CN103083013A - 基于形态学与小波变换的心电信号qrs复波检测方法 - Google Patents

Abstract

本发明提供了一种基于形态学与小波变换的心电信号QRS复波检测方法，步骤1：输入抑制基线漂移与去除高频噪声后的ECG信号，并进行分段；步骤2：应用db6小波对步骤1得到的分段ECG信号进行四层小波分解；步骤3：应用多分辨率形态学分解方法，对步骤1得到的分段ECG信号进行分解，寻找第三层与第四层细节分量上共同的模极大值点，作为R峰位置；步骤4：将步骤2与步骤3得到的R峰位置进行或运算，若结果为1，则保留为新的R峰位置；步骤5：R峰的回溯；步骤6：确定QRS复波起点与终点；步骤7：确认是否完成全部ECG信号检测，若已完成，就结束算法；若未完成，更新阈值，重复步骤2至步骤7直到算法结束。该方法能够达到99%以上的检测正确率。

Description

基于形态学与小波变换的心电信号QRS复波检测方法

技术领域

本发明涉及一种心电信号QRS复波检测方法，尤其涉及一种面向远程医疗中的心电信号自动诊断系统中的QRS复波检测方法。

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，心电图（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信号是将电极置于体表特定位置所记录到的心脏电活动。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信号的自动诊断一直是心电信号处理领域的重点研究方向之一，通常涉及特征波的识别、心动周期的划分、各种间期的鉴别，以及在此基础上的波形异常的分类与诊断。对ECG信号进行特征波检测是实现ECG信号临床上波形自动归类、辅助诊断的基础。特别是对心率失常等的自动检测是心脏异常诊断的重要依据。同时也为后续远程传输系统中采用的感兴趣区域的高分辨率数据备份及二次传输的设计提供了重要依据。QRS复波因其比较显著的形态及频率特征，是特征波中相对容易辨认的一组波形，同时也能够根据其特点判断心脏的一系列生理和病理状态，因此通常被认为是ECG信号特征波检测的基础和起点。

现代ECG信号处理过程中，通常将其认为是伪随机信号，即可通过心动周期的划分，明确各周期之间的相关性。而心动周期的划分通常基于QRS复波中R峰的识别及精确定位。在此基础上，QRS复波的起点及终点等形态信息对于判断ECG信号的各种特征间期等重要诊断依据具有指导性意义，也为实现心电图的计算机辅助与自动诊断中ECG波形与其对应的心脏生理、病理特征的分类提供了重要依据。

QRS复波检测通常包括R峰及QRS复波起点与终点的定位。QRS复波检测主要有斜率法、基于小波变换的方法、基于形态滤波的方法、基于独立分量分析法等。

斜率法由于其计算量小，且不需要单独检测R峰、训练方法等，适用于实时检测中。基本思想是利用R峰的斜率较大来进行判别。比较常用的有Tompkins方法及其改进方法，基于Hilber变换的方法等。但斜率法的检测正确率不够理想，特别是误检率相对较高，且受噪声影响较大。

基于小波变换的QRS复波检测方法的基本思想是：利用包含QRS复波信息的分量寻找模极大值处的过零点，该点即对应原始信号的R峰，且具有一定的位移。

基于形态学运算的QRS复波检测通常选用三角型结构元素来实现，基于形态学的多分辨率分解也被用于检测QRS复波。基于形态学运算的QRS复波检测方法实现非常简单，很适合应用于对延迟时间要求严格的实时监控系统中。

此外，基于独立分量分析、神经网络以及一些混合方法也被应用于QRS复波检测中。

斜率法存在对噪声比较敏感的缺点，导致误检率较高、方法可靠性低。随着计算机及各类片上系统处理速度的大幅度提高，此类方法运算速度上的优势渐微，已经逐渐被淘汰。

数字滤波器法具有一定的自适应性，但对室性早搏等引起的ECG波形形态变化及QRS复波频率范围变化适应性差，对异常ECG信号容易产生误检及漏检。

通常采用的基于小波变换的检测方法对变化较为平缓QRS复波具有较高的检测正确率，而基于形态学运算的检测方法通常对较为尖锐的QRS复波具有较高的检测率。且以上两种方法对于一些异常波形，如异常高大P波、RR间期变化过大等情况的检测正确率有所下降。

