CN102247143A

CN102247143A - 一种可集成的心电信号去噪和qrs波识别的快速算法

Info

Publication number: CN102247143A
Application number: CN2011101492175A
Authority: CN
Inventors: 司玉娟; 姚成; 郎六琪; 施蕾; 韩松洋
Original assignee: Zhuhai College of Jilin University
Current assignee: Zhuhai College of Jilin University
Priority date: 2011-06-03
Filing date: 2011-06-03
Publication date: 2011-11-23
Anticipated expiration: 2031-06-03
Also published as: CN102247143B

Abstract

本发明将小波提升法和差分法结合，提出了一种可集成的心电信号去噪和QRS波识别的快速算法。发明中提出了一种加权阈值去噪的方法，解决了使用全局阈值去噪后信号畸变的问题；提出了在DB4小波提升变换过程中结合差分法，达到了使用DB4小波一阶导数对心电信号提升变换的效果，避免了对去噪后信号进行小波提升再次分解的过程，提高了对QRS波进行识别的速度；同时采用一种改进的自适应阈值更新方法，提高了QRS波的检测精度。本发明选用的小波提升法和差分法都具有运算速度快，占用内存低，能够实现整数运算的特点，因此对于本发明算法的集成应用，不但易于在现有硬件平台上实现，也易于在计算机、大型处理器的应用软件中实现。

Description

一种可集成的心电信号去噪和QRS波识别的快速算法

技术领域

本发明属于信息处理以及医学信号处理领域，特别是一种可集成的心电信号去噪和QRS波识别的快速算法。

背景技术

常规心电信号是mV级信号。在心电信号的采集过程中，由于外界和人体自身因素的干扰，采集到的心电信号中混有大量的噪声信号。噪声改变了ECG信号的自身特征，影响了ECG的分析和诊断精度。因为心电信号具有非平稳特性且污染噪声分布范围大，限制了传统线性滤波器的使用，所以在过去的几年中，小波分析被广泛地应用于心电信号的去噪中。文献A Wavelet-Based ECG Delineator Evaluation on Standard Databases、A New Wavelet Based Method for Denoising of Biological Signals、ECG De-Noising using improved thresholding based on Wavelet transforms均提出了相应的新阈值函数用于对ECG信号进行小波去噪，且新阈值函数能够得到硬阈值和软阈值折衷的去噪效果。文献《心电信号去噪中的小波方法》分析总结了小波在心电信号去噪中的特点及其应用范围。文献Detection of QRS Wave Base on Difference-slope Method提出了一种新型小波，即 “仿生小波”。利用此小波基可有效地去除ECG信号中的基线漂移。

以往的去噪算法中，差分阈值法算法简单，处理速度快，易于工程实现；模板匹配法原理简单，但对高频噪声和基线漂移很敏感；小波变换法具有良好的时频局域化特性，检测准确度高，但计算量较大，不适于实时处理；神经网络法能够实现很好的判别效果，但训练时间较长，实际上很难应用。其他算法也都存在运算复杂、耗时较长等问题，需要高性能的处理器和较大的内存，因此目前这些算法在检测仪器上很难实现。

20世纪90年代中期，Sweldens提出了小波提升方案（lifting scheme）及第二代小波的概念，并给出了经典小波中双正交小波的的提升方案（又称为提升格式）。小波提升方案与第一代小波构造方法的主要区别于，前者不依赖于傅里叶变换，它是在时域或空域中直接实现小波构造，是一种改善快速小波变换的方法。并且Daubechies和 Sweldens等已经证明，凡是用Mallat算法实现的小波变换都可以转用提升格式来实现。因此，本算法采用小波提升的方法对心电信号进行分解去噪，提高了算法运行的速度，节省运算所需内存，实现整数运算，易于硬件电路实现。

