本发明涉及测量人体的生物电信号的技术领域，特别是涉及一种心电向量数据特征的提取方法及装置。
背景技术：
疾病的形成是一个相当复杂的过程，也是一个由量变到质变的过程。当外界致病因素作用于人体细胞，达到一定量的积累就会引起细胞的损伤，这个被损伤的细胞就会出现功能、代谢和形态结构紊乱。然而，当一些患者患有人体重大隐性疾病时，并无明显的临床症状，这主要归咎于国内外尚缺乏对无症状疾病的有效的早期检测能力。因此，有必要开发一种人体疾病风险的评估方法，挖掘出人体生物电信号潜在的病理性信息，从而充分评估疾病患者的发病前和治疗后的风险及预后等各个阶段人体的健康状况显得十分重要。
当前，已有技术对人体生物电信号的检测已取得一些进展，尤其是心电信号的检测。考虑心电信号近百年的发展历史，十分有必要在人体的健康状况评价时进一步挖掘更多更丰富心电信号内在的病理信息。然而，到目前为止，现有技术对心电信号内在特征的检测依然存在两种难以避免的缺陷：第一种是不存在量化指标，只局限于心电图等心电数据的视觉诊断，过多依赖于从业人员的执业经验，诊断结果主观性太强；第二种避免了第一种的缺陷，但对于心电信号的分析过程中，提取的数据特征信息过于有限，无法全面刻画复杂的心脏电活动过程，无法挖掘出心电数据中更多更丰富的动态病理特征。
因此，有必要提供改进的技术方案以克服现有技术中存在的技术问题。
技术实现要素：
为了解决上述问题，本发明提供了一种心电向量数据特征的提取方法及装置，用于解决挖掘出心电向量数据中更多更丰富的数据特征的问题，主要是将心脏电信号进行转换，获得单维度(或多维度)心电向量数据；然后采用异质度分析的方法(单独或组合运用几何特征方法、非线性动力学方法、模型方法、时域方法、频域方法和时频分析方法)进行心电向量数据内在的数据特征的提取和量化判定，所得的信息可呈现传统方法难以测出的心电向量数据中动态数据特征；与具体的疾病分类对应起来，可对临床症状并不十分明显的人体疾病进行检测，具有无创伤和更敏感的优势，为后期医生进行疾病的精准治疗提供便利。
本发明第一方面提供了一种心电向量数据特征的提取方法，包括以下步骤：
s1.获取心电向量数据；
s2.采用异质度分析的方法提取心电向量数据特征。
在至少一个实施例中，在如前所述的心电向量数据特征的提取方法中，所述的心电向量数据v(x)，可表示为：v(x)＝mv1(x)+nv2(x)；其中m和n的值都为-1～1，所述的v1(x)包括完整的心电向量数据或截取的心电向量数据，所述的v2(x)为心电非线性系统动态数据。
在至少一个实施例中，在如前所述的心电向量数据特征的提取方法中，所述异质度分析的方法包括频域分析方法、非线性动力学方法、时域分析方法、几何特征方法、时频分析方法和模型方法中的一种或几种。
在至少一个实施例中，在如前所述的心电向量数据特征的提取方法中，还包括：获取所述的心电向量数据特征的量化指标；其中，所述心电向量数据特征的量化指标qi＝f×频域特征的量化指标－n×非线性动力学特征的量化指标+t×时域特征的量化指标－g×几何特征的量化指标+tf×时频特征的量化指标－m×模型特征的量化指标+x，其中，f、n、t、g、tf和m的取值为-1～1之间适应不同种心脏疾病的选择值，x的取值包括实数。
在至少一个实施例中，在如前所述的心电向量数据特征的提取方法中，所述的心电向量数据包括心电向量图像数据。
在至少一个实施例中，在如前所述的心电向量数据特征的提取方法中，所述的v1(x)包括长度为0～50000的心电向量数据，所述的v2(x)包括长度为0～50000心电非线性系统动态数据。
本发明第二方面提供了一种心脏电信号的异常分析方法，使用前述的提取方法，对心电向量数据特征的量化指标进行提取，并设定所述心电向量数据特征的量化指标的监测阈值，以实际提取值与所述监测阈值进行对比来进行异常判定。
本发明第三方面提供了一种人体健康状况的评估方法，使用了前述的提取方法或心脏电信号的异常分析方法。
本发明第四方面提供了一种人体健康状况检测装置，其特征在于，使用了前述的人体健康状况的评估方法。
本发明第五方面提供了一种人体健康状况检测装置，其中存储有计算机程序，所述计算机程序被处理器加载执行时，使用前述的人体健康状况的评估方法。