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与小波变换的心电信号QRS复波检测方法，包括以下步骤：

步骤1：输入抑制基线漂移与去除高频噪声后的ECG信号，并进行分段；

步骤2：应用Daubechies（德比契斯）小波族中的db6小波对步骤1得到的分段ECG信号进行四层小波分解，寻找第三层小波信号D3、第四层小波信号D4分量上的模极大值点对应的过零点，并对应到原信号中的峰值处作为R峰位置；

步骤3：应用多分辨率形态学分解方法，对步骤1得到的分段ECG信号进行分解，寻找第三层与第四层细节分量上共同的模极大值点，作为R峰位置；

步骤4：将步骤2与步骤3得到的R峰位置进行或运算，若结果为1，则保留为新的R峰位置；

步骤5：R峰的回溯；

步骤6：确定QRS复波起点与终点；

步骤7：确认是否完成全部ECG信号检测，若已完成，就结束算法；若未完成，更新阈值，重复步骤2至步骤7直到算法结束。

作为本发明的进一步改进，步骤1中，分段方法为每5秒ECG数据作为一个分段。

作为本发明的进一步改进，步骤5中，具体流程如下：

判断需要进行R峰回溯的ECG数据R是否小于263ms：

若R﹤263ms，则表明存在误检，消除该峰，进入步骤6；

若R﹥263ms，判断R是否小于1675ms：

若R﹥1675ms，则存在漏检，降低阈值为原来的一半，确定R峰，进入步骤6；

若R﹤1675ms，判断Ra是否大于1.66：

若Ra﹥1.66，则进入步骤6；

若Ra﹤1.66，则存在漏检，降低阈值为原来的一半，确定R峰，进入步骤6。

作为本发明的进一步改进，步骤3，应用多分辨率形态学分解方法，即应用构造如式1和2所示尺度分析算子

与细节分析算子

对步骤1得到的分段ECG信号进行分解：

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

${\mathrm{\ψ}}_j^{\↑}\left(y_j\right)=y_{j+1}={x_j-\mathrm{MF}}_j\left(x_j\right)---\left(2\right)$

其中，x_j为尺度j上尺度分量，y_j为细节分量，定义形态滤波器MF_j(f)如式3所示，其中，f为待处理信号，

代表形态学中的开运算，·代表形态学中的闭运算，B_j为长度为j+1的直线型结构元素：

在第三层及第四层这两个尺度上寻找共同的模极大值，并对应到原信号中的峰值处作为R峰位置。

作为本发明的进一步改进，根据步骤3中选出的平均模极大值最大的分量，在确认为R峰的过零点前后分别选择距离最近的极值处作为QRS复波的起点与终点。

作为本发明的进一步改进，步骤7中，需要更新的阈值为步骤3中小波分解过程中的阈值θ₃与θ₄，以及形态滤波过程中的阈值σ，选择D3分量上包括该点在内的前3s内样本的均方根作为阈值θ₃，选择D4分量上包括该点在内的前3s内样本的均方根的一半作为阈值θ₄，如式4所示，其中W₃x[m]与W₄x[m]分别为D3与D4上的信号分量，k为ECG信号每秒样本数，k=360。

作为本发明的进一步改进，步骤7中，选取平均值的方法作为阈值，形态滤波过程中的阈值σ，选择前3个心动周期中最大值平均值的5/9，如式5所示，

θ₃(n)=RMS(W₃x[m]),if n<3·k,1≤m≤n

otherwise,n-3·k≤m≤n

${\mathrm{\&theta;}}_4\left(n\right)=\frac{1}{2}\&CenterDot;\mathrm{RMS}\left(W_{4}x\right[m\left]\right),\mathrm{ifn}<3\&CenterDot;k,1\&le;m\&le;n---\left(4\right)$

otherwise,n-3·k≤m≤n

$\mathrm{\&sigma;}\left(n\right)=\frac{\underset{i=m}{\overset{n-1}{\mathrm{\&Sigma;}}}\mathrm{MAX}\left[i\right]}{3}\&CenterDot;\frac{5}{9}\mathrm{ifn}\&le;4,m=1---\left(5\right).$

otherwise,m=n-3

一种基于形态学运算与小波分析的QRS复波检测方法，该方法同时采用自适应阈值，并结合有效的R波回溯机制，使该方法针对经过预处理的MIT-BIH数据库（由美国麻省理工学院提供的研究心律失常的数据库）中心律失常数据库的ECG信号，能够达到99%以上的检测正确率。

