CN111956209A - 一种基于ewt和结构特征提取的心电信号r波识别方法 - Google Patents
一种基于ewt和结构特征提取的心电信号r波识别方法 Download PDFInfo
- Publication number
- CN111956209A CN111956209A CN202010878936.XA CN202010878936A CN111956209A CN 111956209 A CN111956209 A CN 111956209A CN 202010878936 A CN202010878936 A CN 202010878936A CN 111956209 A CN111956209 A CN 111956209A
- Authority
- CN
- China
- Prior art keywords
- wave
- peak
- sliding window
- algorithm
- electrocardiosignal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000000605 extraction Methods 0.000 title claims abstract description 10
- 238000001228 spectrum Methods 0.000 claims abstract description 14
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 5
- 238000001514 detection method Methods 0.000 claims description 23
- 230000003595 spectral effect Effects 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 230000000747 cardiac effect Effects 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 14
- 230000011218 segmentation Effects 0.000 abstract description 7
- 230000035945 sensitivity Effects 0.000 abstract description 7
- 238000004088 simulation Methods 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 5
- 230000009466 transformation Effects 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 abstract 1
- 238000012916 structural analysis Methods 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 62
- 230000006870 function Effects 0.000 description 7
- 238000005070 sampling Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 6
- 206010003119 arrhythmia Diseases 0.000 description 4
- 230000006793 arrhythmia Effects 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000004451 qualitative analysis Methods 0.000 description 4
- 238000004445 quantitative analysis Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000000718 qrs complex Methods 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 101100136092 Drosophila melanogaster peng gene Proteins 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000013112 stability test Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000002087 whitening effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Psychiatry (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种基于EWT和结构特征提取的心电信号R波识别方法，属于信号处理领域。首先利用经验小波变换对心电信号频谱进行自适应分割，在分割区间上构造合适的小波滤波器组提取出具有紧支撑的模态分量。然后对提取出的各模态分量进行频谱分析，找出R波对应的高频分量并对其进行结构分析，从而实现R波的准确定位。仿真结果表明，本发明算法对带噪声心电信号的R波识别平均灵敏度可达99.93％，平均阳性准确率可达99.99％，平均准确率可达99.92％，具有很好的识别效果，对心电信号实时监测具有十分重要的意义。
