CN102973264B - 基于形态学多分辨率分解的心电信号预处理方法 - Google Patents

Abstract

本发明提供了一种基于形态学多分辨率分解的心电信号预处理方法，步骤1：应用直线型结构元素对(B_o,B_c)的形态滤波器修正基线漂移；步骤2：应用提升方法构造形态学多分辨率分解心电信号至第二层和第三层；步骤3：选择第二层与第三层尺度分量中QRS复波失真更小的分量作为预处理后的心电信号。本发明应用直线型结构元素对修正基线漂移，能够在较大程度上减小波形失真。应用形态学多分辨率分解方法滤除肌电干扰等高频噪声，性能优于基于小波变换及形态滤波的预处理方法，且方法简单、易于实现。采用提升方法构造多层形态学分解，由于选择了适合心电信号的预测、更新算子，不但进一步优化了去噪性能，而且减小了心电信号特征波的失真。

Description

基于形态学多分辨率分解的心电信号预处理方法

技术领域

本发明涉及一种心电信号预处理方法，尤其涉及一种面向远程医疗系统中资源受限心电处理模块中的心电信号预处理。 

背景技术

心脏病已经成为人类健康的头号杀手，目前全世界每年约有1750万人死于心脏病，占全部死亡人数的30%。作为诊断心脏生理、病理状态的重要依据，心电（ECG，Electrocardiogram）诊断技术自其十九世纪初诞生以来，已经发展成为一门专业学科，而对于ECG信号的采集、处理、存储、传输、远程实时监控及自动诊断等方面更是当今该领域的研究重点。 

ECG是将电极置于体表特定位置所记录到的心脏电活动的图形。典型的心电图如图1所示，主要包括以下几部分，且这几部分为临床心电图的诊断所依据的重要特征参量：P波在QRS波群之前，前半部分主要为右心房的电活动，后半部分主要为左心房的电活动；QRS波群代表电激动通过心室肌；T波代表心室的复极过程，波形比较宽且圆钝；ST段代表心室的所有部分均已除极或除极末期与复极初期相互叠加形成的彼此抵消阶段；RR期间为相邻心动周期R波峰值之间的时间间隔。 

ECG信号中主要包含三类干扰：人体呼吸或测量电极移位造成的基线漂移、工频干扰以及肌电或其他原因带来的高频噪声。如果对ECG信号中的干扰不进行预处理，会直接影响到QRS复波检测的正确率，增大医生正确诊断的难度。因此，对ECG信号进行预处理是ECG信号处理的首要任务，是后续处理的基础。 

ECG信号中包含的三类干扰具有不同特点。其中，基线漂移通常频率很低，工频干扰固定为50/60Hz，而肌电等干扰频率较高。对于工频干扰，通常利用50/60Hz陷波器进行滤除；其余两种干扰是接下来讨论的重点。 

早期采用的噪声抑制技术是基于带通滤波的方法。然而，带通的线性滤波器具有固定的截止频率，会使ST段和QRS复波严重失真。同时不能够自适应地跟踪ECG信号的时变特性，即每心动周期作为一周期的伪随机 性。此外，一些自适应滤波技术被用来对ECG信号进行噪声抑制。大多数自适应去噪方法都是基于最小二次均方（LMS）或迭代最小二乘（RLS）准则。它们逐渐缩小输入信号与参考信号之间的均方误差。但某些情况下，难于获得合适的参考信号限制了此类方法的应用。 

随着小波分析技术的发展及成熟，由于良好的时频特性，使其在ECG信号预处理领域中获得了广泛认可。基于小波分析的ECG信号预处理方法首先将ECG信号进行小波变换，由于基线漂移、高频干扰与信号所在分量不同，可以通过阈值操作将它们分离。研究的重点在于选择适合ECG信号的小波函数、去噪阈值的自适应选择以及优化快速算法等方面。 

基于小波分析技术的心电信号预处理方法，由于不能够从频率上精确地分离信号与基线漂移及高频干扰，因此很容易造成不能够充分滤除基线漂移以及将ECG信号中频率相对高的分量与高频噪声一同滤除，导致波形失真的情况出现。 

形态滤波是另外一种有效的非线性ECG信号预处理方法。基本思想是，应用直线型结构元素构成的滤波器校正基线漂移，应用三角型结构元素构成的滤波器滤除高频噪声。研究的重点在于形态滤波器的构成、结构元素的选择等方面。 

基于形态滤波的预处理方法，应用直线型结构元素构造多分辨率形态滤波器实质上是应用一系列直线代替原始信号中的曲线，因此会造成一些信号特征的缺失；同时，随着结构元素长度的增加，滤波后信号失真也随之增大，这显然不能满足ECG信号预处理的高保真度需求。 

