張清麗， 蘇士美， 王 猛

(鄭州大學(xué) 電氣工程學(xué)院 河南 鄭州 450001)

DOI: 10.13705/j.issn.1671-6841.2016340

基于改進(jìn)小波變換的QRS特征提取算法研究

張清麗， 蘇士美， 王 猛

(鄭州大學(xué) 電氣工程學(xué)院 河南 鄭州 450001)

提出了一種改進(jìn)小波變換的方法對(duì)心電信號(hào)進(jìn)行檢測(cè).首先設(shè)計(jì)不同的方法對(duì)心電干擾進(jìn)行消噪預(yù)處理；然后對(duì)預(yù)處理后的心電信號(hào)采用改進(jìn)小波變換和窗口函數(shù)的方法檢測(cè)QRS波群；最后利用MIT-BIH標(biāo)準(zhǔn)數(shù)據(jù)庫中的數(shù)據(jù)對(duì)此算法的準(zhǔn)確度和有效性進(jìn)行驗(yàn)證.結(jié)果表明改進(jìn)小波變換方法對(duì)R波峰值定位的準(zhǔn)確度可達(dá)到99.89%，為其他波群的檢測(cè)定位奠定良好的基礎(chǔ)，對(duì)診斷心肌梗死等心血管疾病具有重要意義.

小波變換； 特征提?。?基線漂移； 濾波； 心肌梗死

DOI: 10.13705/j.issn.1671-6841.2016340

0 引言

心電信號(hào)[1]是目前診斷心肌梗死等疾病的主要方法之一.隨著計(jì)算機(jī)的發(fā)展和互聯(lián)網(wǎng)的普及，心電信號(hào)的自動(dòng)分析診斷[2]已經(jīng)成為國(guó)內(nèi)外研究的重點(diǎn)，其準(zhǔn)確性和時(shí)效性有了很大的提高.但由于心電信號(hào)本身復(fù)雜多變以及傳統(tǒng)心電信號(hào)處理方法的局限性，使得模擬分析和實(shí)際臨床仍然有較大出入，并不能完全達(dá)到診斷要求.因此，改進(jìn)傳統(tǒng)的心電信號(hào)處理方法、探索新的解決方案，進(jìn)一步提高心電特征提取的準(zhǔn)確性，仍然是當(dāng)前心電分析領(lǐng)域中迫切需要解決的一個(gè)問題.

1 心電信號(hào)的特征提取

隨著小波理論的發(fā)展，采用小波變換[3-4]方法對(duì)心電信號(hào)進(jìn)行特征提取成了主流.但受固定閾值和小波尺度只能按2的整數(shù)次方取值的限制，小波特征點(diǎn)提取仍存在一定的誤差.文獻(xiàn)[5]采用經(jīng)驗(yàn)?zāi)Ｊ椒纸獾乃惴?，在檢測(cè)速率方面優(yōu)于其他傳統(tǒng)算法，但在噪聲干擾較大或者波形突變嚴(yán)重的波形檢測(cè)中容易出現(xiàn)較大的漏檢和誤檢.小波變換方法結(jié)合其他方法應(yīng)用于特征檢測(cè)[6-11]雖然取得了一定效果，但準(zhǔn)確度仍有待提高.

本文經(jīng)過大量的實(shí)驗(yàn)對(duì)比決定選取與心電信號(hào)波形最為相像的高斯平滑函數(shù)的二階導(dǎo)數(shù)即Mexican-hat小波為基小波，這種小波具有良好的局部化分解特性，有助于減少信號(hào)中噪聲的干擾，而小波尺度的選擇和自適應(yīng)閾值的選取則是經(jīng)過大量的實(shí)驗(yàn)分析決定的.

1.1數(shù)據(jù)來源

MIT-BIH心電數(shù)據(jù)庫是目前心電數(shù)據(jù)處理中最廣泛使用的數(shù)據(jù)庫，在分類和檢測(cè)算法的發(fā)展過程中，被用作算法檢測(cè)和測(cè)試分類的參考標(biāo)準(zhǔn).MIT-BIH心律失常數(shù)據(jù)庫包含48 個(gè)記錄，每條記錄略超過30 min，每個(gè)信號(hào)采樣頻率為360 Hz，本文所用的數(shù)據(jù)均取自MIT-BIH心電數(shù)據(jù)庫.

1.2小波變換的尺度選擇

心電信號(hào)經(jīng)過小波變換后，其小波系數(shù)在各個(gè)尺度上具有很大的相關(guān)性，當(dāng)尺度逐漸增大時(shí)，信號(hào)也會(huì)相應(yīng)發(fā)生變化.

