短時(shí)經(jīng)驗(yàn)?zāi)B(tài)分解實(shí)時(shí)識(shí)別生豬心電QRS波群

賈桂鋒，王自唱，向興發(fā)，武 墩，高 云，黎 煊，馮耀澤※

（1. 華中農(nóng)業(yè)大學(xué)工學(xué)院，武漢 430070；2. 農(nóng)業(yè)部長(zhǎng)江中下游農(nóng)業(yè)裝備重點(diǎn)實(shí)驗(yàn)室，武漢 430070）

0 引 言

生豬養(yǎng)殖是中國(guó)畜牧業(yè)的重要部分，國(guó)家統(tǒng)計(jì)局?jǐn)?shù)據(jù)顯示全國(guó)近5 a生豬年均存欄量約45 712萬(wàn)頭，出欄量約70 402萬(wàn)頭。其養(yǎng)殖模式正向大規(guī)模工廠化方向發(fā)展，但由于養(yǎng)殖福利水平和健康監(jiān)測(cè)技術(shù)等發(fā)展滯后，降低了其生產(chǎn)效率[1]。因此研究豬的健康監(jiān)測(cè)技術(shù)對(duì)提高養(yǎng)殖福利水平與疾病預(yù)防能力具有重要價(jià)值，如對(duì)豬的采食量[2-3]、體質(zhì)量[4]、異常行為[5-6]等生理指標(biāo)監(jiān)測(cè)可提高養(yǎng)殖福利，保障生豬生產(chǎn)安全和豬肉品質(zhì)[7-8]。心率是豬的重要生命體征，不僅直接反映其健康狀態(tài)[9-10]，還與環(huán)境因素密切相關(guān)[11]，對(duì)豬的心率監(jiān)測(cè)可進(jìn)行早期疾病篩查和改善生存環(huán)境。心率通常根據(jù)心電信號(hào)提取，心電信號(hào)是伴隨心房除極、心室除極和復(fù)極等周期性活動(dòng)而產(chǎn)生的，主要由P波、QRS復(fù)波和T波構(gòu)成。在豬的典型心電信號(hào)中，QRS波群的幅值特征最為突出，電壓約(75.48 ± 34.00) mV，持續(xù)時(shí)間達(dá)(55.27 ± 7.02) ms[12]。因其特征顯著而易于提取，故將相鄰QRS波之間的RR間期(RR interval, RRI)作為心動(dòng)周期，以反映心臟活動(dòng)的節(jié)律，且RRI的變化可表征心率的變異性[13]。

無(wú)論人或動(dòng)物，實(shí)時(shí)、準(zhǔn)確地監(jiān)測(cè)心率及其變異性等重要生理參數(shù)對(duì)快速評(píng)估健康狀況是非常必要的[14-16]，但基于生豬心電信號(hào)的QRS波群實(shí)時(shí)處理算法研究鮮有報(bào)道。張宏等[17]基于BMD101心電傳感器及無(wú)線射頻模塊 CC2430研制出豬的心電測(cè)量裝置，并通過(guò)動(dòng)物試驗(yàn)說(shuō)明該設(shè)計(jì)方案能夠正確采集心電信號(hào)并計(jì)算心率。余明等[18]結(jié)合經(jīng)驗(yàn)?zāi)B(tài)分解和獨(dú)立成分分析算法對(duì)豬的心電進(jìn)行抑制偽跡研究，可顯著提高心肺復(fù)蘇過(guò)程中除顫節(jié)律辨識(shí)的準(zhǔn)確性，相關(guān)研究未提及心電信號(hào)處理的實(shí)時(shí)性。此外，由于豬的依從性差，心電檢測(cè)過(guò)程中的隨機(jī)活動(dòng)導(dǎo)致電極接觸不穩(wěn)，同時(shí)產(chǎn)生大量的肌電信號(hào)，造成心電信號(hào)的基線起伏較大，含有大量噪聲，部分研究在麻醉的狀態(tài)下進(jìn)行采集[18-19]。因此，豬在正?；顒?dòng)時(shí)采集的心電信號(hào)是一種非平穩(wěn)信號(hào)，給QRS波群實(shí)時(shí)處理造成困難。針對(duì)生豬心電處理的實(shí)時(shí)性問(wèn)題，本文根據(jù)其心電信號(hào)的特征提出一種 QRS波群識(shí)別的實(shí)時(shí)處理算法。