Description
技术领域
本发明属于信号处理领域，涉及一种基于EWT和结构特征提取的心电信号R波识别方法。
背景技术
心电信号作为心脏电活动的表现形式，实时反映着心脏的运行状态，是心血管疾病临床诊断的重要依据。一个标准周期的心电信号由P波，QRS复合波以及T波组成，不同的波形对应着心脏不同的电活动[1]。QRS复合波是心电信号中特征最明显的波群，其中R波峰值最为突出，是确定心电信号其他波、段、以及间期的重要参考[2]。因此，R波的准确检测是心电自动分析的重要前提。
针对心电信号中R波的识别，Pan和Tompkins利用导数滤波器对经过带通滤波器预处理的心电信号进行微分以获取R波的斜率信息，通过双阈值的方式对得到的斜率信息进行处理来获得R波的位置[3]。该算法易于实现，能够用于R波的实时识别，由于特征波频率的波动，基于滤波的方法检测性能受到较大影响[4]。Peng等通过小波变换提取特征信号的频率分量，经能量积分处理来实现R波的定位[5]。Qin等利用小波变换对心电信号进行增强处理，然后对心电信号进行镜像处理，将倒置的R波转换为正向R波，然后，用一阶前向微分法计算局部极大值，并用振幅阈值和时间间隔阈值截断，以确定R峰[6]。但基于小波变换的方法太过依赖小波基的选择，小波基函数影响着各细节分量中的能量分布，从而影响R波的识别准确率[7]。Slimane通过经验模态分解(Empirical mode decomposition,EMD)将心电信号分解成一系列本征模态分量，对得到的本征模态分量进行非线性变换和滑动窗口积分以获取R波的斜率信息，最后通过一阶低通巴特沃斯滤波器获取R波的位置[8]。但基于EMD的方法获取本征模态分量的时候需要大量的迭代运算，难以满足实时处理的要求[9]。KimJ提出一种基于QRS波振幅和持续时间的双重标准来实现QRS波的检测。该方法在特征提取过程中不需要反向搜索过程和额外的去噪方法，具有较低的计算复杂度，适用于实时检测；但该算法过于有限冲击响应滤波器和移动平均滤波器以及阈值处理等预处理方法[10][11]。Khaled将人工神经网络(Artificial Neural Network,ANN)引入心电R波的识别中。该方法提出一种基于sigmoidal径向基函数优化非线性自适应白化滤波器对心电信号进行预处理以抑制噪声同时增强QRS波，然后根据决策逻辑确定R波的位置。R波识别准确率可达99.91％[12]。但ANN在训练阶段需要大量心电信号的先验信息，运算量大，内存资源消耗高，难以用于实时检测[2][7]。
针对以上问题，本发明提出一种基于经验小波变换(Empirical WaveletTransform，EWT)和信号结构特征提取的心电信号R波识别算法。首先，利用EWT自适应分割心电信号频谱，在分割区间上构造合适的小波滤波器组提取具有紧支撑的模态分量。由于心电信号中R波瞬时频率较高，R波基本分布在高频模态分量中。然后将提取出的高频模态分量以滑动窗口的方式获取高频模态分量的包络线以获得初步检测的R波，对初步检测到的R波根据优化标准进行不断迭代优化来实现R的识别。
发明内容
有鉴于此，本发明的目的在于提供一种基于EWT和结构特征提取的心电信号R波识别方法。
为达到上述目的，本发明提供如下技术方案：
一种基于EWT和结构特征提取的心电信号R波识别方法，该方法包括以下步骤：
1)输入心电信号x(n)，并对其进行傅里叶变换以获取信号频谱；
2)通过“locmax”方法确定频谱区间段数N以及频谱区间边界wn；
3)根据经验小波尺度函数
和经验小波函数的
的定义在分割的频谱区间Λn上构造小波滤波器组；
4)将x(n)与经验小波尺度函数
进行內积运算获取信号分解的逼近系数
与经验小波函数
进行內积运算获取信号分解的细节系数
5)通过逼近系数
和细节系数
对信号进行重构，得到信号分解后的逼近分量f0(t)和细节分量fk(t)(k＝1,2...N-1)；对EWT重构后的各分量进行频谱分析，获取R波特征最明显的高频EMFh，并从该EMFh中提取所有波峰的特征；
式中，sgn()表示符号函数，v表示满足波峰集的特征值
6)设计以时间步长i为中心，大小为2α+1的滑动窗口，计算该滑动窗口内波峰特征值的平均值αi和标准差si：
αi＝mean(vj|i-αtji+α) (11)
si＝std(vj|i-αtji+α) (12)
7)判断滑动窗口内的特征值是否是离群值；
若特征EMFh(i)满足以上条件，并且超出1σ界限，则EMFh(i)为一个离群值，将该特征作为构造R峰的包络节点：
