心電信號處理方式及其應用

戴思舟

溫州醫(yī)科大學附屬第二醫(yī)院，溫州市，325027

心電信號處理方式及其應用

【作者】戴思舟

溫州醫(yī)科大學附屬第二醫(yī)院，溫州市，325027

醫(yī)院心電信號檢測主要分為心電圖檢測和動態(tài)心電圖檢測兩種。該文主要針對研究人員在心電信號去噪、各個波段的檢測方法以及心電信號的壓縮傳輸和心電信號分類識別這幾個方面的算法進行總結。

心電信號；去噪；心電壓縮；心電分類

0 引言

人體體表心電信號作為一種典型的人體生理信號，在疾病診斷、預測尤其是心臟健康狀況診斷上有著顯著的優(yōu)勢。心臟的許多疾病如房顫、心率不齊、心肌梗塞、心肌缺血等疾病都能在心電圖上表現出來。而醫(yī)院的心電診斷主要靠醫(yī)生的視覺判斷，如何有效去除噪聲、自動并準確提取心電信號作出相應分析是目前研究人員在該領域研究的一個熱點。另外，動態(tài)心電所帶來的心電信號傳輸、存儲和有效恢復也是生產廠家所需考慮的一個問題。甚至，經科學研究發(fā)現，心電信號存在類似指紋一樣各人各異的特點。本文對近年來研究人員在心電信號去噪、特征波形提取、心電分類識別和信號壓縮四個方面進行了詳細的總結。

1 心電信號去噪

由于心電信號的采集是通過人體體表，所采集到的信號不可避免地存在大量的噪聲干擾如肌電干擾、工頻干擾等。有效去除其中的噪聲能夠為心電信號的特征波段提取做鋪墊。統觀來看，這些算法主要是對小波變換、EMD分解等的改進或者與其他方法的綜合運用。

1.1 小波變換的改進

(1) 小波自適應濾波：該方式是在使用小波變換去除噪聲的基礎上，進行又一次的自適應濾波，解決了傳統小波變換不易濾除與含噪信號存在的噪聲頻譜重疊的缺陷[1]；基于調Q小波變換的自適應濾波則是將復雜的心電信號分解成由高共振分量和低共振分量，然后根據品質因數Q，可以分離頻段相同的不同特性的信號。該算法對比與小波變換、EMD信號分解算法，消除了同頻信號的干擾，并能更成功地將同頻信號、振蕩行為不同的信號分離[2]。

(2) 離散小波變換：采用新閾值法，與傳統小波變換的軟、硬值相比，能更好地保留心電信號的幾何特征，去噪效果更好，信噪比更高[3]。而一維離散小波是首先計算含噪聲信號的正交小波變換，然后對分解得到的小波系數進行閾值處理，再進行小波逆變換進行信號重構得到去除了噪聲的信號，結果表明該方法能較為完善地保留原始信號的信息，抑制噪聲[4]。

(3) 改進小波閾值算法：在小波多分辨理論的基礎上，借鑒Donoho的軟、硬閾值去噪，使用動態(tài)閾值函數，由此可以自適應地減小衰減。使用MIT-BIH數據庫的心電信號進行實驗仿真，該方法更能有效地去除基線漂移干擾、50 Hz工頻干擾和肌電干擾[5]。

1.2 經驗模態(tài)分解的改進

(1) EMD-IT閾值去噪算法：基于模態(tài)單元思想的EMD-IT去噪算法，根據最終被去除的模態(tài)單元包含的總能量等于噪聲能量這一基本準則來自適應地確定閾值，從而去除原始函數中的噪聲，通過合成數據和MIT-BIH數據庫驗證了該方法的準確性[6]；以及改進的EMD硬閾值去噪[7]，其算法是針對高斯白噪聲的特性提出，能夠根據樣本自適應地確定閾值進而達到了消噪的目的。

(2) 去除噪聲對應尺度細節(jié)分量和閾值相結合的HHT心電濾波算法：借鑒小波變換的算法思想，在原始EMD分解的基礎上，直接去除EMD分解殘余量濾除基線漂移，后又對P、T波所分布的EMD分解結束進行保留，并采用固定閾值函數進而抑制工頻干擾和肌電干擾[8]。