本发明的有益效果：通过本发明所述方法获得的数据信息，可呈现传统方法难以测出的心电向量数据中动态数据特征；与具体的疾病分类对应起来，可对临床症状并不十分明显的人体疾病进行检测，具有无创伤和更敏感的优势，为后期医生进行疾病的精准治疗提供便利。
具体实施方式
下列实施例中未注明具体条件的实验方法，通常按照国家标准测定。若没有相应的国家标准，则按照通用的国际标准、常规条件、或按照制造厂商所建议的条件进行。
在本发明中，如果没有特别的说明，本文所提到的所有实施方式以及优选实施方式可以相互组合形成新的技术方案。
在本发明中，如果没有特别的说明，本文所提到的所有技术特征以及优选特征可以相互组合形成新的技术方案。
在本发明中，如果没有特别的说明，本文所提到的心电数据包括但不限于心电图数据、预处理的心电图数据、截取的心电图数据、截取的心电数据、单导联的心电数据或多导联的心电数据。所述的心电数据包括但不限于特定的波、段或间期的心电数据；例如：截取p波、和/或r波、和/或qrs波群、和/或s波、和/或t波、和/或u波、和/或pr段、和/或st段、和/或st-t段、和/或pr间期、和/或st间期、和/或qt间期等数据后的心电数据。
在本发明中，如果没有特别的说明，本文所提到的心电向量数据包括但不限于反映心电大小和方向信息的数据。
在本发明中，如果没有特别的说明，所述的心电向量数据包括但不限于完整的心电向量数据、vcg数据、预处理的vcg数据或截取的vcg数据，所述的截取的vcg数据包括但不限于：存在vcg数据上任意大小的一部分数据。
在本发明中，如果没有特别的说明，本文所提到的心电向量数据包括但不限于单维度数据或多维度数据；所述单维度的心电向量数据包括但不限于心电向量数据在一个维度空间上投影的数据信息；所述的多维度的心电向量数据包括但不限于心电向量数据在多个维度空间上投影的数据信息。
在本发明中，如果没有特别的说明，本文所提到的心电向量数据包括但不限于将心电数据进行数学运算后得到的向量数据，所述的数学运算包括但不限于三维转换，比如12导联心电数据(或15导联心电数据或18导联心电数据)进行三维转换后得到的向量数据；所述的数学运算包括但不限于：korsj.a.等在1990年发表在europeanheartjournal杂志的11(12):1083-1092的论文所述的计算方法。
在本发明中，如果没有特别的说明，本文所提到的心电向量数据是指将心电数据经过转换后获得的单维度数据或多维度数据，所述的转换包括但不限于将12导联(或多导联)心电数据转换为单维度数据或多维度数据。
在本发明中，如果没有特别的说明，本文所提到的心电向量数据包括但不限于：截取p波、和/或r波、和/或qrs波群、和/或s波、和/或t波、和/或u波、和/或pr段、和/或st段、和/或st-t段、和/或pr间期、和/或st间期、和/或qt间期等数据后的心电向量数据。
在本发明中，如果没有特别的说明，对于本领域人员来说，可以容易地想到将心电向量数据转换成心电向量图(或其它类似数据和图像)进行本发明所述方法或其它相关方法的处理。
在本发明中，如果没有特别的说明，本文所提到的异质度分析的方法包括但不限于频域分析方法、非线性动力学方法、时域分析方法、几何特征方法、时频分析方法和模型方法中的至少一种。其中，所述的频域分析方法包括但不限于快速傅里叶变换和离散傅里叶变换中的至少一种。所述的非线性动力学方法包括但不限于混沌综合、混沌分析、分形分析或孤子分析等；具体地，所述的非线性动力学方法但不限于相平面图、功率谱、庞加莱截面、散点图、复杂度、熵、李雅普诺夫指数谱、最大李雅普诺夫指数谱、分维数、相空间重构、非稳定周期轨道、符号动力学、自相关函数、混沌学特征、孤立子特征、hurst指数、单重分形和多重分形中的一种或几种。所述的时域分析方法但不限于均值、标准差、中值、最小值、最大值、最大最小值之差、最小值比率、最大值比率、差值均方的平方根、几何图形分析指标和直方图中的至少一种。所述的几何特征方法但不限于趋势、斜率、方向、形状、圆形度、球状度、均匀率、离心率、变异率和角度中的至少一种。所述的时频分析方法但不限于短时傅里叶变换、连续小波变换、希尔伯特-黄变换、wigner-ville分布、分数阶傅里叶变换、s变换和广义s变换中的一种或几种。所述的模型方法但不限于ar模型和tvar模型中的一种或几种。