NT＝{EMFh(i)|vi>αi+si} (13)
8)对NT按ti进行升序排列，对包络节点之间的值进行线性插值，使得每个特征EMFh(i)在构造的R峰包络线ET(i)中都有对应的值；滑动窗口内至少有一次心跳；在执行步骤4)的时候，
Fs为心率；
9)通过R峰的包络线ET(i)确定初步R波的位置，对初步检测到的R波进行优化；通过滑动窗口的方式搜索初步检测到的R波中连续太近和连续太远的波峰对；对于Ri内连续太近的波峰对，去除振幅最小的一个以排除误检；对于Ri内连续太远的波峰对，将他们之间具有最高值的特征处判定为R波来“添加”一个R波，排除漏检现象；根据心率对连续R波峰位置是否过于接近和过于分离进行判断，判断标准见(14)和(15)：
式中，Ri(k)表示第i次迭代搜索过程中R峰k，Ri(j)表示第i次迭代搜索过程中R峰j，Fs表示所检测心电信号的心率，HRmax表示最大心率，取HRmax＝220bpm，HRmin表示最小心率，取HRmin＝30bpm。
可选的，所述7)中，离群值必须满足以下条件：
①滑动窗口内的特征值满足正态分布；
②R峰是滑动窗口内的局部极大值；
③在滑动窗口内随机选择的特征为R峰的概率小于或等于32％。
本发明的有益效果在于：首先利用EWT对心电信号频谱进行自适应分割，在分割区间上构造合适的小波滤波器组提取出具有紧支撑的模态分量。然后对提取出的各模态分量进行频谱分析，找出R波对应的高频分量。通过滑动窗口的方式从高频模态分量中提取构造R波包络线的特征点构造R波包络线获得初步检测的R波。最后根据优化标准不断对初步检测到的R波进行优化以实现R波的识别。本发明对QT数据库的20组心电记录进行测试，通过定性分析和定量分析对本发明算法性能进行评估。仿真结果表明，本发明算法具有较高的识别效果，计算速度快，对心血管疾病临床诊断具有十分重要的意义。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为区间段数N以及区间分界线wn确定流程；
图2为本发明算法流程图；
图3为Pan-Tomkins算法对x(n)中R波的识别；
图4为文献[10]算法对x(n)中R波的识别；
图5为本发明算法对x(n)中R波的识别；
图6为长停顿心电信号片段R波的识别；
图7为出现高幅度干扰波心电信号片段R波的识别；
图8为T波高大心电信号片段R波的识别。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
1EWT算法
EWT根据信号Fourier频谱特征对信号频谱进行自适应划分，通过在分割区间上构建合适的小波滤波器组提取具有紧支撑的AM-FM信号分量。根据传统小波重构理论，通过细节系数和近似系数对信号进行重构。
1.1Fourier频谱区间划分
在Shannon准则限制下，在对Fourier频谱进行分析时，信号频谱范围规范化为[0,π]。假定信号频谱被划分成N段连续区间[Λ1,Λ2,...ΛN],所需N+1条分界线,设wn为区间边界，则Λn＝[wn-1,wn]；除去已知的频谱边界w0＝0和wN＝π，仍需要确定N-1条边界线。
自适应确定频谱区间划分段数以及区间分界线采用“locmax”方法[13][11]。本发明总结了采用“locmax”方法对频谱划分区间段数N以及分界线wn确定的具体流程，如图1所示。
1.2经验小波尺度函数与小波函数
经验小波为定义在分割的频谱区间Λn上的带通滤波器。依据Meyer小波的构造理论，经验小波尺度函数
和经验小波函数
分别被定义为公式(1)和(2)。
式中，γwn为经验小波滤波器过渡带宽度，β(x)是Ck([0，1])上满足以下条件的任意函数：
取β(x)＝x4(35-84x+70x2-20x3)。当
时,可得
在L2(R)上具有紧支撑特性。文献[13]对此进行了详细的证明。
1.3信号的分解与重构
借鉴经典小波变换理论，经验小波通过待测信号f(t)与小波尺度函数和小波函数分别做内积可以获取其逼近系数
和细节系数
运算规则如下：
式中，“∧”表示求傅里叶变换，“∨”表示求傅里叶逆变换，<a,b>表示求a与b的内积。
按照传统小波重构信号的思路，根据细节系数与逼近系数对信号进行重构，f(t)的重构公式如(7)所示：
式中：“*”表示求卷积，从重构公式中可以看出，信号f(t)被分解成1个逼近分量f0(t)和N-1个细节分量fk(t)(k＝1,2...N-1)，其表示形式如下：
2本发明算法
针对心电信号R波的识别，本发明提出一种具有自适应的高准确率的算法。首先利用EWT对心电信号频谱进行自适应分割，在分割区间上构造合适的小波滤波器组提取出具有紧支撑的模态分量。经过EWT处理后，得到一些列经验模态分量(Empiricalmodefunctions,EMF)。心电信号中R波瞬时频率较高，于是较高频率的QRS波群基本分布在高频EMFs中。而瞬时频率较低的P波和T波会分布在低频EMFs中。通过滑动窗口的方式获取高频EMF的包络线以获得初步检测的R波，再对初步检测到的R波根据优化标准进行不断迭代优化来实现R的准确识别。算法具体流程如图2所示，其具体步骤如下：
