CN107361764A - 一种心电信号特征波形r波的快速提取方法 - Google Patents
一种心电信号特征波形r波的快速提取方法 Download PDFInfo
- Publication number
- CN107361764A CN107361764A CN201710458626.0A CN201710458626A CN107361764A CN 107361764 A CN107361764 A CN 107361764A CN 201710458626 A CN201710458626 A CN 201710458626A CN 107361764 A CN107361764 A CN 107361764A
- Authority
- CN
- China
- Prior art keywords
- ripples
- msub
- mrow
- threshold value
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/366—Detecting abnormal QRS complex, e.g. widening
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Power Engineering (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种心电信号特征波形R波的快速提取方法,包括稳定小波变换步骤:通过稳定小波变换对原始ECG信号进行小波分解,提取第三尺度的细节系数作为下一阶段待处理的信号,非线性滤波步骤:对第三尺度的细节系数进行非线性滤波,将所有采样值取为正值,得到滤波后的信号序列,自适应阈值判决步骤:采用自适应阈值判决方法提取R波。本发明方法适用于在计算资源有限的可穿戴设备中进行实时心电信号特征波形R波检测,具有良好的推广价值。
Description
技术领域
本发明涉及电信号处理技术,具体涉及一种心电信号特征波形R波的快速提取方法。
背景技术
心血管疾病作为危害现代人身体健康的重要疾病,对其进行有效的预防与治疗变得尤为重要。穿戴式医疗监护设备的兴起为生理信号的长期监测提供了有效的解决方法。心电图ECG(electrocardiograph)波形的识别作为心血管疾病治疗的一个重要环节,其理论研究需要提供高正确率。心电信号波形识别的步骤往往是从QRS波形识别开始,其它特征波形的位置都是以R波位置为基准进行提取的。
QRS波是ECG信号的重要部分,而R波的检测是QRS波定位中最重要的步骤,ECG中的其它信息如P波和T波的提取也是以R波定位为前提的。传统的心电信号监护以静态监护为主,ECG信号受运动伪迹干扰很小。在穿戴式产品中,对于处于运动状态的监护对象,ECG信号运动伪迹较大,对R波提取造成很大干扰。目前的QRS检波方法包括:差分滤波法、自适应滤波法、人工神经网络法、小波变换模极大值法。差分法计算复杂度低,但是抗运动伪迹能力差;自适应滤波需要有参考信息,增大了硬件开销;人工神经网络计算量大,不适合实时计算;小波变换模极大值计算量较大,在尺度选择上不能自动选择最佳尺度分析。
针对已有R波检测技术存在的不足和穿戴式设备计算资源有限的问题,亟需一种计算复杂度较低、抗运动伪迹强且能准确提取R波的方法。
发明内容
针对现有技术的不足,本发明提供一种心电信号特征波形R波的快速提取方法,本方法基于稳定小波变换平移不变性的特点,在较低的分解尺度上对原始ECG信号进行分解,降低了小波变换的计算量,自适应阈值判决在时域上实现,避免了传统时域检波使用的回溯算法,处理速度快,适合各种穿戴式设备。
本发明采用如下技术方案:
一种心电信号特征波形R波的快速提取方法,包括
稳定小波变换步骤:通过稳定小波变换对原始ECG信号进行小波分解,提取第三尺度的细节系数作为下一阶段待处理的信号;取第三尺度的细节系数作为下一级信号处理的输入信号。根据稳定小波变换的性质,第三尺度的细节系数频率与QRS波群接近,相当于过滤了基线漂移和大部分高频噪声。结合稳定小波变换的平移不变性可知细节系数的R波位置与原始ECG信号的R波位置相同,可以直接在细节系数序列提取R波。
非线性滤波步骤:对第三尺度的细节系数进行非线性滤波,将所有采样值取为正值,得到滤波后的信号序列,非线性滤波用于进一步去掉第三尺度细节信号上的高频干扰,同时增大R波与其它波形的差值,在一定程度上降低运动伪迹或部分异常波形(如大T波)对R波检测形成的干扰。
自适应阈值判决步骤:采用自适应阈值判决方法提取R波。
所述稳定小波变换步骤,具体为:
使用具有4阶消失矩Symlets小波对原始ECG信号进行分解,取第三尺度的细节系数作为下一级信号处理的输入信号。
所述非线性滤波步骤,具体为:
选取固定的时间窗,对窗口内的每个采样点进行平方求和,求和结果即为滤波后的信号序列,非线性滤波的公式为:
其中y2[n]为非线性滤波在时间t=n时刻的输出信号,y1[n+i]是非线性滤波在时间n+i时刻的输入信号。
所述自适应阈值判决步骤,具体为:
S3.1根据QRS波形的特点,即QRS波典型的持续时间为60ms,最小R波间隔时间为200ms,时间T=260ms能保证检测到所有R波,选取时间窗T=260ms内的采样点求最大值作为当前R波峰值,更新所述阈值为当前R波峰值和已经检测到的所有R波峰值的平均值;
S3.2空闲等待,此时阈值保持不变,等待时间为最小R波间隔时间减去所述S3.1中R波峰值和时间窗末尾的时间距离;