在本发明中，如果没有特别的说明，本文所提到的心电向量数据特征包括频域特征、非线性动力学特征、时域特征、几何特征、时频特征或模型特征中的至少一种。其中，所述的频域特征包括但不限于快速傅里叶变换特征和离散傅里叶变换特征中的至少一种；所述的非线性动力学特征但不限于相平面图的特征、功率谱的特征、庞加莱截面的特征、散点图的特征、复杂度的特征、熵的特征、李雅普诺夫指数谱的特征、最大李雅普诺夫指数谱的特征、分维数的特征、相空间重构的特征、非稳定周期轨道的特征、符号动力学的特征、自相关函数的特征、混沌学的特征、孤立子的特征、hurst指数的特征、单重分形的特征和多重分形的特征中的一种或几种；所述的时域特征但不限于均值的特征、标准差的特征、中值的特征、最小值的特征、最大值的特征、最大最小值之差的特征、最小值比率的特征、最大值比率的特征、差值均方的平方根特征、几何图形分析指标的特征和直方图的特征中的至少一种；所述的几何特征但不限于趋势的特征、斜率的特征、方向的特征、形状的特征、圆形度的特征、球状度的特征、均匀率的特征、离心率的特征、变异率的特征和角度的特征中的至少一种；所述的时频特征但不限于短时傅里叶变换的特征、连续小波变换的特征、希尔伯特-黄变换的特征、wigner-ville分布的特征、分数阶傅里叶变换的特征、s变换的特征和广义s变换的特征中的一种或几种；所述的模型特征但不限于ar模型的特征和tvar模型的特征中的一种或几种。
在本发明中，如果没有特别的说明，本文所提到的人体疾病包括但不限于糖尿病、心肌缺血、心肌梗塞、心源性猝死、心肌炎、心律失常、心肌梗死、心绞痛、冠心病、急性冠脉综合征、高血压、高胆固醇、睡眠呼吸暂停、冠状动脉疾病或心力衰竭。
在本发明中，如果没有特别的说明，本文所提到的数据长度是指数据的个数；比如，所述的v1(x)包括长度为0～50000的心电向量数据，是指所述的v1(x)包括但不限于0～50000个数值的信息；所述的数值的信息包括但不限于：数值的大小。同理地，所述的v2(x)也是如此。
实施例1.样本集的构建和样本数据的预处理
1.初始数据集的构建
对于初始数据的构建，是通过以下方法采集：
(1)样本集的构成：纳入n个临床已知健康个体(n>2000)以及m个临床已知某种疾病个体(m>2000)作为样本人群；采集样本人群的心电数据，作为初始数据。
(2)样本标签的设定：采用心脏疾病的金标准指标的指标数据以及专家共识作为初始数据的标签。
2.初始数据的预处理
对获得的初始数据进行滤波或归一化等预处理，根据不同的数据要求进行数据加工，获得符合要求的初始数据；譬如，对于心肌缺血患者的样本数据，要求采集的样本数据是10s的心电数据，10s的心电数据的时间处理需满足心电数据通用的规范性要求；心电数据的预处理还包括常规滤波操作，以使随后的操作充分稳定和可靠，使用何种滤波方法并不影响本发明方法的有效性；心电数据的预处理还包括基线漂移等预处理，由于是本领域的常见技术，不再赘述。
3.心电向量数据的获取
对于心电向量数据的获取方法，包括如下的流程：对前期采集的初始数据进行预处理，得到心电数据e(t)，e∈r12，t＝1,2,…t，然后进行多维转换获得多维度心电向量数据或单维度心电向量数据；对于心电数据的多维转换，发明人选用的方法为：korsj.a.等在1990年发表在europeanheartjournal杂志的11(12):1083的论文记载的心电数据进行三维转的方法，取得对应的三维心电向量数据x(t)、y(t)和z(t)。
在本实施例的一些实施方式中，所述的心电向量数据还可以是心电向量图在空间上不同维度或单维度投影的数据信息。
实施例2.心电向量数据特征的提取
本实施例提供一种心电向量数据特征的提取方法，其详细地对心电向量数据特征的提取进行说明，具体的实施步骤如下：
采用异质度分析的方法对实施例1获取的单维度心电向量数据或多维度心电向量数据进行提取，得到心电向量数据的频域特征、非线性动力学特征、时域特征、几何特征、时频特征和模型特征，作为心电向量数据特征。