为进一步优化性能，近来又提出结合小波变换与形态滤波的预处理方法。基本思想是，应用小波变换方法滤除高频噪声，应用形态滤波方法校正基线漂移。 

基于小波变换与形态滤波的预处理方法，这在一定程度上改善了特征波形失真，不能够避免直线型结构元素造成的块状效应。 

发明内容

为了解决现有技术中问题，本发明提供了一种基于形态学多分辨率分解的心电信号预处理方法， 

步骤1：应用直线型结构元素对(B_o,B_c)的形态滤波器修正基线漂移； 

步骤2：应用提升方法构造形态学多分辨率分解心电信号至第二层和第三层； 

步骤3：选择第二层与第三层尺度分量中QRS复波失真更小的分量作为预处理后的心电信号。 

作为本发明的进一步改进，步骤1中，所述结构元素B_o,B_c长度的选择依赖于特征波形的持续时间T_ω与心电信号的采样频率F_s。 

作为本发明的进一步改进，所述特征波形的持续时间小于0.2s。 

作为本发明的进一步改进，步骤1中形态滤波器的数学表达如式1所示： 

f_b＝f_oοB_o·B_c(1) 

f＝f_o-f_b  (2) 

其中，“ο”代表形态学中的开运算，“·”代表形态学中的闭运算；f_o是原始的ECG信号，f_b是检测到的基线漂移，f是f_o抑制噪声和去除基线漂移后的ECG信号；B_o用来移除信号的波峰，B_c用来移除余下的波谷。 

作为本发明的进一步改进，B_c的长度大于B_o。 

作为本发明的进一步改进，步骤2中，首先应用最小长度的直线型结构元素对信号进行分解，得到尺度分量与细节分量；然后应用预测算子、更新算子得到新的尺度分量与细节分量，完成第一层分解；然后应用更大长度的直线型结构元素对第一层尺度分量进行分解，得到第二层上的尺度分量与细节分量，随后应用预测算子、更新算子得到新的尺度分量与细节分量，完成第二层分解；然后应用更大长度的直线型结构元素对第二层尺度分量进行分解，得到第三层上的尺度分量与细节分量，随后应用预测算子、更新算子得到新的尺度分量与细节分量，完成第三层分解。 

作为本发明的进一步改进，令预测算子为该样本与前一个样本的差，更新算子为左右相邻样本的三次样条差值。 

作为本发明的进一步改进，根据提升小波的构造原理，依据分解、预测及更新三步骤，在尺度j上应用尺度分量x_j与细节分量y_i构造新的尺度分量x′_j与新的细节分量y′_j，如式3与4所示： 

$y_j^{\′}=y_j-\mathrm{\π}\left(x_j\right)---\left(3\right)$

$x_j^{\′}=x_j-\mathrm{\λ}\left(x_j^{\′}\right)---\left(4\right)$

其中λ：W_j→V_j，π：V_j→W_j；则尺度j及尺度j-1上重建公式如式5与6所示： 

${\hat{x}}_j=x_j^{\′}+\mathrm{\λ}\left(y_j^{\′}\right)---\left(5\right)$

${\hat{x}}_{j-1}={\mathrm{\ψ}}_j^{\↓}\left({\hat{x}}_j\right)+{\mathrm{\ω}}_j^{\↓}(y_j^{\′}+\mathrm{\π}\left({\hat{x}}_j\right))---\left(6\right)$

其中，与为尺度j的尺度合成算子与细节合成算子。 

作为本发明的进一步改进，令预测算子为样本与前一个样本 的差，更新算子为左右相邻样本和的三次样条差值，如式7与8所示： 

$\mathrm{\π}\left({\hat{x}}_j\right)\left(n\right)={\hat{x}}_j\left(n\right)-{\hat{x}}_j(n-1)---\left(7\right)$

$\mathrm{\λ}\left({\hat{y}}_j\right)\left(n\right)=\mathrm{spline}({\hat{x}}_j(n-1),{\hat{x}}_j(n+1))---\left(8\right)$

在此基础上，应用构造尺度分析算子与细节分析算子如式9和10所示； 

${\mathrm{\ψ}}_j^{\↑}\left(x_j\right)=x_{j+1}=M{F}_j\left(x_j\right)---\left(9\right)$

${\mathrm{\ω}}_j^{\↑}\left(y_j\right)=y_{i+1}=x_j-M{F}_j\left(x_j\right)---\left(10\right)$

