心电数据转换为二维图像的实现方法与流程

1.本发明涉及心电图信号的数据处理和分析技术领域，具体涉及一种心电数据转换为二维图像的实现方法。


背景技术：

2.传统的心电图信息主要依赖医生的临床经验和对心电图特征的提取，但是由于心电图之间存在较大差异且无法提取出心电图最本质的特征，因此人工判断存在技术难点。近年来，随着机器学习和深度学习在医学领域的应用，自动挖掘心电图最本质特征、实现心血管疾病自动判断已成为研究热点之一。
3.心电信号的特征提取往往是计算机自动识别判断心血管疾病的最为重要的一步，特征提取的质量决定了计算机自动识别心血管疾病效果的好坏。常见的心电信号的特征主要包括：形态学特征，时频域特征，统计学特征等。然而，由于心电信号是一维信号，有些隐藏的特征表露不出，因此传统的深度神经网络难以自动提取有效的特征，从而导致其在分类的效果方面表现不佳。相比之下，深度学习技术在图像分割、图像分类等领域具有出色的性能，因此也逐渐被应用到心律不齐的自动分类中。为此，许多研究者尝试改进神经网络来升维原始心电信号，在暴露更多有效特征后进行心电信号的识别和分类。因此，二维图像化心电信号的方法是当前自动心律失常分类研究的热门方向之一。
4.现有技术中已有的心电信号分析方法包括：1.采用改进的基于残差结构和变分自动编码器的双向递归神经网络，通过将滤波后的心电信号转化为二维灰度频谱图进行分类，取得了很好的效果。2.采用离散余弦残差网络的心肌梗塞识别算法，通过离散余弦变换方法获取心拍的时频域信息，并对时频特征进行优化。3.采用带有残差块和注意力机制的变尺度融合网络模型，将心电信号转为频谱图等，进行八种心率类型分类。4.根据心率变化将心电信号分割成单个心拍，并将心拍转换为双耦合矩阵，作为二维特征输入卷积神经网络进行分类，虽然双耦合矩阵可以表示心跳之间的相关性，但没有表征心电信号更多的信息，只表现出了时域波形信息。
5.以上深度学习方法采用的频谱图和时频图对信噪比较低的心电信号分析效果不佳，可能无法准确地提取出心电信号中的有用信息。为了解决这个问题，利用迁移学习的思想，构造深度卷积神经网络模型，将一维心电信号转换成二维递归图，相对于时频图，递归图可以更好地表现信号中的时间和空间特征，更充分地表达信号的多个维度信息，从而提高分类的准确性。但是递归图需要确定降维参数
‑“
阈值”，这个参数的选择对结果影响较大，不同的阈值可能会导致不同的结果，因此需要经验判断或尝试多个参数才能得到比较准确的结果。
6.在此基础上又发展出新的分析方法：1.利用改进的resgc-net网络的心律失常自动识别算法，对心电信号转换为二维格拉姆角场图进行识别分类，格拉姆角场图相对于时频图的优势在于可以更好地表示信号中不同部分之间的相互作用，同时具有更好的稳定性和鲁棒性。2.基于半监督卷积神经网络的心律不齐分类方法，通过马尔可夫变迁场，从不同
的时间和频率尺度上对信号进行分析，克服了不同人体心电信号之间的差异性。马尔可夫变迁场对于噪声和异常值具有较强的鲁棒性，能够过滤掉其中的干扰信息，同时可以通过调整状态转移矩阵的正则化参数来降低噪声的影响。但格拉姆角场图和马尔可夫变迁场的计算复杂度较高，需要进行大量的矩阵运算，因此有一定的计算复杂度，对于大规模时间序列数据，可能会导致计算时间过长或不能得到准确的结果。
7.因此，在心律失常的自动分类中，通过升维的方式将一维心电信号转换为二维图像，同时尽可能多的表露信息是一个需要考虑的关键问题。这个问题的核心是如何设计一种简单高效的技术，能够有效地将心电信号转化为图像，并保留足够的图像信息以支持后续的自动分类任务。


技术实现要素：

8.为了解决以上技术问题，本发明提供了一种心电数据转换为二维图像的实现方法，利用相对位置矩阵(relative position matrix)，将心电信号转化为二维图像，方法简单快速，并保留了足够的信息，能够更好地支持后续的自动分类任务。
9.为解决上述技术问题，本发明采用如下技术方案：
10.设计一种心电数据转换为二维图像的实现方法，包括以下步骤：