目前QRS波检测方法主要有：差分法(Derivative)、带通滤波法(Bandpass filter)、小波变换(Wavelet Transform)、形态学运算(Mathem Morphology)、长度和能量变换(Length and Energy Transforms)等；另外还有一些新兴的研究方法，如人工神经网络(Artificial Neural Networks，ANN)、遗传算法(Genetic Algorithm， GA)、句式分析(Syntactic Methods)、隐Markov模型(Hidden Markov Models， HMM)、匹配滤波(Matched Filter)、Hilbert变换(Hilbert Transform)、心电模板(Tem-plate)、过零检测(Zero-Crossing detection)等，多种技术交叉融合(Algorithms based on the fusion of several technologies)的趋势也日趋明显。其中，差分法简单、快速，其缺点是容易受到噪声和信号突变的影响。其他方法运算复杂，占用内存空间大，不易于实现整数运算。

本发明将小波提升方法与差分法相结合，在小波提升分解、去噪、重构的相关尺度上，利用差分法和自适应阈值对心电信号进行QRS识别；避免了噪声对差分法识别精度的影响，降低了在原信号上进行检测的数据量，同时由于小波提升方法和差分法的运算速度快，占用内存少，能实现整数运算。避免了利用小波、人工神经网络等复杂算法进行识别，而在现有硬件平台上难以实现的问题。

在两部分主要算法设计的过程中遇到的问题：

1. 对信号利用小波提升进行分解和阈值去噪的过程中，要根据信号频谱特征，在不同的分解层次上设定不同的去噪阈值。阈值的选择原则和权系数直接影响去噪重构后信号的失真度。调整各层阈值的权重系数是难点。

2. 在利用差分法识别的过程中，对于检测到的QRS波群；利用了回溯法来判断漏检和误检，其中自适应阈值函数的选取尤其关键，设计回溯策略、自适应阈值公式和权重系数是难点。

发明内容

针对上述问题，本发明提供了一种易于在硬件平台实现、去噪和检测精度高、可集成的心电信号去噪和QRS波识别的快速算法。

本发明为解决其技术问题所采用的技术方案是：

一种可集成的心电信号去噪和QRS波识别的快速算法，其特征在于包括以下步骤：（1）根据确定的分解层数N，对心电采样信号X利用DB4小波进行N层小波提升分解；（2）求取对各层高频系数进行处理的阈值

；（3）将第N层低频系数置零；（4）对各层高频系数进行阈值去噪处理；（5）由第N层开始逐层重构得到去噪后信号Y，其中将重构得到的第A层低频系数

保存；（6）利用差分方法，求取

差分结果

；（7）在差分结果

中求取识别模极大值对的正负阈值，所述模极大值对包括一模极大值和一模极小值；（8）基于正负阈值在差分结果

中识别模极值对，并记录极值位置；（9）在模极值序列中采用漏检回溯策略进行漏检查询；（10）采用误检策略进行误检查询；（11）根据模极值对的位置，找出重构信号Y中的相对模极值位置，进行QRS波定位。

优选的是，步骤（1）中确定小波提升分解层数N，其中N为满足条件

的最小正整数，F为心电信号采样频率。

优选的是，步骤（2）中各层高频系数处理的阈值

，其中n为需要进行阈值处理信号长度，

为各层阈值加权系数，

其中

为小波各尺度系数，k为当前的层数。

优选的是，阈值加权系数

的取值，对于第k层高频系数，考察其频域范围，当其最低频率大于等于90Hz时，

；当其最高频率小于等于45Hz时，；其他情况，

。

优选的是，步骤（5）中重构得到的第A层低频系数保存；A为频域包含0~45Hz的低频信号的最高层数。

优选的是，步骤（6）中

差分结果的求取方法为

，其中

为

序列中第

点差分结果，

为

序列中第

点小波系数值。

优选的是，步骤（8）正负阈值基于当前找到的模极大值/模极小值进行更新。

优选的是，正负阈值的更新公式为

，其中

为更新后的正负阈值，

为更新前的正负阈值，

为当前找到的模极大值/模极小值。

本发明的有益效果是：本发明提高了去噪算法的执行速度，解决了使用全局阈值去噪后信号畸变的问题；同时提高了QRS波检测精度，加快了检测算法的识别速度。算法中选用的小波提升法和差分法，均具有算法执行速度快，占用内存小，可实现整数运算等特点，因此对于本发明算法的集成应用，不但容易在现有硬件平台上实现，也易在计算机、大型处理器等应用的软件中实现。