首先對(duì)預(yù)處理后的心電信號(hào)進(jìn)行8尺度小波變換，小波變換后的心電波形如圖1，對(duì)比變換后的信號(hào)可以看出，信號(hào)的高頻噪聲主要集中在1和2尺度上，在4和5尺度上QRS波的能量比較集中，運(yùn)動(dòng)軌跡、基線漂移等心電干擾則主要集中在5以上的尺度上.

圖1 心電信號(hào)及其在各尺度下的小波變換Fig.1 Signal and its wavelet transform in various scales

為了避免干擾對(duì)心電信號(hào)造成影響，同時(shí)最大限度地檢測(cè)QRS波群，本文主要采用4尺度上的小波變換對(duì)信號(hào)進(jìn)行檢測(cè).

1.3R波的峰值點(diǎn)定位

心電信號(hào)中QRS波群占據(jù)了信號(hào)的絕大部分能量，是整個(gè)心電信號(hào)中最關(guān)鍵的部分，因此準(zhǔn)確提取QRS波群是提取P波、T波等其他波形的基礎(chǔ).本文采用改進(jìn)小波變換方法提取心電特征點(diǎn)，其中，R波具體檢測(cè)步驟為：

1) 首先輸入一段預(yù)先處理好的心電信號(hào)X(n)；

2) 采用連續(xù)小波變換對(duì)X(n)心電信號(hào)進(jìn)行8尺度分解，并選擇最適合的尺度對(duì)信號(hào)進(jìn)行提取，本文選擇4尺度；

3) 找出4尺度小波系數(shù)中的正負(fù)極值對(duì)，R波具有斜率大幅值大的特點(diǎn)，在4尺度的小波系數(shù)上分別對(duì)應(yīng)著一個(gè)極值對(duì)，并對(duì)獲得的極值用sort()命令進(jìn)行升序排列；

4) 確定閾值：分別取后7個(gè)最大極值和前7個(gè)最小極值；

(1)

(2)

5) R波的判定：根據(jù)已經(jīng)確定的閾值，大于閾值的則可暫時(shí)判定為R波，保留并在原心電信號(hào)上進(jìn)行精確校準(zhǔn)，同時(shí)求出平均RR間期RR-mean.

誤檢和漏檢的排除.

排除誤檢：如果檢測(cè)到相鄰兩個(gè)極大值間距小于0.4倍的RR平均間期，證明存在誤檢，則刪除極值小的一點(diǎn)，重新計(jì)算R波峰和RR間期，就可以獲得修正后的R波位置.

排除漏檢：如果檢測(cè)到相鄰兩個(gè)極大值間距大于1.6倍RR-mean，證明存在漏檢，則可降低閾值幅度為原閾值一半重新在這兩個(gè)R峰點(diǎn)間進(jìn)行搜索.

圖2 QRS波檢測(cè)定位Fig.2 The QRS wave detection

1.4Q、S波的定位以及QRS復(fù)合波的起止點(diǎn)檢測(cè)

在小波4尺度上，從R波峰值點(diǎn)開始依次向前在100個(gè)采樣點(diǎn)的窗口函數(shù)內(nèi)尋找第一個(gè)極值點(diǎn)，取此極值點(diǎn)之前的15個(gè)采樣點(diǎn)的位置為基點(diǎn).把基點(diǎn)和R波峰值點(diǎn)連成一條直線，從基點(diǎn)開始依次向右直到R波峰值點(diǎn)，取心電信號(hào)上到直線上的距離最大的點(diǎn)作為Q波峰值點(diǎn).

S波的定位與Q波類似，是R波之后的點(diǎn).在準(zhǔn)確定位到Q波和S波的峰值點(diǎn)后,可以很方便地在一定寬度的時(shí)間窗內(nèi)檢測(cè)到QRS復(fù)合波的起點(diǎn)和終點(diǎn).經(jīng)過大量的檢測(cè)實(shí)驗(yàn)，我們得出Q波起點(diǎn)是Q波之前窗口函數(shù)為110個(gè)采樣點(diǎn)內(nèi)最靠近基線(零值線)的點(diǎn)，而S波終點(diǎn)是S波之后窗口函數(shù)為80個(gè)采樣點(diǎn)內(nèi)最靠近基線的點(diǎn).QRS特征點(diǎn)的定位如圖2所示.