S3.3阈值减小,在此过程中,将后续采样值逐一与所述S3.1中更新后的阈值进行比较,如果采样值小于阈值,将当前阈值按指数形式减小,继续比较接下来的采样点与减小后的阈值,直到采样点的值大于阈值;如果采样值大于阈值,则认为该采样点处于下一个QRS波群中,该步骤结束,返回S3.1中,重复以上步骤直至检测到所有R波。
阈值变化公式为:
其中th[n]为更新后的阈值,th[n-1]为更新前的阈值,Fs为***采样率,PTh为自定义的参数,根据实际提取效果可以调整优化。
本发明的有益效果:
(1)对心电信号进行较低尺度的稳定小波分解,一定程度上降低了计算量,适用于在嵌入式设备上实现,同时稳定小波分解的时域不变性保证可以直接在特定的尺度上提取R波位置。
(2)对分解后的信号进行非线性滤波,降低运动伪迹的干扰,提高R波检测率。
(3)采用自适应阈值判决方法检测R波,避免了回溯算法带来的计算开销,实现了R波的快速检测。自适应阈值中的等待过程能有效减少各种噪声导致的伪R波对真实R波检测造成的干扰,提高了R波检测的正确率。
附图说明
图1是本发明的R波提取的原理框图;
图2是本发明的工作流程图;
图3(a)是本发明静止状态下的原始ECG信号;
图3(b)是ECG信号经小波变换和非线性处理结果;
图4(a)MIT-BIH数据库中的原始ECG信号;
图4(b)ECG信号小波分解的第三尺度细节系数;
图4(c)ECG信号预处理与R波标定;
图5(a)运动状态下的原始ECG信号;
图5(b)ECG信号预处理与R波标定。
具体实施方式
下面结合实施例及附图,对本发明作进一步地详细说明,但本发明的实施方式不限于此。
实施例
如图1及图2所示,一种心电信号特征波形R波的快速提取方法,稳定小波变换在第三尺度上对原始ECG信号(x[n])进行小波分解,过去基线漂移对R波提取造成的干扰,提取细节系数y1[n]作为下一个步骤的输入。y1[n]经非线性低通滤波器能进一步降低高频干扰,并且将所有采样值取为正直,增大QRS波和其它波形的差异。便于自适应阈值判决步骤,自适应阈值判决模块提取R波位置并输出序列。
具体包括如下步骤:
稳定小波变换步骤:原始ECG信号包含基线漂移、工频干扰、肌电干扰和运动伪迹等噪声。基线漂移是低频噪声,工频干扰和肌电干扰属于高频噪声,运动伪迹干扰的频谱覆盖ECG信号整个频谱,其中能量主要集中在5-20Hz。本发明使用具有4阶消失矩的Symlets小波对ECG信号进行稳定小波分解,取第三尺度的细节系数,根据小波分解原理可知,第三尺度的细节系数不包含基线漂移等低频噪声和大部分高频噪声。稳定小波变换的具体实现为:采集一定时间T上的ECG序列,以200采样点/秒的采样率为例,T的值取20.48ms,即采样点数目为4096,进行第三尺度的小波分解,保存分解的细节系数,用于后续信号处理。
非线性滤波步骤:对第三尺度的细节系数进行非线性滤波,将所有采样值取为正值,得到滤波后的信号序列;
非线性滤波采用滑窗平方和实现,公式为:
图1所示的稳定小波变换在第三尺度上的细节系数仍然存在部分高频干扰,通过非线性滤波能进一步去除这部分干扰对R波检测造成的影响和部分运动伪迹的干扰,非线性滤波的平方计算还增加了QRS波和ECG信号其它部分的差异,能更好地实现R波检测。图3(a)及图3(b)所示为原始ECG信号经小波分解后,在第三尺度的细节系数经非线性滤波后的处理效果。
最后本发明对非线性滤波后的信号通过自适应阈值判决提取R波,结合图2所示的流程图,以200Hz采样率为例,详细的实施过程如下:
S3.1取前52个采样点的最大值,并将其作为R波峰值,更新当前阈值为当前R波峰值和前面检测到的所有R波峰值的平均值;
S3.2空闲等待,等待时间为RR最小间隔时间(200ms)减去所述S3.1中R峰和所述时间窗末尾的时间距离,目的是为了避免运动伪迹导致的P、T等波形幅度的增强对R波检测造成的影响。
S3.3阈值下降。所述S3.2完成后,将后续采样值逐一与所述步骤1中更新后的阈值进行比较,如果采样值大于阈值则认为该采样点处于下一个QRS波群中,步骤3完成,否则,将当前阈值按照指数形式减小,阈值变化公式为:
重复步骤S3.1、S3.2、S3.3,直到所有R波检测完成。
图4(a)、图4(b)及图4(c)为使用MIT-BIH数据库228号心电信号数据对本发明方法的验证,结果显示对于幅值不断变化的R波,该发明方法能准确地提取。图5(a)及图5(b)为一段运动状态下实际采集的ECG信号,由于运动伪迹导致的P波或R波异常,在第三尺度上对R波检测的干扰,但通过所述发明方法的非线性滤波和自适应阈值判决,能很好地解决运动伪迹对R波检测造成的干扰。本发明方法算法简单,实现方便,漏检和错检率低,抗运动伪迹能力强,适用于在计算资源有限的可穿戴设备中进行实时心电信号特征波形R波检测,具有良好的推广价值。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受所述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (5)
1.一种心电信号特征波形R波的快速提取方法,其特征在于,包括
稳定小波变换步骤:通过稳定小波变换对原始ECG信号进行小波分解,提取第三尺度的细节系数作为下一阶段待处理的信号;
非线性滤波步骤:对第三尺度的细节系数进行非线性滤波,将所有采样值取为正值,得到滤波后的信号序列;