具体实施方式

下面对本发明一种可集成的心电信号去噪和QRS波识别的快速算法步骤进行详细描述。

步骤（1），对心电采样信号X利用DB4小波进行N层小波提升分解。其中N为满足条件的最小正整数，F为心电信号采样频率。依据一般正常的心电信号在0.05Hz～100Hz频率范围内，而90%的ECG频率能量又集中在0.25Hz～40Hz之间。其中，QRS波频率较高约为3～40Hz，P、T波约为0.7～10Hz。分解层数的确定原则是，小波提升分解后，能够使最高层低频系数的最高频率小于等于0.5Hz。

步骤（2），求取对各层高频系数进行处理的阈值

，各层高频系数处理的阈值

，其中n为需要进行阈值处理的信号长度，

为各层阈值加权系数，

其中

为小波各尺度系数，k为当前的层数。根据实际实验结果，优选的阈值加权系数

的取值，，对于第k层高频系数，考察其频域范围，当其最低频率大于等于90Hz时，

；当其最高频率小于等于45Hz时，

；其它情况，

。大大降低了小波提升分解频域中0~45Hz范围内阈值的作用，保证了信号中有用成分基本不损失，并比采用传统小波分解去噪算法节省了一半的系统内存空间，提高了算法运算速度；比采用传统全局阈值去噪效果更好，减少了信号失真。

步骤（3），将第N层低频系数置零，作用在于去除心电基线漂移。步骤（4），对各层高频系数进行阈值去噪处理，处理算法为软阈值处理方法。步骤（5），由第N层开始逐层重构得到去噪后信号，其中将重构得到的第A层低频系数保存。算法采用小波提升逐层逆变换，得到去噪后信号Y，并保存逆变换过程中得到的第A层小波系数

。去噪后信号已经完全没有了基线漂移的干扰，能够保证QRS波数量及各关键点定位的准确性。

步骤（6），利用差分方法，求取差分结果

，具体求取方法优选为

，其中为

序列中第

点差分结果，

为

序列中第

点小波系数值，上述求取方法相当于在重构信号Y中进行隔四点的差分运算，在减小算法运算量，提高算法执行效率的同时，也提高了差分结果幅值。

步骤（7），在差分结果

中求取识别模极大值对的正负阈值，所述模极大值对包括一模极大值和一模极小值。求取方法一般如下：首先根据心电信号采样频率，得到正常心电10秒钟数据在

序列中的长度，平均分为十段，再在各段数据中分别找到10个模极大值和10个模极小值，分别求取出模极大值和模极小值的均值，将均值的0.6倍作为查找模极值的初始阈值，即模极大值阈值

和模极小值阈值

。

步骤（8），基于正负阈值在差分结果中识别模极值对，并记录模极值对位置，一个QRS波在序列中对应一个模极值对。为了使阈值更好的适应信号的突变，优选的是使正负阈值基于当前找到的模极大值/模极小值的幅值进行更新，正负阈值的更新公式为

，其中

为更新后的正负阈值，

为更新前的正负阈值，

为当前找到的模极大值/模极小值的幅值，

包括模极大值阈值

和模极小值阈值

。

步骤（9），在模极值序列中采用漏检回溯策略进行漏检查询，漏检查询算法可以采用以下漏检回溯查询策略：完全查询

（找到的模极大值点序列）或

（找到的模极小值点序列）中两数据间隔是否超过

，其中为或

序列中前十个点的平均间隔，即平均心电周期在

中的长度。如果超过，则使用漏检阈值重新检测这个区间。漏检阈值设置为初始检测阈值的0.3倍。同时也采用步骤（8）中阈值更新方式进行更新。

步骤（10），采用误检策略进行误检查询，查询方法为：检测当前或

中第

到

Figure 2011101492175100002DEST_PATH_IMAGE027

点的距离

，和

到

点的距离。其中两个距离求法如下：

;

