心电信号处理方式及其应用

戴思舟

温州医科大学附属第二医院，温州市，325027

心电信号处理方式及其应用

【作者】戴思舟

温州医科大学附属第二医院，温州市，325027

医院心电信号检测主要分为心电图检测和动态心电图检测两种。该文主要针对研究人员在心电信号去噪、各个波段的检测方法以及心电信号的压缩传输和心电信号分类识别这几个方面的算法进行总结。

心电信号；去噪；心电压缩；心电分类

0 引言

人体体表心电信号作为一种典型的人体生理信号，在疾病诊断、预测尤其是心脏健康状况诊断上有着显著的优势。心脏的许多疾病如房颤、心率不齐、心肌梗塞、心肌缺血等疾病都能在心电图上表现出来。而医院的心电诊断主要靠医生的视觉判断，如何有效去除噪声、自动并准确提取心电信号作出相应分析是目前研究人员在该领域研究的一个热点。另外，动态心电所带来的心电信号传输、存储和有效恢复也是生产厂家所需考虑的一个问题。甚至，经科学研究发现，心电信号存在类似指纹一样各人各异的特点。本文对近年来研究人员在心电信号去噪、特征波形提取、心电分类识别和信号压缩四个方面进行了详细的总结。

1 心电信号去噪

由于心电信号的采集是通过人体体表，所采集到的信号不可避免地存在大量的噪声干扰如肌电干扰、工频干扰等。有效去除其中的噪声能够为心电信号的特征波段提取做铺垫。统观来看，这些算法主要是对小波变换、EMD分解等的改进或者与其他方法的综合运用。

1.1 小波变换的改进

(1) 小波自适应滤波：该方式是在使用小波变换去除噪声的基础上，进行又一次的自适应滤波，解决了传统小波变换不易滤除与含噪信号存在的噪声频谱重叠的缺陷[1]；基于调Q小波变换的自适应滤波则是将复杂的心电信号分解成由高共振分量和低共振分量，然后根据品质因数Q，可以分离频段相同的不同特性的信号。该算法对比与小波变换、EMD信号分解算法，消除了同频信号的干扰，并能更成功地将同频信号、振荡行为不同的信号分离[2]。

(2) 离散小波变换：采用新阈值法，与传统小波变换的软、硬值相比，能更好地保留心电信号的几何特征，去噪效果更好，信噪比更高[3]。而一维离散小波是首先计算含噪声信号的正交小波变换，然后对分解得到的小波系数进行阈值处理，再进行小波逆变换进行信号重构得到去除了噪声的信号，结果表明该方法能较为完善地保留原始信号的信息，抑制噪声[4]。

(3) 改进小波阈值算法：在小波多分辨理论的基础上，借鉴Donoho的软、硬阈值去噪，使用动态阈值函数，由此可以自适应地减小衰减。使用MIT-BIH数据库的心电信号进行实验仿真，该方法更能有效地去除基线漂移干扰、50 Hz工频干扰和肌电干扰[5]。

1.2 经验模态分解的改进

(1) EMD-IT阈值去噪算法：基于模态单元思想的EMD-IT去噪算法，根据最终被去除的模态单元包含的总能量等于噪声能量这一基本准则来自适应地确定阈值，从而去除原始函数中的噪声，通过合成数据和MIT-BIH数据库验证了该方法的准确性[6]；以及改进的EMD硬阈值去噪[7]，其算法是针对高斯白噪声的特性提出，能够根据样本自适应地确定阈值进而达到了消噪的目的。

(2) 去除噪声对应尺度细节分量和阈值相结合的HHT心电滤波算法：借鉴小波变换的算法思想，在原始EMD分解的基础上，直接去除EMD分解残余量滤除基线漂移，后又对P、T波所分布的EMD分解结束进行保留，并采用固定阈值函数进而抑制工频干扰和肌电干扰[8]。

(3) 基于集合经验模态分解和小波收缩算法的自适应心电信号去噪问题：集合经验模态分解（Ensemble Empirical Mode Decomposition, EEMD）与小波软阈值去噪算法相结合。该算法将经过EEMD分解得到的本征模态函数进行分类，对各分类的本征模态函数分别使用不同的去噪方式进行去噪，最后将去噪后的本征模态函数进行信号重构。仿真信号和MIT-BIH心电数据库都验证出该算法不仅能弥补小波去噪法在处理基线漂移上的不足还具有更高的消噪效果[9]；还有基于最小块均方的集合经验模态分解自适应算法（Ensemble Empirical Mode Decomposition based method in conjunction with the Block Least Mean Square, EEMD-BLMS），该方法相较于传统的EMD，集合经验模态分解和最小二乘经验模态分解等有更好的去噪效果[10]。