其中，定义形态滤波器MF_j(f)如式11所示，其中B_j为长度为j+2的直线型结构元素； 

MF_j(f)=1/2(fοB_j·B_j+f·B_j。B_j)  (11)。 

本发明应用直线型结构元素对修正基线漂移，相较于基于小波变换的方法，能够在较大程度上减小波形失真。应用形态学多分辨率分解方法滤除肌电干扰等高频噪声，性能优于基于小波变换及形态滤波的预处理方法，且方法简单、易于实现。采用提升方法构造多层形态学分解，由于选择了适合心电信号的预测、更新算子，不但进一步优化了去噪性能，而且减小了心电信号特征波的失真。 

附图说明

图1是现有技术中典型ECG信号及各主要组成部分名称； 

图2是本发明基于形态学多分辨率分解的心电信号预处理方法流程图； 

图3是本发明模拟包含噪声的心电信号中的病床监视器产生的“干净”的ECG信号； 

图4是本发明模拟包含噪声的心电信号中的模拟高斯噪声； 

图5是本发明模拟包含噪声的心电信号中的模拟基线漂移； 

图6是本发明模拟包含噪声的心电信号中的合成待处理ECG信号； 

图7是本发明图3至图6所示的模拟心电信号进行预处理的结果； 

图8是基线漂移的222号样本（MIT-BIH数据库中）； 

图9是对MIT-BIH数据库中222号样本的预处理结果。 

具体实施方式

下面结合附图对本发明做进一步说明。 

基于形态学多分辨率分解的心电信号预处理方法，该方法主要工作过程描述如下： 

1、应用直线型结构元素对(B_o,B_c)的形态滤波器修正基线漂移，结构元素B_o,B_c长度的选择依赖于特征波形的持续时间T_ω与心电信号的采样频率F_s。通常特征波形的持续时间小于0.2s。该形态滤波器的数学表达如式1所示。 

f_b＝f_oοB_o·B_c  (1) 

f＝f_o-f_b   (2)其中，“ο”代表形态学中的开运算，“·”代表形态学中的闭运算；f_o是原始的ECG信号，f_o是检测到的基线漂移，f是f_o抑制噪声和去除基线漂移后的ECG信号；B_o用来移除信号的波峰，B_c用来移除余下的波谷，因此，通常B_c的长度要大于B_o。 

2、应用提升方法构造形态学多分辨率分解心电信号至第二层和第三层。首先应用最小长度的直线型结构元素对信号进行分解，得到尺度分量与细节分量；然后应用预测、更新算子得到新的尺度分量与细节分量，完成第一层分解。然后应用更大长度的直线型结构元素对第一层尺度分量进行分解，得到第二层上的尺度分量与细节分量，随后应用预测、更新算子得到新的尺度分量与细节分量，完成第二层分解。以此类推，将其分解到第三 层。 

为了能够改善直线型结构元素滤波带来的方块效应，令预测算子为该样本与前一个样本的差，更新算子为左右相邻样本的三次样条差值。具体方法描述如下： 

根据提升小波的构造原理，依据分解、预测及更新三步骤，在尺度j上应用尺度分量x_j与细节分量y_j构造新的尺度分量x′_j与新的细节分量y′_j，如式3与4所示： 

$y_j^{\′}=y_j-\mathrm{\π}\left(x_j\right)---\left(3\right)$

$x_j^{\′}=x_j-\mathrm{\λ}\left(y_j^{\′}\right)---\left(4\right)$

其中λ：Wj→Vj，π：Vj→Wj；则尺度j及尺度j-1上重建公式如式5与6所示： 

${\hat{x}}_j=x_j^{\′}+\mathrm{\λ}\left(y_j^{\′}\right)---\left(5\right)$

${\hat{x}}_{j-1}=x_j^{\↓}\left({\hat{x}}_j\right)+{\mathrm{\ω}}_j^{\↓}(y_j^{\′}+\mathrm{\π}\left({\hat{x}}_j\right))---\left(6\right)$

其中，与为尺度j上的尺度合成算子与细节合成算子。为了能够改善直线型结构元素滤波带来的方块效应，令预测算子为该样本与前一个样本的差，更新算子为左右相邻样本和的三次样条差值，如式7与8所示： 

$\mathrm{\π}\left({\hat{x}}_j\right)\left(n\right)={\hat{x}}_j\left(n\right)-{\hat{x}}_j(n-1)---\left(7\right)$

$\mathrm{\λ}\left({\hat{y}}_j\right)\left(n\right)=\mathrm{spline}({\hat{x}}_j(n-1),{\hat{x}}_j(n+1))---\left(8\right)$

在此基础上，应用构造尺度分析算子与细节分析算子如式9和10所示； 

${\mathrm{\ψ}}_j^{\↑}\left(x_j\right)=x_{j+1}=M{F}_j\left(x_j\right)---\left(9\right)$