11.(1)将心电信号表示为x＝x1,x2,...,xn，其中xi代表每个采样点，即每个时间戳i处的值，心电信号长度为n。
12.(2)针对步骤(1)中的心电信号，通过以下z-分值标准化的方法得到一个标准正态分布z：
[0013][0014]
其中μ表示x的平均值，σ表示x的标准差。
[0015]
(3)计算两个时间戳之间的相对位置，将预处理后的心电信号x转换为二维矩阵m，时间戳i处的每个值分别被视为每行m中的参考点，变换方程如下：
[0016][0017]
该矩阵表征了心电信号序列中每两个时间戳之间的相对位置关系，其每一行和每一列都以某一个时间戳为参考，进一步表征整个序列的信息，每行m显示具有不同参考点的时间序列，每列显示前者的镜像，这为查看时间序列提供了反向视角。
[0018]
(4)应用最小-最大归一化将m转换为灰度值矩阵，最终矩阵f由下式得到：
[0019][0020]
当心电信号的长度过大时，采用传统的f会导致计算复杂度过高。因此，为了有效地对心电信号进行压缩和降维，可以采用分段聚合近似方法(paa)。paa的基本思想是在时间序列中选取固定长度的小区间，然后利用该区间内数据的均值代替整个区间的数据，从
而实现时间序列的降维处理。这种方法利用时间序列的局部平稳性质和局部时间一致性原理，将高维数据映射到低维空间中，既能够减少计算复杂度，又能够保留数据的关键特征和信息。通过计算分段常数的平均值进行降维，可以保持原始心电信号的近似趋势，最终新的平滑心电信号序列经过变换后得到的f就是一维信号转为二维图像的矩阵表示。
[0021]
心电图的特征提取由于人工提取会导致较为复杂且数量基数大，很难有效的提取到准确的特征数据。同时由于心电记录的长度经常不等，而cnn一般接受等长的输入，一旦记录长度的变化范围比较大，那就要通过较大的人为延拓或是上下采样等方式使之等长，这对数据信息有一定的破坏作用。将心电数据转化为二维图像，首先可以更好的提取特征，从而取得更佳的表现效果，其次神经网络更适合处理二维数据,二维矩阵格式的数据能更好的进行卷积操作，同时针对五种心电类型进行分类，需要分析的数据长度可能长度不一，可以用分段聚合近似等方法同一化数据长度，再进行图像转化，得到尺寸一致的图像。
[0022]
相对位置矩阵是用于描述时间序列数据的可视化方法，它可以捕捉时间序列中各个时刻之间的相对位置关系，并反映出时间序列的局部空间结构。相对位置矩阵有以下优点：
[0023]
1.鲁棒性更好：相对位置矩阵可以更好地处理噪声和异常值。由于rpm只考虑了时序数据中不同时刻之间的相对位置关系，因此对噪声和异常值更加鲁棒。2.可解释性更强：相对位置矩阵能够更清晰地反映出每个时刻在整个时序中所处的相对位置，因此具有更好的可解释性。3.计算复杂度更低：相对位置矩阵的计算过程非常简单，只需要计算任意两个时刻之间的相对位置关系即可，它不需要对时间序列进行转换和平滑化处理，只需要对原始数据计算即可，因此在大规模数据集上具有更好的计算效率和可扩展性。4.更全面的信息：rpm可以直接展示时间序列中各个点之间的相对位置关系，因此能够展示出序列中所有重要的信息，包括重复模式、时间演化和全局趋势等。5.更全面的分析：rpm能够分析整个时间序列的差异，从而更全面地刻画数据间的相关性和趋势，反映了时间序列中不同时刻之间的依赖关系，所以可以很好地反映出时间序列中的长期依赖关系，相比于其他分析方法，能够得到更全面和准确的结果。
[0024]
本发明的有益效果在于：本发明提出的采用相对位置矩阵方法将心电数据转换为二维图像，具有良好的性能和有效性，能够对心电信号进行准确的分类，并能够识别不同类型的心电信号。这同时也显示了该方法具有出色的性能和高度的鲁棒性，并为医学检测和临床判断提供积极支持。结果证实该方法的可靠性和有效性，为将来的心电信号分类研究提供了重要参考。
附图说明
[0025]
图1是房性早搏心电信号相对位置矩阵转换图；
[0026]
图2是左束支传导阻滞心电信号相对位置矩阵转换图；
[0027]
图3是右束支传导阻滞心电信号相对位置矩阵转换图；