(1)频域特征方面，通过既定的公认有效的快速傅里叶变换方法分别将每一维度的心电向量数据xi(t)，xi∈r1，t＝1,2,…,t，i＝1,2,3转化成频域信息fi(n)，f∈r3，n＝1,2,…,n，i＝1,2,3，n为采样频率；另外，包含零频率点置零操作，即fi(1)＝0，i＝1，2，3；然后用
(2)非线性动力学特征方面，通过相平面分析方法、功率谱分析、庞加莱截面、散点图、符号动力学分析、分形(自相关函数)、分形(参数)、分形(多重分形)等方法提取心电向量数据的非线性动力学特征特征，具体分别通过以下方法进行：
(2.1)相平面分析方法：通过相平面分析方法提取心电向量数据的相平面特征，通过以下步骤进行操作：
步骤1、由数据预处理模块对待测人员三维心电向量数据模型的功角、角速度及不平衡动率，然后进行滤波、归一化数据处理，之后将预处理后的待测人员心电向量数据传递到角速度-功角相平面分析模块；其中，功角表示待测人员三维心电向量数据模型的励磁电势和端电压之间相角差。
步骤2：由角速度-功角相平面分析模块计算反映预处理后的待测人员三维心电向量数据模型角速度-功角相平面的凹凸性指标τ，计算公式如式(1)，当τ>0时，执行步骤3进行后续计算，否则返回步骤1计算下一时刻的τ；
其中，δω为待测人员的三维心电向量数据模型相对三维心电向量数据发角速度，δ为待测人员三维心电向量数据模型功角，i代表了不同的时刻；
步骤3：当τ>0时，角速度-功角相平面分析模块将数据传递到后续的不平衡功率-功角相平面分析模块，由不平衡功率-功角相平面分析模块计算反映待测人员三维心电向量数据模型不平衡功率-功角相平面的凹凸性指标μ，计算公式如式(2)，当μ>0时，执行步骤4进行后续计算，否则返回步骤1计算下一时刻的τ；
其中，δp为待测人员三维心电向量数据模型的不平衡功率，即机械功率与电磁功率的差值，δ为待测人员三维心电向量数据模型功角，i代表了不同的时刻；
步骤4：当μ>0时，不平衡功率-功角相平面分析模块将数据传递到最终的参数时变性影响评估模块，由参数时变性影响评估模块计算等值系统的时变参数y(ti)，计算公式如式(3)，然后计算参数时变性影响的指标ε，计算公式如式(4)。
其中，
式中的n为采样点个数。
ε＝δpβ(y(ti))–δpβ(y(ti-1))(4)
其中，δpβ为固定当前时刻的功角值δ(ti)＝β时的不平衡功率，y(ti)为ti时刻通过最小二乘法辨识的参数，y(ti-1)为ti-1时刻通过最小二乘法辨识的参数；
步骤5：只有当τ、μ及ε·δω同时大于训练的三维心电向量数据模型的阈值时，才得出待测三维心电向量数据模型趋向于特定心脏疾病的判断。
(2.2)功率谱分析方法：通过功率谱分析方法提取心电向量数据的功率谱特征，具体通过以下步骤进行：
步骤1：通过既定的公认有效的快速傅里叶变换方法分别将每一维度的心电向量数据xi(t)，xi∈r1，t＝1,2,…,t，i＝1,2,3转化成频域信息fi(n)，f∈r3，n＝1,2,…,n，i＝1,2,3，n为采样频率；
步骤2：将步骤1获取的fi(n)进行功率谱分析：
步骤3：分别采集正常人和心脏疾病病人的功率谱特征获取检测阈值。
(2.3)庞加莱截面方法：通过庞加莱截面方法提取心电向量数据的庞加莱截面特征，通过以下步骤进行操作：
步骤1：把原始的心电数据e(t)，e∈r12，t＝1,2,…,t转化成心电向量数据x(t)，x∈r3，t＝1,2,…,t；其中，r12表示十二维实数空间，t表示时刻t，r3表示三维实数空间。
步骤2：对输入时间序列s＝[s1，s2，...，sn]进行状态空间重构，首先选定两个参数j和m，5≤m≤30，j为[s1，s2，...，sn]的自相关函数第一次下降到最大值的1/e时对应的时刻，再任意选取l个满足1≤t(1)<t(2)<...<t(l)≤n-(m-1)j的正整数{t(i)|i＝1，2，...，l}，令xi＝[st(i)，st(i)+j，...，st(i)+(m-1)j]t，则称[x1，x2，...，xl]或{x1，x2，...，xl}为时间序列s的一个状态空间重构，{x1，x2，...，xl}可以看作m维空间的一个点集合或流形，[x1，x2，...，xl]可以看作m维空间的一个轨迹；以上状态空间重构也可以以行向量的形式实现，即令xi＝[st(i)，st(i)+j，...，st(i)+(m-1)j]，i＝1，2，...，l；