經(jīng)驗(yàn)?zāi)B(tài)分解算法(empirical mode decomposition,EMD)是一種非線性、非平穩(wěn)信號(hào)分解算法，具有自適應(yīng)性、完備性等特點(diǎn)[20]，自提出以來(lái)已應(yīng)用于多種領(lǐng)域研究，如機(jī)械故障診斷、人的心電信號(hào)處理等[21-22]。心電信號(hào)處理主要是QRS波識(shí)別應(yīng)用中研究較多，研究結(jié)果表明EMD算法對(duì)QRS波群具有較高識(shí)別正確率[23-26]。然而EMD算法是一種非實(shí)時(shí)的信號(hào)處理方法，難以滿足實(shí)時(shí)處理信號(hào)的需求[27]。

為實(shí)現(xiàn)對(duì)QRS波群的實(shí)時(shí)檢測(cè)，本文在EMD算法基礎(chǔ)上提出一種短時(shí)經(jīng)驗(yàn)?zāi)B(tài)分解處理方法。其思路是對(duì)心電信號(hào)進(jìn)行實(shí)時(shí)分段，然后對(duì)每段數(shù)據(jù)進(jìn)行EMD分解，再根據(jù)分解得到的本征模函數(shù)(intrinsic mode function,IMF)提取QRS波群的特征參數(shù)，以準(zhǔn)確地識(shí)別R波的位置，繼而提取RR間期，計(jì)算心率數(shù)據(jù)。最后通過(guò)動(dòng)物試驗(yàn)驗(yàn)證ST-EMD算法的實(shí)時(shí)性和有效性。

1 短時(shí)經(jīng)驗(yàn)?zāi)B(tài)的分解方法

1.1 EMD算法

EMD算法是希爾伯特-黃變換(hilbert-huang transform,HT)的核心部分，目的是將復(fù)雜信號(hào) x(t)分解成不同特征尺度的 IMF，滿足停止條件時(shí)即停止分解，剩余信號(hào)稱為殘余分量r(t)，x(t)、imfk(t)和r(t)之間的關(guān)系如式（1）所示。

IMF函數(shù)需要滿足2個(gè)條件，即極值與過(guò)0點(diǎn)的個(gè)數(shù)相等或最多相差為 1個(gè)，且在任意一點(diǎn)由信號(hào)極大值和極小值構(gòu)成包絡(luò)線的均值為0。因此IMF是一個(gè)窄帶信號(hào)，具有相應(yīng)的物理意義。由此可見(jiàn)，EMD算法實(shí)質(zhì)是一種篩選方法，從復(fù)雜信號(hào)x(t)中篩選出一系列具有一定物理意義的窄帶信號(hào)IMF，其分解過(guò)程可參考文獻(xiàn)[20]，在此不再贅述。

1.2 ST-EMD算法流程

由于EMD算法不具有實(shí)時(shí)性，針對(duì)此問(wèn)題，通過(guò)對(duì)數(shù)據(jù)分段提出 ST-EMD算法，使其能準(zhǔn)確、實(shí)時(shí)處識(shí)別QRS波群。ST-EMD算法主要步驟有數(shù)據(jù)分段、EMD分解、QRS波特征提取和識(shí)別等部分。

1.2.1 對(duì)心電信號(hào)進(jìn)行分段

在數(shù)學(xué)上表達(dá)為信號(hào)x(t)與寬度為N矩形窗相乘，如公式（2）所示。

窗寬N即為數(shù)據(jù)段的長(zhǎng)度，其決定了信號(hào)處理的實(shí)時(shí)性，當(dāng)采樣頻率 Ts一定時(shí)，信號(hào)處理結(jié)果輸出時(shí)刻相對(duì)數(shù)據(jù)采集時(shí)刻的延遲時(shí)間td可由式（3）表示。其中，tEMD表示長(zhǎng)度為N的數(shù)據(jù)段進(jìn)行EMD分解所需的時(shí)間。

