基于多重分形理论的心电诊断系统设计与应用

doi:10.11959/j.issn.2096-109x.2017.00204

网络与信息安全学报 ›› 2017, Vol. 3 ›› Issue (10): 62-71.doi: 10.11959/j.issn.2096-109x.2017.00204

基于多重分形理论的心电诊断系统设计与应用

张春慨(),尹奥,张景旺,田攀博,周颖,齐常青

哈尔滨工业大学（深圳）计算机科学与技术学院，广东深圳 518055

修回日期:2017-09-20 出版日期:2017-10-01 发布日期:2017-11-13
作者简介:张春慨（1973-），男，山东烟台人，博士，哈尔滨工业大学（深圳）副教授，主要研究方向为流数据挖掘、网络信息安全以及互联网技术。|尹奥（1993-），男，河北邯郸人，哈尔滨工业大学（深圳）硕士生，主要研究方向为异常检测。|张景旺（1991-），男，黑龙江哈尔滨人，哈尔滨工业大学（深圳）硕士生，主要研究方向为流数据挖掘、异常检测。|田攀博（1993-），男，河南周口人，哈尔滨工业大学（深圳）硕士生，主要研究方向为数据挖掘、隐私感知。|周颖（1994-），女，湖南邵阳人，哈尔滨工业大学（深圳）硕士生，主要研究方向为数据挖掘。|齐常青（1991-），男，山东泰安人，哈尔滨工业大学（深圳）硕士生，主要研究方向为数据挖掘。
基金资助:
深圳市基础研究基金资助项目(JCYJ20170307151518535)

Design and application of electrocardiograph diagnosis system based on multifractal theory

Chun-kai ZHANG(),Ao,ZHANGJing-wang YIN,Pan-bo TIAN,Ying ZHOU,Chang-qing QI

School of Computer Science and Technology,HITSZ,Shenzhen 518055,China

Revised:2017-09-20 Online:2017-10-01 Published:2017-11-13
Supported by:
Shenzhen Foundation Research Project(JCYJ20170307151518535)

摘要/Abstract

摘要：

设计实现了一种利用差分阈值法进行心电数据自动分段算法，该算法可识别连续心电数据的各个心电周期；基于多重分形理论，获取心电数据的多重分形半谱特征和广义 Hurst 指数特征，用于神经网络模型的训练，以实现心电数据分类，其分类的准确率为97%。实现了心电诊断系统并用于实际应用，该系统能自动识别包含多个周期的心电序列，忽略该心电序列中首尾不完整心电周期数据，并可对心电数据各个周期进行分类标注。

关键词: MFDFA, 无标度区间, 多重分形, 神经网络

Abstract:

An automatic segmentation algorithm for ECG data using differential threshold method was designed,which could identify the various ECG cycles of continuous ECG data.And it could obtain the multifractal features of multiple fractal and generalize hurst index feature of ECG data,these features were used to train artificial neural network in order to classify ECG data,the accuracy of the classifier could reach 97%.An ECG diagnosis system was implemented,which can automatically identify ECG sequences that contain multiple ECG cycles,and can automatically ignore the incomplete ECG cycle data,and could annotate every cycle of ECG data.

Key words: MFDFA, scale-free interval, multifractal, neural network

中图分类号:

TP315

张春慨,尹奥,张景旺,田攀博,周颖,齐常青. 基于多重分形理论的心电诊断系统设计与应用[J]. 网络与信息安全学报, 2017, 3(10): 62-71.

Chun-kai ZHANG,Ao,ZHANGJing-wang YIN,Pan-bo TIAN,Ying ZHOU,Chang-qing QI. Design and application of electrocardiograph diagnosis system based on multifractal theory[J]. Chinese Journal of Network and Information Security, 2017, 3(10): 62-71.