${\mathrm{\ω}}_j^{\↑}\left(y_j\right)=y_{i+1}=x_j-M{F}_j\left(x_j\right)---\left(10\right)$

其中，定义形态滤波器MF_j(f)如式11所示，其中B_j为长度为j+1的直线型结构元素； 

MFj(f)=1/2(f。B_j·B_j+f·B_j。B_j)  (11)。 

3、选择第二层与第三层尺度分量中QRS复波失真更小的分量作为预处理后的心电信号。 

本发明提出了一种新的基于提升方法构造形态学多分辨率分析的心电信号预处理方法，该方法采用一种新的基于三次样条函数的预测、更新算子，应用提升方法重新构造形态学多分辨率分解，将尺度二和三中QRS复波失真较小的重建的近似信号作为滤除高频噪声的结果。 

经过对模拟心电信号及MIT-BIH数据库中心电数据的仿真，该方法在滤除基线漂移和高频噪声、减小信号失真、方法复杂度方面相对于大部分基于小波分解的预处理方法具有一定优势。 

对如图3至图6所示的模拟心电信号进行预处理的结果如图7所示。对MIT-BIH数据库中包含严重高频噪声与基线漂移的222号样本（图8所示）的预处理结果如图9所示。 

同时，相对于一般的形态学多分辨率分解的预处理方法，该方法能够显著改善方块效应、减小波形失真，并且计算量增加不大。因此该方法非常适合应用于远程医疗系统中的心电信号处理模块中。 

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。 

Claims (5)

1.一种基于形态学多分辨率分解的心电信号预处理方法，其特征在于： 

步骤1：应用直线型结构元素对(B_o,B_c)的形态滤波器修正基线漂移； 

步骤2：应用提升方法构造形态学多分辨率分解心电信号至第二层和第三层； 

步骤3：选择第二层与第三层尺度分量中QRS复波失真更小的分量作为预处理后的心电信号； 

步骤2中，首先应用最小长度的直线型结构元素对信号进行分解，得到尺度分量与细节分量；然后应用预测算子、更新算子得到新的尺度分量与细节分量，完成第一层分解；然后应用更大长度的直线型结构元素对第一层尺度分量进行分解，得到第二层上的尺度分量与细节分量，随后应用预测算子、更新算子得到新的尺度分量与细节分量，完成第二层分解；然后应用更大长度的直线型结构元素对第二层尺度分量进行分解，得到第三层上的尺度分量与细节分量，随后应用预测算子、更新算子得到新的尺度分量与细节分量，完成第三层分解； 

根据提升小波的构造原理，依据分解、预测及更新三步骤，在尺度j上应用尺度分量x_j与细节分量y_j构造新的尺度分量x′_j与新的细节分量y′_j，如式3与4所示： 

y′_j＝y_j-π(x_j)   (3) 

x′_j＝x_j-λ(y′_j)    (4) 

其中λ：W_j→V_j，π：V_j→W_j；则尺度j及尺度j-1上重建公式如式5与6所示： 

其中，与为尺度j上的尺度合成算子与细节合成算子； 

令预测算子为样本与前一个样本的差，更新算子为左右相邻样本和的三次样条差值，如式7与8所示： 

在此基础上，应用构造尺度分析算子与细节分析算子如式9和10所示； 

其中，定义形态滤波器MF_j(f)如式11所示，其中B_j为长度为j+1的直线型结构元素； 

MF_j(f)＝1/2(fοB_j·B_j+·B_jοB_j)    (11)。 

2.根据权利要求1所述的基于形态学多分辨率分解的心电信号预处理方法，其特征在于：步骤1中，结构元素B_o,B_c长度的选择依赖于特征波形的持续时间T_ω与心电信号的采样频率F_s。 

3.根据权利要求2所述的基于形态学多分辨率分解的心电信号预处理方法，其特征在于：所述特征波形的持续时间小于0.2s。 

4.根据权利要求1所述的基于形态学多分辨率分解的心电信号预处理方法，其特征在于：步骤1中形态滤波器的数学表达如式1所示： 

f_b＝f_oοB_o·B_c   (1) 

f＝f_o-f_b                 (2)其中，“ο”代表形态学中的开运算，“·”代表形态学中的闭运算；f_o是原始的ECG信号，f_b是检测到的基线漂移，f是f_o抑制噪声和去除基线漂移后的ECG信号；B_o用来移除信号的波峰，B_c用来移除余下的波谷。 

5.根据权利要求4所述的基于形态学多分辨率分解的心电信号预处理方法，其特征在于：B_c的长度大于B_o。