可見(jiàn)，數(shù)據(jù)段長(zhǎng)度N越短，實(shí)時(shí)性越強(qiáng)，但在EMD分解信號(hào)時(shí)會(huì)產(chǎn)生端點(diǎn)效應(yīng)，即在信號(hào)的兩端會(huì)產(chǎn)生發(fā)散，逐漸向內(nèi)“污染”整個(gè)數(shù)據(jù)樣本，使得分解結(jié)果嚴(yán)重失真[20,28]。因此數(shù)據(jù)段越短，受端點(diǎn)效應(yīng)的影響越嚴(yán)重。為緩解端點(diǎn)效應(yīng)同時(shí)又保證實(shí)時(shí)性，在數(shù)據(jù)分段時(shí)可與上一段的部分?jǐn)?shù)據(jù)重疊。

另外，數(shù)據(jù)段分段時(shí)需要避免截?cái)郠RS復(fù)波，否則破壞其在IMF中表現(xiàn)出的特征，降低識(shí)別正確率，導(dǎo)致QRS波漏檢。因此需要數(shù)據(jù)段的起點(diǎn)和終點(diǎn)均要選擇恰當(dāng)，避免截?cái)郠RS復(fù)波。

經(jīng)上述分析，ST-EMD的分段方法如圖1所示。首先搜索當(dāng)前數(shù)據(jù)段Xi最新QRS復(fù)波的位置QRS(k)，在此基礎(chǔ)上再向前取α倍的RRI對(duì)應(yīng)的數(shù)據(jù)點(diǎn)作為下一個(gè)數(shù)據(jù)段 Xi+1的起點(diǎn)。同樣地，以 Xi的最新 QRS復(fù)波位置QRS(k)為基礎(chǔ)向后取1+β倍的RRI對(duì)應(yīng)的數(shù)據(jù)點(diǎn)為Xi+1的終點(diǎn)。α、β可取0.5，即數(shù)據(jù)段的起點(diǎn)和終點(diǎn)均位于心電信號(hào)R波之間的中心點(diǎn)。這樣既保證Xi+1與Xi有一定的重疊，減緩端點(diǎn)效應(yīng)，又避免兩端點(diǎn)截?cái)郠RS波群。同時(shí)也保證下一個(gè)數(shù)據(jù)段 Xi+1中至少包含一個(gè) QRS波群，有利于提高算法的穩(wěn)定性。一般RRI具有變異性，所以數(shù)據(jù)段的長(zhǎng)度也隨之做自適應(yīng)地調(diào)整。

1.2.2 對(duì)分段數(shù)據(jù)進(jìn)行EMD分解

根據(jù) EMD算法對(duì)分段數(shù)據(jù)進(jìn)行分解，得到一系列IMF。為了減少EMD計(jì)算時(shí)間，提高實(shí)時(shí)性，在篩選IMF過(guò)程中降低迭代次數(shù)，且當(dāng)選擇出具有QRS波群特征的IMF時(shí)立即停止分解。

圖1 心電數(shù)據(jù)分段方法Fig.1 Segmenting method of electrocardiogram signal

1.2.3 基于IMF函數(shù)提取QRS波群特征

正確識(shí)別QRS波群需要基于IMF提取其特征參數(shù)，因此需要分析QRS波與IMF函數(shù)的內(nèi)在聯(lián)系，確定其特征表現(xiàn)在哪些IMF中及其提取方法。對(duì)一段豬的心電信號(hào)經(jīng)EMD分解后得到的IMF如圖2所示。分析可見(jiàn)，第一IMF分量的能量隨著時(shí)間的變化趨勢(shì)與QRS波群呈一一對(duì)應(yīng)關(guān)系，而第二IMF中這種對(duì)應(yīng)關(guān)系顯著減弱，其余的IMF則未反映出明顯的特征。所以，QRS波群的特征應(yīng)從第一IMF分量中提取。

由于第一IMF能量分布與QRS波有顯著對(duì)應(yīng)關(guān)系，因此適合采用能量窗變換法提取其特征參數(shù)[29]，該方法計(jì)算流程如下。