步骤3：对重构的流形进行方向归一化，根据流形在各个方向上分布的特点定出基准方向，参照基准方向对流形进行坐标变换；采用主元分析法定出基准方向，令x＝[x1，x2，...，xl]，x是一个m×l维的矩阵，计算xxt的m个特征值，并按从大到小的顺序排列得到λ1≥λ2≥...≥λm，这m个矩阵特征值对应的矩阵xxt的特征向量{u1，u2，...，um}作为主轴，令u＝[u1，u2，...，um]，利用y＝utx对x进行坐标变换，得到新的坐标y，y对应经过方向归一化的流形。
步骤4：对重构的流形进行位置归一化：根据流形的形状和结构特点确定基准点，参照基准点对流形进行平移操作；计算各坐标轴上各点坐标的算术平均值作为对流形进行平移操作的基准点，基准点的计算方法为
步骤5：截取重构的流形的一些局部区域；构造一对与主轴ui垂直的超平面(即poincare截面)，设这两个poincare截面与ui轴的交点在ui轴上的坐标值分别为y01和y02，求落入这两个poincare截面之间的轨迹上的点，具体计算方法是：如果轨迹[y1，y2，...，yl]的第j个点yj＝[yj1，yj2，...，yjm]的第i个坐标值满足min{y01，y02}≤yji≤max{y01，y02}，则判定yj为落入两个poincare截面之间的点，构造若干对垂直于各个主轴的poincare截面，再按照上述计算方法求出落入每对poincare截面之间的点，落入每对poincare截面之间的点构成一个点集合，这个点集合即为所求的局部流形。
步骤6：对截取的局部流形或轨迹进行统计量的计算，把计算得到的统计量作为输入的心电向量数据信号的特征。分别对每个局部流形对应的点集合进行主元分析，把所述的各个点集合经过主元分析得到的矩阵特征值作为心电向量数据信号的特征。
(2.4)散点图方法：通过散点图方法提取心电向量数据的散点图特征，通过以下步骤进行操作：
步骤1：把原始的心电数据e(t)，e∈r12，t＝1,2,…,t转化成心电向量数据x(t)，x∈r3，t＝1,2,…,t；其中，r12表示十二维实数空间，t表示时刻t，r3表示三维实数空间。
步骤2：获取心电向量数据x(t)的周期k，针对具有k个周期的心电向量数据x(t)，第i个周期的数据记为xi(t)，t＝1,2,…,t/k；i＝1,2,…,k；以(mi，mi+1，mi+2)作为三维坐标系中的x轴、y轴和z轴坐标，并使用迭代算法对所有周期的数据xi(t)进行描记形成三维散点图，mi代表第i个周期的数据xi(t)的长度。
步骤3：利用最近邻接点迭代搜索算法，找出各自独立的吸引子，并以不同的色彩进行标记。最近邻接点定义为3维空间中的2点间的距离小于50ms。如果搜索结果子图区域过多，则隐藏x轴、y轴和z轴均小于40ms的零碎区域。
步骤4：分别采集正常人和心脏疾病病人的三维散点图重复步骤2和3，实现正常人和心脏疾病病人三维散点图的分类。
(2.5)符号动力学方法：通过散点图方法提取心电向量数据的符号动力学特征，通过以下步骤进行操作：
步骤1：获取前述“(2.4)散点图方法”获得的三维散点图后，并用相互平行的m-1个平面对三维散点图进行分区，分区数量为m，令各分区的区号为m＝0～m-1，分区按过原点的那个平面对称，相邻平行平面之间的分区的宽度，从后至前依次为d1,d2,…,dm-2；
优选地，相邻两个平行平面之间的分区的宽度相等。
步骤2：依照各散点相应xi(t)的顺序，将各散点以该散点所在分区的区号组成序列，如得到序列：…0,2,3,4,1,2,1,3,1,4,2,2,1,3,2,1,0,0,3,1,2,3,2,1,2,1,3,0,0…然后将每q位看做一个m进制编码，后一个编码与前一个编码有j位重叠，且j小于q；进行编码后，将原序列转化为一个由若干个q位m进制编码组成的新序列；然后将每个m进制编码转化为十进制数，得到一个十进制序列；优选地，j＝1；