附图说明

图1是典型ECG信号及各主要组成部分名称；

图2是本发明基于形态学与小波变换的心电信号QRS复波检测方法流程图；

图3是本发明R峰回溯方法流程图。

具体实施方式

下面结合附图对本发明做进一步说明。

本发明涉及一种结合形态学运算适于检测尖锐波峰或波谷，小波分析适于检测变化相对平缓的波峰或波谷，本文提出一种基于形态学运算与小波分析的QRS复波检测方法。该方法同时采用自适应阈值，并结合有效的R波回溯机制，使该方法针对经过预处理的MIT-BIH数据库（由美国麻省理工学院提供的研究心律失常的数据库）中心律失常数据库的ECG信号，能够达到99%以上的检测正确率。方法流程图如图2所示，具体操作步骤描述如下。

步骤1：输入抑制基线漂移与去除高频噪声后的ECG信号，并进行分段以方便进行下一步处理，分段方法并不唯一，考虑数据量与计算次数的折中，每5秒ECG数据作为一个分段。

步骤2：应用Daubechies（Daubechies小波系是由法国学者Daubechies提出的一系列二进制小波的总称，在Matlab中记为dbN，N为小波的序号，N值取2，3，…，10。）小波族中的db6小波对步骤1得到的分段ECG信号进行四层小波分解。针对MIT-BIH数据库中采样率为360Hz的ECG信号，QRS复波的频率分量主要集中在第三层小波信号（D3），第四层小波信号（D4）及第四层逼近信号（A4）中，以D3、D4为主。寻找D3、D4分量上的模极大值点对应的过零点，并对应到原信号中的峰值处作为R峰位置。

步骤3：应用多分辨率形态学分解方法，即应用构造如式1和2所示尺度分析算子

与细节分析算子

对步骤1得到的分段ECG信号进行分解。

${\mathrm{\&psi;}}_j^{\&UpArrow;}\left(x_j\right)=x_{j+1}={\mathrm{MF}}_j\left(x_j\right)---\left(1\right)$

${\mathrm{\&psi;}}_j^{\&UpArrow;}\left(y_j\right)=y_{j+1}={x_j-\mathrm{MF}}_j\left(x_j\right)---\left(2\right)$

其中，x_j为尺度j上尺度分量，y_j为细节分量。定义形态滤波器MF_j(f)如式3所示，其中，f为待处理信号，

代表形态学中的开运算，·代表形态学中的闭运算，B_j为长度为j+1的直线型结构元素。

第三层及第四层上的细节信号中包含大量的QRS复波的信息，因此，在这两个尺度上寻找共同的模极大值，并对应到原信号中的峰值处作为R峰位置。

步骤4：将步骤2与步骤3得到的R峰位置进行或运算。若结果为1，则保留为新的R峰位置。

步骤5：一般的R波回溯方法需要考虑如下两个方面：RR间期R与平均RR间期aveR。本发明中定义aveR更新公式为前两段ECG数据RR间期的平均值。对医学工作者来说，定义RR间期的合理范围与极限是非常重要的；对技术人员来说，定义合理的RR间期也是判断漏检和误检的最重要依据。文献表明，RR间期低于250ms为显示突然死亡的重要标志，仅有5%的病人会存在RR间期偶然超过1750ms的现象。基于上述文献的研究结论，本文中认定的合理RR间期为250ms至1750ms之间，因此设定RR间期极限为263ms和1675ms，对应的心动频率范围在36bpm至228bpm之间。即若RR间期R<263ms，认为存在误检，若R>1675ms，则认为存在漏检。同时还要定义R_a=R/aveR考察R与aveR之间的关系，若R_a>1.66，认为存在漏检。本文中的R波回溯方法综合考虑回溯、RR间期等方面，方法流程图如图3所示。

步骤6：确定QRS复波起点与终点。根据步骤3中选出的平均模极大值最大的分量，在确认为R峰的过零点前后分别选择距离最近的极值处作为QRS复波的起点(onset)与终点(end)。

