[发明专利]一种基于多元递归网络的心脏疾病识别方法

权利要求书

1.一种基于多元递归网络的ECG信号处理方法，其特征在于步骤为：

分别采集健康人、心肌缺血患者以及心肌梗塞患者三类人在相同采样频率下ECG十二导联信号，将ECG十二导联信号组成原始多元时间序列，并分为心脏病患者以及正常人两大类记录，然后分别对每一原始多元时间序列在不同的尺度因子下粗粒化，然后采用递归图和交叉递归图算法对不同尺度因子下的多元时间序列构造多元递归网络，计算多元递归网络的平均交叉聚类系数熵，心脏病患者的平均交叉聚类系数熵值低于正常人的平均交叉聚类系数熵值，确定该多元递归网络的最佳尺度因子，即在最佳尺度因子下心脏病患者和正常人的平均交叉聚类系数熵差值最大，心脏疾病识别效果最好；计算最佳尺度因子下多元时间序列构造的多元递归网络中的交叉聚类系数，将多元时间序列中的各时间序列作为节点，各节点对应多元递归网络中递归网络的全局交叉聚类系数均值作为节点之间的连边权重，生成权重网络，并计算心脏病患者和正常人形成的权重网络的网络参数，心脏病患者与正常人的网络参数存在明显的差别，利用正常人到心脏病患者网络参数的变化揭示不同ECG信号的复杂性变化，从而对心脏疾病进行识别；

具体步骤如下：

a提取三类群体在相同的采样频率下采集ECG十二导联信号生成原始多元时间序列，三类群体分别为健康人、心肌缺血患者以及心肌梗塞患者，分别对三类群体中每一个个体的原始多元时间序列在不同尺度因子e下进行粗粒化，每一个个体获得不同尺度因子e下的多元时间序列；

b利用递归图和交叉递归图算法对三类群体中每一个体在不同尺度因子e下的多元时间构造多元递归网络；

c计算不同尺度因子e下每一类群体中每一个样本所形成的一个多元递归网络的平均交叉聚类系数熵，并对每一类群体的多个样本的平均交叉聚类系数熵求均值，将三类群体在不同尺度因子e下的平均交叉聚类系数熵的均值进行比较，确定最佳尺度因子s；

d在最佳尺度因子s下将三类群体中每一个样本的多元时间序列构造一个多元递归网络，计算每个样本的多元递归网络中的交叉聚类系数；

e将多元时间序列中的各导联时间序列作为节点，两个节点对应的递归网络相互的交叉聚类系数均值作为连边权重，生成权重网络；

f计算权重网络的网络参数：平均加权路径长度，图能量，对三类群体中每个个体所形成的权重网络参数求均值并进行比较，可以看出心脏病患者和正常人的网络参数均值存在明显的差距，利用差异分析从而实现对不同ECG十二导联信号的区分，对心脏疾病患者进行识别。

2.根据权利要求1所述的基于多元递归网络的ECG信号处理方法，其特征在于对多元时间序列粗粒化，具体步骤如下：

对于一个原始多元时间序列在不同的尺度因子e下进行粗粒化，得到多元时间序列，公式如下：

其中，k表示多元时间序列的元数，k＝1,2,…,12,x_k,i表示第k元时间序列中的点i，表示在尺度因子e下的第k元时间序列中的点j；

3.根据权利要求1所述的基于多元递归网络的ECG信号处理方法，其特征在于递归图算法和交叉递归图算法，具体步骤如下：

对于原始多元时间序列在不同尺度下构成的多元时间序列N′表示时间序列的长度),选取合适的嵌入维度m和延迟时间τ进行相空间重构，相空间重构之后的轨迹为:

其中，1≤h≤m，m表示嵌入维数，采用经验值2，τ表示延迟时间，采用经验值1；相空间轨迹之间的距离用最大距离d[Y_k(a),Y_k′(b)]来表示，公式如下：

其中k,k′均表述多元时间序列的元数，k′＝1,2,…,12；

递归图算法计算单一时间序列内部的递归特征，即当k＝k′时，递归矩阵表示为：

交叉递归图算法描述两个不同的时间序列之间的递归特征，即k≠k′时，交叉递归矩阵表示为：

其中Θ表示Heaviside函数，Θ(x)＝{1|x0；0|x≤0},ε表示阈值，其值设置为时间序列标准差的15％，若的值为1，即表示该时间序列相空间重构之后的轨迹点a，b之间递归，若值为0,则不递归，若的值为1，即表示该时间序列相空间重构之后的轨迹点a，b之间递归，若值为0,则不递归。