心电信号采集及心电图分类识别的方法研究.docx

??

?

??

心电信号采集及心电图分类识别的方法研究

?

??

?

?

?

?

?

?

?

???

?

?

?

?

?

?

?

心电图（ECG，Electrocardiogram）是人体心脏活动的视觉时间序列，是医生诊断心脏病的重要依据。

基于传统心电图分类的诊疗技术基本依靠人力完成。专家以自己多年积累的经验和大量心脏领域的知识，得到准确的诊断结果。

然而，在心脏疾病高发的当今，每天都有大量的患者去做心电图，完全依靠人力去诊断，效率十分低下，而且也可能出现误诊断，会对患者和医院造成不好的影响[1]。为了解决上述问题，基于心电图自动分类诊断技术开始出现。

本文在心电图采信号数据采集和传输方面，设计了基于STM32单片机的硬件心电数据采集系统，采用BMD101芯片采集原始心电信号数据，并用蓝牙和WiFi将数据发送到PC端上位机和安卓手机APP上进行分类处理。

1?心电信号分类识别方法的研究现状

目前，有两种主要的心电图分类研究形式，基于波形形状的分类方法和基于波形特征的分类方法[2]。

基于波形形状分类方法中，需要提取特征波形，然后使用医学分类规则对其进行判断。PhilipDeehazal等人利用心电图的形态特征和间期等12个特征进行训练和测试[3]，将心拍分为5类，准确率达到0.81。李坤阳等人结合小波变换和数学形态学，通过检测心电图的QRS波的特征点得到QRS波宽和RR间期等参数，再结合专家的临床经验，将心拍分为4类，准确率达到0.94[4]。基于波形形态的分类方法对心电图的质量效果要求较高，抗干扰能力较差，对各波形的特征点的识别精确度要求较高，不适合处理动态心电图。所以，采用此类方法提取到的特征向量不够充分，导致分类诊断类型比较少，诊断准确率也比较低。

基于波形特征的分类方法是目前应用最广泛的一种心电图分类识别方法，刘世雄利用小波分析定位QRS波群的位置，接着分别从QRS波群中提取26个特征向量，最终采用模糊聚类方法对心电图进行分类[5]。骆德汉等人采用基于多阶前馈的人工神经网络对心电图进行了6分类[6]。

季虎基于多重判别和主成分分析提取特征，最后利用支持向量机进行分类[7]。Yusn等人利用独立分量分析在时域上提取心电图特征，对心电图直接处理，最后利用神经网络对心电图进行6分类[8]，取得了较好的结果。

Osowski等人设计出一个将模糊自组织层和多层感知器进行级联的分类器，对心电信号实现了7分类[9]，分类正确率达到了96%。Owis等人在心电信号的傅立叶变换域上分析提取特征向量，采用近邻法分类，最后实验得到该方法对5种心脏状况类型取得了100%的识别率，但对除了这5种类型其他的心脏状况识别率一般。

2硬件电路的设计

2.1系统介绍

该心电采集监测系统主要有四个模块组成：心电数据采集模块，无线传输模块，Android端APP数据接收处理模块和PC端上位机数据接收处理模块。

当用户出现心脏不适后，可以立刻使用该采集设备去采集心电信号，采集到的数据通过蓝牙传输至Android手机的APP，该APP可以实时显示心电波形和心跳速率，并能够定位到该用户的地理位置，并将数据上传到服务器。

2.2采集模块

??2.2.1心电采集芯片

BMD101芯片具有先进的模拟前端电路和灵活强大的数字信号处理结构。它可以采集从μV到mV的生物信号，然后经过Neurosky的专利算法处理。BMD101的核心是一个功能强大的系统管理单元。它负责整体系统配置、运行管理、内外通信、专有算法计算和电源管理。BMD101还配有固化DSP数字信号处理模块来加速对系统管理单元监控下的各种数字滤波的计算。

?2.2.2实物展示

图1心电采集硬件系统实物图

3分类算法及系统软件设计

本文采用开源深度学习框架FasterR-CNN进行目标检测，该框架下对于特定网络模型的训练，对GPU的性能有一定的要求。对于ZFnet网络模型和VGG-16net网络，分别要求GPU的显存至少是3GB和8GB。

3.1数据集构建

数据集的构建包括训练集的构建和测试集的构建。其中，训练集的构建包括：提取的44组人体心电数据、R波检测、节拍图截取、节拍归类、平移旋转扩充节拍图等操作，最终将扩充后的节拍图集作为实验训练集。测试集的构建包括采集人体心电数据、预处理操作、R波检测和节拍图的截图等操作，最终获取的未标记的节拍图集作为测试集。

3.1.1心电图R波检测

小波变换技术在提升Q波检测的准确性方面表现出了良好的性能。根据小波变换理论，R波峰与模最大模数最小值的零点具有