1)输入心电信号x(n)，并对其进行傅里叶变换以获取信号频谱。
2)通过“locmax”方法确定频谱区间段数N以及频谱区间边界wn。
3)根据经验小波尺度函数
和经验小波函数的
的定义在分割的频谱区间Λn上构造小波滤波器组，具体表达式见(1)和(2)。
4)将x(n)与经验小波尺度函数
进行內积运算获取信号分解的逼近系数
与经验小波函数
进行內积运算获取信号分解的细节系数
具体过程见表达式(5)和(6)。
5)通过逼近系数
和细节系数
按照(7)对信号进行重构，得到信号分解后的逼近分量f0(t)和细节分量fk(t)(k＝1,2...N-1)，见表达式(8)和(9)。对EWT重构后的各分量进行频谱分析，获取R波特征最明显的高频EMFh，并从该EMFh中提取所有波峰的特征。
式中，sgn()表示符号函数，v表示满足波峰集的特征值
6)设计以时间步长i为中心，大小为2α+1的滑动窗口，计算该滑动窗口内波峰特征值的平均值αi和标准差si：
αi＝mean(vj\i-αtji+α) (11)
si＝std(vj\i-αtji+α) (12)
7)判断滑动窗口内的特征值是否是离群值，离群值必须满足以下条件[15]：
①滑动窗口内的特征值满足正态分布。
②R峰是滑动窗口内的局部极大值。
③在滑动窗口内随机选择的特征为R峰的概率小于或等于32％。
若特征EMFh(i)满足以上条件，并且超出1σ界限，则EMFh(i)为一个离群值，将该特征作为构造R峰的包络节点：
NT＝{EMFh(i)|vi>αi+si} (13)
8)对NT按ti进行升序排列，对包络节点之间的值进行线性插值，使得每个特征EMFh(i)在构造的R峰包络线ET(i)中都有对应的值。为了达到这一要求，滑动窗口内必须至少有一次心跳。因此在执行步骤4)的时候，本发明取
Fs为心率。
9)通过R峰的包络线ET(i)可以确定初步R波的位置，但R波的误检现象和漏检现象比较严重。因此,需要对初步检测到的R波进行优化。通过滑动窗口的方式搜索初步检测到的R波中连续太近和连续太远的波峰对。对于Ri内连续太近的波峰对，去除振幅最小的一个以排除误检；对于Ri内连续太远的波峰对，将他们之间具有最高值的特征处判定为R波来“添加”一个R波，这样可以排除漏检现象。根据心率对连续R波峰位置是否过于接近和过于分离进行判断，判断标准见(14)和(15)：
式中，Ri(k)表示第i次迭代搜索过程中R峰k，Ri(j)表示第i次迭代搜索过程中R峰j，Fs表示所检测心电信号的心率，HRmax表示最大心率，本发明取HRmax＝220bpm，HRmin表示最小心率，本发明取HRmin＝30bpm。
3仿真分析
为了验证本发明算法对R波的识别效果，本发明对QT数据库中的心电信号进行测试。该数据库由美国麻省理工大学与BethIsrael医院合作建立的MIT-BIH心律失常数据库和欧洲心脏病学会ST-T数据库以及BethIsrael医院收集的其他几个心电数据库中的部分数据构成[16]。该数据库一共包含105个时长为15分钟双通道的动态心电记录，采样频率为250Hz，分辨率为11bit，并且每个心电记录均含有一种或多种噪声干扰，同时伴随着一种或多3种心律失常。在每个记录中，节拍都是由专家在一个小间隔内使用交互式图形显示手动确定。该数据库的心电信号具有现实变化的各种QRS形态[6]。本发明从该数据库中随机选取20条心电数据，并采用每条心电记录中通道1的数据作为实验信号源x(n)。为了验证本发明算法的实际应用效果，分别通过Pan-Tomkins算法，文献[11]中的算法和本发明算法分别对x(n)中的R波进行识别，利用仿真图和评价指标对R波的识别效果进行定性分析和定量分析来评估本发明算法的性能。
为了定量分析本发明算法对R波的识别效果，引入灵敏度Sen，阳性准确率+P和准确率Acc这三个评价指标对仿真结果进行评估[6]。
(1)灵敏度：
式中，TP为正确识别到的R波的个数，FN为漏检的R波的个数。
(2)阳性准确率
式中，TP为正确识别到的R波的个数，FN为误检的R波的个数。
(3)准确率：
3.1算法有效性验证
利用Pan-Tomkins算法，文献[10]中的算法和本发明算法分别对来自QT数据库的心电信号x(n)进行测试，通过仿真图和评价指标分别对这几种算法的R波识别效果进行定性和定量分析，来验证本发明算法的有效性。
(1)定性分析：
分别采用Pan-Tomkins算法，文献[10]中的算法和本发明算法对QT数据库中的sel221信号即x(n)进行R波的识别，并对检测到的R波在x(n)进行标记。从图3来看，Pan-Tomkins算法在对x(n)进行R波的识别的时候，在第91个采样点处出现了R波漏检现象，在第4923个采样点处发生R波误检。由于第91个采样点位于信号起始部分，所包含的形态学信息较少，使得Pan-Tomkins算法获得的信号斜率信息不足而导致R波的漏检。sel221在第4923处由于噪声心律失常出现一个较高的波形与R波幅度相近，这导致了Pan-Tomkins算法在该处出现漏检现象。从图4可以得到，文献[11]算法识别x(n)中R波的时候，在第27个采样点处发生R波的误检。从图5中可以看出，本发明算法将x(n)中的R波全部准确无误地检测出来，有效避免了前两种算法在信号起始阶段的漏检和误检现象，有效避免了Pan-Tomkins在心律异常发生时出现的误检现象。
