[发明专利]一种基于多元递归网络的心脏疾病识别方法

说明书

一种基于多元递归网络的心脏疾病识别方法，适用于心电信号分析及相关疾病的检测。采集样本ECG的十二导联信号构成多元时间序列，在不同的尺度因子下对多元时间序列粗粒化生成新的多元时间序列，利用递归图和交叉递归图算法对新多元时间序列构造成多元递归网络，计算其交叉聚类系数熵，确定最佳尺度因子，在最佳尺度因子下重构多元递归网络，计算其交叉聚类系数，将一个时间序列作为一个节点，节点之间的连边权重取交叉聚类系数均值，构造权重网络，根据不同人群的相关网络参数显著差距来对心脏疾病进行检测。其步骤简单，检测效率高，且分析ECG信号的十二导联时间序列，可以有效的提高临床上心脏疾病的诊断准确性。

技术领域

本发明涉及一种心脏疾病识别方法，尤其适用于心脏疾病诊断使用的一种基于多元递归网络的心脏疾病识别方法。

背景技术

信息时代的来临，数据在以一种难以预估的速度出现在各个领域，如何高效的分析这些数据从而获得更有价值的信息成为近年来部分学者研究的主题。应用复杂网络理论对非线性时间序列进行分析是其中的一个重要分支，时间序列出现在现实生活的方方面面，例如某个人的生理信号、某个交通路口在一段时间内的车流量、某个地区连续一个月的最高温度等数据都是时间序列，时间序列是指按照时间排序的一组随机变量，它通常是在相等间隔的时间段内依照给定的采样率对某种潜在过程进行观测的结果。大多数时间序列分析的方法都依赖于线性假设,例如自回归和滑动平均等模型,且这些模型中的自相关函数几乎都是呈指数衰减.现在普遍认为,支配自然或人类活动的动力学规律大部分是非线性的,非线性现象无处不在。非线性时间序列分析的思想和方法,源于动力系统理论或所谓的“混沌理论”,随着相空间重构理的提出，可以通过计算李雅普诺夫指数、熵、分形维数等参数来刻画某个系统存在的混沌行为，近年来，复杂网络的理论被引入进来。时间序列向复杂网络的转换存在不同的方法，例如根据时间序列采样点之间的可视性条件构成的可视图方法、利用符号动力学和随机过程思想的转换网络方法、将时间序列观测点或片段定义为节点的近似网络等，非线性混沌系统的一个重要性质是递归性,即随着时间趋于无穷,相空间轨迹将无限多次回到初始点所在的无限小领域内，递归图方法被提出，从重构序列生成一个递归矩阵来刻画系统的递归特性，递归网络将每一个相空间点当作网络节点,且网络连边表示节点在相空间内靠近的程度.排除递归图中的自身连接,递归网络忽略了时间序列的时间演化信息，分析更多关注吸引子在相空间内的几何特性。单个系统递归图的思想已经被推广为能够处理双变量或者多变量的交叉递归图、联合递归图或者多路递归图，应用的重点还是在单变量的递归图或者双变量的交叉递归图、联合递归图等上面，但是在现实生活中时间序列的多元化才能更好描述某个系统的内部性质和状态变化，所以利用递归图算法等去分析多元时间序列是一个需要解决的问题。

心电图(ECG)是以心脏电活动的形式记录下来的一个时间序列。通过心电图对心脏动力学的研究已经引起了人们的广泛关注，在非线性动力学中，试图证明混沌的程度在此系统，以及识别异常情况下的疾病。短持续时间和非平稳性等限制可能限制了非线性时间序列分析工具在心电图数据中的应用。在这种情况下，递归网络方法被证明是有用的分析短期和非平稳数据。它将来自给定时间序列的重构动态中的递归模式转换成复杂网络。在临床实践中，心脏病专家倾向于根据疾病的性质，根据部分或全部导联进行诊断。但研究单一变量的递归图或者研究双变量的交叉递归图等并不能充分的揭示该系统的动力学性质，因此多元递归网络的出现很好的解决了这个问题，且本文中将交叉聚类系数和熵进行结合，提出了交叉聚类系数熵的概念，探究随着尺度的变化，健康和患者ECG信号复杂性的变化。

发明内容

针对现有技术的不足之处，提供一种步骤简单，计算复杂程度低，执行效率好的一种基于多元递归网络的心脏疾病识别方法。

为实现上述技术目的，本发明的基于多元递归网络的心脏疾病识别方法，其于步骤为：