度和割平面，利用割平面对新的心电信号进行分类。
2.如权利要求1所述的基于持续同调和傅里叶变换的心脏病计算机辅助分类方法，其特征在于，心电信号包括：健康、左束支阻滞、心室扑动和室性早搏。
3.如权利要求1所述的基于持续同调和傅里叶变换的心脏病计算机辅助分类方法，其特征在于，将心电图看成一维时间序列信号，首先利用滤波器对心电频率进行滤波降噪；
然后，检测每个心跳的R波所在位置，选取R波前后固定比例，的点组成单个心跳；根据R波的长短，心跳长度不一，利用插值统一进行伸缩变换，维持单个心跳的信息量；
最后，根据R波的位置对连续心跳进行分割。
4.如权利要求3所述的基于持续同调和傅里叶变换的心脏病计算机辅助分类方法，其特征在于，选取R波前后固定比例为：波前1/3，波后2/3。
5.如权利要求3所述的基于持续同调和傅里叶变换的心脏病计算机辅助分类方法，其特征在于，维持单个心跳的信息量为300点。
6.如权利要求3所述的基于持续同调和傅里叶变换的心脏病计算机辅助分类方法，其特征在于，利用滤波器对50Hz以上的心电频率进行滤波降噪。
7.如权利要求1所述的基于持续同调和傅里叶变换的心脏病计算机辅助分类方法，其特征在于，步骤3中，对点云构建vietoris-rips复形，根据不同维度单纯复形对应的拓扑；选择一维单纯复形来反映点云的拓扑特征，随着时间和半径的扩大，不同生成元的出身和死亡时间被记录下来，形成同调图和条形图。
8.如权利要求1所述的基于持续同调和傅里叶变换的心脏病计算机辅助分类方法，其特征在于，步骤4中，根据同调图和条形图，提取持续熵、最大生成元生存时间和最大贝蒂数生存时间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111610398.7A CN114287950A (zh) | 2021-12-27 | 2021-12-27 | 基于持续同调和傅里叶变换的心脏病计算机辅助分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111610398.7A CN114287950A (zh) | 2021-12-27 | 2021-12-27 | 基于持续同调和傅里叶变换的心脏病计算机辅助分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114287950A true CN114287950A (zh) | 2022-04-08 |
Family
ID=80970132
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111610398.7A Pending CN114287950A (zh) | 2021-12-27 | 2021-12-27 | 基于持续同调和傅里叶变换的心脏病计算机辅助分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114287950A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116416417A (zh) * | 2023-06-09 | 2023-07-11 | 远洋装饰工程股份有限公司 | 基于增强现实的卫生间隐藏式排水结构辅助检修*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150009843A (ko) * | 2013-07-17 | 2015-01-27 | 건국대학교 산학협력단 | 심전도 신호 분류 시스템 |
| US20200074281A1 (en) * | 2018-08-31 | 2020-03-05 | Fujitsu Limited | Computer-readable recording medium, abnormality determination method, and abnormality determination device |
| CN111753709A (zh) * | 2020-06-19 | 2020-10-09 | 太原科技大学 | 一种基于分数阶傅里叶变换的三维腭皱识别方法 |
| CN112184869A (zh) * | 2020-10-09 | 2021-01-05 | 北京理工大学 | 基于绝对高斯曲率估计的保持几何特征的点云简化方法 |
| CN113331845A (zh) * | 2021-05-31 | 2021-09-03 | 浙江大学 | 基于持续同调的脑电信号特征提取与准确度判别的方法 |
-
2021
- 2021-12-27 CN CN202111610398.7A patent/CN114287950A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150009843A (ko) * | 2013-07-17 | 2015-01-27 | 건국대학교 산학협력단 | 심전도 신호 분류 시스템 |
| US20200074281A1 (en) * | 2018-08-31 | 2020-03-05 | Fujitsu Limited | Computer-readable recording medium, abnormality determination method, and abnormality determination device |
| CN111753709A (zh) * | 2020-06-19 | 2020-10-09 | 太原科技大学 | 一种基于分数阶傅里叶变换的三维腭皱识别方法 |
| CN112184869A (zh) * | 2020-10-09 | 2021-01-05 | 北京理工大学 | 基于绝对高斯曲率估计的保持几何特征的点云简化方法 |
| CN113331845A (zh) * | 2021-05-31 | 2021-09-03 | 浙江大学 | 基于持续同调的脑电信号特征提取与准确度判别的方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116416417A (zh) * | 2023-06-09 | 2023-07-11 | 远洋装饰工程股份有限公司 | 基于增强现实的卫生间隐藏式排水结构辅助检修*** |
| CN116416417B (zh) * | 2023-06-09 | 2023-09-05 | 远洋装饰工程股份有限公司 | 基于增强现实的卫生间隐藏式排水结构辅助检修*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang | Multiscale recurrence quantification analysis of spatial cardiac vectorcardiogram signals | |
| CN109117730B (zh) | 心电图心房颤动实时判断方法、装置、***及存储介质 | |
| Karpagachelvi et al. | ECG feature extraction techniques-a survey approach | |
| Lu et al. | Feature selection for ECG signal processing using improved genetic algorithm and empirical mode decomposition | |
| CN108324263B (zh) | 一种基于低秩稀疏约束的无创心脏电生理反演方法 | |
| CN111449644A (zh) | 一种基于时频变换和数据增强技术的生物电信号分类方法 | |
| Salam et al. | An algorithm for ECG analysis of arrhythmia detection | |
| CN112932498A (zh) | 一种基于深度学习的强泛化能力的t波形态分类*** | |
| Khan et al. | Electrocardiogram heartbeat classification using convolutional neural networks for the detection of cardiac Arrhythmia | |
| Zhang et al. | Detection of atrial fibrillation from variable-duration ECG signal based on time-adaptive densely network and feature enhancement strategy | |
| Huang et al. | A multiview feature fusion model for heartbeat classification | |
| CN114287950A (zh) | 基于持续同调和傅里叶变换的心脏病计算机辅助分类方法 | |
| CN113180685B (zh) | 基于形态学滤波和小波阈值的心电异常判别***及方法 | |
| Jiang et al. | A deep neural network based on multi-model and multi-scale for arrhythmia classification | |
| Spicher et al. | ECG delineation using a piecewise Gaussian derivative model with parameters estimated from scale-dependent algebraic expressions | |
| Zeng et al. | Deep arrhythmia classification based on SENet and lightweight context transform | |
| Afkhami et al. | ECG based detection of left ventricular hypertrophy using higher order statistics | |
| Jabborov | New way to process signals digitally | |
| Rashkovska et al. | Clustering of heartbeats from ECG recordings obtained with wireless body sensors | |
| CN115813409A (zh) | 一种超低延迟的运动图像脑电图解码方法 | |
| Ayushi et al. | A survey of ECG classification for arrhythmia diagnoses using SVM | |
| CN114569116A (zh) | 基于三通道图像及迁移学习的心冲击图室颤辅助诊断*** | |
| Abeysekera et al. | Patterns in Hilbert transforms and Wigner-Ville distributions of electrocardiogram data | |
| Fraser et al. | Time-delay lifts for physiological signal exploration: An application to ECG analysis | |
| Sreedevi et al. | ECG Feature Extraction and Parameter Evaluation for Detection of Heart Arrhythmias |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20240607 |