1）計(jì)算第一IMF的差分信號(hào)，記為D；

2）對(duì)D平方運(yùn)算即得瞬時(shí)功率P；

3）在一定寬度的時(shí)間窗內(nèi)對(duì) P積分，窗寬的選擇較為關(guān)鍵，與豬的 QRS波寬度相關(guān)[30]。經(jīng)分析心電信號(hào)得其平均持續(xù)時(shí)間為0.033 s，則窗口的寬度為該時(shí)間段內(nèi)的采樣點(diǎn)數(shù)，約 17個(gè)數(shù)據(jù)點(diǎn)，積分后得到能量信號(hào)E。

4）計(jì)算能量的均值作為閾值，當(dāng)E中有數(shù)據(jù)大于閾值時(shí)，即此數(shù)據(jù)段內(nèi)存在QRS波群，再根據(jù)R波極大值的特征可準(zhǔn)確確定其位置。

圖2 基于EMD算法的豬心電信號(hào)分解Fig.2 Results of pig’s electrocardiogram processing by EMD

2 ST-EMD算法實(shí)現(xiàn)與動(dòng)物試驗(yàn)驗(yàn)證

2.1 ST-EMD算法的實(shí)現(xiàn)

根據(jù)提出的 ST-EMD算法在計(jì)算機(jī)上編程實(shí)現(xiàn)，算法流程圖如圖 3所示。主要有算法初始化、數(shù)據(jù)分段參數(shù)確定、信號(hào)采集、EMD分解、特征提取和QRS波檢驗(yàn)等步驟。

圖3 ST-EMD算法的實(shí)現(xiàn)流程Fig.3 Flow of ST-EMD for algorithm implementing

2.2 動(dòng)物試驗(yàn)與數(shù)據(jù)處理

試驗(yàn)動(dòng)物為同一窩出生的3頭仔豬，豬齡為50 d，平均體重18.2 kg。試驗(yàn)時(shí)間為2017年8月22日，地點(diǎn)在安徽省臨泉縣老集鎮(zhèn)徐莊村生豬養(yǎng)殖戶。心電信號(hào)由基于BMD101傳感器設(shè)計(jì)的穿戴式無(wú)線采集系統(tǒng)實(shí)時(shí)采集[17]，電極放置在豬的前腹兩側(cè)，采樣頻率為512 Hz。采集后的心電數(shù)據(jù)經(jīng)藍(lán)牙通信傳輸至計(jì)算機(jī)，由ST-EMD算法處理。每頭豬的采集時(shí)間為120 s，共采集184 320點(diǎn)數(shù)據(jù)，其中一頭豬的前35 s心電信號(hào)及其處理結(jié)果如圖4所示，算法將識(shí)別出的QRS波用黑點(diǎn)標(biāo)記。

圖4 ST-EMD算法對(duì)豬的QRS波識(shí)別結(jié)果Fig.4 Result of pig’s QRS identified by ST-EMD algorithm

由圖4可知ST-EMD算法能夠準(zhǔn)確識(shí)別心電信號(hào)中的QRS波，同時(shí)可看出心電波形存在隨機(jī)性的基線漂移，特別在第5~10和25~33 s時(shí)間段內(nèi)由于豬的活動(dòng)導(dǎo)致的電極接觸不穩(wěn)或肌電干擾等因素造成基線漂移和干擾，證實(shí)豬在正常活動(dòng)狀態(tài)下檢測(cè)的心電是一種非平穩(wěn)信號(hào)。ST-EMD算法在受干擾的情況下仍能正確識(shí)別出信號(hào)中QRS波，說(shuō)明該算法具有較好的適應(yīng)性和抗干擾能力，但當(dāng)基線漂移過(guò)于急劇時(shí)會(huì)超出算法的抗干擾能力而可能導(dǎo)致QRS波識(shí)別錯(cuò)誤。