(3) 基于集合經驗模態(tài)分解和小波收縮算法的自適應心電信號去噪問題：集合經驗模態(tài)分解（Ensemble Empirical Mode Decomposition, EEMD）與小波軟閾值去噪算法相結合。該算法將經過EEMD分解得到的本征模態(tài)函數進行分類，對各分類的本征模態(tài)函數分別使用不同的去噪方式進行去噪，最后將去噪后的本征模態(tài)函數進行信號重構。仿真信號和MIT-BIH心電數據庫都驗證出該算法不僅能彌補小波去噪法在處理基線漂移上的不足還具有更高的消噪效果[9]；還有基于最小塊均方的集合經驗模態(tài)分解自適應算法（Ensemble Empirical Mode Decomposition based method in conjunction with the Block Least Mean Square, EEMD-BLMS），該方法相較于傳統的EMD，集合經驗模態(tài)分解和最小二乘經驗模態(tài)分解等有更好的去噪效果[10]。

(4) 形態(tài)分量分析和集合經驗模態(tài)分解：使用形態(tài)分量分析法將ECG信號分解成突變成分、平滑成分和殘余白噪聲成分，然后對含有工頻干擾的平滑成分進行集合經驗模態(tài)分解，去除本征模態(tài)函數中的工頻干擾部分，再對信號進行重構。經驗證該方式處理后的信號保真性較好且其濾除雜波的效果優(yōu)于Levkov算法[11]。

2 心電信號特征波形提取

心電信號特征波段（P波，QRS波段等）能否準確提取對計算機的下一步識別極其關鍵。研究人員根據需要檢測的波段的形態(tài)學特征提出相關算法。

2.1 部分波段檢測

(1) P波：雙側累積面積法，用于檢測P波起終點的位置。對于房顫病人來說，P波的檢測有效性十分關鍵。體表心電圖的P波存在小幅、低頻的特點，且極易受噪聲干擾，精確定位其起終點困難。雙側累積面積法即利用滑動窗口求取該滑動窗口內累積面積，并將單窗口發(fā)展至不同長度的多窗口，通過調節(jié)各個相關參數，以準確檢測P波的位置。經CSE標準數據庫的驗證，該算法能夠檢測出不同波形下的P波且正確率在99%以上[12]。

(2) R波檢測：R峰值改進閾值提取算法，根據心率計算心電周期，并對每一個周期設置閾值，設置的重檢機制能夠對周期閾值進行調整，進而解決了R峰值的漏檢。仿真實驗是對醫(yī)院心內科的ECG信號進行處理，選取適當的通道數值進行處理檢測。相比于固定閾值檢測，改進閾值檢測算法能夠很好地提取出R峰值[13]；基于動態(tài)心電圖R波信號檢測新算法，利用QRS波群存在的QR波和RS波斜率高、幅度大的特征，定義斜率步長、后向斜率、前向斜率、平均雙向斜率和前向相對高度、后向相對高度以及相對高度，突出并確定R波波峰的位置，甚至有效解決了基線漂移的干擾，可用于實時檢測R波且準確性高、穩(wěn)定性強[14]。

(3) ST段波形檢測：神經網絡算法，用于處理使用了零相位巴特沃斯濾波器去除部分干擾后的心電信號。將神經網絡與時頻分析相結合，對MIT-BIH心率失常數據庫進行處理，使用三層BP神經網絡對ST段進行形態(tài)大致分類并結合時域分析的J+X法從而進行準確判斷，驗證結果表明該方式能夠較為準確地提取ST段形態(tài)[15]。

(4) RR間期檢測：基于RR間期差的深神經網絡房顫檢測，先由心電信號的RR間期序列求得RR間期差序列，然后將RR間期差轉換為直方圖序列，采用深神經網絡來進行房顫的檢測。使用MIT-BIH房顫數據庫來評價本方法檢測房顫的準確率，本方法的檢測率達95.1%[16]。

(5) QRS波檢測：一種基于連續(xù)小波變換的算法，用于檢驗QRS波，T波和P波，試驗多種數據庫得到99%以上的正確率并驗證了該方式的可靠性[17]；雙正交小波變換，由于小波變換識別心電信號QRS波的計算量龐大，提出使用雙正交B樣條小波基對心電信號進行處理經MIT-BIH數據庫驗證得到98.9%的正確率[18]。斜率突變法(檢測)較為簡單，即在正確識別R波的基礎上，在R波兩側尋找斜率突變的點，如果存在，即可判斷為Q波或S波，該方法計算十分迅速[19]。