[0028]
图4是室性早搏心电信号相对位置矩阵转换图；
[0029]
图5是正常心电信号相对位置矩阵转换图；
[0030]
图6是gam-resnet18网络结构图；
[0031]
图7是相对位置矩阵损失值变化图；
[0032]
图8是相对位置矩阵精确率变化图；
[0033]
图9是相对位置矩阵分类结果的混淆矩阵表示；
[0034]
图10是房性早搏心电信号格拉姆角场、递归图、马尔可夫变迁场转换图；
[0035]
图11是左束支传导阻滞心电信号格拉姆角场、递归图、马尔可夫变迁场转换图；
[0036]
图12是右束支传导阻滞心电信号格拉姆角场、递归图、马尔可夫变迁场转换图；
[0037]
图13是室性早搏心电信号格拉姆角场、递归图、马尔可夫变迁场转换图；
[0038]
图14是正常心电信号格拉姆角场、递归图、马尔可夫变迁场转换图；
[0039]
图15是递归图rp损失值变化图(左)和精确率变化图(右)；
[0040]
图16是格拉姆角场gaf损失值变化图(左)和精确率变化图(右)；
[0041]
图17是马尔可夫变迁场mtf损失值变化图(左)和精确率变化图(右)；
[0042]
图18是递归图分类结果的混淆矩阵表示；
[0043]
图19是格拉姆角场分类结果的混淆矩阵表示；
[0044]
图20是马尔可夫变迁场分类结果的混淆矩阵表示。
具体实施方式
[0045]
下面结合实施例来说明本发明的具体实施方式，但以下实施例只是用来详细说明本发明，并不以任何方式限制本发明的范围。
[0046]
实施例1：一种心电数据转换为二维图像的实现方法，包括以下步骤：
[0047]
(1)将心电信号表示为x＝x1,x2,...,xn，其中xi代表每个采样点，即每个时间戳i处的值，心电信号长度为n。
[0048]
(2)针对步骤(1)中的心电信号，通过以下z-分值标准化的方法得到一个标准正态分布z：
[0049][0050]
其中μ表示x的平均值，σ表示x的标准差。
[0051]
(3)计算两个时间戳之间的相对位置，将预处理后的心电信号x转换为二维矩阵m，时间戳i处的每个值分别被视为每行m中的参考点，变换方程如下：
[0052][0053]
该矩阵表征了心电信号序列中每两个时间戳之间的相对位置关系，其每一行和每一列都以某一个时间戳为参考，进一步表征整个序列的信息，每行m显示具有不同参考点的时间序列，每列显示前者的镜像，这为查看时间序列提供了反向视角。
[0054]
(4)应用最小-最大归一化将m转换为灰度值矩阵，最终矩阵f由下式得到：
[0055][0056]
当心电信号的长度过大时，采用传统的f会导致计算复杂度过高。因此，为了有效
地对心电信号进行压缩和降维，可以采用分段聚合近似方法(paa)。paa的基本思想是在时间序列中选取固定长度的小区间，然后利用该区间内数据的均值代替整个区间的数据，从而实现时间序列的降维处理。这种方法利用时间序列的局部平稳性质和局部时间一致性原理，将高维数据映射到低维空间中，既能够减少计算复杂度，又能够保留数据的关键特征和信息。通过计算分段常数的平均值进行降维，可以保持原始心电信号的近似趋势，最终新的平滑心电信号序列经过变换后得到的f就是一维信号转为二维图像的矩阵表示。
[0057]
本发明所使用的数据源自于mit-bih心律失常数据库(mit-biharrhythmia database v1.0.0(physionet.org))，该数据库包含48个双通道的动态心电信号记录。本研究从这些记录中选择38条记录，并选择了被研究患者的mlii导联作为研究对象。这些记录的频率为360hz，并包括正常心电(normal)以及四种常见的心律失常：左束支传导阻滞(lbbb)、右束支传导阻滞(rbbb)、房性早搏(apc)和室性早搏(pvc)。
[0058]
本发明的实现过程中还需要以下几点：
[0059]
1.心电信号的分割和截取。
[0060]
