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)大學工學院，武漢 430070；2. 農(nóng)業(yè)部長江中下游農(nóng)業(yè)裝備重點實驗室，武漢 430070）

0 引 言

生豬養(yǎng)殖是中國畜牧業(yè)的重要部分，國家統(tǒng)計局數(shù)據(jù)顯示全國近5 a生豬年均存欄量約45 712萬頭，出欄量約70 402萬頭。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)測技術(shù)對提高養(yǎng)殖福利水平與疾病預防能力具有重要價值，如對豬的采食量[2-3]、體質(zhì)量[4]、異常行為[5-6]等生理指標監(jiān)測可提高養(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]，對豬的心率監(jiān)測可進行早期疾病篩查和改善生存環(huán)境。心率通常根據(jù)心電信號提取，心電信號是伴隨心房除極、心室除極和復極等周期性活動而產(chǎn)生的，主要由P波、QRS復波和T波構(gòu)成。在豬的典型心電信號中，QRS波群的幅值特征最為突出，電壓約(75.48 ± 34.00) mV，持續(xù)時間達(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)作為心動周期，以反映心臟活動的節(jié)律，且RRI的變化可表征心率的變異性[13]。

無論人或動物，實時、準確地監(jiān)測心率及其變異性等重要生理參數(shù)對快速評估健康狀況是非常必要的[14-16]，但基于生豬心電信號的QRS波群實時處理算法研究鮮有報道。張宏等[17]基于BMD101心電傳感器及無線射頻模塊 CC2430研制出豬的心電測量裝置，并通過動物試驗說明該設(shè)計方案能夠正確采集心電信號并計算心率。余明等[18]結(jié)合經(jīng)驗模態(tài)分解和獨立成分分析算法對豬的心電進行抑制偽跡研究，可顯著提高心肺復蘇過程中除顫節(jié)律辨識的準確性，相關(guān)研究未提及心電信號處理的實時性。此外，由于豬的依從性差，心電檢測過程中的隨機活動導致電極接觸不穩(wěn)，同時產(chǎn)生大量的肌電信號，造成心電信號的基線起伏較大，含有大量噪聲，部分研究在麻醉的狀態(tài)下進行采集[18-19]。因此，豬在正?；顒訒r采集的心電信號是一種非平穩(wěn)信號，給QRS波群實時處理造成困難。針對生豬心電處理的實時性問題，本文根據(jù)其心電信號的特征提出一種 QRS波群識別的實時處理算法。

經(jīng)驗模態(tài)分解算法(empirical mode decomposition,EMD)是一種非線性、非平穩(wěn)信號分解算法，具有自適應性、完備性等特點[20]，自提出以來已應用于多種領(lǐng)域研究，如機械故障診斷、人的心電信號處理等[21-22]。心電信號處理主要是QRS波識別應用中研究較多，研究結(jié)果表明EMD算法對QRS波群具有較高識別正確率[23-26]。然而EMD算法是一種非實時的信號處理方法，難以滿足實時處理信號的需求[27]。

為實現(xiàn)對QRS波群的實時檢測，本文在EMD算法基礎(chǔ)上提出一種短時經(jīng)驗模態(tài)分解處理方法。其思路是對心電信號進行實時分段，然后對每段數(shù)據(jù)進行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)，以準確地識別R波的位置，繼而提取RR間期，計算心率數(shù)據(jù)。最后通過動物試驗驗證ST-EMD算法的實時性和有效性。

1 短時經(jīng)驗模態(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，目的是將復雜信號 x(t)分解成不同特征尺度的 IMF，滿足停止條件時即停止分解，剩余信號稱為殘余分量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個條件，即極值與過0點的個數(shù)相等或最多相差為 1個，且在任意一點由信號極大值和極小值構(gòu)成包絡線的均值為0。因此IMF是一個窄帶信號，具有相應的物理意義。由此可見，EMD算法實質(zhì)是一種篩選方法，從復雜信號x(t)中篩選出一系列具有一定物理意義的窄帶信號IMF，其分解過程可參考文獻[20]，在此不再贅述。

1.2 ST-EMD算法流程

由于EMD算法不具有實時性，針對此問題，通過對數(shù)據(jù)分段提出 ST-EMD算法，使其能準確、實時處識別QRS波群。ST-EMD算法主要步驟有數(shù)據(jù)分段、EMD分解、QRS波特征提取和識別等部分。

1.2.1 對心電信號進行分段

在數(shù)學上表達為信號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)段的長度，其決定了信號處理的實時性，當采樣頻率 Ts一定時，信號處理結(jié)果輸出時刻相對數(shù)據(jù)采集時刻的延遲時間td可由式（3）表示。其中，tEMD表示長度為N的數(shù)據(jù)段進行EMD分解所需的時間。