(2)定量分析：
本发明从QT数据库中选取具有代表性的20个心电记录，并将这些心电记录中第一通道的数据作为仿真测试信号源。为了衡量本发明算法的性能，通过灵敏度，阳性准确率，准确率这三个评价指标对本发明算法进行评估。在同等条件下分别利用Pan-Tomkins算法，文献[10]算法，文献[6]算法对从QT数据库选取的20条心电记录进行测试，并且用同样的评价指标去衡量算法的性能。通过将这三种算法与本发明算法进行对比来体现本发明算法的算法性能。
表1本发明算法R波识别性能评估
表2四种R波识别算法性能对比
通过对本发明算法的性能测试，从表1中可以看出，本发明算法对心电信号R波的识别效果很好，灵敏度高达99.93％，阳性准确率高达99.99％，准确率高达99.92％。从表2中可得，与其他三种R波识别算法进行对比，与R波灵敏度最高的Pan-Ttomkins算法灵敏度相当，与R波阳性准确率最高的文献[10]算法相比，阳性准确率提高了0.05％，与准确率最高的Pan-Ttomkins算法相比，准确率提高了0.06％。总的来说，本发明算法具有更好的识别效果。
3.2算法稳定性测试
为了验证本发明算法的稳定性和适用性，利用本发明算法去识别心律失常严重干扰R波识别的心电信号。本发明分别对最容易出现误检的长停顿心电信号片段和出现高幅度干扰波的心电信号片段以及T波高大的心电信号通过本发明算法进行测试。识别结果见图6，图7和图8。
从图6中可以看出，该心电信号片段在多处出现长停顿现象，本发明算法的R波识别效果依旧很好。从图7中，在第3000、5000、7000个采样点附近出现一个干扰R波检测的高幅度波形，本发明算法并没有检测出两个R波而出现误检现象。从图8可得到，当T波高于R波的时候，本发明算法并没有将T波检测为R波，表现出较好的识别效果。
参考文献
[1]Nayak,C,Saha,S.K,Kar,R.et al.An Efficient QRS Complex DetectionUsing Optimally Designed Digital Differentiator.Circuits Syst Signal Process2019,38:716–749.
[2]Sharma L D,Sunkaria R K.A robust QRS detection using novel pre-processing techniques and kurtosis based enhanced efficiency[J].Measurement,2016,87:194-204.
[3]J.Pan,W.Tompkins,A real-time QRS detection algorithm,IEEETrans.Biomed.
Eng.1985(32):230–236.
[4]Park J,Lee S,Park U,et al.R Peak Detection Method Using WaveletTransform and Modified Shannon Energy Envelope[J].Journal of HealthcareEngineering,2017:4901017-4901032.
[5]Ziran P,Guojun W.A Novel ECG Eigenvalue Detection Algorithm Basedon Wavelet Transform[J].BioMed Research International,2017,2017:1-12.
[6]Qin Q,Li J,Yue Y,et al.An Adaptive and Time-Efficient ECG R-PeakDetection Algorithm[J].Journal of Healthcare Engineering,2017:5980541-5980541.
[7]Farashi S.A multiresolution time-dependent entropy method for QRScomplex detection[J].Biomedical Signal Processing&Control,2016,24:63-71.
[8]Slimane Z H,Naitali A.QRS complex detection using Empirical ModeDecomposition[J].Digital Signal Processing,2010,20(4):1221-1228.
[9]Lu L,Kong X,Yang K,et al.A Low-complexity QRS Detection AlgorithmBased on Morphological Analysis of the QRS Complex[J].WSEAS Transactions onComputers archive,2017,16:269-276.