(6) 全波檢測：將小波變換和粗糙集結合使用，對使用了二次樣條小波作為基函數去除基線漂移的心電信號進行多尺度分解，分別定為QRS波、R波、Q波、S波、P波、T波，基于粗糙集理論，得到5個約減集，使用支持向量機進行正常竇性信號、房性早搏、室性早搏的分類識別，識別率為96%以上[20]；差分算法，通過差分方法首先確定R點的位置，然后根據R點位置利用最值再比較得到Q、S點位置，再通過區(qū)域搜索得到搜索區(qū)域中的最大值以提取P、T波。應用此方法對MIT-BIH數據庫心律失常數據庫進行QRS波形提取，準確率達99.3%，對實際采集的心電數據進行處理，準確率達92%以上。該方式具有簡單快速，準確性高而誤差小的優(yōu)點，且計算簡單易于實現，適合作為心電信號實時特征提取方法[21]。

(7) 其他：基于單心拍心房活動特征與卷積神經網絡的房顫檢測，首先把所有心電信號歸一化處理為長度相等的單心拍，然后對所有心拍進行白化、求解每類心拍的稀疏系數、對所求稀疏系數進行池化處理，最后使用卷積神經網絡進行心電信號分類達到房顫檢測的目的實驗結果表明該方法檢測結果的正確率為95.91%，為檢測房顫提供了很好的選擇[22]。

3 心電信號壓縮、傳輸和恢復

醫(yī)院數據庫存在大量的心電圖數據尤其是動態(tài)心電圖由于其采集的是患者24 h甚至更久的心電波形，導致心電數據的存儲對設備提出了更高的要求。在此方面，研究人員針對心電數據的壓縮、傳輸和恢復提出了有效的解決方法。這些算法大致集中在機器學習算法等之上。

其中，塊稀疏貝葉斯學習在傳感節(jié)點端利用隨機二進制矩陣對ECG信號進行觀測，經傳輸后再利用離散余弦變換稀疏方式下的變換矩陣和塊稀疏貝葉斯學習對ECG算法進行重構，使用MIT-BIH心率異常數據庫和噪聲壓力測試數據庫的ECG信號進行仿真實驗，結果證明該方法提高了壓縮率，有助于降低傳輸功耗[23]。而奇異值分解法(Singular Value Decomposition，SVD)[24]是基于多尺度根部能量的閾值選擇技術，是根據波段重要性來選取奇異值，這種壓縮技術是現有方法速度的3倍，為了實現高壓縮比，依賴于自然基礎的精確導向的稀疏模型利用了心電信號所存在的重復模式，應用了k-LiMapS來調整算法以保證重建質量，經處理MIT-BIH心率失常數據庫的數據驗證并與最先進的心電圖壓縮方法——混亂關系法比較，該方法壓縮效果更勝一籌[25]。另外，也有在確定性矩陣的基礎上，提出多項式確定性矩陣，并與塊稀疏貝葉斯算法相結合。該算法框架經實驗仿真證明能夠增大重構的精度[26]。如果使用滑動窗口來控制需要采集的信號，壓縮采樣，并用L1同倫恢復算法恢復出原始信號，驗證可得重構信號相對誤差極小，具有可行性[27]。其他的，諸如連續(xù)蟻群優(yōu)化[28-29]、深層學習算法[30]、奇異值混合嵌入式零樹小波[31]等算法[32-33]都經過驗證取得了良好的壓縮效果。

4 心電信號的分類、人的識別

準確提取心電信號并將不同心電信號所對應的人體健康狀況、疾病種類區(qū)分出來是心電信號自動分析的基礎。并且近幾年來，有研究人員發(fā)現，不同人的心電信號在表現形式上看上去是大致相同的，但實際上是存在差異性的，于是有人在這方面進行了研究并發(fā)現不同人的心電信號之間確實如同指紋一樣可以被用作不同個體之間的識別。國內現在在這方面的研究還不是很多，國外的現有文獻較為豐富。

4.1 心電信號自動分類

心電信號的分類多為對心率失常數據的分類，由于多數算法都是為了解決原本算法對噪聲數據的敏感性問題。例如基于字典學習法的新算法，是根據現有的字典學習算法，采用中心點算法集群優(yōu)化以減弱對干擾數據的敏感性，從而提高心電圖的分類性能[34]。離散小波變換的主成分分析是在非線性的心電信號中找出其特征，并使用基于靜香基函數的支持向量機對5種不同類型的心率失常數據進行分類，得到98.91%的正確率[35]。改進的人工蜂群（Modified Artificial Bee Colony，MABC）算法首先是分析了心電信號的時域特性，甚至能夠對心電信號進行實時分類[36]。