可見，數(shù)據(jù)段長度N越短，實時性越強，但在EMD分解信號時會產(chǎn)生端點效應，即在信號的兩端會產(chǎn)生發(fā)散，逐漸向內(nèi)“污染”整個數(shù)據(jù)樣本，使得分解結(jié)果嚴重失真[20,28]。因此數(shù)據(jù)段越短，受端點效應的影響越嚴重。為緩解端點效應同時又保證實時性，在數(shù)據(jù)分段時可與上一段的部分數(shù)據(jù)重疊。

另外，數(shù)據(jù)段分段時需要避免截斷QRS復波，否則破壞其在IMF中表現(xiàn)出的特征，降低識別正確率，導致QRS波漏檢。因此需要數(shù)據(jù)段的起點和終點均要選擇恰當，避免截斷QRS復波。

經(jīng)上述分析，ST-EMD的分段方法如圖1所示。首先搜索當前數(shù)據(jù)段Xi最新QRS復波的位置QRS(k)，在此基礎(chǔ)上再向前取α倍的RRI對應的數(shù)據(jù)點作為下一個數(shù)據(jù)段 Xi+1的起點。同樣地，以 Xi的最新 QRS復波位置QRS(k)為基礎(chǔ)向后取1+β倍的RRI對應的數(shù)據(jù)點為Xi+1的終點。α、β可取0.5，即數(shù)據(jù)段的起點和終點均位于心電信號R波之間的中心點。這樣既保證Xi+1與Xi有一定的重疊，減緩端點效應，又避免兩端點截斷QRS波群。同時也保證下一個數(shù)據(jù)段 Xi+1中至少包含一個 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)段的長度也隨之做自適應地調(diào)整。

1.2.2 對分段數(shù)據(jù)進行EMD分解

根據(jù) EMD算法對分段數(shù)據(jù)進行分解，得到一系列IMF。為了減少EMD計算時間，提高實時性，在篩選IMF過程中降低迭代次數(shù)，且當選擇出具有QRS波群特征的IMF時立即停止分解。

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。對一段豬的心電信號經(jīng)EMD分解后得到的IMF如圖2所示。分析可見，第一IMF分量的能量隨著時間的變化趨勢與QRS波群呈一一對應關(guān)系，而第二IMF中這種對應關(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波有顯著對應關(guān)系，因此適合采用能量窗變換法提取其特征參數(shù)[29]，該方法計算流程如下。

1）計算第一IMF的差分信號，記為D；

2）對D平方運算即得瞬時功率P；

3）在一定寬度的時間窗內(nèi)對 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)分析心電信號得其平均持續(xù)時間為0.033 s，則窗口的寬度為該時間段內(nèi)的采樣點數(shù)，約 17個數(shù)據(jù)點，積分后得到能量信號E。

4）計算能量的均值作為閾值，當E中有數(shù)據(jù)大于閾值時，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確確定其位置。

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

2 ST-EMD算法實現(xiàn)與動物試驗驗證

2.1 ST-EMD算法的實現(xiàn)

根據(jù)提出的 ST-EMD算法在計算機上編程實現(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、信號采集、EMD分解、特征提取和QRS波檢驗等步驟。

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

2.2 動物試驗與數(shù)據(jù)處理

試驗動物為同一窩出生的3頭仔豬，豬齡為50 d，平均體重18.2 kg。試驗時間為2017年8月22日，地點在安徽省臨泉縣老集鎮(zhèn)徐莊村生豬養(yǎng)殖戶。心電信號由基于BMD101傳感器設(shè)計的穿戴式無線采集系統(tǒng)實時采集[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)藍牙通信傳輸至計算機，由ST-EMD算法處理。每頭豬的采集時間為120 s，共采集184 320點數(shù)據(jù)，其中一頭豬的前35 s心電信號及其處理結(jié)果如圖4所示，算法將識別出的QRS波用黑點標記。

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

由圖4可知ST-EMD算法能夠準確識別心電信號中的QRS波，同時可看出心電波形存在隨機性的基線漂移，特別在第5~10和25~33 s時間段內(nèi)由于豬的活動導致的電極接觸不穩(wěn)或肌電干擾等因素造成基線漂移和干擾，證實豬在正常活動狀態(tài)下檢測的心電是一種非平穩(wěn)信號。ST-EMD算法在受干擾的情況下仍能正確識別出信號中QRS波，說明該算法具有較好的適應性和抗干擾能力，但當基線漂移過于急劇時會超出算法的抗干擾能力而可能導致QRS波識別錯誤。