3個(gè)樣本信號(hào)的QRS波群識(shí)別結(jié)果和與實(shí)時(shí)性相關(guān)的延遲時(shí)間參數(shù)見(jiàn)表1。由處理結(jié)果可知算法對(duì)信號(hào)的平均分段長(zhǎng)度為0.69 s（不包括數(shù)據(jù)重疊部分），數(shù)據(jù)段的平均處理時(shí)間為0.03 s，即平均總滯后時(shí)間為0.72 s。說(shuō)明對(duì)于豬的心電信號(hào)，ST-EMD算法在數(shù)據(jù)采集后0.72 s即可識(shí)別出QRS復(fù)波，輸出實(shí)時(shí)心率數(shù)據(jù)。在滯后的這段時(shí)間內(nèi)，95.8%的時(shí)間用于等待數(shù)據(jù)采集，而信號(hào)處理只占用4.2%的時(shí)間，即算法計(jì)算時(shí)間對(duì)信號(hào)處理的實(shí)時(shí)性影響不大，ST-EMD的實(shí)時(shí)性還是得益于對(duì)數(shù)據(jù)的分段。

將ST-EMD算法識(shí)別的QRS波與實(shí)際QRS波（由人工識(shí)別和標(biāo)記）數(shù)據(jù)對(duì)比，3個(gè)樣本信號(hào)的識(shí)別正確率分別為100%，98.9%和100%，平均正確率為99.6%，即該方法對(duì)QRS波群具有較強(qiáng)的辨識(shí)能力。

雖然 ST-EMD算法具有一定的自適應(yīng)性和抗干擾能力，但當(dāng)受環(huán)境顯著影響或豬的突然劇烈運(yùn)動(dòng)時(shí)，會(huì)造成心電信號(hào)的基線突變、信噪比降低，繼而增加 QRS波群識(shí)別錯(cuò)誤率。為確保算法正確提取心率，在算法校驗(yàn)階段采用滑動(dòng)中值濾波器以剔除因算法識(shí)別錯(cuò)誤而產(chǎn)生的異常值[31-32]。經(jīng)7點(diǎn)滑動(dòng)中值濾波后，3個(gè)樣本信號(hào)實(shí)時(shí)心率的均值分別為（137.47±6.47）、（133.01±9.80）和（128.00±6.51） bmp，均處在正常范圍82~172 bmp之內(nèi)[12]。

由上述試驗(yàn)結(jié)果可知，ST-EMD算法不僅具備實(shí)時(shí)處理能力，且對(duì)QRS波群的識(shí)別正確率較高。為確保實(shí)時(shí)心率正確提取，采用滑動(dòng)中值濾波算法進(jìn)一步剔除錯(cuò)誤心率值。因此，該算法的設(shè)計(jì)是合理有效的，適用于生豬心電信號(hào)實(shí)時(shí)處理。

表1 ST-EMD算法對(duì)豬的QRS波識(shí)別的正確率和延遲時(shí)間Table 1 Accuracy and delay time of pig’s QRS identified by ST-EMD algorithm

3 結(jié)論

豬在健康監(jiān)測(cè)中由于依從性差而造成心電信號(hào)呈現(xiàn)非平穩(wěn)特征，給實(shí)時(shí)心率計(jì)算帶來(lái)困難。本文針對(duì)生豬心電的實(shí)時(shí)處理需求，并根據(jù)信號(hào)的非平穩(wěn)特征提出一種具有實(shí)時(shí)處理能力的 ST-EMD算法，通過(guò)動(dòng)物試驗(yàn)表明該算法具有如下特性。

1）ST-EMD算法能夠正確處理非平穩(wěn)特性的心電信號(hào)并準(zhǔn)確識(shí)別QRS波，3個(gè)樣本信號(hào)中QRS波的正確識(shí)別率分別為100%，98.9%和100%，平均正確率為99.6%，從心電信號(hào)采集到識(shí)別出QRS波的平均時(shí)間為0.72 s。說(shuō)明本文提出的 ST-EMD算法思路是正確的，且具備實(shí)時(shí)處理能力。

2）該算法通過(guò)對(duì)數(shù)據(jù)分段并根據(jù)信號(hào)特征自主決定分段的起點(diǎn)及數(shù)據(jù)段長(zhǎng)度，且QRS波的判別閾值由第一IMF的能量均值決定，因此ST-EMD是一種是非監(jiān)督的、不依賴先驗(yàn)知識(shí)的算法，即該算法不僅具備實(shí)時(shí)性，還具有較好的自適應(yīng)性。