步骤7：确认是否完成全部ECG信号检测。若已完成，就结束算法；若未完成，更新阈值，重复步骤2至步骤7直到算法结束。需要更新的阈值主要针对步骤3中小波分解过程中的阈值θ₃与θ₄，以及形态滤波过程中的阈值σ。为兼顾检测的准确性与方法的实时性，选择D3分量上包括该点在内的前3s内样本的均方根作为阈值θ₃，选择D4分量上包括该点在内的前3s内样本的均方根（RMS）的一半作为阈值θ₄，如式4所示，其中W₃x[m]与W₄x[m]分别为D3与D4上的信号分量，k为ECG信号每秒样本数。针对MIT-BIH数据库，k=360。此外，也可选取平均值的方法作为阈值。形态滤波过程中的阈值σ，选择前3个心动周期中最大值平均值的5/9，如式5所示。

θ₃(n)=RMS(W₃x[m]),if n<3·k,1≤m≤n

otherwise,n-3·k≤m≤n

${\mathrm{\&theta;}}_4\left(n\right)=\frac{1}{2}\&CenterDot;\mathrm{RMS}\left(W_{4}x\right[m\left]\right),\mathrm{ifn}<3\&CenterDot;k,1\&le;m\&le;n---\left(4\right)$

otherwise,n-3·k≤m≤n

$\mathrm{\&sigma;}\left(n\right)=\frac{\underset{i=m}{\overset{n-1}{\mathrm{\&Sigma;}}}\mathrm{MAX}\left[i\right]}{3}\&CenterDot;\frac{5}{9}\mathrm{ifn}\&le;4,m=1---\left(5\right)$

otherwise,m=n-3

评价QRS复波检测方法的优劣主要由如下指标进行判断：

●误检数（FP:false positives）：将噪声或其他特征波等误认为是QRS复波的个数；

●漏检数（FN:false negatives）：QRS复波存在但未被检出；

●总误差率：FP与FN的和与样本中总心拍数作比，用百分比表示。

●正确率：正确率=（1-总误差率）×100%

将该方法应用于MIT-BIH数据库中的48组ECG数据进行QRS检测得到的FP、FN及正确率结果如表1所示。

表1MIT-BIH数据库中48组ECG数据的检测结果

文件

总心拍

FP

FN

正确率

文件

总心拍

FP

FN

正确率

号	数			（%）	号	数			（%）
										100	2273	0	0	100.00	201	1963	1	3	99.769
101	1865	0	0	100.00	202	2136	0	1	99.953
										102	2187	0	0	100.00	203	2980	18	13	98.960
103	2084	0	0	100.00	205	2656	0	3	99.887
										104	2229	1	0	99.955	207	1860	5	1	99.677
105	2572	9	1	99.611	208	2955	1	11	99.386
										106	2027	0	0	100.00	209	3005	0	0	100.00
107	2137	0	0	100.00	210	2650	3	1	99.849
										108	1763	16	2	98.979	212	2748	0	0	100.00
109	2532	0	0	100.00	213	3251	0	0	100.00
										111	2124	0	1	99.953	214	2262	0	0	100.00
112	2539	0	0	100.00	215	3363	1	0	99.970
										113	1795	0	0	100.00	217	2208	2	0	99.909
114	1879	3	0	99.840	219	2154	0	0	100.00
										115	1953	0	0	100.00	220	2048	0	0	100.00
116	2412	0	0	100.00	221	2427	1	0	99.959
										117	1535	0	0	100.00	222	2483	3	1	99.839
118	2278	0	0	100.00	223	2605	1	0	99.962
										119	1987	0	0	100.00	228	2053	0	2	99.903
121	1863	0	0	100.00	230	2256	0	0	100.00
										122	2476	0	0	100.00	231	1571	0	0	100.00
123	1518	0	0	100.00	232	1780	3	1	99.775
										124	1619	0	0	100.00	233	3079	0	1	99.968
200	2601	1	1	99.923	234	2753	0	1	99.964

检测结果显示，该发明对MIT-BIH数据库中48组ECG信号的QRS检测正确率可达99%以上，能够有效地减少由于RR间期不规则、高大P波、相邻R峰幅值相差过大、QRS形态变化等引起的误检和漏检，且计算量较小，非常适于应用在远程医疗系统中的ECG数据的存储与传输中。

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 (7)

1.一种基于形态学与小波变换的心电信号QRS复波检测方法，其特征在于，包括以下步骤：

步骤1：输入抑制基线漂移与去除高频噪声后的ECG信号，并进行分段；

步骤2：应用Daubechies小波族中的db6小波对步骤1得到的分段ECG信号进行四层小波分解，寻找第三层小波信号D3、第四层小波信号D4分量上的模极大值点对应的过零点，并对应到原信号中的峰值处作为R峰位置；