(4) 形态分量分析和集合经验模态分解：使用形态分量分析法将ECG信号分解成突变成分、平滑成分和残余白噪声成分，然后对含有工频干扰的平滑成分进行集合经验模态分解，去除本征模态函数中的工频干扰部分，再对信号进行重构。经验证该方式处理后的信号保真性较好且其滤除杂波的效果优于Levkov算法[11]。

2 心电信号特征波形提取

心电信号特征波段（P波，QRS波段等）能否准确提取对计算机的下一步识别极其关键。研究人员根据需要检测的波段的形态学特征提出相关算法。

2.1 部分波段检测

(1) P波：双侧累积面积法，用于检测P波起终点的位置。对于房颤病人来说，P波的检测有效性十分关键。体表心电图的P波存在小幅、低频的特点，且极易受噪声干扰，精确定位其起终点困难。双侧累积面积法即利用滑动窗口求取该滑动窗口内累积面积，并将单窗口发展至不同长度的多窗口，通过调节各个相关参数，以准确检测P波的位置。经CSE标准数据库的验证，该算法能够检测出不同波形下的P波且正确率在99%以上[12]。

(2) R波检测：R峰值改进阈值提取算法，根据心率计算心电周期，并对每一个周期设置阈值，设置的重检机制能够对周期阈值进行调整，进而解决了R峰值的漏检。仿真实验是对医院心内科的ECG信号进行处理，选取适当的通道数值进行处理检测。相比于固定阈值检测，改进阈值检测算法能够很好地提取出R峰值[13]；基于动态心电图R波信号检测新算法，利用QRS波群存在的QR波和RS波斜率高、幅度大的特征，定义斜率步长、后向斜率、前向斜率、平均双向斜率和前向相对高度、后向相对高度以及相对高度，突出并确定R波波峰的位置，甚至有效解决了基线漂移的干扰，可用于实时检测R波且准确性高、稳定性强[14]。

(3) ST段波形检测：神经网络算法，用于处理使用了零相位巴特沃斯滤波器去除部分干扰后的心电信号。将神经网络与时频分析相结合，对MIT-BIH心率失常数据库进行处理，使用三层BP神经网络对ST段进行形态大致分类并结合时域分析的J+X法从而进行准确判断，验证结果表明该方式能够较为准确地提取ST段形态[15]。

(4) RR间期检测：基于RR间期差的深神经网络房颤检测，先由心电信号的RR间期序列求得RR间期差序列，然后将RR间期差转换为直方图序列，采用深神经网络来进行房颤的检测。使用MIT-BIH房颤数据库来评价本方法检测房颤的准确率，本方法的检测率达95.1%[16]。

(5) QRS波检测：一种基于连续小波变换的算法，用于检验QRS波，T波和P波，试验多种数据库得到99%以上的正确率并验证了该方式的可靠性[17]；双正交小波变换，由于小波变换识别心电信号QRS波的计算量庞大，提出使用双正交B样条小波基对心电信号进行处理经MIT-BIH数据库验证得到98.9%的正确率[18]。斜率突变法(检测)较为简单，即在正确识别R波的基础上，在R波两侧寻找斜率突变的点，如果存在，即可判断为Q波或S波，该方法计算十分迅速[19]。

(6) 全波检测：将小波变换和粗糙集结合使用，对使用了二次样条小波作为基函数去除基线漂移的心电信号进行多尺度分解，分别定为QRS波、R波、Q波、S波、P波、T波，基于粗糙集理论，得到5个约减集，使用支持向量机进行正常窦性信号、房性早搏、室性早搏的分类识别，识别率为96%以上[20]；差分算法，通过差分方法首先确定R点的位置，然后根据R点位置利用最值再比较得到Q、S点位置，再通过区域搜索得到搜索区域中的最大值以提取P、T波。应用此方法对MIT-BIH数据库心律失常数据库进行QRS波形提取，准确率达99.3%，对实际采集的心电数据进行处理，准确率达92%以上。该方式具有简单快速，准确性高而误差小的优点，且计算简单易于实现，适合作为心电信号实时特征提取方法[21]。