[10]Kim J,Shin H.Simple and Robust Realtime QRS Detection AlgorithmBased on Spatiotemporal Characteristic of the QRS Complex[J].Plos One,2016,11(3):0150144-0150157.
[11]Harikrishna P,Hussain S J.A Comprehensive Review on Accurate QRSand T Wave Detection Techniques for Confirming Cardiac Abnormalities[C]//2019International Conference on Recent Advances in Energy-efficient Computing andCommunication(ICRAECC).2019.
[12]Arbateni K,Bennia A.Sigmoidal radial basis function ANN for QRScomplex detection[J].Neurocomputing,2014(145):438-450.
[13]GILLES J,TRAN G,OSHER S.2D empirical transforms.Wavelets,ridgelets,and curveletsrevisited[J].SIAM Journal on Imaging Sciences，2014,7(1):157-186.
[14]刘春,谢皓,肖奕霖,等.EWT算法在ECG信号滤波中的研究[J].电子测量与仪器学报,2017,31(11):1835-1842.
[15]Burguera A.Fast QRS Detection and ECG Compression Based on SignalStructural Analysis[J].IEEE Journal of Biomedical and Health Informatics,2019,23(1):123-131.
[16]Laguna P,Mark R G,Goldberg A,et al.A database for evaluation ofalgorithms for measurement of QT and other waveform intervals in the ECG[C]//.computing in cardiology conference.Lund,Sweden:IEEE Press,1997:673-676.
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (2)
1.一种基于EWT和结构特征提取的心电信号R波识别方法，其特征在于：该方法包括以下步骤：
1)输入心电信号x(n)，并对其进行傅里叶变换以获取信号频谱；
2)通过“locmax”方法确定频谱区间段数N以及频谱区间边界wn；
3)根据经验小波尺度函数
和经验小波函数的
的定义在分割的频谱区间Λn上构造小波滤波器组；
4)将x(n)与经验小波尺度函数
进行內积运算获取信号分解的逼近系数
与经验小波函数
进行內积运算获取信号分解的细节系数
5)通过逼近系数
和细节系数
对信号进行重构，得到信号分解后的逼近分量f0(t)和细节分量fk(t)(k＝1,2...N-1)；对EWT重构后的各分量进行频谱分析，获取R波特征最明显的高频EMFh，并从该EMFh中提取所有波峰的特征；
式中，sgn()表示符号函数，v表示满足波峰集的特征值
6)设计以时间步长i为中心，大小为2α+1的滑动窗口，计算该滑动窗口内波峰特征值的平均值αi和标准差si：
αi＝mean(vj|i-α tj i+α) (11)
si＝std(vj|i-α tj i+α) (12)
7)判断滑动窗口内的特征值是否是离群值；
若特征EMFh(i)满足以上条件，并且超出1σ界限，则EMFh(i)为一个离群值，将该特征作为构造R峰的包络节点：
NT＝{EMFh(i)|vi>αi+si} (13)
8)对NT按ti进行升序排列，对包络节点之间的值进行线性插值，使得每个特征EMFh(i)在构造的R峰包络线ET(i)中都有对应的值；滑动窗口内至少有一次心跳；在执行步骤4)的时候，
Fs为心率；
9)通过R峰的包络线ET(i)确定初步R波的位置，对初步检测到的R波进行优化；通过滑动窗口的方式搜索初步检测到的R波中连续太近和连续太远的波峰对；对于Ri内连续太近的波峰对，去除振幅最小的一个以排除误检；对于Ri内连续太远的波峰对，将他们之间具有最高值的特征处判定为R波来“添加”一个R波，排除漏检现象；根据心率对连续R波峰位置是否过于接近和过于分离进行判断，判断标准见(14)和(15)：
式中，Ri(k)表示第i次迭代搜索过程中R峰k，Ri(j)表示第i次迭代搜索过程中R峰j，Fs表示所检测心电信号的心率，HRmax表示最大心率，取HRmax＝220bpm，HRmin表示最小心率，取HRmin＝30bpm。
2.根据权利要求1所述的一种基于EWT和结构特征提取的心电信号R波识别方法，其特征在于：所述7)中，离群值必须满足以下条件：
①滑动窗口内的特征值满足正态分布；
②R峰是滑动窗口内的局部极大值；
③在滑动窗口内随机选择的特征为R峰的概率小于或等于32％。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010878936.XA CN111956209B (zh) | 2020-08-27 | 2020-08-27 | 一种基于ewt和结构特征提取的心电信号r波识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010878936.XA CN111956209B (zh) | 2020-08-27 | 2020-08-27 | 一种基于ewt和结构特征提取的心电信号r波识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111956209A true CN111956209A (zh) | 2020-11-20 |
| CN111956209B CN111956209B (zh) | 2022-06-03 |
Family
ID=73400396
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010878936.XA Active CN111956209B (zh) | 2020-08-27 | 2020-08-27 | 一种基于ewt和结构特征提取的心电信号r波识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111956209B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114259240A (zh) * | 2021-09-28 | 2022-04-01 | 大连大学 | 基于改进经验小波变换的脑电信号字典学习方法 |