自适应阈值判决步骤:采用自适应阈值判决方法提取R波。
2.根据权利要求1所述的快速提取方法,其特征在于,所述稳定小波变换步骤,具体为:
使用具有4阶消失矩Symlets小波对原始ECG信号进行分解,取第三尺度的细节系数作为下一级信号处理的输入信号。
3.根据权利要求1所述的快速提取方法,其特征在于,所述非线性滤波步骤,具体为:
选取固定的时间窗,对窗口内的每个采样点进行平方求和,求和结果即为滤波后的信号序列,非线性滤波的公式为:
<mrow>
<msub>
<mi>y</mi>
<mn>2</mn>
</msub>
<mo>&lsqb;</mo>
<mi>n</mi>
<mo>&rsqb;</mo>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>8</mn>
</munderover>
<msub>
<mi>y</mi>
<mn>1</mn>
</msub>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>n</mi>
<mo>+</mo>
<mi>i</mi>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
其中y2[n]为非线性滤波在时间t=n时刻的输出信号,y1[n+i]是非线性滤波在时间n+i时刻的输入信号。
4.根据权利要求1所述的快速提取方法,其特征在于,所述自适应阈值判决步骤,具体为:
S3.1根据QRS波形的特点,即QRS波典型的持续时间为60ms,最小R波间隔时间为200ms,时间T=260ms能保证检测到所有R波,选取时间窗T=260ms内的采样点求最大值作为当前R波峰值,求取当前R波峰值和已经检测的所有R波峰值的平均值,更新所述阈值为平均值;
S3.2空闲等待,此时阈值保持不变,等待时间为最小R波间隔时间减去所述S3.1中R波峰值和时间窗末尾的时间距离;
S3.3阈值减小,在此过程中,将后续采样值逐一与所述S3.1中更新后的阈值进行比较,如果采样值小于阈值,将当前阈值按指数形式减小,继续比较接下来的采样点与减小后的阈值,直到采样点的值大于阈值;如果采样值大于阈值,则认为该采样点处于下一个QRS波群中,该步骤结束,返回S3.1中,重复以上步骤直至检测到所有R波。
5.根据权利要求4所述的快速提取方法,其特征在于,阈值变化公式为:
<mrow>
<msub>
<mi>t</mi>
<mi>h</mi>
</msub>
<mo>&lsqb;</mo>
<mi>n</mi>
<mo>&rsqb;</mo>
<mo>=</mo>
<msub>
<mi>t</mi>
<mi>h</mi>
</msub>
<mo>&lsqb;</mo>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
<mo>&rsqb;</mo>
<mo>&CenterDot;</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<msub>
<mi>P</mi>
<mrow>
<mi>T</mi>
<mi>h</mi>
</mrow>
</msub>
<msub>
<mi>F</mi>
<mi>s</mi>
</msub>
</mfrac>
</mrow>
</msup>
</mrow>
其中th[n]为更新后的阈值,th[n-1]为更新前的阈值,Fs为***采样率,PTh为自定义的参数,根据实际提取效果可以调整优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710458626.0A CN107361764B (zh) | 2017-06-16 | 2017-06-16 | 一种心电信号特征波形r波的快速提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710458626.0A CN107361764B (zh) | 2017-06-16 | 2017-06-16 | 一种心电信号特征波形r波的快速提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107361764A true CN107361764A (zh) | 2017-11-21 |
CN107361764B CN107361764B (zh) | 2020-05-22 |
Family
ID=60305349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710458626.0A Active CN107361764B (zh) | 2017-06-16 | 2017-06-16 | 一种心电信号特征波形r波的快速提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107361764B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111345806A (zh) * | 2018-12-21 | 2020-06-30 | 四川锦江电子科技有限公司 | 一种心动周期检测方法及装置 |
CN111449622A (zh) * | 2020-03-20 | 2020-07-28 | 复旦大学 | 一种基于bcg检测的房颤识别*** |