;

为求取变量

的绝对值，然后进行判断，如果

条件为“真”，则认为点为误检的极值点，在和

中删掉此点。

步骤（11），根据模极值对的位置，找出重构信号Y中的相对模极值位置，进行QRS波定位。应用时，根据最终查找到的模极值对的位置信息，即

和

，找到R波的顶点。由于是在

上进行的差分识别，根据小波提升分解的性质，

数据长度是原信号长度的1/4，因此根据位置信息4倍的对应关系，在重构信号Y中找到各模极值对的对应位置。并在此模极值对的位置区间查找幅值最大或最小点，作为R波的顶点。其中寻找幅值最大还是最小，根据模极值对的极大-极小，或极小-极大位置关系确定。

Claims

1.一种可集成的心电信号去噪和QRS波识别的快速算法，其特征在于包括以下步骤：

（1）根据确定的分解层数N，对心电采样信号X利用DB4小波进行N层小波提升分解；

（2）求取对各层高频系数进行处理的阈值

Figure 2011101492175100001DEST_PATH_IMAGE001

；

（3）将第N层低频系数置零；

（4）对各层高频系数进行阈值去噪处理；

（5）由第N层开始逐层重构得到去噪后信号Y，其中将重构得到的第A层低频系数

保存；

（6）利用差分方法，求取

差分结果；

（7）在差分结果中求取识别模极大值对的正负阈值，所述模极大值对包括一模极大值和一模极小值；

（8）基于正负阈值在差分结果

中识别模极值对，并记录极值位置；

（9）在模极值序列中采用漏检回溯策略进行漏检查询；

（10）采用误检策略进行误检查询；

（11）根据模极值对的位置，找出重构信号中的相对模极值位置，进行QRS波定位。

2.根据权利要求1所述的一种可集成的心电信号去噪和QRS波识别的快速算法，其特征在于步骤（1）中确定小波提升分解层数N，其中N为满足条件

的最小正整数，F为心电信号采样频率。

3.根据权利要求1所述的一种可集成的心电信号去噪和QRS波识别的快速算法，其特征在于步骤（2）中各层高频系数处理的阈值，其中n为需要进行阈值处理信号长度，

为各层阈值加权系数，

Figure 2011101492175100001DEST_PATH_IMAGE007

其中

为小波各尺度系数，k为当前的层数。

4.根据权利要求3所述的一种可集成的心电信号去噪和QRS波识别的快速算法，其特征在于阈值加权系数的取值，对于第k层高频系数，考察其频域范围，当其最低频率大于等于90Hz时，

Figure 2011101492175100001DEST_PATH_IMAGE009

；当其最高频率小于等于45Hz时，

；其他情况，

Figure 2011101492175100001DEST_PATH_IMAGE011

。

5.根据权利要求1所述的一种可集成的心电信号去噪和QRS波识别的快速算法，其特征在于步骤（5）中重构得到的第A层低频系数

保存；其中A为频域包含0~45Hz的低频信号的最高层数。

6.根据权利要求1所述的一种可集成的心电信号去噪和QRS波识别的快速算法，其特征在于步骤（6）中

差分结果

的求取方法为，其中

Figure 2011101492175100001DEST_PATH_IMAGE013

为

序列中第

点差分结果，

为

序列中第

点小波系数值。

7.根据权利要求1所述的一种可集成的心电信号去噪和QRS波识别的快速算法，其特征在于步骤（8）正负阈值是基于当前找到的模极大值/模极小值的幅值进行更新的。

8.根据权利要求7所述的一种可集成的心电信号去噪和QRS波识别的快速算法，其特征在于正负阈值的更新公式为

Figure 2011101492175100001DEST_PATH_IMAGE017

，其中

为更新后的正负阈值，

Figure 2011101492175100001DEST_PATH_IMAGE019

为更新前的正负阈值，

为当前找到的模极大值/模极小值。