Multifractal features of multimodal cardiac signals: Nonlinear dynamics of exercise recovery

📄 arXiv: 2509.23317v1 📥 PDF

作者: A. Maluckov, D. Stojanovic, M. Miletic, Lj. Hadzievski, J. Petrovic

分类: nlin.PS, cs.LG, physics.med-ph

发布日期: 2025-09-27

备注: 10 pages, 7 Figures

💡 一句话要点

利用多重分形特征分析多模态心音信号，研究运动后心脏恢复的非线性动力学

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 多重分形分析 多模态心音信号 心脏恢复 非线性动力学 监督学习 生物信号处理 运动生理学

📋 核心要点

  1. 现有心脏恢复评估方法可能无法充分捕捉心血管系统复杂的非线性动态变化。
  2. 该研究提出利用多重分形分析提取多模态心音信号的尺度不变特征，以表征运动后的心脏恢复状态。
  3. 实验结果表明，结合多重分形特征和多模态信号，可以有效区分不同的心脏恢复状态，为心脏疾病诊断提供新思路。

📝 摘要（中文）

本研究利用多导心电图记录的多模态生物信号，探讨健康心脏在体力活动后的恢复动力学。从奇异谱中提取的多重分形特征捕捉了心血管调节的尺度不变特性。我们评估了五种监督分类算法——Logistic回归（LogReg）、带RBF核的支持向量机（SVM-RBF）、k近邻（kNN）、决策树（DT）和随机森林（RF），以区分小型不平衡数据集中的恢复状态。结果表明，多重分形分析与多模态传感相结合，为表征恢复提供了可靠的特征，并指向了心脏疾病的非线性诊断方法。

🔬 方法详解

问题定义：该论文旨在研究运动后心脏恢复的动态过程，并利用多模态心音信号进行量化分析。现有方法可能无法充分捕捉心血管系统复杂的非线性动态变化，需要更精细的特征提取方法来区分不同的恢复状态。

核心思路：论文的核心思路是利用多重分形分析方法，从多模态心音信号中提取尺度不变的特征，这些特征能够反映心血管调节的复杂非线性动力学。通过分析奇异谱，可以捕捉信号在不同尺度下的变化规律，从而更准确地表征心脏的恢复状态。

技术框架：整体框架包括数据采集、预处理、特征提取和分类四个主要阶段。首先，使用多导心电图记录多模态生物信号。然后，对信号进行预处理，例如滤波和降噪。接着，利用多重分形分析方法提取奇异谱特征。最后，使用五种监督分类算法（LogReg, SVM-RBF, kNN, DT, RF）对恢复状态进行分类。

关键创新：该研究的关键创新在于将多重分形分析应用于多模态心音信号，以表征运动后的心脏恢复状态。与传统的时域或频域分析方法相比，多重分形分析能够捕捉信号的尺度不变特性，从而更全面地反映心血管系统的复杂动态变化。

关键设计：论文中关键的设计包括选择合适的多重分形分析算法，例如盒子计数法或小波变换模极大值法。此外，选择合适的分类算法也很重要，需要根据数据集的特点进行调整。由于数据集较小且不平衡，需要采用合适的评估指标，例如F1-score或AUC。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

该研究表明，多重分形分析与多模态传感相结合，能够为表征心脏恢复提供可靠的特征。虽然论文中没有给出具体的性能数据，但是强调了该方法在小型不平衡数据集上的有效性。与传统方法相比，该方法能够捕捉心血管系统更复杂的非线性动态变化，为心脏疾病的非线性诊断提供了新的思路。

🎯 应用场景

该研究成果可应用于心脏疾病的早期诊断和风险评估，例如识别潜在的心律失常或心力衰竭风险。通过监测运动后的心脏恢复情况，可以为个性化运动处方和康复计划提供依据。此外，该方法还可以扩展到其他生理信号的分析，例如脑电图和肌电图。

📄 摘要（原文）

We investigate the recovery dynamics of healthy cardiac activity after physical exertion using multimodal biosignals recorded with a polycardiograph. Multifractal features derived from the singularity spectrum capture the scale-invariant properties of cardiovascular regulation. Five supervised classification algorithms - Logistic Regression (LogReg), Suport Vector Machine with RBF kernel (SVM-RBF), k-Nearest Neighbors (kNN), Decision Tree (DT), and Random Forest (RF) - were evaluated to distinguish recovery states in a small, imbalanced dataset. Our results show that multifractal analysis, combined with multimodal sensing, yields reliable features for characterizing recovery and points toward nonlinear diagnostic methods for heart conditions.