图/表 15

图1

图2

表1

图3

图4

图5

图6

表2

表3

表4

表5

图7

图8

表6

表7

参考文献 22

[1]	王兴元, 朱伟勇 . 人犬对比心电波形分维的研究[J]. 中国生物医学工程学报, 1998(3): 281-285.
	WANG X Y , ZHU Y W . A comparative study on the fractal dimension of ECG[J]. Chinese Journal of Biomedical Engineering, 1998(3): 281-285.
[2]	王兴元, 顾树生 . 心电动态生理及病理信息的非线性动力学研究[J]. 中国生物医学工程学报, 2000,19(4): 397-403.
	WANG X Y , GU S S . Nonliear dynamics of ECG physiological and pathological information[J]. Chinese Journal of Biomedical Engineering, 2000,19(4): 397-403.
[3]	NING X , BIAN C , WANG J ,et al. Research progress in nonlinear analysis of heart electric activities[J]. Chinese Science Bulletin, 2006,51(4): 385-393.
[4]	MYTHILY V , GEETHA S . Neck cardiography and fractal analysis of its wavelet transform modified signal[J]. Indian Journal of Science and Technology, 2015,8(31).
[5]	BARABASI A L , VICSEK T . Multi-fractality of Self-affine Fractals[J]. Phys.Rev.A, 1991,44: 2730-2733.
[6]	KANTELHARDT J W , ZSCHIEGNER S A KOSCIELNY-BUNDE E ,et al. Multifractal detrended fluctuation analysis of nonstationary time series[J]. Physica A:Statistical Mechanics and Its Applications, 2002,316(1): 87-114.
[7]	MUKHOPADHYAY S , MANDAL S , DAS N K ,et al. Diagnosing heterogeneous dynamics for CT scan images of human brain in wavelet and MFDFA domain[M]// Advances in Optical Science and Engineering. India Springer, 2015: 335-340.
[8]	CATALANO L , FIGLIOLA A . Analysis of the nonlinear relationship between commodity prices in the last two decades[J]. Quality＆ Quantity, 2015,49(4): 1553-1558.
[9]	XU Y , FENG H . Revisiting multifractality of TCP traffic using multifractal detrended fluctuation analysis[J]. Journal of Statistical Mechanics:Theory and Experiment, 2014,2014(2).
[10]	FARRELL R M , XUE J Q , YOUNG B J . Enhanced rhythm analysis for resting ECG using spectral and time domain techniques[C]// The IEEE/RSJ International Conference on Cornputers. 2003,30(6): 733-736.
[11]	SUN Y , CHAN K L , KRISHNAN S M . Characteristic wave detection in ECG signal using morphological transform[J]. BMC Cardiovascular Disorders, 2005,
[12]	SHYU L Y , WU Y H , HU W . Using wavelet transform and fuzzy neural network for VPC detection from the Holter ECG[J]. IEEE Transactions on Biomedical Engineering, 2004,51(7): 1269-1273.
[13]	KOHLER BU , HENNING C , ORGLMEISTER R . The principles of software QRS detection[J]. IEEE Engineering in Medicine and Biology Magazine, 2002,21(1): 42-57.
[14]	ADDISON P S . Wavelet transforms and the ECG:a review[J]. Physiological Measurement, 2005,26(5): 155-199.
[15]	PAN J P , TOMPKINS W J . A real-time QRS detection algorithm[J]. IEEE Transactions on Biomedical Engineering, 1985,32(3): 230-236.
[16]	FALCONER K J . Fractal geometry:mathematical foundation and applications[M]. Chichester: John Wiley ＆ Sons LtdPress, 1990.
[17]	张永平 . 分形的控制与应用[D]. 济南:山东大学, 2008.
	ZHANG Y P . Fractal control and application[D]. Jinan:Shandong University, 2008.
[18]	杜必强 . 振动故障远程诊断中的分形压缩及分形诊断技术研究[D]. 保定:华北电力大学, 2009.
	DU B Q . Study on fractal compression and fractal diagnosis in remote diagnosis of vibration fault[D]. Baoding:North China Electric Power University, 2008.
[19]	ARDUINI F , FIORAVANTI S , GIUSTO D D . A multifractal-baesd approach to natural scene analysis[C]// The 1991 International Conference on Acoustics,Speech,and Signal Processing,Piscataway. 1991: 2681-2684.
[20]	CHENG Q . Generalized binomial multiplicative cascade processes and asymmetrical multifractal distributions[J]. Nonlinear Processes in Geophysics, 2014,21(2): 477-487.
[21]	GAUTAM M K , GIRI V K . A neural network approach and wavelet analysis for ECG classification[C]// 2016 IEEE International Conference on Engineering and Technology(ICETECH). 2016: 1136-1141.
[22]	GAUTAM M K , GIRI V K . An approach of neural network for electrocardiogram classification[J]. APTIKOM Journal on Computer Science and Information Technologies, 2016,1(3): 115-123.

信号	最小值	最大值	差值
NB	0.287	2.338	2.050
LB	0.575	2.134	1.559
RB	0.380	2.552	2.171
PB	0.439	3.763	3.325
AB	0.296	1.855	1.559

特征列表	迭代次数平均值	准确度	准确度的标准差
F₀	412	86.93%	0.161 5
F ₀∪F₁	461	91.47%	0.236 7
F ₀∪F₂	495	89.17%	0.793 1
F ₀∪F₁∪F₂	498	92.36%	0.578 3

隐藏层神经元数目	迭代次数的平均值
隐藏层神经元数目	F₀	F ₀∪F₁	F ₀∪F₂	F ₀∪F₁∪F₂
10	412	461	495	498
20	520	551	501	532
30	539	573	546	672
40	610	683	661	714