3）由于ST-EMD對(duì)數(shù)據(jù)進(jìn)行分段，可使得受干擾的數(shù)據(jù)段與未受干擾的數(shù)據(jù)段隔離開(kāi)來(lái)，減小噪聲干擾對(duì)信號(hào)的影響范圍，從而使得算法具有一定的抗干擾能力。此外，對(duì)計(jì)算的實(shí)時(shí)心率進(jìn)行滑動(dòng)中值濾波，可消除因心電基線漂移或噪聲等因素而導(dǎo)致的異常值，以確保提取正確的心率信息。

綜上所述，ST-EMD算法適用于豬的心電實(shí)時(shí)健康監(jiān)護(hù)，具有一定的應(yīng)用價(jià)值。因具有實(shí)時(shí)處理能力，也可推廣到其他應(yīng)用領(lǐng)域，如對(duì)實(shí)時(shí)性要求較高的自動(dòng)控制系統(tǒng)，通過(guò)對(duì)系統(tǒng)輸出信號(hào)的特征識(shí)別，再反饋給系統(tǒng)進(jìn)行下一步控制，以滿足控制的實(shí)時(shí)性。文中提出的ST-EMD算法是以心電QRS識(shí)別為應(yīng)用背景的，若對(duì)其他類型的信號(hào)處理需要重新分析信號(hào)特征，進(jìn)一步研究與應(yīng)用背景相吻合的分段和特征提取方法后才能應(yīng)用于其他領(lǐng)域。

[1] Matthews S G, Miller A L, Clapp J, et al. Early detection of health and welfare compromises through automated detection of behavioural changes in pigs[J]. Veterinary Journal, 2016,217: 43—51.

[2] Kashiha M, Bahr C, Haredasht S A, et al. The automatic monitoring of pigs water use by cameras[J]. Computers and Electronics in Agriculture, 2013, 90: 164—169.

[3] Maselyne J, Van-Nuffel A, De-Ketelaere B, et al. Range measurements of a high frequency radio frequency identification (HF RFID) system for registering feeding patterns of growing-finishing pigs[J]. Computers and Electronics in Agriculture, 2014, 108: 209—220.

[4] Stygar A H, Dolecheck K A, Kristensen A R. Analyses of body weight patterns in growing pigs: a new view on body weight in pigs for frequent monitoring[J]. Animal : An International Journal of Animal Bioscience, 2018, 12(2): 295—302.

[5] Nilsson M, Herlin A H, Ardo H, et al. Development of automatic surveillance of animal behaviour and welfare using image analysis and machine learned segmentation technique[J]. Animal, 2015, 9(11): 1859—1865.

[6] Matthews S G, Miller A L, Plotz T, et al. Automated tracking to measure behavioural changes in pigs for health and welfare monitoring[J]. Scientific Reports, 2017, 7: 1—12.

[7] 漆海霞，張鐵民，羅錫文，等. 現(xiàn)代化生豬養(yǎng)殖環(huán)境測(cè)控技術(shù)現(xiàn)狀與發(fā)展趨勢(shì)[J]. 家畜生態(tài)學(xué)報(bào)，2015，36(4)：1—5, 14.Qi Haixia, Zhang Tiemin, Luo Xiwen, et al. Advances and prospects of environment monitoring techniques in modern piggery[J]. Journal of Domestic Animal Ecology, 2015, 36(4):1—5, 14. (in Chinese with English abstract)

[8] Rocha L M, Velarde A, Dalmau A, et al. Can the monitoring of animal welfare parameters predict pork meat quality variation through the supply chain (from farm to slaughter)?[J].Journal of Animal Science, 2016, 94(1): 359—376.