4.2 基于心電信號的身份識別

近年來研究發(fā)現，每個人的心電信號即使看上去大致相同，但在細微處仍存在較大的差異。所以研究人員企圖通過不同的算法去提取出每個人心電信號中不相同的部分，以達到身份識別的目的，具體例子可詳見文獻[37-38]。

5 總結

本文主要闡述了近年來研究人員在心電信號方面有關心電信號去噪、特征波段提取、心電信號傳輸壓縮和心電信號自動分類這四方面作出的研究?？偨Y發(fā)現，國內現在的目光主要集中在心電信號的去噪和特征波段提取，但開始慢慢轉向心電信號的傳輸問題的解決上，對于心電信號用于人的識別的研究不多。心電信號的有效去噪、特征波段提取以及分類和識別，有助于臨床醫(yī)生對患者的健康狀況作出準確判斷甚至預測，并且可以減少醫(yī)院在心電圖診斷上的所付出的人力，對醫(yī)療和研究都大有裨益。

[1] 肖倩. 基于小波的自適應濾波器對心電信號的去噪[J]. 沈陽大學學報(自然科學版), 2015, (6): 473-476.

[2] 李楠, 楊昭春, 孫樂君, 等. 基于調Q小波變換的心電信號特征量提取方法[J]. 計算機科學, 2014, (S2): 61-64,74.

[3] 劉珊, 李艷萍, 胡欣宇. 基于小波變換的新閾值法心電信號去噪的研究[J]. 科學技術與工程, 2014, (4): 236-240, 264.

[4] 孔令杰. 基于小波變換的心電信號降噪處理[J]. 自動化技術與應用, 2014, (12): 35-38.

[5] 歐陽波, 程棟, 王玲. 改進小波閾值算法在心電信號去噪中的應用[J]. 計算機工程與應用, 2015, (4):213-217.

[6] 張守成, 韓元良, 張玉潔. EMD-IT去噪算法的閾值估計方法[J].計算機工程與設計, 2014, (12): 4386-4389.

[7] 張守成, 張玉潔, 劉海生. 一種改進的EMD硬閾值去噪算法[J].計算機測量與控制, 2014, (11): 3659-3661.

[8] 張喜紅, 王玉香, 楊清志. 基于HHT的心電信號濾波算法的研究[J]. 吉林化工學院學報, 2014, 01: 51-54.

[9] 宋美. 基于集合經驗模態(tài)分解和小波收縮算法的自適應心電信號去噪問題研究[J]. 生物數學學報, 2015, 04: 629-638.

[10] Kaergaard K, Jensen SH, Puthusserypady S. A comprehensive performance analysis of EEMD-BLMS and DWT-NN hybrid algorithms for ECG denoising[J]. Biomed Sign Proc Contr, 2016, 25: 178-187.

[11] 趙偉, 肖世校, 張保燦, 等. 基于形態(tài)分量分析和集合經驗模態(tài)分解的心電信號工頻干擾消除法[J]. 生物醫(yī)學工程學雜志, 2015, (6): 1179-1184.

[12] 陳日清, 吳劍, 韓永貴. 基于雙側累計面積的心電信號P波檢測[J]. 中國醫(yī)藥導刊, 2015, (S1): 36-39.

[13] 曹鴦婷, 陳俊麗. 改進型閾值提取心電信號的R峰值[J]. 電子測量技術, 2015, (12): 107-110.

[14] 張英濤, 黃劍華, 李明達, 等. 基于DCG心電信號的R波檢測算法[J]. 天津大學學報(自然科學與工程技術版),2014,(1):74-80.

[15] 葉宇翔, 郭文成, 馮岷生. 基于神經網絡心電圖ST段形態(tài)識別[J].計算機仿真, 2014, 31(11): 349-352.2

[16] 劉明, 萬慧華, 龔碩然, 等. 基于RR間期差的深神經網絡房顫檢測[J]. 激光雜志, 2015, (1): 90-93.

[17] Yochum M, Renaud C, Jacquir S. Automatic detection of P, QRS and T patterns in 12 leads ECG signal based on CWT[J]. Biomed Sign Proc Contr, 2016, 25: 46-52.

[18] 劉佳昱, 黃亦翔, 李炳初, 等. 基于雙正交小波變換QRS波檢測方法研究與改進[J]. 機電一體化, 2014, (5): 21-25.