在ecg信号的分析与判断过程中，常需进行心拍划分以获取相关特征。由于心律失常信号具有波形异常的特点，因此需要先对ecg信号进行波形检测和定位，其中qrs波峰位置的准确定位是至关重要的。在本研究中，mit-bih数据集已完成r峰位置的人工标注，因此使用该数据进行心拍分割处理。
[0061]
在ecg信号处理中，心拍分割是非常关键的一步。常见的心拍切割方式是基于固定采样点数或时间窗口，以qrs波峰为中心进行切割。然而，心律类型和个体差异会导致心拍长度发生变化，因此采用对qrs波峰位置的精确定位来确定心拍的长度。具体而言，利用qrs波峰位置作为起始点，选取相应的采样点数或时间窗口来切割心拍信号。本研究选择在qrs波峰尖峰处向前取99个信号点、向后取200个信号点，共计300个信号点，构成一个完整的心拍，以保证心拍长度的一致性和准确性。
[0062]
对原始的mit-bih数据集的心电信号进行处理和筛选，选取数据库中所有的研究患者的mlii导联作为研究对象，从中通过准确定位与心跳相关的qrs波，并按照固定的点将其分割出来。每一种心电类型的心拍样本，如表1所示。
[0063]
表1单个心拍分类结果
[0064]
种类avlrn个数195069746578496771723
[0065]
由于正常心电的个数远远大于其他四种异常心率的个数，选择将单个心拍的正常心电(n)类型转换为5s数据片段的正常心电类型。需要注意的一点是mit-bih数据库中的数据声明了心拍注释标签已经经过人工注释和人工检验，表明这些心拍注释标签的准确性的。因此，在如何给处理好的数据片段打标签的问题上，本研究优先选择了经过人工注释和核验过的标签。
[0066]
这里，为数据打标签的标准为：如果数据片段的数据标签均为n，则这一段记录标记为n，用来平衡5种心率数据，得到如下所示的混合心拍的数据样本，如表2所示。
[0067]
表2单个心拍和5s心电信号片段分类结果
[0068]
种类avlrn个数19506974657849678996
[0069]
2.心电信号去噪。
[0070]
心电信号是一种微弱的生物电信号，常常受到干扰，因此对不同干扰源进行分析和针对性的处理非常重要。常见的干扰源包括工频干扰、基线漂移和肌电干扰。其中，小波变换在抑制噪声方面具有较好的效果。为了实现小波变换，选用daubechies小波函数族中的db6作为实验使用的小波函数。这是因为与心电信号中的qrs波形参数相似，在心电信号处理中使用db6小波函数族可以更准确地分离和识别qrs波形态，有助于提高心脏疾病的判断精度；db6小波函数族的频谱能量主要集中在低频区域，因此它可以更好地提取心电信号中的低频成分，对于一些低频信息敏感的应用场景，如心脏疾病分析，具有更好的效果；同时计算效率高：相比于其他小波函数族，db6小波函数族的级数较低，计算效率更高，可以减少计算时间和计算资源的消耗。
[0071]
通过小波变换，可以将信号分解成不同尺度和频率的小波系数，从而更准确地描述其特征。对于心电信号，其信号能量主要集中在4-5个尺度上，因此选择合适的小波基函数和分解层数非常关键，以便有效地提取和分析心电信号的相关特征和信息。因此本发明在多尺度分析时选择分解层数为5，这样能够较好地提取信号的频率特征：分解层数越高，可以提取到的高频信息就越丰富，但是随着层数增加，会造成更多的噪声引入，对后续的分析造成干扰。因此，选择分解层数为5，可以较好地平衡高频特征与噪声抑制之间的关系，同时能够充分保留信号的低频信息。
[0072]
对于阈值的选择，在小波去噪中，通常采用硬阈值和软阈值来降低噪声的影响。硬阈值会将小于阈值的系数设置为0，这可能导致信号失真。而软阈值会对小于阈值的系数进行缩小处理，保留更多的细节，但有时也会保留噪声。软硬阈值折中法旨在平衡两种方法的优缺点，并实现更好的去噪效果。通常先使用软阈值以消除噪声，同时保留一些细节；然后再使用硬阈值以移除剩余的噪声，同时最大限度地保留信号的细节。
[0073]
软硬阈值折中处理法的阈值函数为：
[0074][0075]
当λ＝0或1时，该式就变成了硬阈值和软阈值方法。而当0《λ《1时，软硬阈值方法都被应用于心电信号。本发明取折中比重α为0.5.
