CN103156599A - 一种心电信号r特征波检测方法 - Google Patents

Abstract

本发明公开了一种心电信号R特征波检测方法，通过对采集的心电信号进行改进阈值的小波分解方法进行滤波，然后进行突出QRS波群的小波重构，作由时间域分析到能量域分析的能量窗变换，然后选取极大值点并进行优化，最后根据R波选取逻辑进行R波选取。本发明利用小波分析的多分辨率特性，将信号按频率分解到不同的尺度上，从而有针对性的对不同尺度上的信号进行处理，增加了算法的灵活性；采用能量窗变换的方法，将信号由时间域变换到能量域，有效抑制了高频噪声的干扰，提高了算法的稳固性；通过进行小波重构，将QRS波群提取出来，而将P波、T波当作噪声剔除，有效避免了高大的P波、T波在检测中造成的误检，提高了检测的精度。

Description

一种心电信号R特征波检测方法

技术领域

本发明涉及心电信号自动检测与分析技术领域，特别涉及一种心电信号R特征波检测方法。

背景技术

心脏病具有隐蔽性和潜伏性，不发病的时候很难在心电图上表现出来，发病时又是短暂的，来不及观察心电图。为此需要给病人携带24小时Holter，进行24小时心电信号采集。但是这样就会造成数据量巨大，医生需要大量时间来一一查看心电图，寻找异常点，极大的增加了医生的负担。同时，诊断过程中会受到个人认知和情感的影响，使心脏病诊断具有主观性。应用电信号自动分析技术可以纠正这一偏差。现有的分析算法对于R波的分析算法相对完善，但对高频噪声和QRS波群形态改变上的处理效果不尽人意。

发明内容

本发明的目的是提供一种心电信号R特征波检测方法，以解决现有分析算法在应对高频噪声和QRS波群形态改变上的处理较差的问题。

本发明的目的是这样实现的：本发明所提供的心电信号R特征波检测方法，包括以下步骤：

a）信号采集：以250Hz的采集频率采集人体心电信号，并存储为TXT文档的数据形式，然后用Matlab软件将所述TXT文档存储的心电原始信号数据读取到电脑中。

b）对所述心电原始信号数据进行滤波处理：

b-1）对所述心电原始信号进行小波分解：选择DB6小波，对信号进行8层分解，得到各个尺度上的小波系数d_i；

b-2）采用改进的计算阈值方法，求取各尺度的阈值，对小波系数进行阈值化处理：

$T_i=\frac{{\mathrm{\σ}}_i\sqrt{2\log \left(n\right)}}{e^{i-1}},i=1,...,8$

其中，T_i为改进的阈值，i表示小波分解层数，e是自然常数，n表示采样点数，σ_i为小波系数绝对值的均值:

b-3）采用软阈值方法对信号进行阈值化处理：在不同尺度选取不同的阈值进行阈值化处理，得到滤波后的心电信号。

c）根据QRS波群的频率分布范围特征，选择第3、4尺度进行小波重构，得到重构后的心电信号S'；

选择进行小波重构的尺度时，其主要考虑QRS波群与P波、T波频率分布范围的不同，综合QRS波群频率分布所在尺度，且P波、T波频率分布较少的尺度进行小波重构。

d）对经过小波重构的心电信号进行能量窗变换，并选取极大值点：

d-1）能量窗变换：按下式，将经过小波重构的心电信号S'由时间域分析变换到能量域分析，得到心电信号能量曲线：

$E_n=\underset{n-\frac{N}{2}+1}{\overset{n+\frac{N}{2}}{\mathrm{\Σ}}}{S^{{\′}^2}}_n,n=\frac{N}{2},...,M-\frac{N}{2}$

其中，E_n表示第n个采样点的能量值；N为所选的窗口长度；M为总的采样点数；S'_n表示所述小波重构后的心电信号S'的第n个数据；

所述窗口长度，是按如下方法确定的：根据采样频率的大小，选择最少的能将QRS波群覆盖的偶数个采样点的个数作为窗长；

d-2）选取极大值点：将所得到的心电信号能量曲线进行硬阈值化处理，即：

$Q_n=\left\{\begin{array}{c}{E}_n,E_n\&GreaterEqual;T_h\\ 0,E_n<T_h\end{array}\right\}$

其中，T_h为所选取的阈值，取T_h=0.3*median(E_n)，

然后选择经过硬阈值化处理后的心电信号能量曲线的波峰位置作为极大值点。

e）优化极大值点：设定2个时间阈值t₁和t₂，且t₁<t₂当任意两个极大值点的时间间隔小于t₁时，就去掉这两个极大值点之间幅值较小的那个；当任意两个极大值点的时间间隔大于t₂时，就在这两个极大值点之间寻找另一未被识别的极值点；当任意两个极大值点的时间间隔既大于等于t₁，又小于等于t₂，则该两个极大值点均保留，最终得到的经优化的极大值点，并且每一个所述经优化的极大值点对应一个QRS波群。

f）根据步骤e）中每个极大值点所在的时间点，在步骤b）中所述滤波后的心电信号上相应的时间点左右各7个采样点的范围内搜寻信号幅值最大的点，做为检测到的R波。

步骤b-3）中软阈值化处理的表达式为：

${\hat{d}}_j=\left\{\begin{array}{c}\mathrm{sgn}\left(d_j\right)\left(\right|d_j|-T_j),\left|d_j\right|\&GreaterEqual;T_j\\ 0,\left|d_j\right|<T_j\end{array}\right.,$ 其中j=i；

步骤c）中小波重构的表达式为：

$S^{\&prime;}={\hat{d}}_3+{\hat{d}}_4,$

其中所述

为阈值化处理后的信号。

步骤d-1）中所述窗口长度为26。

步骤e）中t₁和t₂是按如下方法确定的：

以E_t作为步骤d-2）所得到的所有极大值点的时间间隔的平均值，规定t₁=0.5×E_t，t₂=1.5×E_t。

本发明对信号进行小波分解过程中选取特定的小波基函数及小波分解层数，同时在对信号进行阈值化处理过程中采用改进的阈值方法，使得滤波后的信号在滤除心电信号中夹杂的肌电干扰，基线漂移和工频干扰的同时，尽可能多的保留了有用的信息，改善了通用阈值过度平滑的现象。本发明通过进行小波重构，将QRS波群提取出来，而将P波、T波当作噪声剔除，有效避免了高大的P波、T波在检测中造成的误检，提高了检测的精度。另外，本发明采用了能量窗变换方法，将信号变换到能量域去分析从而解决了时域分析中，信号易受高频噪声的影响，且在滤波中不能被全部滤除的问题。在能量窗变换中，本发明充分考虑了心电信号的时域特征及QRS波群的跨越时间，进行窗长的选择。实验结果证明只有窗长为26时，噪声的伪波峰产生的多检及低幅值的QRS波造成的漏检现象才能最有效的避免。

本发明的方法解决了现有技术中在应对高频噪声和QRS波群形态改变方面所存在问题，可实现对心电信号R特征波快速、精确检测。

附图说明

图1为本发明的流程图。

图2为心电原始信号。

图3为进行滤波后的心电信号。

图4为进行小波重构后的心电信号。

图5为进行硬阈值化处理后的选取极大值点的心电信号。

图6为对极大值点进行优化的流程图。

图7为所检测到的R波。

具体实施方式

实施例1：

本实施例在Intel Pentium Dual E22002.20GHz,内存为3.00GB，操作***为Window XP的计算机中实现，整个R波检测算法采用Matlab语言编写。

本发明的实施过程如图1所示：

a）心电信号采集并输出：利用心电信号采集设备（北京迈创通元电子仪器有限公司的七导同步心电图模块(ECG CB)，其采样频率为250HZ，心电信号的分析时间间隔长度设定为10s）采集人体的心电信号并以TXT的形式存储。在Matlab软件中，将TXT文档中的心电数据读取到环境中，如图2，得到心电原始信号。

b）利用改进阈值的小波分解方法对心电原始信号进行滤波处理：

b-1）选择Daubechies小波系列的DB6小波，进行8层分解，如表1所示：

表1：在250Hz的采样频率下对DB6小波进行8层分解

Scale	250HZ
		1	62.5-125
2	31.25-62.5
		3	15.625-31.25
4	7.8125-15.625
		5	3.90625-7.8125
6	1.953125-3.90625
		7	0.9765625-1.953125
8	0.48828125-0.9765625

然后提取各尺度上的小波系数d_i，进行阈值的计算，以得到经改进的阈值，即：

$T_i=\frac{{\mathrm{\&sigma;}}_i\sqrt{2\log \left(n\right)}}{e^{i-1}},$ i=1,...,8··········式（1）

其中i表示小波分解层数，T_i为改进的阈值，e是自然常数，n表示采样点数，σ_i为小波系数绝对值的均值，其表达式为 ${\mathrm{\&sigma;}}_i=\frac{\mathrm{median}\left|d_i\right|}{0.6745}.$

相比现有的固定阈值方法和极大极小阈值法，按式（1）对阈值的算法进行改进之后，改进后的阈值具有边带自适应性，且保持了良好的去噪重构特性。

b-2）采用软阈值方法，在各尺度上选取相应经改进的阈值，按式（2）对心电信号进行阈值化处理，即：

${\hat{d}}_j=\left\{\begin{array}{c}\mathrm{sgn}\left(d_j\right)\left(\right|d_j|-T_j),\left|d_j\right|\&GreaterEqual;T_j\\ 0,\left|d_j\right|<T_j\end{array}\right.$ ··········式（2）

其中j=i；

从而得到滤波后的心电信号，如图3所示。

通过采用改进阈值的小波分解方法进行滤波后，使得滤波后的心电信号，尽可能多的保留了有用的信息，改善了通用阈值过度平滑的现象，使滤波效果更加稳定。

c）进行突出QRS波群的小波重构：正常的心电信号QRS波群的频率分布范围是5-45Hz，从表1中可以看出，其主要集中于3、4尺度上，而P波和T波的频率分布范围为0.05到10Hz，在3、4尺度上没有或仅有少量分布，因此，根据QRS波群和P波、T波的频率分布范围的差别，选择QRS波群与P波、T波分布频率重叠最少的3、4尺度对经滤波后的心电信号进行小波重构，即：

$S^{\&prime;}={\hat{d}}_3+{\hat{d}}_4$ ·········式（3）

其中，

和

分别为按步骤b-2）对3、4尺度上的心电信号经阈值化处理后的结果。

经过小波重构以后，所得到的心电信号主要为QRS波群的信息，起到了凸显QRS波群的作用，如图4所示。

d）对小波重构后的心电信号进行由时间域分析到能量域分析的能量窗变换，并选取极大值点：

d-1）能量窗变换：按如下式（4），将经过小波重构的心电信号由时间域分析变换到能量域分析，得到心电信号能量曲线：

$E_n=\underset{n-\frac{N}{2}+1}{\overset{n+\frac{N}{2}}{\mathrm{\&Sigma;}}}{S^{{\&prime;}^2}}_n,n=\frac{N}{2},...,M-\frac{N}{2}$ ·········式（4）

其中，N为所选的窗口长度（N=26），M为总的采样点数，S'_n表示步骤c）小波重构后的心电信号S'的第n个数据。

能量窗变换中，窗长度的选取是一个关键，其直接决定R波检测算法是否有效。选择窗长时，根据采样频率的大小，选择最少的正好能将QRS波群覆盖的偶数个采样点的个数作为窗长。本实施例中，充分考虑了心电信号的时域特征及QRS波群的跨越时间，其N值的选择是按如下方法确定的：心电信号的采样频率为250Hz，而正常的QRS波群一般不超过0.1s，为25个采样点，我们选取窗长为偶数，为26。实验结果证明只有窗长为26时，噪声的伪波峰产生的多检及低幅值的QRS波造成的漏检现象才能最有效的避免。

时域分析中，信号易受高频噪声的影响，且在滤波中不能被全部滤除，针对此问题，采用能量床变换的方法将时间域分析变换到能量域分析。能量域相比于时间域分析，对噪声具有更好的鲁棒性。如图5，经能量窗变换以后，信号的QRS波群位置点变得更加突出，心拍与心拍之间的间隔更加明显，高频噪声的影响也相应的变弱。

d-2）通过设定阈值以选取极大值点：将得到的信号能量曲线进行硬阈值化处理：

$Q_n=\left\{\begin{array}{c}{E}_n,E_n\&GreaterEqual;T_h\\ 0,E_n<T_h\end{array}\right\}$ ········式（5）

其中，T_h为所选取的阈值，取T_h=0.3*median(E_n)；

然后选取经过硬阈值化处理后的心电信号能量曲线的波峰位置作为极大值点，如图5所示。

e）优化极大值点：如图6所给出的流程图，设定2个时间阈值t₁和t₂，且t₁<t₂当任意两个极大值点的时间间隔小于t₁时，就去掉这两个极大值点之间幅值较小的那个；当任意两个极大值点的时间间隔大于t₂时，就在这两个极大值点之间寻找另一未被识别的极值点；如两个极大值点的时间间隔既大于等于t₁，又小于等于t₂，则该两个极大值点均保留，如此最终得到的经优化的每个极大值点都对应一个QRS波群。