[19] 吳建, 李康, 龐宇, 等. 基于斜率突變的QRS波檢測[J]. 重慶郵電大學學報:自然科學版, 2015, 27(2): 241-244.

[20] 唐孝, 舒蘭, 鄭偉. 基于小波變換和粗糙集的早搏信號識別算法[J]. 計算機科學, 2015, (S2): 32-35.

[21] 肖倩. 基于小波的自適應濾波器對心電信號的去噪[J]. 沈陽大學學報: 自然科學版, 2015, 27(6): 473-476.

[22] 劉明, 韓小岑. 基于單心拍心房活動特征與卷積神經網絡的房顫檢測[J]. 激光雜志, 2015, 36(12): 145-149.

[23] 彭向東, 張華, 劉繼忠. 基于塊稀疏貝葉斯學習的體域網心電壓縮采樣[J]. 傳感技術學報, 2015, (3): 401-407.

[24] Padhy S, Sharma LN, Dandapat S. Multilead ECG data compression using SVD in multiresolution domain[J]. Biomed Sign Proc Contr, 2015, 23: 10-18.

[25] Grossi G, Lanzarotti R, Lin J. High-rate compression of ECG signals by an accuracy-driven sparsity model relying on natural basis[J]. Digit Sign Proc, 2015, 45: 96-106.

[26] 劉佳昱, 黃亦翔, 李炳初, 等. 基于雙正交小波變換QRS波檢測方法研究與改進[J]. 機電一體化, 2014, (5): 21-25.

[27] 楊謹, 李明, 李健, 等. 基于同倫算法的時變流信號動態(tài)壓縮感知研究[J]. 四川大學學報: 工程科學版, 2015(S1): 頁碼？.

[28] Edward JS, Ramu P, Swaminathan R. Imperceptibility - robustness tradeoff studies for ECG steganography using continuous ant colony optimization[J]. Expert Syst Appl, 2015, 49: 123-135.

[29] 王偉平, 楊苗. 基于蟻群算法的帶截止區(qū)均勻量化器的優(yōu)化及其在ECG數據壓縮中的應用[J]. 計算機科學, 2015, (S2): 550-553.

[30] 金林鵬, 董軍. 面向臨床心電圖分析的深層學習算法[J]. 中國科學: 信息科學, 2015, (3): 398-416.

[31] Kumar R, Kumar A, Singh GK. Hybrid method based on singular value decomposition and embedded zero tree wavelet technique for ECG signal compression.[J]. Comput Meth Prog Biomed, 2016.

[32] Tawfic I, Kayhan S. Compressed sensing of ECG signal for wireless system with new fast iterative method[J]. Comput Meth Prog Biomed, 2015, 122(3): 437-449.

[33] Sharma L N. Coding ECG beats using multiscale compressed sensing based processing[J]. Comput Electr Eng, 2015, 45(C): 211-221.

[34] Liu T, Si Y, Wen D, et al. Dictionary learning for VQ feature extraction in ECG beats classif cation[J]. Expert Syst Appl, 2016, 53: 129-137.

[35] Fatin A, Naomie S, Arief R, et all. Arrhythmia recognition and classif cation using combined linear and nonlinear features of ECG signals[J]. Comput Meth Prog Biomed, 2016, 127: 52-63.

[36] Selim D, Mehmet K .ECG heart beat classif cation method based on modif ed ABC algorithm[J]. Appl Soft Comput, 2015, 36, 641-655.

[37] Singh YN. Human recognition using Fisher?s discriminant analysis of heartbeat interval features and ECG morphology[J]. Neurocomputing, 2015, 167: 322-335.

[38] Hejazi M, Al-Haddad SAR, Singh YP, et al. ECG biometric authentication based on non-fiducial approach using kernel methods[J]. Digit Sign Proc, 2016, 52: 72-86.

ECG Signal Processing Methods and Application

【 Writer 】DAI Sizhou The Second Aff liated Hospital of Wenzhou Medical University, Wenzhou, 325027

Hospital ECG detection is divided into detection EEG and Holter ECG detection.This paper mainly summarizes ECG signal denoising, detection methods of each band, compression and transmission of ECG and ECG classification algorithms.

ECG, denoising, ECG compression, ECG category

TN911.6

A

10.3969/j.issn.1671-7104.2016.05.010

1671-7104(2016)05-0351-04

2016-03-29

戴思舟，E-mail: daisizhou@sina.com