[0076]
3.一维信号到二维相对位置矩阵的转换。
[0077]
对于上述已经分割好的样本，可以通过相对位置矩阵将其转换为二维图像，在转换成二维图像时，可以设置像素分辨率，以控制图像的精度和清晰度。像素分辨率为224
×
224。在经过心电信号的截取和去噪后的数据中，分别从五种心电信号a,l,n,r,v中随机选取一个样本,编号为1843，1927，198，4653，6678。可以通过预处理后的心电信号生成其相对位置矩阵，并将其转化为二维图像进行展示。具体地，心电信号经过预处理后可以得到一个特征矩阵，然后通过计算各个特征之间的相对位置关系，得到相对位置矩阵。接着，可以把相对位置矩阵中的数值映射为灰度值，生成二维图像。如图1-图5所示，左边的图像显示了经过预处理后的心电信号，右边的图像则是由相对位置矩阵转换为的二维图像。针对正常心拍类型，5s的样本数据相对于单个心拍的心电样本来说数据量过大，因此采用paa方法进行降维，降到300*300。这种方法可以更加直观地展示心电信号的特征和局部结构，同时也
能够提取出数据的重要信息，为后续分析和处理提供便利。
[0078]
4.针对相对位置矩阵识别的gam-resnet18网络模型设计。
[0079]
resnet18是一种经典的深度学习模型，主要应用于图像分类领域。它由卷积层、池化层、残差块和全连接层组成。其中，卷积层和池化层用于提取图像特征，而残差块则是为了解决梯度消失和模型退化的问题。本发明提出的gam-resnet18是一种基于resnet18架构的改进模型，主要针对ecg信号的心跳分类任务。在resnet18的基础上，引入了gam机制来加强模型的特征选择能力，从而提高模型的性能。gam机制由两部分组成：全局平均池化和通道关注机制。全局平均池化是通过计算输入特征图的平均值来聚合其空间信息，减少了特征图的尺寸。通道关注机制则是通过考虑每个通道的重要性，选择性地放大或抑制输入信号的不同特征。
[0080]
在gam-resnet18模型中，在每个残差块的输出处加入了gam模块。该模块接收残差块的输出，经过全局平均池化后，使用一个多层感知机来计算每个通道的权重。最终，gam模块将加权后的特征图与原始特征图相加，得到增强了信息特征的输出。
[0081]
gam-resnet18与resnet18相比，在残差块之间加入了gam模块，增强了特征选择的能力。具体地，gam-resnet18的模型结构如下：
[0082]
(输入)
→
2维卷积层
→
bn
→
relu
→
最大池化
→
残差块1+gam模块1
→
残差块2+gam模块2
→
残差块3+gam模块3
→
残差块4+gam模块4
→
平均池化层
→
全连接层
→
softmax层
→
(输出)
[0083]
其中，2维卷积层和最大池化层用于提取ecg信号的时间序列特征，并将其转换为图像形式的特征，供后续的残差块和gam模块使用。gam模块由全局平均池化层、多层感知机和sigmoid函数组成，用于加强输入特征中的重要信息。全连接层和softmax层用于输出ecg信号的分类结果。
[0084]
网络结构图如图6所示。
[0085]
5.网络训练。
[0086]
将数据集按照8:2比例划分为训练集和测试集，并在训练集中选取20％的数据作为验证集。其次，在模型的训练过程中，采用了batch_size为32、图片大小为224
×
224和学习率为0.0001的参数设置，并使用adam优化器进行网络的优化。该优化器利用自适应学习率来调整每个参数的更新步长，从而显著加快了模型的训练进程，并避免了结果出现局部优化的问题。最后，通过监测验证集的精确率和损失值来评估模型的性能，并在验证精确率不再提升时停止训练，以避免模型出现过拟合的情况。