| CN115902528A (zh) * | 2023-02-21 | 2023-04-04 | 华东交通大学 | 一种直流牵引网振荡与短路故障辨识方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090018409A1 (en) * | 2007-07-11 | 2009-01-15 | Triage Wireless, Inc. | Device for determining respiratory rate and other vital signs |
| WO2018205007A1 (en) * | 2017-05-11 | 2018-11-15 | Krishnan Sridhar Sri | System and method for qrs complex detection in compressively sensed electrocardiogram data |
| CN108830255A (zh) * | 2018-06-29 | 2018-11-16 | 江苏师范大学 | 一种基于小波去噪心电信号的r峰识别方法 |
| CN109620213A (zh) * | 2019-02-25 | 2019-04-16 | 山东大学 | 一种基于多尺度差分特征的心电识别方法及装置 |
| CN110671613A (zh) * | 2019-10-15 | 2020-01-10 | 重庆邮电大学 | 基于改进经验小波变换的流体管道泄漏信号时延估计方法 |
| CN111568399A (zh) * | 2020-05-15 | 2020-08-25 | 中国人民解放军陆军军医大学 | 一种基于雷达的呼吸和心跳信号检测方法及系统 |
-
2020
- 2020-08-27 CN CN202010878936.XA patent/CN111956209B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090018409A1 (en) * | 2007-07-11 | 2009-01-15 | Triage Wireless, Inc. | Device for determining respiratory rate and other vital signs |
| WO2018205007A1 (en) * | 2017-05-11 | 2018-11-15 | Krishnan Sridhar Sri | System and method for qrs complex detection in compressively sensed electrocardiogram data |
| CN108830255A (zh) * | 2018-06-29 | 2018-11-16 | 江苏师范大学 | 一种基于小波去噪心电信号的r峰识别方法 |
| CN109620213A (zh) * | 2019-02-25 | 2019-04-16 | 山东大学 | 一种基于多尺度差分特征的心电识别方法及装置 |
| CN110671613A (zh) * | 2019-10-15 | 2020-01-10 | 重庆邮电大学 | 基于改进经验小波变换的流体管道泄漏信号时延估计方法 |
| CN111568399A (zh) * | 2020-05-15 | 2020-08-25 | 中国人民解放军陆军军医大学 | 一种基于雷达的呼吸和心跳信号检测方法及系统 |
Non-Patent Citations (10)
| Title |
|---|
| KHIARI, BOCHRA，ET AL: "R-wave detection using EMD and Bionic wavelet transform", 《2013 INTERNATIONAL CONFERENCE ON ELECTRICAL ENGINEERING AND SOFTWARE APPLICATIONS》 * |
| KHIARI, BOCHRA，ET AL: "R-wave detection using EMD and Bionic wavelet transform", 《2013 INTERNATIONAL CONFERENCE ON ELECTRICAL ENGINEERING AND SOFTWARE APPLICATIONS》, 23 March 2013 (2013-03-23), pages 1 - 4 * |
| XIAO-LI YANG,ET AL: "Hilbert-Huang transform and wavelet transform for ECG detection", 《2008 4TH INTERNATIONAL CONFERENCE ON WIRELESS COMMUNICATIONS, NETWORKING AND MOBILE COMPUTING》 * |
| XIAO-LI YANG,ET AL: "Hilbert-Huang transform and wavelet transform for ECG detection", 《2008 4TH INTERNATIONAL CONFERENCE ON WIRELESS COMMUNICATIONS, NETWORKING AND MOBILE COMPUTING》, 14 October 2008 (2008-10-14), pages 439 - 443 * |
| 张道明: "基于经验模式分解的R波识别及噪声消除", 《计算机工程与设计》 * |
| 张道明: "基于经验模式分解的R波识别及噪声消除", 《计算机工程与设计》, vol. 28, no. 1, 31 January 2007 (2007-01-31), pages 217 - 219 * |
| 李国权: "基于改进EWT的心电信号基线矫正算法", 《仪器仪表学报》 * |
| 李国权: "基于改进EWT的心电信号基线矫正算法", 《仪器仪表学报》, vol. 41, no. 4, 30 April 2020 (2020-04-30), pages 156 - 166 * |
| 李明星: "心电信号的QRS波检测算法的研究", 《兵器装备工程学报》 * |
| 李明星: "心电信号的QRS波检测算法的研究", 《兵器装备工程学报》, vol. 39, no. 9, 30 September 2018 (2018-09-30), pages 171 - 175 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114259240A (zh) * | 2021-09-28 | 2022-04-01 | 大连大学 | 基于改进经验小波变换的脑电信号字典学习方法 |
| CN115902528A (zh) * | 2023-02-21 | 2023-04-04 | 华东交通大学 | 一种直流牵引网振荡与短路故障辨识方法 |
| CN115902528B (zh) * | 2023-02-21 | 2023-05-26 | 华东交通大学 | 一种直流牵引网振荡与短路故障辨识方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111956209B (zh) | 2022-06-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sangaiah et al. | An intelligent learning approach for improving ECG signal classification and arrhythmia analysis | |