[9] 馬俊領(lǐng)，王成，李章俊，等. 基于PPG的心率和呼吸頻率的測(cè)量研究[J]. 光學(xué)技術(shù)，2011，37(3)：309—312.Ma Junling, Wang Cheng, Li Zhangjun, et al. Study of measuring heart rate and respiration rate based on PPG[J].Optical Technique, 2011, 37(3): 309—312. (in Chinese with English abstract)

[10] Van-Dixhoorn I D E, Andre G, Lambooij B, et al.Individualized on-line monitoring tool to analyse the complex physiological signal of heart beat fluctuations in pigs[C]//.Leuven, Belgium: Katholieke Universiteit Leuven, 2013:801—811

[11] 汪開(kāi)英，苗香雯，崔紹榮，等. 豬舍環(huán)境溫濕度對(duì)育成豬的生理及生產(chǎn)指標(biāo)的影響[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2002，18(1)：99—102.Wang Kaiying, Miao Xiangweng, Cui Shaorong, et al.Effects of ambient temperature and relative humidity on physiological parameters and performance of growing pigs[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2002, 18(1): 99—102. (in Chinese with English abstract)

[12] Zhang S B, Guo K N, Xie F, et al. Normal electrocardiogram of bama miniature pigs (sus scrofa domestica)[J]. Journal of the American Association for Laboratory Animal Science,2016, 55(2): 152—154.

[13] Krause A, Tuchscherer A, Puppe B, et al. Interchangeability of electrocardiography and blood pressure measurement for determining heart rate and heart rate variability in free-moving domestic pigs in various behavioral contexts[J].Frontiers in Veterinary Science, 2015, 2: 52—52.

[14] Kim J, Shin H. Simple and robust realtime QRS detection algorithm based on spatiotemporal characteristic of the QRS complex[J]. Plos One, 2016, 11(3): 13.

[15] Bote J M, Recas J, Rincon F, et al. A modular low-complexity ECG delineation algorithm for real-time embedded systems[J]. IEEE Journal of Biomedical and Health Informatics, 2017, 22(2): 429—441.

[16] Suli T, Halas M, Benyeda Z, et al. Body temperature and motion: Evaluation of an online monitoring system in pigs challenged with porcine reproductive & respiratory syndrome virus[J]. Research in Veterinary Science, 2017, 114: 482—488.

[17] 張宏，沈明霞，陸明洲，等. 穿戴式豬用心電監(jiān)測(cè)系統(tǒng)設(shè)計(jì)[J]. 南京農(nóng)業(yè)大學(xué)學(xué)報(bào)，2016，39(5)：872—879.Zhang Hong, Shen Mingxia, Lu Mingzhou, et al. Design of wearable electrocardiogram monitoring system for pig[J].Journal of Nanjing Agricultural University, 2016, 39(5): 872—879. (in Chinese with English abstract)

[18] 余明，陳鋒，張廣，等. 基于經(jīng)驗(yàn)?zāi)B(tài)分解與獨(dú)立成分分析的心肺復(fù)蘇偽跡自適應(yīng)濾除算法[J]. 生物醫(yī)學(xué)工程學(xué)雜志，2016，33(5)：834—841.Yu Ming, Chen Feng, Zhang Guang, et al. Adaptive cardiopulmonary resuscitation artifacts elimination algorithm based on empirical mode decomposition and independent component analysis[J]. Journal of Biomedical Engineering,2016, 33(5): 834—841. (in Chinese with English abstract)

[19] 徐業(yè)芬，王震，牛家強(qiáng)，等. 西藏林芝地區(qū)藏豬心電圖分析[J]. 安徽農(nóng)業(yè)科學(xué)，2016，44(4)：143—146.Xu Yefen, Wang Zhen, Niu Jiaqiang, et al. Analysis of electrocardiogram for Tibetan pigs in Linzhi area of Tibet[J].Journal of Anhui Agricultural Sciences, 2016, 44(4): 143—146. (in Chinese with English abstract)

[20] Huang N E, Shen Z, Long S R, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]. Proceedings of the Royal Society of London. Series A: Mathematical, Physical and Engineering Sciences, 1998, 454(1971): 903—995.