[0087]
在模型性能评估中，使用损失值和精确率作为评价指标，其中损失值可以反映出模型预测结果与真实标签之间的误差，而精确率则是模型正确预测的样本数与总样本数之比。通过图7和图8的可视化结果，可以看到验证集的损失值在第6次epoch之后已经趋于平稳，精确率在第9次epoch之后并训练集的值十分接近，说明此时模型的泛化能力较好且没有出现过拟合的问题。
[0088]
6.评价指标。
[0089]
采用一个图像分类模型的性能评价标准，包括整体准确率(acc)、正确预测率(ppv)、特异性(sp)、灵敏度(se)和f1分数。其中，整体准确率表示被正确分类的心跳信号样本占总样本数的比例。正确预测率是指分类器正确分类的正样本数与总正样本数的比值。
特异性是指分类器正确识别负样本的能力，即真实阴性样本中被正确预测为阴性的概率。灵敏度是指分类器正确识别正样本的能力，即真实阳性样本中被正确预测为阳性的概率。f1分数是精确率和召回率的调和平均值，该指标用于综合评估模型的性能，尤其适用于不平衡数据集。这些概念是评估分类器性能的关键指标，对于不同的应用场景具有重要的意义。通过合理的指标选择和评价方法，可提高分类器的准确性和稳健性，从而更好地满足实际需求。
[0090]
在计算上述指标时，采用公式(5)～(9)给出的计算方法。具体而言，整体准确率可以通过正确分类样本数除以总样本数来计算；正确预测率可通过被正确分类的正样本数除以被预测为正的样本数来计算；特异性可通过被正确分类的负样本数除以实际为负的样本数来计算；灵敏度可通过被正确分类的正样本数除以实际为正的样本数来计算。f1分数则可通过精确率和召回率的调和平均数来计算，其中精确率表示被预测为正类情况下实际为正的比例，而召回率表示实际为正类情况下被预测为正的比例。这些指标可以帮助我们全面评估图像分类模型的性能，从而更好地优化和改进模型的表现。
[0091][0092][0093][0094][0095][0096]
其中，tp表示分类器正确识别当前类型的心律失常样本数，fp表示分类器将其他类型的样本错误地识别为当前类型的样本数，tn表示分类器将当前类型的样本错误地识别为其他类型的样本数，fn表示分类器将不属于当前类型的样本错误地识别为其他类型的样本数。这些参数是衡量分类器性能的关键指标，可用于评估分类器的准确性和鲁棒性。通过对这些指标进行分析并优化分类器模型和算法，可以提高分类器的分类精度和识别能力，使其更加适合于不同的应用场景。
[0097]
7.结果和分析。
[0098]
通过将训练好的模型应用于测试数据集，并得到相应的混淆矩阵，可以评估分类器在测试集上的性能表现。得到的混淆矩阵如图9所示，并根据混淆矩阵计算分类总准确率、正确预测率、特异性、灵敏度及f1分数等评价指标。根据所得混淆矩阵，所训练的模型在心电信号的五种分类中表现出近乎完美的性能，其分类准确率达到了99.30％。这意味着该模型能够对心电信号进行准确的分类，并能够区分不同类型的心电信号。
[0099]
基于gam-resnet18网络的心律失常自动分类的二维图像实验对比。
[0100]
为了验证本发明提出相对位置矩阵方法对于心律失常信号分类的有效性，我们将相同的一维心电信号样本数据分别转化为格拉姆角场、递归图以及马尔可夫变迁场，并利
用gam-resnet18网络模型进行实验验证。同时，对三种实验结果和相对位置矩阵进行对比，结果表明，相对位置矩阵的方法能够更好地反映出不同心律失常之间的差异，因此可以提高分类的准确度和稳定性。
[0101]
1.格拉姆矩阵
[0102]