| CN109171712B (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
| CN109117730B (zh) | 心电图心房颤动实时判断方法、装置、系统及存储介质 | |
| Karpagachelvi et al. | ECG feature extraction techniques-a survey approach | |
| Li | Wavelets for electrocardiogram: overview and taxonomy | |
| Serhal et al. | Overview on prediction, detection, and classification of atrial fibrillation using wavelets and AI on ECG | |
| CN111956210B (zh) | 一种基于eemd和信号结构分析的心电信号r波识别方法 | |
| CN111956209B (zh) | 一种基于ewt和结构特征提取的心电信号r波识别方法 | |
| CN103034837A (zh) | 特征参数与脉象要素的关联 | |
| Gündüz et al. | Atrial fibrillation classification and detection from ECG recordings | |
| Ji et al. | An intelligent diagnostic method of ECG signal based on Markov transition field and a ResNet | |
| Tseng et al. | Clustering analysis of aging diseases and chronic habits with multivariate time series electrocardiogram and medical records | |
| Liu et al. | Precise and efficient heartbeat classification using a novel lightweight-modified method | |
| Dogan et al. | A comprehensive review of computer-based Techniques for R-peaks/QRS complex detection in ECG signal | |
| Jenkal et al. | Enhanced algorithm for QRS detection using discrete wavelet transform (DWT) | |
| Zairi et al. | Intelligent system for detecting cardiac arrhythmia on FPGA | |
| Serhal et al. | An EMD-based approach for atrial fibrillation classification using wavelets and convolutional neural network | |
| CN116035593B (zh) | 一种基于生成对抗式并行神经网络的脑电降噪方法 | |
| Thungtong | A robust algorithm for R peak detection based on optimal discrete wavelet transform | |
| Kouekeu et al. | Embedded QRS complex detection based on ECG signal strength and trend | |
| Chen et al. | A fast ECG diagnosis using frequency-based compressive neural network | |
| Prashar et al. | Morphology analysis and time interval measurements using mallat tree decomposition for CVD Detection | |
| Aravind et al. | ECG Classification and Arrhythmia Detection Using Wavelet Transform and Convolutional Neural Network | |
| Talatov et al. | Methodology for processing and analysis of diagnostic indicators electrocardiogram based on Labview | |
| Zozulia et al. | Method of vector rhythmcardiosignal automatic generation in computer-based systems of heart rhythm analysis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240703 Address after: 518000 1104, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province Patentee after: Shenzhen Hongyue Information Technology Co.,Ltd. Country or region after: China Address before: 400065 Chongqing Nan'an District huangjuezhen pass Chongwen Road No. 2 Patentee before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS Country or region before: China |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240709 Address after: Room 351, No.15 Shibawan, Binhu District, Wuxi City, Jiangsu Province, 214000 Patentee after: Jiangsu Qixing Health Industry Co.,Ltd. Country or region after: China Address before: 518000 1104, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province Patentee before: Shenzhen Hongyue Information Technology Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right |