[21] 李常有，徐敏強(qiáng)，郭聳. 基于改進(jìn)的 Hilbert-Huang變換的滾動(dòng)軸承故障診斷[J]. 振動(dòng)與沖擊，2007，26(4)：39—41, 50.Li Changyou, Xu Minqiang, Guo Song. A fault diagnosis approach to rolling element bearings based on improved hilbert-huang transformation and linear neural network[J].Journal of Vibration and Shock, 2007, 26 (4): 39—41, 50. (in Chinese with English abstract)

[22] 陳東寧，張運(yùn)東，姚成玉，等. 基于變分模態(tài)分解和多尺度排列熵的故障診斷[J]. 計(jì)算機(jī)集成制造系統(tǒng)，2017，23(12)：2604—2612.Chen Dongning, Zhang Yundong, Yao Chengyu, et al. Fault diagnosis method based on variational mode decomposition and multi-scale permutation entropy[J]. Computer Integrated Manufacturing Systems, 2017, 23(12): 2604—2612. (in Chinese with English abstract)

[23] Pal S, Mitra M. Empirical mode decomposition based ECG enhancement and QRS detection[J]. Computers in Biology and Medicine, 2012, 42(1): 83—92.

[24] 朱偉芳，趙鶴鳴，俞一彪. 基于經(jīng)驗(yàn)?zāi)B(tài)分解和 Hilbert變換的QRS綜合波檢測(cè)算法[J]. 中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào)，2010，29(3)：358—362，372.Zhu Weifang, Zhao Heming, Yu Yibiao. A QRS detector based on empirical mode decomposition and hilbert transform[J]. Chinese Journal of Biomedical Engineering,2010, 29(3): 358—362, 372. (in Chinese with English abstract)

[25] 行鴻彥，黃敏松. 基于Hilbert-Huang變換的QRS波檢測(cè)算法研究[J]. 儀器儀表學(xué)報(bào)，2009，30(7)：1469—1475.Xing Hongyan, Huang Minsong. Research on the QRS complex detection algorithm based on Hilbert-Huang transform[J]. Chinese Journal of Scientific Instrument, 2009,30(7): 1469—1475. (in Chinese with English abstract)

[26] Sahoo S, Das T, Sabut S. Adaptive thresholding based EMD for delineation of QRS complex in ECG signal analysis[C].Chennai, India: Presses Polytechniques Et Universitaires Romandes, 2016. 500—504.

[27] 徐曉剛，徐冠雷，王孝通，等. 經(jīng)驗(yàn)?zāi)Ｊ椒纸?EMD)及其應(yīng)用[J]. 電子學(xué)報(bào)，2009，37(3)：581—585.Xu Xiaogang, Xu Guanlei, Wang Xiaotong, et al. Empirical mode decomposition and its application[J]. Acta Electronica Sinica, 2009, 37(3): 581—585. (in Chinese with English abstract)

[28] 徐卓飛，劉凱. 基于極值符號(hào)序列分析的 EMD端點(diǎn)效應(yīng)處理方法[J]. 振動(dòng)、測(cè)試與診斷，2015，35(2)：309—315.Xu Zhuofei, Liu Kai. Method of empirical mode decomposition end effect based on analysis of extreme value symbol sequence[J]. Journal of Vibration, Measurement and Diagnosis, 2015, 35(2): 309—315. (in Chinese with English abstract)

[29] Kohler B U, Hennig C, Orglmeister R. The principles of software QRS detection[J]. IEEE Engineering in Medicine &Biology Magazine, 2002, 21(1): 42—57.

[30] 李延軍，嚴(yán)洪. QRS波群檢測(cè)常用算法的比較[J]. 生物醫(yī)學(xué)工程學(xué)進(jìn)展，2008，29(2)：101—107.Li Yanjun, Yan Hong. Comparison of familiar QRS detection approaches[J]. Progress in Biomedical Engineering, 2008,29(2): 101—107. (in Chinese with English abstract)

[31] Li X, Wang C, Wang H, et al. Real-time dynamic data analysis model based on wearable smartband[C]//. Beijing:Springer Verlag, 2018: 442—449

[32] Sharma L D, Sunkaria R K. A robust QRS detection using novel pre-processing techniques and kurtosis based enhanced efficiency[J]. Measurement, 2016, 87: 194—204.