步骤3：计算xi(t)的信息熵：由于所述十进制序列由一系列q位m进制数转化而来，因此得到的十进制序列中所有的数值均在0—(mq-1)之间；计算0—(mq-1)之间的所有数在该序列中出现的概率，利用下式计算该序列的信息熵：
步骤s3：分类：利用计算所得的信息熵值来构造特征向量(即符号动力熵值)；进行心电向量数据x(t)的分类。采用的分类器包括但不限于：bayes分类器、bp神经网络分类器、自组织映射或支持向量机等
(2.6)分形方法1：通过自相关函数方法提取心电向量数据的自相关函数特征，通过以下步骤进行操作：
步骤1：把原始的心电数据e(t)，e∈r12，t＝1,2,…,t转化成心电向量数据x(t)，x∈r3，t＝1,2,…,t；其中，r12表示十二维实数空间，t表示时刻t，r3表示三维实数空间。
步骤2：设定xi的期望值e(xi)＝μ和方差var(xi)，对于
步骤3：分别计算正常人和心脏疾病病人的自相关函数值，实现正常人和心脏疾病病人自相关函数特征的分类。
(2.7)分形方法2：通过hurst指数方法提取心电向量数据的hurst指数特征，通过以下步骤进行操作：
步骤1：把原始的心电数据e(t)，e∈r12，t＝1,2,…,t转化成心电向量数据x(t)，x∈r3，t＝1,2,…,t；其中，r12表示十二维实数空间，t表示时刻t，r3表示三维实数空间。
步骤2：计算心电向量数据x(t)的周期k，k＝1，2，3…n；
将xk(t)等分成长度为n(≥3)的m(取n/n的整数部分)个连续的子序列xα，子序列的元素、均值、标准差分别记为xk,α，ek,α和sk,α(α＝1,2,…,m)；
ln[(r/s)n]＝hlnn+hlnc；
该函数为时间序列xk(t)在时间增量长度为n上的重标极差；其中，r,s,n及c分别表示重新标度的极差、标准差、时间增量区间长度、常数；根据上述函数可计算出hurst参数h。
步骤3：分别计算正常人和心脏疾病病人的hurst参数h，实现正常人和心脏疾病病人hurst参数特征的分类。
(2.8)分形方法3：通过多重分形方法提取心电向量数据的多重分形特征，通过以下步骤进行操作：
步骤1：把原始的心电数据e(t)，e∈r12，t＝1,2,…,t转化成心电向量数据x(t)，x∈r3，t＝1,2,…,t；其中，r12表示十二维实数空间，t表示时刻t，r3表示三维实数空间。
步骤2：将心电向量数据x(t)分为n个小区间，设第i个小区间的线度大小为ε(ε→0)，分形体在该小区间的几率为pi(ε)，将子集内奇异指数相同的单元数定义为n(ε)，则pi(ε)和n(ε)满足下面的幂函数的子集：
pi(ε)∝εα；
n(ε)∝ε-f(α)；
式中，α是奇异指数，反映分形上各个小区间的奇异程度。f(α)称为多重分形谱，表示相同子集的分维数。
对于多重分形谱的计算，需先定义一个配分函数χq(ε)≡∑pi(ε)q，若配分函数收敛，则等式χq(ε)≡∑pi(ε)q＝ετ(q)成立，即可得到
τ(q)称为质量指数。设n(pi)是概率为pi(ε)的小区间的数目，则有
∑pi(ε)q＝∑n(pi)pi(ε)q；
将上述函数代入式χq(ε)≡∑pi(ε)q＝ετ(q)即可得出多重分形谱f(α)＝αq-τ(q)。
步骤3：分别计算正常人和心脏疾病病人的多重分形谱f(α)，实现正常人和心脏疾病病人多重分形谱特征的分类。
(2.9)复杂度方法：若采用复杂度来刻画心电向量数据，则计算心电向量数据每一维度xi(t),xi∈r1，t＝1,2,…,t的傅里叶变换序列：
对
其中，f(t)表示心电向量数据序列。
通过几何平均的方法把每一维度的非线性动力学指标c0(i)，i＝1,2,3综合成为心电向量数据x(t)，x∈r3的非线性动力学离散量化指标，记为
(2.10)熵的方法：非线性动力学特征方面，若采用熵来刻画心电向量数据，则对每一维度的心电向量数据xi(t),xi∈r1，t＝1,2,…,t，i＝1,2,3，先按照顺序组成2维矢量，有xi(t)＝{xi(t)，xi(t+1)}，t＝1,2,…,t-1，i＝1,2,3。定义xi(t)和xi(k)的距离为两矢量中对应元素的差值中的最大值，记为d[xi(t)，xi(k)]。设定一个阈值r，对每个t值统计d[xi(t)，xi(k)]<r的个数及此数目与总矢量个数的比值，记为