(7) 其他：基于单心拍心房活动特征与卷积神经网络的房颤检测，首先把所有心电信号归一化处理为长度相等的单心拍，然后对所有心拍进行白化、求解每类心拍的稀疏系数、对所求稀疏系数进行池化处理，最后使用卷积神经网络进行心电信号分类达到房颤检测的目的实验结果表明该方法检测结果的正确率为95.91%，为检测房颤提供了很好的选择[22]。

3 心电信号压缩、传输和恢复

医院数据库存在大量的心电图数据尤其是动态心电图由于其采集的是患者24 h甚至更久的心电波形，导致心电数据的存储对设备提出了更高的要求。在此方面，研究人员针对心电数据的压缩、传输和恢复提出了有效的解决方法。这些算法大致集中在机器学习算法等之上。

其中，块稀疏贝叶斯学习在传感节点端利用随机二进制矩阵对ECG信号进行观测，经传输后再利用离散余弦变换稀疏方式下的变换矩阵和块稀疏贝叶斯学习对ECG算法进行重构，使用MIT-BIH心率异常数据库和噪声压力测试数据库的ECG信号进行仿真实验，结果证明该方法提高了压缩率，有助于降低传输功耗[23]。而奇异值分解法(Singular Value Decomposition，SVD)[24]是基于多尺度根部能量的阈值选择技术，是根据波段重要性来选取奇异值，这种压缩技术是现有方法速度的3倍，为了实现高压缩比，依赖于自然基础的精确导向的稀疏模型利用了心电信号所存在的重复模式，应用了k-LiMapS来调整算法以保证重建质量，经处理MIT-BIH心率失常数据库的数据验证并与最先进的心电图压缩方法——混乱关系法比较，该方法压缩效果更胜一筹[25]。另外，也有在确定性矩阵的基础上，提出多项式确定性矩阵，并与块稀疏贝叶斯算法相结合。该算法框架经实验仿真证明能够增大重构的精度[26]。如果使用滑动窗口来控制需要采集的信号，压缩采样，并用L1同伦恢复算法恢复出原始信号，验证可得重构信号相对误差极小，具有可行性[27]。其他的，诸如连续蚁群优化[28-29]、深层学习算法[30]、奇异值混合嵌入式零树小波[31]等算法[32-33]都经过验证取得了良好的压缩效果。

4 心电信号的分类、人的识别

准确提取心电信号并将不同心电信号所对应的人体健康状况、疾病种类区分出来是心电信号自动分析的基础。并且近几年来，有研究人员发现，不同人的心电信号在表现形式上看上去是大致相同的，但实际上是存在差异性的，于是有人在这方面进行了研究并发现不同人的心电信号之间确实如同指纹一样可以被用作不同个体之间的识别。国内现在在这方面的研究还不是很多，国外的现有文献较为丰富。

4.1 心电信号自动分类

心电信号的分类多为对心率失常数据的分类，由于多数算法都是为了解决原本算法对噪声数据的敏感性问题。例如基于字典学习法的新算法，是根据现有的字典学习算法，采用中心点算法集群优化以减弱对干扰数据的敏感性，从而提高心电图的分类性能[34]。离散小波变换的主成分分析是在非线性的心电信号中找出其特征，并使用基于静香基函数的支持向量机对5种不同类型的心率失常数据进行分类，得到98.91%的正确率[35]。改进的人工蜂群（Modified Artificial Bee Colony，MABC）算法首先是分析了心电信号的时域特性，甚至能够对心电信号进行实时分类[36]。

4.2 基于心电信号的身份识别

近年来研究发现，每个人的心电信号即使看上去大致相同，但在细微处仍存在较大的差异。所以研究人员企图通过不同的算法去提取出每个人心电信号中不相同的部分，以达到身份识别的目的，具体例子可详见文献[37-38]。

5 总结

本文主要阐述了近年来研究人员在心电信号方面有关心电信号去噪、特征波段提取、心电信号传输压缩和心电信号自动分类这四方面作出的研究。总结发现，国内现在的目光主要集中在心电信号的去噪和特征波段提取，但开始慢慢转向心电信号的传输问题的解决上，对于心电信号用于人的识别的研究不多。心电信号的有效去噪、特征波段提取以及分类和识别，有助于临床医生对患者的健康状况作出准确判断甚至预测，并且可以减少医院在心电图诊断上的所付出的人力，对医疗和研究都大有裨益。

[1] 肖倩. 基于小波的自适应滤波器对心电信号的去噪[J]. 沈阳大学学报(自然科学版), 2015, (6): 473-476.

[2] 李楠, 杨昭春, 孙乐君, 等. 基于调Q小波变换的心电信号特征量提取方法[J]. 计算机科学, 2014, (S2): 61-64,74.

[3] 刘珊, 李艳萍, 胡欣宇. 基于小波变换的新阈值法心电信号去噪的研究[J]. 科学技术与工程, 2014, (4): 236-240, 264.

[4] 孔令杰. 基于小波变换的心电信号降噪处理[J]. 自动化技术与应用, 2014, (12): 35-38.

[5] 欧阳波, 程栋, 王玲. 改进小波阈值算法在心电信号去噪中的应用[J]. 计算机工程与应用, 2015, (4):213-217.

[6] 张守成, 韩元良, 张玉洁. EMD-IT去噪算法的阈值估计方法[J].计算机工程与设计, 2014, (12): 4386-4389.

[7] 张守成, 张玉洁, 刘海生. 一种改进的EMD硬阈值去噪算法[J].计算机测量与控制, 2014, (11): 3659-3661.

[8] 张喜红, 王玉香, 杨清志. 基于HHT的心电信号滤波算法的研究[J]. 吉林化工学院学报, 2014, 01: 51-54.

[9] 宋美. 基于集合经验模态分解和小波收缩算法的自适应心电信号去噪问题研究[J]. 生物数学学报, 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] 赵伟, 肖世校, 张保灿, 等. 基于形态分量分析和集合经验模态分解的心电信号工频干扰消除法[J]. 生物医学工程学杂志, 2015, (6): 1179-1184.

[12] 陈日清, 吴剑, 韩永贵. 基于双侧累计面积的心电信号P波检测[J]. 中国医药导刊, 2015, (S1): 36-39.

[13] 曹鸯婷, 陈俊丽. 改进型阈值提取心电信号的R峰值[J]. 电子测量技术, 2015, (12): 107-110.

[14] 张英涛, 黄剑华, 李明达, 等. 基于DCG心电信号的R波检测算法[J]. 天津大学学报(自然科学与工程技术版),2014,(1):74-80.

[15] 叶宇翔, 郭文成, 冯岷生. 基于神经网络心电图ST段形态识别[J].计算机仿真, 2014, 31(11): 349-352.2

[16] 刘明, 万慧华, 龚硕然, 等. 基于RR间期差的深神经网络房颤检测[J]. 激光杂志, 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] 刘佳昱, 黄亦翔, 李炳初, 等. 基于双正交小波变换QRS波检测方法研究与改进[J]. 机电一体化, 2014, (5): 21-25.

[19] 吴建, 李康, 庞宇, 等. 基于斜率突变的QRS波检测[J]. 重庆邮电大学学报:自然科学版, 2015, 27(2): 241-244.

[20] 唐孝, 舒兰, 郑伟. 基于小波变换和粗糙集的早搏信号识别算法[J]. 计算机科学, 2015, (S2): 32-35.

[21] 肖倩. 基于小波的自适应滤波器对心电信号的去噪[J]. 沈阳大学学报: 自然科学版, 2015, 27(6): 473-476.

[22] 刘明, 韩小岑. 基于单心拍心房活动特征与卷积神经网络的房颤检测[J]. 激光杂志, 2015, 36(12): 145-149.

[23] 彭向东, 张华, 刘继忠. 基于块稀疏贝叶斯学习的体域网心电压缩采样[J]. 传感技术学报, 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] 刘佳昱, 黄亦翔, 李炳初, 等. 基于双正交小波变换QRS波检测方法研究与改进[J]. 机电一体化, 2014, (5): 21-25.

[27] 杨谨, 李明, 李健, 等. 基于同伦算法的时变流信号动态压缩感知研究[J]. 四川大学学报: 工程科学版, 2015(S1): 页码？.

[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] 王伟平, 杨苗. 基于蚁群算法的带截止区均匀量化器的优化及其在ECG数据压缩中的应用[J]. 计算机科学, 2015, (S2): 550-553.

[30] 金林鹏, 董军. 面向临床心电图分析的深层学习算法[J]. 中国科学: 信息科学, 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