QRS波群识别方法对比研究.docVIP

QRS波群识别方法对比研究 　　【摘 要】快速而准确检测出心电信号中QRS波群的位置，是心电信号自动分析和诊断系统中的一个关键环节，各种算法层出不穷。本论文围绕心电信号QRS波群的检测的关键技术展开研究，分别对几种经典方法和新兴的神将网络法进行了对比分析。 　　【关键词】QRS波群；小波变换；差分阈值；数学形态 　　0 引言 　　随着移动通信、电子、医学及计算机技术的迅猛发展，电子产品集成度的不断提高，使得心电数据的远程实时监测已经成为了一种可能[1]。ECG信号分析的关键是对QRS波群的识别，是分析心脏状态的重要依据。QRS波群的识别过程分为三个步骤：首先，是对信号进行去噪处理，抑制噪声；然后，是对R波的进行识别；最后，通过对于R波的识别，基于一定的方法进一步识别Q波和S波。目前，QRS波群的识别方法有很多，其基本的思想是利用QRS特征波在时域图形和处理后图形中对应的关系，来进行识别。本文分别对阈值法、小波变换法、神经网络法、数学形态法等进行了对比。 　　1 差分阈值法 　　差分阈值法是由阈值法发展而来的，阈值法的基本原理：ECG信号中某时刻的数据幅度值大于所设定的阈值，就可判定该时刻存在一个可能的R波。通过对该时刻所在小范围内的数据进行修正，可最终确定R波。 　　而差分阈值法的基本原理：ECG信号的R波和其二阶差分的极小值存在固定的位移关系，而且R、Q和S波在ECG的一阶差分信号中都表现为过零点。对ECG信号及其一阶差分和二阶差分进行适当的处理，由满足条件的二阶差分局部极小值即可对ECG 信号的R波进行精确定位；再由已知的R波在一阶差分位置的前后过零点，即可识别出Q、S波等特征波[2]。 　　总体来讲，差分阈值检测法的优点是算法原理简单、计算量较小、实时性好，容易于硬件实现，对低频噪声有较强的抑制能力，但对各类高频噪声的消噪效果并不理想，比较容易受到大的T波、肌电干扰和高频伪迹的影响，单独使用时，只有通过复杂的判断逻辑去弥补噪声对检测带来的影响。与其它检测方法相比，其检测精度相对较低，检测率一般只能达到95%左右[3]，在噪声干扰严重的情况下，其误检率增大，不适用于ECG信号的精确检测分析。 　　2 小波变换法 　　小波变换法是近年来兴起的信号处理技术，已逐步应用于医学信号分析中，尤其是在心电信号分析中具有独特优势。小波变换具有优良时频域局部化特点[4]，其时频窗口面积固定，具有形状可变的自适应能力，可对信号进行不同尺度的线性变换，其实质是带通滤波。 　　小波识别法的原理：在对信号进行分析时，可根据心电信号中各波形的频率分布来进行多尺度分析，在某些尺度上可充分突出QRS波群特征，利用小波进行多尺度的变换，搜索在各尺度空间上的模极大值位置，从而检测到QRS特征波的位置。 　　与差分阈值法相比，小波变换的计算量虽相对较大，但检测率则要高，检测率在99%以上。使用小波变换法需要高性能的硬件支撑，如ARM、DSP或PC等，随着微处理器性能的提高和计算机多处理器技术的发展，这种方法运用的越来越广泛。 　　3 神经网络法 　　神经网络方法是近年来迅速发展的一种用于模式识别的新型计算机和人工智能技术，其在ECG信号的处理分析方面主要是用于分类、重构和压缩。由于神经网络具有自学习和自适应能力，其优良特性对解决医学问题极具优势。神经网络缺点在于学习训练需要太多的时间，而且要求训练样本需有一定的代表性。有文献提出分别利用人工智能网络和回传神经网络来实现ECG信号的检测与分析，虽然可获得良好的判别效果，但神经网络法的算法学习训练时间长，运算量过大，因而难以适用于实时检测。 　　4 数学形态法 　　数学形态学的基本思想是通过使用结构元素在图形中不断地移动，来考察出图形各部分间的关系。在使用不同结构元素对同一信号进行处理时，会得出不同的结果，因此选用的结构元素图形属性应尽量相似于所要处理的图形。 　　图1 直线和三角形结构元素 　　数学形态法方法的原理：先对ECG信号做形态学运算，再对信号进行QRS复合波检测，其核心就是对ECG信号进行波峰和波谷特征提取，显著增强QRS复合波，同时减弱P波和T波。其基本的运算包括：腐蚀、膨胀，这两种基本运算的定义与集合的运算密切相关，其中开和闭运算就是经过腐蚀和膨胀复合运算得到的[8]。 　　形态开和形态闭运算的作用分别是抑制峰值噪声和波谷噪声，其滤波效果与结构元素的形状和尺寸相关[9]。选择的结构元素不同，将会产生不同的滤波效果。 　　对于心电信号的处理，结构元素的选择应结合心电信号各个波形的特征。由MIT-BIH数据库中ECG数据的采样率（360Hz）和各个特征波的时间宽度可知特征波形的采样点数，如表1所示： 　　表1 特征波时间宽度与采样点数的关系 　　常用的结构