3個樣本信號的QRS波群識別結(jié)果和與實時性相關(guān)的延遲時間參數(shù)見表1。由處理結(jié)果可知算法對信號的平均分段長度為0.69 s（不包括數(shù)據(jù)重疊部分），數(shù)據(jù)段的平均處理時間為0.03 s，即平均總滯后時間為0.72 s。說明對于豬的心電信號，ST-EMD算法在數(shù)據(jù)采集后0.72 s即可識別出QRS復波，輸出實時心率數(shù)據(jù)。在滯后的這段時間內(nèi)，95.8%的時間用于等待數(shù)據(jù)采集，而信號處理只占用4.2%的時間，即算法計算時間對信號處理的實時性影響不大，ST-EMD的實時性還是得益于對數(shù)據(jù)的分段。

將ST-EMD算法識別的QRS波與實際QRS波（由人工識別和標記）數(shù)據(jù)對比，3個樣本信號的識別正確率分別為100%，98.9%和100%，平均正確率為99.6%，即該方法對QRS波群具有較強的辨識能力。

雖然 ST-EMD算法具有一定的自適應性和抗干擾能力，但當受環(huán)境顯著影響或豬的突然劇烈運動時，會造成心電信號的基線突變、信噪比降低，繼而增加 QRS波群識別錯誤率。為確保算法正確提取心率，在算法校驗階段采用滑動中值濾波器以剔除因算法識別錯誤而產(chǎn)生的異常值[31-32]。經(jīng)7點滑動中值濾波后，3個樣本信號實時心率的均值分別為（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]。

由上述試驗結(jié)果可知，ST-EMD算法不僅具備實時處理能力，且對QRS波群的識別正確率較高。為確保實時心率正確提取，采用滑動中值濾波算法進一步剔除錯誤心率值。因此，該算法的設(shè)計是合理有效的，適用于生豬心電信號實時處理。

表1 ST-EMD算法對豬的QRS波識別的正確率和延遲時間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)測中由于依從性差而造成心電信號呈現(xiàn)非平穩(wěn)特征，給實時心率計算帶來困難。本文針對生豬心電的實時處理需求，并根據(jù)信號的非平穩(wěn)特征提出一種具有實時處理能力的 ST-EMD算法，通過動物試驗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)特性的心電信號并準確識別QRS波，3個樣本信號中QRS波的正確識別率分別為100%，98.9%和100%，平均正確率為99.6%，從心電信號采集到識別出QRS波的平均時間為0.72 s。說明本文提出的 ST-EMD算法思路是正確的，且具備實時處理能力。

2）該算法通過對數(shù)據(jù)分段并根據(jù)信號特征自主決定分段的起點及數(shù)據(jù)段長度，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、不依賴先驗知識的算法，即該算法不僅具備實時性，還具有較好的自適應性。

3）由于ST-EMD對數(shù)據(jù)進行分段，可使得受干擾的數(shù)據(jù)段與未受干擾的數(shù)據(jù)段隔離開來，減小噪聲干擾對信號的影響范圍，從而使得算法具有一定的抗干擾能力。此外，對計算的實時心率進行滑動中值濾波，可消除因心電基線漂移或噪聲等因素而導致的異常值，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時健康監(jiān)護，具有一定的應用價值。因具有實時處理能力，也可推廣到其他應用領(lǐng)域，如對實時性要求較高的自動控制系統(tǒng)，通過對系統(tǒng)輸出信號的特征識別，再反饋給系統(tǒng)進行下一步控制，以滿足控制的實時性。文中提出的ST-EMD算法是以心電QRS識別為應用背景的，若對其他類型的信號處理需要重新分析信號特征，進一步研究與應用背景相吻合的分段和特征提取方法后才能應用于其他領(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)境測控技術(shù)現(xiàn)狀與發(fā)展趨勢[J]. 家畜生態(tài)學報，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量研究[J]. 光學技術(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] 汪開英，苗香雯，崔紹榮，等. 豬舍環(huán)境溫濕度對育成豬的生理及生產(chǎn)指標的影響[J]. 農(nóng)業(yè)工程學報，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)測系統(tǒng)設(shè)計[J]. 南京農(nóng)業(yè)大學學報，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)驗模態(tài)分解與獨立成分分析的心肺復蘇偽跡自適應濾除算法[J]. 生物醫(yī)學工程學雜志，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，等. 西藏林芝地區(qū)藏豬心電圖分析[J]. 安徽農(nóng)業(yè)科學，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，郭聳. 基于改進的 Hilbert-Huang變換的滾動軸承故障診斷[J]. 振動與沖擊，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]. 計算機集成制造系統(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)驗模態(tài)分解和 Hilbert變換的QRS綜合波檢測算法[J]. 中國生物醫(yī)學工程學報，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波檢測算法研究[J]. 儀器儀表學報，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)驗模式分解(EMD)及其應用[J]. 電子學報，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. 基于極值符號序列分析的 EMD端點效應處理方法[J]. 振動、測試與診斷，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，嚴洪. QRS波群檢測常用算法的比較[J]. 生物醫(yī)學工程學進展，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.