CN112353397A (zh) * | 2020-11-17 | 2021-02-12 | 西安理工大学 | 一种心电图信号身份识别方法 |
CN113180688A (zh) * | 2020-12-14 | 2021-07-30 | 上海交通大学 | 基于残差神经网络的冠心病心电图筛查***及方法 |
CN113349754A (zh) * | 2021-07-20 | 2021-09-07 | 成都芯跳医疗科技有限责任公司 | 一种基于便携式动态心电监护仪的心率计算方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6026335A (en) * | 1996-07-15 | 2000-02-15 | Atlas; Dan | Heart rate monitor with age-dependent target-zone feedback |
US20070161916A1 (en) * | 2006-01-12 | 2007-07-12 | Zantos George N | Adaptive real time ECG triggering and uses thereof |
CN101828917B (zh) * | 2010-05-07 | 2011-09-14 | 深圳大学 | 心电信号特征提取的方法和*** |
CN102178522A (zh) * | 2011-04-29 | 2011-09-14 | 华南理工大学 | 一种母亲及胎儿心电信号qrs波中r波的检测定位方法 |
CN104203091A (zh) * | 2012-03-12 | 2014-12-10 | 德克萨斯仪器股份有限公司 | 使用自适应阈值的实时qrs检测 |
-
2017
- 2017-06-16 CN CN201710458626.0A patent/CN107361764B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6026335A (en) * | 1996-07-15 | 2000-02-15 | Atlas; Dan | Heart rate monitor with age-dependent target-zone feedback |
US20070161916A1 (en) * | 2006-01-12 | 2007-07-12 | Zantos George N | Adaptive real time ECG triggering and uses thereof |
CN101828917B (zh) * | 2010-05-07 | 2011-09-14 | 深圳大学 | 心电信号特征提取的方法和*** |
CN102178522A (zh) * | 2011-04-29 | 2011-09-14 | 华南理工大学 | 一种母亲及胎儿心电信号qrs波中r波的检测定位方法 |
CN104203091A (zh) * | 2012-03-12 | 2014-12-10 | 德克萨斯仪器股份有限公司 | 使用自适应阈值的实时qrs检测 |
Non-Patent Citations (3)
Title |
---|
万相奎,徐杜等: "自适应阈值小波滤波及其在ECG 消噪中的应用", 《COMPUTER ENGINEERING AND APPLICATIONS》 * |
侯宏花,桂志国等: "小波熵在心电高频噪声处理和R 波检测中应用", 《计算机工程与应用》 * |
林绍杰,赖丽娟等: "基于阻抗检测的自适应消除心电运动伪迹方法", 《生物医学工程学杂志》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111345806A (zh) * | 2018-12-21 | 2020-06-30 | 四川锦江电子科技有限公司 | 一种心动周期检测方法及装置 |
CN111345806B (zh) * | 2018-12-21 | 2023-01-31 | 四川锦江电子医疗器械科技股份有限公司 | 一种心动周期检测方法及装置 |
CN111449622A (zh) * | 2020-03-20 | 2020-07-28 | 复旦大学 | 一种基于bcg检测的房颤识别*** |
CN112353397A (zh) * | 2020-11-17 | 2021-02-12 | 西安理工大学 | 一种心电图信号身份识别方法 |
CN113180688A (zh) * | 2020-12-14 | 2021-07-30 | 上海交通大学 | 基于残差神经网络的冠心病心电图筛查***及方法 |
CN113349754A (zh) * | 2021-07-20 | 2021-09-07 | 成都芯跳医疗科技有限责任公司 | 一种基于便携式动态心电监护仪的心率计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107361764B (zh) | 2020-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107361764A (zh) | 一种心电信号特征波形r波的快速提取方法 | |
