高阶动态模式分解：从流体动力学到心脏病分析

在本工作中，我们详细研究了高阶动态模式分解（HODMD）技术应用于超声心动图图像时的性能。HODMD 是一种数据驱动方法，通常用于流体动力学以及建模若干复杂工业应用的复杂非线性动力系统分析。在本文中，我们首次（据作者所知）将 HODMD 应用于超声心动图中的模式识别，具体而言，是取自多只小鼠的超声心动图数据，这些小鼠处于健康状态或患有不同心脏疾病。我们利用 HODMD 在动力学识别和噪声去除方面的优势特性，来识别每种疾病的相关频率和相干模式。超声心动图数据集由长轴切面（LAX）和短轴切面（SAX）的视频循环组成，其中每个视频循环覆盖至少三个心动周期，由（至多）300 帧（称为快照）构成。所提出的算法仅使用最多 200 个快照，便能捕获两支频率分支，分别代表心率和呼吸率。此外，该算法提供若干模态，代表不同超声心动图图像中的主导特征和模式，也与心脏和肺相关。分析了六个数据集：一个取自健康受试者的超声心动图，以及五个取自患有糖尿病性心肌病、肥胖症、SFSR4 肥厚、TAC 肥厚或心肌梗死受试者的不同超声心动图集合。结果表明，HODMD 是一种鲁棒且适用的工具，可识别能够分类所研究不同病理的特征模式。