隐藏层神经元数目	准确度的平均值
隐藏层神经元数目	F₀	F ₀∪F₁	F ₀∪F₂	F ₀∪F₁∪F₂
10	86.93%	91.47%	89.17%	92.36%
20	87.46%	94.69%	93.67%	95.93%
30	89.72%	95.34%	94.82%	97.53%
40	90.12%	94.13%	93.87%	97.02%

隐藏层神经元数目	准确度的标准差
隐藏层神经元数目	F₀	F ₀∪F₁	F ₀∪F₂	F ₀∪F₁∪F₂
10	0.161 5	0.236 7	0.793 1	0.578 3
20	0.172 9	0.376 4	0.912 3	0.627 3
30	0.167 3	0.276 7	0.847 1	0.557 3
40	0.156 5	0.251 8	0.792 7	0.491 8

基于多重分形理论的心电诊断系统设计与应用

Design and application of electrocardiograph diagnosis system based on multifractal theory

在线阅读

pdf下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 15

参考文献 22

相关文章 15

Metrics

推荐阅读 0

模型	准确率
模型	NB	LB	RB	PB	AB
分形模型	95.97%	94.04%	96.64%	98.68%	93.33%
混沌模型	95.33%	95.33%	94.00%	95.33%	91.33%
小波模型	92.66%	92.00%	94.00%	94.67%	90.66%

信号	TP	FP	FN	P	R	F1
NB	143	6	7	0.959 7	0.953 3	0.956 5
LB	142	9	7	0.940 4	0.953 0	0.946 7
RB	144	5	6	0.966 4	0.960 0	0.963 2
PB	150	2	4	0.986 8	0.974 0	0.980 4
AB	140	10	8	0.933 3	0.945 9	0.939 6

[1]	陈立全, 朱宇航, 王宇, 秦中元, 马旸. 基于混沌神经网络和C-MD结构的带密钥哈希函数[J]. 网络与信息安全学报, 2023, 9(3): 1-15.
[2]	冯冠云, 付才, 吕建强, 韩兰胜. 基于操作注意力和数据增强的内部威胁检测[J]. 网络与信息安全学报, 2023, 9(3): 102-112.
[3]	蔡召, 荆涛, 任爽. 以太坊钓鱼诈骗检测技术综述[J]. 网络与信息安全学报, 2023, 9(2): 21-32.
[4]	侯泽洲, 任炯炯, 陈少真. 基于神经网络区分器的SIMON-like算法参数安全性评估[J]. 网络与信息安全学报, 2023, 9(2): 154-163.
[5]	谢绒娜, 马铸鸿, 李宗俞, 田野. 基于卷积神经网络的加密流量分类方法[J]. 网络与信息安全学报, 2022, 8(6): 84-91.
[6]	单棣斌, 杜学绘, 王文娟, 刘敖迪, 王娜. 基于GNN双源学习的访问控制关系预测方法[J]. 网络与信息安全学报, 2022, 8(5): 40-55.
[7]	陈浩, 王锋, 张卫明, 俞能海. 载体独立的深度光照水印算法[J]. 网络与信息安全学报, 2022, 8(4): 110-118.
[8]	林点, 潘理, 易平. 面向图像识别的卷积神经网络鲁棒性研究进展[J]. 网络与信息安全学报, 2022, 8(3): 111-122.
[9]	王馨雅, 华光, 江昊, 张海剑. 深度学习模型的版权保护研究综述[J]. 网络与信息安全学报, 2022, 8(2): 1-14.
[10]	乔通, 姚宏伟, 潘彬民, 徐明, 陈艳利. 基于深度学习的数字图像取证技术研究进展[J]. 网络与信息安全学报, 2021, 7(5): 13-28.
[11]	王正龙, 张保稳. 生成对抗网络研究综述[J]. 网络与信息安全学报, 2021, 7(4): 68-85.
[12]	李炳龙, 佟金龙, 张宇, 孙怡峰, 王清贤, 常朝稳. 基于TensorFlow的恶意代码片段自动取证检测算法[J]. 网络与信息安全学报, 2021, 7(4): 154-163.
[13]	陈晋音, 张敦杰, 黄国瀚, 林翔, 鲍亮. 面向图神经网络的对抗攻击与防御综述[J]. 网络与信息安全学报, 2021, 7(3): 1-28.
[14]	李沛杰, 张丽, 夏云飞, 许立明. 基于软件定义的可重构卷积神经网络架构设计[J]. 网络与信息安全学报, 2021, 7(3): 29-36.
[15]	陈皓, 易平. 基于图神经网络的代码漏洞检测方法[J]. 网络与信息安全学报, 2021, 7(3): 37-45.