格拉姆矩阵(简称gaf)是结合坐标变换和格拉姆矩阵的相关知识，实现将时间序列变换成图像的一种编码方法，首先将数据进行极坐标系变换，得到每一个数据点对应的半径和角度，其次，利用和角关系或差角关系，得到对应的格拉姆角场图。这样，每个时间序列就被转换为了一个对应的二维图像，进而可以利用图像处理技术进行特征提取。
[0103]
2.马尔可夫变迁场
[0104]
马尔可夫变迁场：markov transition field(mtf)通过计算时间序列上相邻数据点之间的转移概率矩阵来构造马尔可夫过渡矩阵。然后，将该矩阵映射到二维图像平面上，并根据像素值的大小将其表示为灰度值。这样，可以得到一个称为“马尔可夫变迁场”的二维图像，其中每个像素代表了从一个状态到另一个状态的概率。
[0105]
3.递归图
[0106]
递归图recurrence plots(rp)的构建过程如下：首先将时间序列的时域空间变换到相空间，从而将时域中的每个点变换成相空间的对应状态；接着计算每两个状态(向量)之间的距离(向量范数)；然后进行阈值二值化，得到递归图中对应两个状态之间的特征。与传统基于时间序列的特征提取方法相比，rp递归图具有更好的鲁棒性和可解释性。同时，rp递归图还可以捕捉时间序列中的局部和全局信息，因此在某些情况下可以获得更好的分类精度。
[0107]
4.一维心电信号到二维格拉姆角场、递归图、马尔可夫变迁场的转换。
[0108]
为了进行对照实验的科学性，我们同样将样本的像素分辨率设置为224
×
224，采用相同的编号为1843，1927，198，4653，6678的五种心电信号，通过预处理后的心电信号生成其格拉姆角场、递归图、马尔可夫变迁场，如图10-14所示，最左边的图像显示了经过预处理后的心电信号，右边的三张图像从左到右依次是由格拉姆角场、递归图、马尔可夫变迁场转换为的二维图像。
[0109]
5.网络训练
[0110]
我们将数据集按照8:2比例划分为训练集和测试集，并在训练集中选取20％的数据作为验证集。其次，在模型的训练过程中，采用了相同的超参数的设置batch_size为32、图片大小为224
×
224和学习率为0.0001的参数设置，并使用adam优化器进行网络的优化。最后，通过监测验证集的精确率和损失值来评估模型的性能，并在验证精确率不再提升时停止训练，以避免模型出现过拟合的情况。在模型性能评估中，我们同样使用损失值和精确率作为评价指标，通过图15、图16和图17的可视化结果，可以分别看到图15，递归图的验证集的损失值在第2次epoch之后已经趋于平稳，精确率在第9次epoch之后并训练集的值十分接近；图16，格拉姆角场的验证集的损失值在第8次epoch之后已经趋于平稳，精确率在第8次epoch之后并训练集的值十分接近；图17，马尔可夫变迁场的验证集的损失值在第4次epoch之后在0.05附近波动，精确率在第8次epoch之后并训练集的值十分接近，进一步证明gam-resnet18模型的泛化能力较好，且没有出现过拟合的问题。
[0111]
6.结果和分析
[0112]
通过将训练好的模型应用于测试数据集，并得到相应的混淆矩阵，可以评估分类器在测试集上的性能表现。得到的递归图、格拉姆角场和马尔可夫变迁场的混淆矩阵如图18、图19和图20所示，根据所得混淆矩阵，计算的评价指标-总体准确率，分别为递归图99.15％，格拉姆角场达到了99.28％，马尔可夫变迁场为98.57％。这意味着可以看出本发明提出的gam-resnet网络模型在二维图像识别方面性能较好，具有较强的鲁棒性。
[0113]