2 算法的檢測(cè)結(jié)果

為了驗(yàn)證本算法的準(zhǔn)確性，本文采用美國(guó)MIT-BIH心電數(shù)據(jù)中的28份數(shù)據(jù)(每份前30 min)進(jìn)行驗(yàn)證.本文所進(jìn)行的實(shí)驗(yàn)平臺(tái)matlab R2012，并采用陽性預(yù)測(cè)率為本算法的評(píng)價(jià)指標(biāo)：

(3)

其中：TP是正確檢測(cè)出的QRS波數(shù)量；FP是錯(cuò)誤檢出的QRS波數(shù)量；FN是漏檢的QRS波.從表1可以看出本文所采用的算法可以很好地將心電特征點(diǎn)檢測(cè)出來，其平均準(zhǔn)確率達(dá)到了99.89%，比文獻(xiàn)[12]采用的小波6尺度上提取QRS波形準(zhǔn)確率提高了0.4%.同時(shí)本文提出的改進(jìn)小波變換方法不僅能準(zhǔn)確檢測(cè)正向R波，對(duì)倒置R波和雙向R波都有很好的檢測(cè)效果，另外由于其對(duì)低頻和高頻噪聲有非常好的抑制作用，所以對(duì)噪聲干擾嚴(yán)重和波形畸變較大的心電信號(hào)的檢測(cè)準(zhǔn)確度也很高.

表1 MIT-BIH數(shù)據(jù)庫部分心電數(shù)據(jù)R波檢測(cè)統(tǒng)計(jì)

雖然本文的算法對(duì)心電特征提取的準(zhǔn)確率有所提高，但并未在處理速度上進(jìn)行分析和對(duì)照說明，是未來實(shí)驗(yàn)的方向，有待進(jìn)一步研究.

[1] 曹鴦婷，陳俊麗. 改進(jìn)型閾值提取心電信號(hào)的R峰值[J].電子測(cè)量技術(shù)，2015，38(12)：107-110.

[2] 侯宗波. 心電信號(hào)自動(dòng)分析與識(shí)別研究[D]. 濟(jì)南：山東中醫(yī)藥大學(xué)，2016.

[3] 朱杰檀，柒惠. 消除心電信號(hào)基線漂移簡(jiǎn)單方法及其仿真[J]. 醫(yī)療衛(wèi)生裝備，2012，33(8)：16-20.

[4] 王薔薇，孫朋，龐宇，等. 基于提升小波的心電信號(hào)R波檢測(cè)算法研究[J]. 生命科學(xué)儀器，2015，13(9)：37-49.

[5] 林紹杰，張攀登，吳凱，等. 基于經(jīng)驗(yàn)?zāi)Ｊ椒纸獾男碾娞卣魈崛∷惴╗J]. 生物醫(yī)學(xué)工程研究，2009，26(4)：328-330.

[6] 唐炬，樊雷，張曉星，等. 用諧波小波包變換法提取GIS 局部放電信號(hào)多尺度特征參數(shù)[J]. 電工技術(shù)學(xué)報(bào)，2015，3(30)：250-257.

[7] REKIK S，ELLOUZE N. QRS detection combining entropic criterion and wavelet transform[J]. International journal of signal and imaging system engineering，2016，9(4/5)：299-304.

[8] ZHANG C，QIU T S. Characteristic wave detection in ECG based on DSMD and local feature conversion[J]. Beijing biomedical engineering，2013，32(1)：318-320.

[9] ELGENDI M，ESKOFIER B，DOKOS S A. Revisiting QRS detection methodologies for portable，wearable，battery-operated，and wireless ECG systems[J]. Plos one，2014，9(1)：1-18.

[10] SHARMA T，SHARMA K K. QRS complex detection in ECG signals using the synchro squeezed wavelet transform[J]. IEEE journal of research，2016，62(6)：855-892.

[11] YOCHUM M，RENAUD C，JACQUIR S. Automatic detection of P，QRS and T patterns in 12 leads ECG signal based on CWT[J]. Biomedical signal processing and control，2016，25：46-52.

[12] 尹咪咪. 心電信號(hào)分析處理及心肌梗塞疾病模型的建立[D]. 鄭州：鄭州大學(xué)，2016.

(責(zé)任編輯：王浩毅)

QRSFeatureExtractionAlgorithmBasedonWaveletTransform

ZHANG Qingli, SU Shimei, WANG Meng

(SchoolofElectricalEngineering，ZhengzhouUniversity，Zhengzhou450001，China)

An improved method of wavelet transform to detect ECG signal was proposed. Firstly, different methods were designed to remove ECG interference; then the improved wavelet transform method and the window function were used to detect the signal′s QRS wave; finally, the data in the MIT-BIH database was used to verify the accuracy and effectiveness. The results showed that the accuracy could reach 99.89% for R wave peak positioning, which could be a good foundation for other wave groups location. The result would be of great significance for the diagnosis of cardiovascular diseases.

wavelet transform; feature extraction; baseline drift; filter; myocardial infarction

2016-12-28

張清麗(1989—)，女，河南周口人，主要從事信號(hào)檢測(cè)與處理研究，E-mail：848139807@qq.com；通信作者：蘇士美(1965—)，女，河南永城人，副教授，主要從事信號(hào)檢測(cè)與處理研究，E-mail：smsu@zzu.edu.cn.

TN911.72

A

1671-6841(2017)04-0100-04