图6中，E_t表示步骤d-2）所得到的所有极大值点的时间间隔的平均值，t₁=0.5×E_t，t₂=1.5×E_t。

f）R波选取：根据步骤e）中所确定的每个极大值点所在的时间点，在步骤b）中滤波后心电信号上相应的时间点左右各7个采样点的范围内搜寻信号幅值最大的点，即为检测到的R波（图7）。

Claims (5)

1.一种心电信号R特征波检测方法，其特征是，包括以下步骤：

a）信号采集：以250Hz的采集频率采集人体心电信号，并存储为TXT文档的数据形式，然后用Matlab软件将所述TXT文档存储的心电原始信号数据读取到电脑中；

b）对所述心电原始信号数据进行滤波处理：

b-1）对所述心电原始信号进行小波分解：选择DB6小波，对信号进行8层分解，得到各个尺度上的小波系数d_i；

b-2）采用改进的计算阈值方法，求取各尺度的阈值，对小波系数进行阈值化处理：

$T_i=\frac{{\mathrm{\&sigma;}}_i\sqrt{2\log \left(n\right)}}{e^{i-1}},i=1,...,8$

其中，T_i为改进的阈值，i表示小波分解层数，e是自然常数，n表示采样点数，σ_i为小波系数绝对值的均值:

b-3）采用软阈值方法对信号进行阈值化处理：在不同尺度选取不同的阈值进行阈值化处理，得到滤波后的心电信号；

c）根据QRS波群的频率分布范围特征，选择第3、4尺度进行小波重构，得到重构后的心电信号S'；

d）对经过小波重构的心电信号进行能量窗变换，并选取极大值点：

d-1）能量窗变换：按下式，将经过小波重构的心电信号S'由时间域分析变换到能量域分析，得到心电信号能量曲线：

$E_n=\underset{n-\frac{N}{2}+1}{\overset{n+\frac{N}{2}}{\mathrm{\&Sigma;}}}{S^{{\&prime;}^2}}_n,n=\frac{N}{2},...,M-\frac{N}{2}$

其中，E_n表示第n个采样点的能量值；N为所选的窗口长度；M为总的采样点数；S'_n表示所述小波重构后的心电信号S'的第n个数据；

所述窗口长度，是按如下方法确定的：根据采样频率的大小，选择最少的能将QRS波群覆盖的偶数个采样点的个数作为窗长；

d-2）选取极大值点：将所得到的心电信号能量曲线进行硬阈值化处理，即：

$Q_n=\left\{\begin{array}{c}{E}_n,E_n\&GreaterEqual;T_h\\ 0,E_n<T_h\end{array}\right\}$

其中，T_h为所选取的阈值，取T_h=0.3*median(E_n)，

然后选择经过硬阈值化处理后的心电信号能量曲线的波峰位置作为极大值点；

e）优化极大值点：设定2个时间阈值t₁和t₂，且t₁<t₂，当任意两个极大值点的时间间隔小于t₁时，就去掉这两个极大值点之间幅值较小的那个；当任意两个极大值点的时间间隔大于t₂时，就在这两个极大值点之间寻找另一未被识别的极值点；当任意两个极大值点的时间间隔既大于等于t₁，又小于等于t₂，则该两个极大值点均保留，最终得到的经优化的极大值点，并且每一个所述经优化的极大值点对应一个QRS波群；

f）根据步骤e）中每个极大值点所在的时间点，在步骤b）中所述滤波后的心电信号上相应的时间点左右各7个采样点的范围内搜寻信号幅值最大的点，做为检测到的R波。

2.根据权利要求1所述的一种心电信号R特征波检测方法，其特征是，

步骤b-3）中软阈值化处理的表达式为：

${\hat{d}}_j=\left\{\begin{array}{c}\mathrm{sgn}\left(d_j\right)\left(\right|d_j|-T_j),\left|d_j\right|\&GreaterEqual;T_j\\ 0,\left|d_j\right|<T_j\end{array}\right.,$ 其中j=i。

3.根据权利要求1所述的一种心电信号R特征波检测方法，其特征是，步骤c）中小波重构的表达式为：

$S^{\&prime;}={\hat{d}}_3+{\hat{d}}_4,$

其中所述

为阈值化处理后的信号。

4.根据权利要求1所述的一种心电信号R特征波检测方法，其特征是，步骤d-1）中所述窗口长度为26。

5.根据权利要求1所述的一种心电信号R特征波检测方法，其特征是，步骤e）中t₁和t₂是按如下方法确定的：

以E_t作为步骤d-2）所得到的所有极大值点的时间间隔的平均值，规定t₁=0.5×E_t，t₂=1.5×E_t。

Images