步骤3：应用多分辨率形态学分解方法，对步骤1得到的分段ECG信号进行分解，寻找第三层与第四层细节分量上共同的模极大值点，作为R峰位置；

步骤4：将步骤2与步骤3得到的R峰位置进行或运算，若结果为1，则保留为新的R峰位置；

步骤5：R峰的回溯；

步骤6：确定QRS复波起点与终点；

步骤7：确认是否完成全部ECG信号检测，若已完成，就结束算法；若未完成，更新阈值，重复步骤2至步骤7直到算法结束。

2.根据权利要求1所述的基于形态学与小波变换的心电信号QRS复波检测方法，其特征在于：步骤1中，分段方法为每5秒ECG数据作为一个分段。

3.根据权利要求1所述的基于形态学与小波变换的心电信号QRS复波检测方法，其特征在于：步骤5中，具体流程如下：

判断需要进行R峰回溯的ECG数据R是否小于263ms：

若R﹤263ms，则表明存在误检，消除该峰，进入步骤6；

若R﹥263ms，判断R是否小于1675ms：

若R﹥1675ms，则存在漏检，降低阈值为原来的一半，确定R峰，进入步骤6；

若R﹤1675ms，判断Ra是否大于1.66：

若Ra﹥1.66，则进入步骤6；

若Ra﹤1.66，则存在漏检，降低阈值为原来的一半，确定R峰，进入步骤6。

4.根据权利要求1所述的基于形态学与小波变换的心电信号QRS复波检测方法，其特征在于：步骤3，应用多分辨率形态学分解方法，即应用构造如式1和2所示尺度分析算子与细节分析算子

对步骤1得到的分段ECG信号进行分解：

${\mathrm{\&psi;}}_j^{\&UpArrow;}\left(x_j\right)=x_{j+1}={\mathrm{MF}}_j\left(x_j\right)---\left(1\right)$

${\mathrm{\&psi;}}_j^{\&UpArrow;}\left(y_j\right)=y_{j+1}={x_j-\mathrm{MF}}_j\left(x_j\right)---\left(2\right)$

其中，x_j为尺度j上尺度分量，y_j为细节分量，定义形态滤波器MF_j(f)如式3所示，其中，f为待处理信号，

代表形态学中的开运算，·代表形态学中的闭运算，B_j为长度为j+1的直线型结构元素：

在第三层及第四层这两个尺度上寻找共同的模极大值，并对应到原信号中的峰值处作为R峰位置。

5.根据权利要求4所述的基于形态学与小波变换的心电信号QRS复波检测方法，其特征在于：根据步骤3中选出的平均模极大值最大的分量，在确认为R峰的过零点前后分别选择距离最近的极值处作为QRS复波的起点与终点。

6.根据权利要求1所述的基于形态学与小波变换的心电信号QRS复波检测方法，其特征在于：步骤7中，需要更新的阈值为步骤3中小波分解过程中的阈值θ₃与θ₄，以及形态滤波过程中的阈值σ，选择D3分量上包括该点在内的前3s内样本的均方根作为阈值θ₃，选择D4分量上包括该点在内的前3s内样本的均方根的一半作为阈值θ₄，如式4所示，其中W₃x[m]与W₄x[m]分别为D3与D4上的信号分量，k为ECG信号每秒样本数，k=360。

7.根据权利要求1所述的基于形态学与小波变换的心电信号QRS复波检测方法，其特征在于：步骤7中，选取平均值的方法作为阈值，形态滤波过程中的阈值σ，选择前3个心动周期中最大值平均值的5/9，如式5所示，

θ₃(n)=RMS(W₃x[m]),if n<3·k,1≤m≤n

otherwise,n-3·k≤m≤n

${\mathrm{\&theta;}}_4\left(n\right)=\frac{1}{2}\&CenterDot;\mathrm{RMS}\left(W_{4}x\right[m\left]\right),\mathrm{ifn}<3\&CenterDot;k,1\&le;m\&le;n---\left(4\right)$

otherwise,n-3·k≤m≤n

$\mathrm{\&sigma;}\left(n\right)=\frac{\underset{i=m}{\overset{n-1}{\mathrm{\&Sigma;}}}\mathrm{MAX}\left[i\right]}{3}\&CenterDot;\frac{5}{9}\mathrm{ifn}\&le;4,m=1---\left(5\right).$

otherwise,m=n-3

Images