以上三种方法和本发明中的相对位置矩阵方法进行对比，从下表3可以看出相对位置矩阵的总体准确率最优，达到99.30％的准确率，表明本发明提出的相对位置矩阵方法具有良好的性能和有效性，能够对心电信号进行准确的分类，并能够识别不同类型的心电信号。这同时也显示了该方法具有出色的性能和高度的鲁棒性，并为医学检测和临床判断提供积极支持。结果证实该方法的可靠性和有效性，为将来的心电信号分类研究提供了重要参考。
[0114]
表3四种方法的心律失常分类的评价指标结果
[0115][0116]
上面结合实施例对本发明作了详细的说明，但是所属技术领域的技术人员能够理解，在不脱离本发明宗旨的前提下，还可以对上述实施例中的各个具体参数进行变更，形成多个具体的实施例，均为本发明的常见变化范围，在此不再一一详述。

技术特征：
1.一种心电数据转换为二维图像的实现方法，其特征在于，包括以下步骤：(1)将心电信号表示为x＝x1,x2,...,x
n
，其中x
i
代表每个采样点，即每个时间戳i处的值，心电信号长度为n；(2)针对步骤(1)中的心电信号，通过以下z-分值标准化的方法得到一个标准正态分布z：其中μ表示x的平均值，σ表示x的标准差；(3)计算两个时间戳之间的相对位置，将预处理后的心电信号x转换为二维矩阵m，时间戳i处的每个值分别被视为每行m中的参考点，变换方程如下：该矩阵表征了心电信号序列中每两个时间戳之间的相对位置关系，其每一行和每一列都以某一个时间戳为参考，进一步表征整个序列的信息，每行m显示具有不同参考点的时间序列，每列显示前者的镜像，这为查看时间序列提供了反向视角；(4)应用最小-最大归一化将m转换为灰度值矩阵，最终矩阵f由下式得到：采用分段聚合近似方法paa，利用时间序列的局部平稳性质和局部时间一致性原理，将高维数据映射到低维空间中，通过计算分段常数的平均值进行降维，保持原始心电信号的近似趋势，最终新的平滑心电信号序列经过变换后得到的f就是一维信号转为二维图像的矩阵表示。2.根据权利要求1所述的心电数据转换为二维图像的实现方法，其特征在于，在步骤(1)之前还包括对心电信号的分割和去噪。3.根据权利要求1所述的心电数据转换为二维图像的实现方法，其特征在于，心电信号的分割具体包括：针对四种异常心率类型，进行单个心拍的分割，利用qrs波峰位置作为起始点，向前取99个信号点、向后取200个信号点，共计300个信号点，构成一个完整的心拍，以保证心拍长度的一致性和准确性；针对正常心率，进行5s的心电信号片段的截取，来平衡样本数据。4.根据权利要求3所述的心电数据转换为二维图像的实现方法，其特征在于，心电信号的去噪具体包括：选用daubechies小波函数族中的db6小波基作为实验使用的小波函数，在多尺度分析时选择分解层数为5。5.根据权利要求4所述的心电数据转换为二维图像的实现方法，其特征在于，心电信号的去噪过程中，对于阈值的选择，采用软硬阈值折中法。6.根据权利要求5所述的心电数据转换为二维图像的实现方法，其特征在于，所述软硬
阈值折中处理法的阈值函数为：当λ＝0或1时，该式就变成了硬阈值和软阈值方法；而当0<λ<1时，软硬阈值方法都被应用于心电信号；这里取折中比重α为0.5。

技术总结
本发明公开了一种心电数据转换为二维图像的实现方法，将心电信号转化为二维图像，方法简单快速，并保留了足够的信息，能够更好地支持后续的自动分类任务。本发明提出的相对位置矩阵方法具有良好的性能和有效性，能够对心电信号进行准确的分类，并能够识别不同类型的心电信号。这同时也显示了该方法具有出色的性能和高度的鲁棒性，并为医学检测和临床判断提供积极支持。结果证实该方法的可靠性和有效性，为将来的心电信号分类研究提供了重要参考。考。考。


技术研发人员：张明明 晋慧苑
受保护的技术使用者：郑州航空港经济综合实验区空港人工智能研究院
技术研发日：2023.06.27
技术公布日：2023/10/15