(3)时域特征方面，假设心电向量数据x(t)，x∈r3，t＝1,2,…,t共有k个周期，每个周期有n个数据，第i个周期的第j个数据记为xij,i＝1,2,…k；j＝1,2,…n；计算均值
(4)几何特征方面，针对具有k个周期的心电向量数据x(t)，x∈r3，t＝1,2,…,t，第i个周期的数据记为xi(t)，
(5)时频特征方面，通过时频分析方法提取心电向量数据的时频特征，通过以下步骤进行操作：
步骤1：把原始的心电数据e(t)，e∈r12，t＝1,2,…,t转化成心电向量数据x(t)，x∈r3，t＝1,2,…,t；其中，r12表示十二维实数空间，t表示时刻t，r3表示三维实数空间。
步骤2：计算x(t)心电向量数据信息的周期n，i＝0，1，2，3…n-1；然后通过短时傅里叶变换将心电向量数据xi(t)，xi(t)∈r3，t＝1,2,…,t转换到时频域函数tf，
步骤3：分别计算正常人和心脏疾病病人的时频域函数tf参数，实现正常人和心脏疾病病人时频域特征的分类。
(6)基于模型的特征方面，计算心电向量数据每一维度xi(t)，xi∈r1，t＝1,2,…,t，i＝1,2,3的自相关函数
计算序列均值
定义三阶自相关系数矩阵
最后通过几何平均的方法把每一维度的时间离散度特征ci，i＝1，2，3综合成为心电向量数据x(t)，x∈r3的基于模型的量化指标，记为
在本实施例中，所述的异质度分析方法包括但不限于频域分析方法、非线性动力学方法、时域分析方法、几何特征方法、时频分析方法和模型方法中的至少一种。
在一些实施方式中，通过所述的心电向量数据v(x)进行人体疾病风险的预测可获得更敏感的效果；所述的心电向量数据v(x)，可表示为：v(x)＝mv1(x)+nv2(x)；其中m和n的值都为-1～1，所述的v1(x)包括完整的心电向量数据或截取的心电向量数据，所述的v1(x)包括单维度数据或多维度数据；所述的v2(x)为心电非线性系统动态数据。通过所述的心电向量数据v(x)进行人体疾病风险的检测时，准确性和敏感性有明显地增强。所述的心电非线性系统动态数据的获取方法为：获取完整的(或截取的)心电向量数据，然后采用自适应性系统辨识方法对完整的(或截取的)心电向量数据进行神经网络建模(包括但不限于rbf神经网络建模)等处理，得到心电非线性系统动态数据。
在一些优选实施方式中，所述的心电向量数据的获取方法包括但不限于：将心脏电信号数据进行滤波和基线漂移等预处理，然后进行转化得到心电向量数据，截取完整的波段数据或目标波段数据。
在一些实施方式中，所述心电向量数据包括但不限于：将采集的心电向量图进行不同维度或单维度投影获得的数据信息。
实施例4.一种罹患心脏疾病风险的评估方法
在本实施例，对实施例3述及的心电向量数据特征的量化指标的检测以及进行疾病的辅助判定进行阐述。本实施例提供一种罹患心脏疾病风险的评估方法，包括如下两个步骤：
s1.通过实施例1所述的方法获取心电向量数据；
s2.采用实施例3所述的异质度分析的方法提取心电向量数据特征；
s3.获取心电向量数据特征的量化指标；
其中，所述心电向量数据特征的量化指标qi＝f×频域特征的量化指标－n×非线性动力学特征的量化指标+t×时域特征的量化指标－g×几何特征的量化指标+tf×时频特征的量化指标－m×模型特征的量化指标+x，其中，f、n、t、g、tf和m的取值为-1～1之间适应不同种心脏疾病的选择值，x的取值包括实数。
对于心电向量数据特征的量化指标的监测阈值的获取，通过以下方法获得：纳入n个临床已知心脏健康个体(n>500)以及m个临床已知某种心脏疾病个体(m>1000)作为测试样本人群，采集测试样本人群的心电数据，获得心电向量数据v(x)＝mv1(x)+nv2(x)，其中m＝0，n＝－1或1。通过实施例3所述的异质度分析的方法提取心电向量数据的病理特征；然后获取所有个体的心电向量数据的病理特征值，进行基于概率的统计学分类(何贤英,赵志,温兴煊,等.logistic回归中连续型自变量离散化为二分类变量时适宜分界点的确定.中国卫生统计,2015,32(2):275-277.)得到两类个体的临界值作为心电向量数据的病理特征征的临界诊断值。