Lin et al. | P-and T-wave delineation in ECG signals using a Bayesian approach and a partially collapsed Gibbs sampler | |
Chouhan et al. | Detection of QRS complexes in 12-lead ECG using adaptive quantized threshold | |
Sayadi et al. | A model-based Bayesian framework for ECG beat segmentation | |
CN102512157B (zh) | 基于模型的动态心电图t波交替定量分析方法 | |
Sasikala et al. | Extraction of P wave and T wave in Electrocardiogram using Wavelet Transform | |
Zhang et al. | The EEG signal preprocessing based on empirical mode decomposition | |
Elbuni et al. | ECG parameter extraction algorithm using (DWTAE) algorithm | |
Elouaham et al. | Combination time-frequency and empirical wavelet transform methods for removal of composite noise in EMG signals | |
CN111956209B (zh) | 一种基于ewt和结构特征提取的心电信号r波识别方法 | |
Vimala | Stress causing arrhythmia detection from ECG signal using HMM | |
Gajare et al. | MATLAB-based ECG R-peak Detection and Signal Classification using Deep Learning Approach | |
AU2021102053A4 (en) | Processing and identification method for spike-and-slow-wave complex in electroencephalogram (eeg) | |
Malleswari et al. | An improved denoising of electrocardiogram signals based on wavelet thresholding | |
Kaya et al. | Wavelet-based analysis method for heart rate detection of ecg signal using labview | |
CN114129173A (zh) | 一种精神卫生康复状态检测管理***和方法 | |
Adeluyi et al. | R-READER: A lightweight algorithm for rapid detection of ECG signal R-peaks | |
Murthy et al. | Design and implementation of hybrid techniques and DA-based reconfigurable FIR filter design for noise removal in EEG signals on FPGA | |
Ranganathan et al. | ECG signal processing using dyadic wavelet for mental stress assessment | |
Das et al. | On an algorithm for detection of QRS complexes in noisy electrocardiogram signal | |
Prashar et al. | Morphology analysis and time interval measurements using mallat tree decomposition for CVD Detection | |
Yusuf et al. | Comparative analysis of savitzky-golay and butterworth filters for electrocardiogram de-noising using daubechies wavelets | |
Li et al. | A novel method of FECG extraction combined self-correlation analysis with ICA | |
Zeraatkar et al. | Improving QRS detection for artifacts reduction | |
Zhu et al. | An ECG detection algorithm using wavelet and autocorrelation transform |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |