动态心电信号处理研究进展

1、动态心电信号分析处理研究进展摘 要心电信号（ECG）是心脏电活动在体表的综合反映，具有较直观的规律性，心电信号的产生来源于心脏活动过程中心脏的肌肉和神经电活动的综合作用，心电信号具有随机性强，噪声背景强，信号频率低等特点。心电信号基本是周期、非平稳的信号，ECG信号节律随运动或某种疾病而变，虽然不同人之间的心电波形差异很大，但所有的正常心电波形都可划分为P波、QRS波、T波和U波几个部分，每个具体的波都对应着特定的心脏活动和电生理阶段。心电信号的分析与诊断涉及心电信号的采集、滤波处理、特征识别、自动分析诊断等众多领域。寻找一种有效的心电检测手段，减小心电检测过程中的噪声的干扰，提高心电信号特征

2、识别和分类的精确度，是心电这一领域研究的重点。关键字：动态心电信号，预处理，特征识别Research Progress in the Analysis and Processing of Ambulatory ECGABSTRACTECG is a comprehensive reflection of the heart's electrical activity at the surface, with a more intuitive regularity, ECG signal generated from the combined effects of cardiac act

3、ivity during the cardiac electrical activity of muscles and nerves, ECG has a variety of features such as randomness, strong background noise, the low frequency and so on.ECG is basically a period and non-stationary signals, ECG signal rhythm varies with the motion or some disease, although ECG wave

4、form has big differences between people, but all the normal ECG waveform can be divided into the P wave , QRS wave, T wave and U wave, each specific wave corresponds to a particular stage of cardiac activity and electrophysiology. ECG analysis and diagnosis involves in many fields such as ECG acquis

5、ition, filtering, feature recognition, automatic analysis diagnosis,etc. To find an effective means of detection of ECG, reducing interference of noise in the detection process and improving accuracy ECG feature identification and classification are the focus of ECG research in this field.KEY WORDS:

6、Ambulatory ECG,pre-processing, feature identification 前 言 心脑血管疾病是近年来全球的高发病症，心脏病患者的数量也在逐年增加，心脑血管疾病已成为危害我国人民生命健康的第一杀手。在现代医学中，ECG(心电图)正越来越成为医生诊断心脏疾病的依据。心律失常的发生通常是偶然的，而常用的心电检测设备都是用来进行短程监护，在不发病时很难发现心律失常信号，而动态心电自动监护系统的出现恰恰弥补了此项不足。动态心电监护在心脏疾病的早期发现、预防和救治中具有重要的作用。开展有关研究对于促进我国心脏病救治水平的提高，降低发生率和死亡率具有重要的意义。心电信号（

7、ECG）是心脏电活动在体表的综合反映，具有较直观的规律性，比其它生物电信号更易于检测，是人类最早研究并应用于医学临床的生物电信号之一。正常的人体心脏，在生命活动中呈现的是有规律有特征的心电信号曲线和图形，而心脏器质性病变和功能性改变，必然使心电信号波形发生改变，呈现出病态的心电曲线和波形。各种心脏病引起的心电图的变化，有助于了解和研究心律失常的发生机理和变化情况。一、人体心电信号产生机理概述心电信号的产生来源于心脏活动过程中心脏的肌肉和神经电活动的综合作用，心电信号具有随机性强，噪声背景强，信号频率低等特点。心电信号基本是周期、非平稳的信号，ECG信号节律随运动或某种疾病而变，虽然不同人之间的

8、心电波形差异很大，但所有的正常心电波形都可划分为P波、QRS波、T波和U波几个部分，这些波形是通过兴奋的零电位来区分的，每个具体的波都对应着特定的心脏活动和电生理阶段。这一组顺序反生的波形组成了一个完整的心电周期。一个心动周期内的心电信号是由一系列的特征波构成的，这些特征波包括P波、QRS波群、T波和U波，它们以及在它们基础上形成的PR段、ST段、PR间期、ST间期和QT间期是心电信号主要的特征信息1，具体阐述如下:P波：心脏的兴奋发源于窦房结，最先传至心房，故心电图各波中最先出现的是代表左右两心房兴奋过程的P波，它反映了左、右心房的除极过程，P波小而圆钝，随各导联而稍有不同，P波的宽度一般不

9、超过0.11s，电压(波形幅度)不超过0.25毫伏。QRS波群：代表两个心室兴奋传播过程的电位变化，典型的QRS波群包括三个紧密相连的波，第一个向下的波称为Q波，继Q波后的一个高尖的直立波称为R波，R波后向下的波称为S波，由于这三个波是紧密相连的而且总时间也不超过0.10s，故合称QRS复合波，QRS复合波所占时间代表心室肌兴奋传播所需时间，正常人在0.06-0.10s之间。T波：是在QRS波群后的一个波幅较低但是波宽却较长的电波，反映的是心室兴奋后复极化过程，复极化过程同心肌代谢有关，因而较去极化过程缓慢，所占时间也较长。 U波：在T波后0.02-0.04s可能出现的低而宽的波，代表心室后继

10、电位。其方向一般与同导联T波方向一致，幅度较T波低。U波在肢体导联中不易辨认，一般在胸导联中比较清楚。 PR段：是从P波终点到QRS波起点之间的曲线，PR段指心脏电活动由心房经房室交界传向心室所产生的电位变化，因为这期间的电位变化很弱，故而PR段通常与基线保持在同一水平。ST段：由从QRS波群结束到T波开始的一段平线，它反映的是心室各部均兴奋而处于去极化的状态，因此没有电位差，正常时的ST段接近于心电信号的等电位线，向下的偏移也不会超过0.05mV，向上的偏移在肢体导联不超过0.1mV。PR间期：指从P波起点到QRS波起点之间的时程，代表由窦房结产生的兴奋传到心室，引起心室开始兴奋所需要的时间

11、，所以也称为房室传导时间。正常成人为0.12-0.20s。在幼儿及心率较快的情况下，PR间期相应缩短，而经常进行体育锻炼的人，如职业运动员，其PR间期较长，有的可超过0.20s。ST间期：是从QRS波群的终点到T波终点的时间间隔，代表了心室肌除极完毕到复极完毕的总时间。QT间期：从QRS波群起点到T波终点的时程，代表心室开始兴奋去极化到完全复极化至静息状态的时间。这一间期的长短与心率密切相关。心率越快，QT间期越短;反之，则间期越长。持续时间正常值为0.32-0.44s。将电极连接与肢体可以记录到心电图，即体表心电图。它是心脏的电活动经过躯体在体表形成的电位差，即心肌细胞除极、复极过程中向各方

12、面传导而到达肢体电极时的电位差。心电图所记录的是这个电位差随时间变化的轨迹。二、动态心电信号预处理心电信号的分析与诊断所包含的内容众多，一直是生命医学工程领域研究的重难点。其涉及心电信号的采集、滤波处理、特征识别、自动分析诊断等众多领域。寻找一种有效的心电检测手段，减小心电检测过程中的噪声的干扰，提高心电信号特征识别和分类的精确度，是心电这一领域研究的重点。在心电的采集过程中干扰主要有：工频干扰：主要由电磁波的福射，电源磁场，人体的分布电容以及导联线的长期暴露在外所造成。其频率为50/60HZ或者由其高次谐波构成。工频干扰表现为规律性的细小波纹俗称毛剌。工频干扰信号与正常的心电信号进行叠加，会

13、导致心电信号中出现不规律变化的细小波纹，进而掩盖心电信号中重要特征信号。采用硬件完全去除工频干扰是很困难的，因此需要采用处理能力强的软件进行去噪。人体的静电干扰：它能使放大器饱和而影响正常工作。运动伪轨迹：主要表现为基线漂移即信号幅度偏离零点电位，主要由人体的呼吸和胸部的扩张而引起的或者由电极与皮肤间的界面阻抗所致，幅度较小，一般为0.1-0.5mV之间，频率在0.15-0.5Hz之间，其特征是基线偏离零电势线并随着呼吸的周期而上下波动。其表现为心电波形幅度变化缓慢且呈正弦周期性变化。射频干扰：由于大气中存在电磁波而对心电的采集造成干扰。肌电干扰：它是由于采集过程中人体的肌肉收缩而产生的干扰信

14、号。其频率频率在5-2000Hz之间。肌电干扰表现为变化速度快且波纹细小不规则。肌电干扰信号与正常的心电信号进行叠加，进而掩盖其中的细小的波折，从而导致心电特征的误判。其频谱特性接近于高斯白噪声。心电信号的预处理主要是对心电采集过程中的噪声加以抑制，虽然心电釆集系统中会有相应的滤波器组滤除采集过程中噪声，但硬件去噪有一定的局限性，滤波效果不太理想，因此需要通过软件对噪声再次处理，以达到还原原始心电信号的目的。对于心电信号所掺杂的噪声既可以使用硬件去噪，也可以使用软件去噪。所谓硬件去噪即利用心电信号与噪声信号的幅频特性不同，通过设计相应的高通滤波器，低通滤波器来滤除心电信号中低频与高频噪声。对于

15、50Hz的工频干扰,可以设计50Hz工频滤波器,通过提高共模抑制比来加以滤除。通过电子元器件来设计相应的滤波器，其原理结构简单，处理速度快等优点。但在实际情况中，噪声情况复杂，其硬件滤波效果不明显。如采用50Hz工频滤波器对50Hz工频进行滤波，效果较差，其还原的心电信号中仍然存在工频，相对于硬件去噪，软件去噪具有表现灵活，对于复杂噪声情况应付能力强。针对心电信号的诸多类型的噪声，Lynn2提出了一种递归型数字滤波，可以实现低通、高通、带通和带阻滤波，具有线性相位，并可完成整型数运算。Keselbrener等3采用非线性的中值滤波技术来消除严重的基线漂移。Sormmo L4采用时变滤波器抑止基

16、线漂移。Yan XG5对Levkow-Christov R算法进行了改进，对抑制50Hz工频干扰和基线漂移取得了较好的效果。但该方法计算复杂，难以在普通微处理器上实时处理。Wariar6等人提出了一种整系数FIR滤波器，大大简化了计算过程，可以用于微处理器，但是由于其所采用的滤波器阶数较低，滤波效果受到一定的影响。鉴于自适应滤波器对工频干扰有很强的抑止作用。Li Gang等7提出了一种自适应相干模板法抑止工频干扰，根据心电信号与工频干扰各自独立的特点，从原始信号中得到工频干扰的模板，再从原始信号中减去模板，就可以达到去除工频干扰的目的，从而可以克服自适应滤波器算法复杂度大，需要附加参考信号通道

17、等不足。Xue等8人采用的基于神经网络的非线性自适应滤波器，可以较好地消除基漂及伪迹的影响，缺点是自适应滤波器由于采用模板都要受QRS波形变异的影响，且基于神经网络的算法运算量比较大。利用小波变换强大的多分辨率分析能力，Senhadji等9提出了基于小波分析的ECG滤波技术，可很好地抑制各种类型的噪声进行QRS波探测，但其计算复杂度还是比较大。2011年，Jinseok Lee等学者10对动态心电信号进行了经验模式分解(Empirical Mode Decomposi t ion, EMD )，得到信号的第一层固有模态函数(thefirst intrinsic mode function, F

18、-IMF )，对 F-IMF 求平方后作均一化处理,然后以固定的时间进行分段，并计算每段F-IMF的三个统计量：香农摘(Shannon Entropy)、均值与方差，最后通过对这三个统计量分别设定不同阈值来判定该段动态心电信号是否为运动干扰噪声段。三、动态心电信号的特征提取心电信号预处理之后，需要对心电信号的特征信息进行提取，因此需要对心电信号的特征波形定位，只有对心电特征波形准确定位，才能检测各特征参数，判断心率是否异常。目前，心电信号中QRS复合波检测是研究的重点，只有QRS复合波中R波精确定位，其他波形Q波、S波、P波、T波才能被检测。首先需要判断规则（包含幅度、斜率和面积阈值等）来决定

19、是否有QRS波出现，这是由于心电图中QRS波群由于波形幅度大，占据的时间短窄，故成为ECG检测的首要问题。QRS波检测包括QRS波位置、宽度、面积的检测，常用的QRS波群检测算法主要有：基于阈值检测的方法，数学形态学方法，模版匹配法，神经网络法及小波变换法等。基于数学形态学的QRS检测新方法，对心电信号滤波属于多值变换，基本运算包括腐蚀、膨胀、形态开和形态闭。Jeen-Shing Wang等11人选取心电信号R波前后各200个采样点进行特征提取，为了提高分类的精度，采用主成分分析法与线性判别法相结合对心电数据进行降维，在通过概率神经网络(PNN)对八种不同的心电信号进行分类，取得了较好的分类效

20、果。Yun-Chi Yeh等12人采用小波分析法对心电信号的QRS复合波、P波、T波进行幅度时间宽度的特征提取，再利用集群分析(CA)对八种不同类别的心电信号进行分类，取得94.3%的分类精度。Rahul Kher,Tanmay Pawar等13在用可穿戴心电信号技术对身体的运动状态进行分类的过程中，使用小波变换提取运动伪迹，并且使用短时傅里叶变换提取运动伪迹的特征，用隐含层含有10个神经元的多层感知器神经网络对该特征进行识别分类。分类的准确度达到92%。在Wen-Tsai Sung, Jui-Ho Chen等14、 Perlman O, Katz A, Weissman N等15、Adams

21、 E. R., Choi A16、Dhawan A., Wenzel B., George S.等17的研究中，作者使用动态心电信号完成了各种各样身体运动状态的检测识别。Ming Li et al18提出了一种基于向量机和高斯混合模型的生理活动的识别算法，利用动态心电信号和加速度计信号的设计出了无线传感网络。在Che-Wei Lin, Ya-TingC. Yang,Jeen-Shing Wang等19的研究中，作者使用能量消耗估计法和神经网络识别出了身体的运动情况。Chaves,E.Valchinov,N.Pallikarakis等20研究出了一种基于启发式探索的实时监测算法，该方法用Patr

22、as大学研制出的可穿戴的无线心电信号传感装置采集心电信号，以该信号为基础进行病理心脏活动的监测，在研究中对该算法的参数最优化进行了分析表述，同时使用了麻省理工心律失常数据库对该算法进行了性能评估，其准确度Se=95.92%，Sp=98.24%。2010年，Slimane等人21采用经验模态分解(Empirical Mode Decomposition，EMD)技术对QRS波进行智能识别，精度提高到99. 84%的同时获得99. 92%的特异性。2011年,Chouakri等提出基于小波分解技术的QRS检测算法22，算法具有99. 82%的精度与99. 96%的特异性。在心律失常诊断方面，得益于

23、人工智能与机器学习理论的应用,其所涉及的自动化技术也取得了飞跃的发展，常见心律失常的自动化诊断准确度甚至已经达到90%以上232425。四、结论心电信号的预处理及其特征检测算法是分析心电信号进行疾病诊断的基础和前提，早期由医生完成的对心电信号的分析不仅费时费力，且分析结果受人为主观因素影响较大，对心电波形的形态和特征进行分类研究，可实现对心电图的高精度高效率的自动分析，从而大幅度降低医疗成本，提高医疗诊断效率。参考文献：1王志毅,高克俭.心电图形态诊断学M.天津:天津科学技术出版社.20012 Lynn P.A. Online digital filters for biological si

24、gnal: Some fast designes for a small computer. Med. Biol. Eng, 1997,15(4):534-5403 Keselbrener L. Nonlinera high pass filter for R-Wave detection in ECG signal. Med. Eng. Phys. 1997,19(5): 481-4844 Sornmo L. Tme varying digital filtering of ECG base line wander. Comp. Data Proc. 1993, 50(3): 31-505

25、Yan X.G. Dynamic Levkov-Christov subtraction of main interference. Med. Comput. 1993, 31(6): 635-6386 WarriarR.Inter-coefficient banpass filter for the simultanrous removal of baseline wander 50Hz and 100Hz interference from ECG. Med. Biol. Eng. Comput. 1991, 29(3):333-336 7 Li Gang, et al. A new ad

26、aptive coherent model algorithm for 147-1508 Xue Q.Z, Hu Y.H, Tompkins W.J. Neural-network-based adaptive matched filtering for QRS detection. IEEE Trans. Biomed. Eng. 1992, 39(4): 317-3249 Senhadji. Wavelet analysis of ECG signal. Proc_IEEE-EMBS, 1990, 12 (2):811-817 10 J. Lee, D. D. McManus, S. Me

27、rchant, K. H. Chon. Automatic Motion and Noise Artifact Detect ion in Hoiter Ecg Data Using Empirical Mode Decomposition and Statistical Approaches. Biomedical Engineering,IEEE Transact ions on. 2012, 59 (6): 1499-150611 Jeen-Shing Wang, Wei-Chun Chiang,等.ECG arrhythmia classification using a probab

28、ilistic neural network with a featurereduction method J.Neurocomputing.2013, 116(2):38-4512 Yun-Chi Yeh, Che Wun Chiou, Hong-Jhih Lin. Analyzing ECG for cardiac arrhythmia using cluster analysis J. Expert Systems with Applications.2012,39(2):1000-101013 Classification of Body Movements in Wearable E

29、CG(W-ECG) Signals Using Artificial Neural Netwerks.American Journal of Biomedical, American Journal of Biomedical Engineering,2013, 3(6): 132-14214 Wen-Tsai Sung, Jui-Ho Chen and Kung-Wei Chang, “Study on Rael Time BEAM System for Diagnosis Assistance based on System on Chip Design”, Sensors 2013, 1

30、3, 6552-6577. 15 Perlman O, Katz A, Weissman N. and Zigel Y., “Atrial Electrical Act ivity Detect ion in the 12- lead ECG using Synthetic Atrial Activity Signals”, Computer in Cardiology (CinC), 2012, pp. 665-668. 16 Adams E. R., Choi A., “Using Neural Networks to Predict Cardiac Arrhythmias”, 2012

31、IEEE International Conference on Systems, Man and Cybernetics (SMC), pp.402-407. 17 Dhawan A., Wenzel B., George S., Gussac I., Bojovic B., and Panescu D., “Detection of Accute Myocrdial Infarction from Serial ECG using Multi-layer Support Vector Machine”, IEEE EMBC 2012, pp. 2704-2707.18MingL.,Rozg

32、ic,V.,Thatte,G.,Sangwon,L.,Emken,A.,Annavaram,M.,Mitra,U.,Spruijt-Metz,D.and Narayanan,S.,”Multimodal physical activity recognition by fusing temporal and cepstral information”,IEEE Eransactions on Neural Systems and Rehabilitation Engineering,Vol.18,No.4,August 2010.,pp.369-38019 Che-Wei Lin,Ya-Tin

33、gC.Yang,Jeen-Shing Wang and Yi-Ching Yang,”A Wearable Sensor Module With a Neural-Network-Based Actibity Classification Algorithm for Daily Energy Expenditure Estimation”,IEEE Transactions on Information Technology in Biomedicine,Vol.16,No.5,pp.991-998,September 201220 A.Chaves,E.Valchinov,N.Pallikarakis，”Real-Time Detection