在确定心电向量数据的病理特征的临界诊断值后，根据样本数据的心脏疾病标签，确定f、n、t、g、tf和m的取值，进行特定心脏疾病的适应性诊断。在此，发明人进行了罹患心肌缺血风险的评估，得到如下表1的数据结果。根据对心肌缺血引起心脏疾病的病理特征的临床观察和对病理特征进行的大量的参数实验，赋予心肌缺血的病理特征的参数取值范围分别为：g为几何特征量化指标参数的取值为－0.1～0.1，n为非线性动力学特征量化指标参数的取值为－0.9～0.9，m为模型特征量化指标参数的取值为－0.2～0.2，t为时域特征量化指标参数的取值为－0.1～0.1，f为频域特征量化指标参数的取值为－0.1～0.1，tf为时频域特征量化指标参数的取值为－0.1～0.1；在此处，选择实验中发现较优的量化指标参数的取值：g为0.1,n为0.6,m为0.1,t为0.1,f为0.05,tf为0.05，x为0.005；从表1和2可看出，加了心电向量数据特征的调节参数后的心肌缺血的辅助判定的准确率有了明显的提高；其中，单指标确定心肌缺血个体是指采用频域特征、非线性动力学特征、时域特征、几何特征、时频特征或模型特征中的检测准确率最高的一种进行心肌缺血的检测；取值确定心肌缺血个体是指采用心电向量数据的病理特征的量化指标qi进行心肌缺血的检测。
表1.罹患心肌缺血风险的评估结果
表2.罹患心肌缺血风险评估的准确率
实施例5.一种罹患糖尿病风险的评估方法
在本实施例，对于实施3述及的心电向量数据特征的量化指标的检测与辅助判定的准确性进行了进一步的阐述。
本实施例采用了实施例4提供一种罹患糖尿病风险的评估方法，包括以下步骤：
s1.获取心电向量数据v(x)＝mv1(x)+nv2(x)，其中m＝－1或1，n＝0。
s2.采用实施例3所述的异质度分析的方法提取心电向量数据的病理特征；
s3.获取心电向量数据的病理特征的量化指标；
其中，所述心电向量数据的病理特征的量化指标qi＝f×频域特征的量化指标－n×非线性动力学特征的量化指标+t×时域特征的量化指标－g×几何特征的量化指标+tf×时频特征的量化指标－m×模型特征的量化指标+x，其中，f、n、t、g、tf和m的取值为-1～1之间适应糖尿病的选择值，x的取值包括实数。
对于心电向量数据特征的量化指标的获取，通过以下方法获得：纳入n个临床已知身体健康个体(n>100)以及m个临床已知某种糖尿病个体(m>200)作为测试样本人群，采集测试样本人群的心电数据，获得心电向量数据。通过实施例3所述的异质度分析的方法提取心电向量数据的病理特征；然后获取所有个体的心电向量数据的病理特征值，进行基于概率的统计学分类(何贤英,赵志,温兴煊,等.logistic回归中连续型自变量离散化为二分类变量时适宜分界点的确定.中国卫生统计,2015,32(2):275-277.)得到两类个体的临界值作为心电向量数据的病理特征征的临界诊断值。
在确定心电向量数据的病理特征的临界诊断值后，根据样本数据的糖尿病疾病标签，确定f、n、t、g、tf和m的取值，进行特定糖尿病的适应性诊断。在此处，选择实验中发现较优的量化指标参数的取值：g为-0.1～0.1，n为-0.5～0.5，m为-0.05～0.05，t为-0.2～0.2，f为-0.2～0.2，tf为-0.2～0.2，x为-1～0.001，m为0.7～1，n为0～0.3。
虽然在本公开中已提供数个实施例，但应理解所公开系统和方法可在不偏离本公开的精神或范围的情况下以许多其它特定形式体现。这些实例将视为的示例性而非限制性的，并且并不旨在限于本文中给出的细节。例如，各种元件或组件可组合或整合于另一系统中，或者某些特征可省略或不实施。
而且，在各种实施例中描述且示出为分立或单独的技术、系统、子系统和方法可在不偏离本公开的范围的情况下与其它系统、模块、技术或方法组合或整合。示出或讨论为彼此直接耦合或通信的其它项可通过某一接口、设备或中间组件以电力方式、以机械方式或以其它方式间接耦合或通信。改变、替换和变更的其它实例可由所属领域的技术人员确定并且可在不偏离本文中所公开精神和范围的情况下作出。