CN111956210B - 一种基于eemd和信号结构分析的心电信号r波识别方法 - Google Patents

Abstract

本发明涉及一种基于EEMD和信号结构分析的心电信号R波识别方法，属于心电信号检测技术领域。该方法首先利用EEMD将带噪声的心电信号分解成一系列IMF和残余分量。EEMD分解后的各模态分量可看作是心电信号不同成分，噪声以及R波的线性组合；即R波作为源信号分布在各个IMF中；然后通过ICA算法从各模态分量中提取出R波；最后将ICA分离出的R波分量通过滑动窗口获取R波的包络线获得初步检测的R波，并对初步检测到的R波根据优化标准进行不断迭代优化，最终实现R的识别。本发明针对带噪声的心电信号无需预处理过程即可直接识别R波，且能实现对R波的准确定位。

Description

一种基于EEMD和信号结构分析的心电信号R波识别方法

技术领域

本发明属于心电信号检测技术领域，涉及一种基于EEMD和信号结构分析的心电信号R波识别方法。

背景技术

心电信号(Electrocardiogram,ECG)实时记录着心脏的活动状况，携带着丰富的心律以及病理信息。心电信号由波、段、间期组成，各自携带着对应的临床信息，是心血管疾病诊断的重要依据。正常的心电信号由P波，QRS复合波，T波组成，不同的波对应着心脏不同的电活动过程。R波是QRS复合波中特征最明显的波形，是确定心电信号各波段的重要参考，是ECG自动分析的重要前提。

针对心电信号中R波的识别，硬件方式主要通过峰值电压检测器结合电压比较器和单稳电路对R波进行检测，但会受到器件特性等因素的影响。目前文献以及应用主要采用数字信号处理等软件的方式进行R波的检测，检测思路主要有实时检测方法和模型匹配方法。实时检测方法根据心电信号中R波峰值和斜率的特征对R波进行检测；模型检测方法通过学习的方式获取R波的模板，然后计算模板与心电信号的相关性来实现R波的检测。Pan和Tomkins提出一种基于导数滤波器的R波检测算法。该算法利用导数滤波器对带通滤波后的心电信号进行微分以获取R波的斜率信息，对得到的斜率信息通过自适应双阈值的方法以实现R波的识别。该算法是一种通过阈值处理并且具有低复杂度的实时处理方法。由于特征波频率的变化，基于滤波的方法检测性能受到较大影响。吴建等提出一种基于差分阈值和模板匹配的方法对心电信号的R波进行识别。该方法利用一阶差分获取R波初始模板，通过滑动窗口的方式将初始模板与窗口内的信号进行匹配，寻找相似度最大的匹配信号来定位R波，成功完成一次R波检测后更新模板继续下一次匹配。该方法阈值的设定取决于上一次检测到的R波，当相邻R波出现幅值相差较大的情况，漏检现象比较明显。Merah利用平稳小波变换对心电信号进行多尺度分解，然后对各细节分量进行能量，频率以及相关性分析，根据选取出的合适细节分量的局部极值点信息检测R波。孙亚楠等利用改进的小波阈值法自适应地在恰当的频率子带上提取出R波的候选集，然后根据RR间期的局部变化趋势对R波候选集进行筛选进而实现R波的识别。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波识别的准确率。行鸿彦等利用经验模态分解(Empirical Mode Decomposition,EMD)将心电信号分解成一系列本征模态函数(Intrinsic Mode Function,IMF)，然后结合软阈值的方法进行预处理，再利用模极大值和R波特征点对应的关系实现R波的检测。但EMD存在的模态混叠问题影响R波对应特征点的识别。Raquel提出一种基于有限状态机的自适应阈值的R波检测算法。该算法在预处理阶段去除噪声的同时初始化R峰值阈值，然后利用有限状态机根据信号的变化趋势和之前检测到的R峰值对阈值自适应修正，根据自适应的阈值判定R波的位置。但该方法需要进行复杂的计算。Khaled将人工神经网络(Artificial Neural Network,ANN)引入心电R波的识别。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％。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。然而，在心电信号在采集和传输的过程中受到工频干扰，肌电干扰以及基线漂移的影响，掩盖了QRS复合波的部分特征，严重影响了R波的定位精度。大部分方法在对R波进行识别之前，都会对心电信号进行预处理以排除噪声的干扰，排除噪声干扰的同时可能会丢失心电信号的部分有用信息。因此，Safari提出一种基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和独立成分分析(IndependentComponent analysis,ICA)的方法对带噪声的心电信号直接进行R波的识别，但识别的灵敏度和准确率有待提高。

针对心电信号R波的识别，由于采集和传输过程中各种噪声的干扰，大部分算法都会在R波识别之前进行预处理，排除各种噪声对R波识别的干扰。在预处理过程中，各种预处理算法都会在一定程度上破坏心电信号的有用成分，并且预处理过程会增加整个R波识别的处理时间，难以应用于实时处理。

发明内容

有鉴于此，本发明的目的在于提供一种基于EEMD和信号结构分析R波的识别方法，针对带噪声的心电信号无需预处理过程即可直接识别R波，且能实现对R波的准确定位。

为达到上述目的，本发明提供如下技术方案：

一种基于EEMD和信号结构分析的心电信号R波识别方法，其特征在于，该方法具体包括以下步骤：

S1：通过EEMD分解将带噪声的心电信号分解成一系列IMF和残余分量；

S2：通过ICA算法从各模态分量中提取出R波；

S3：将ICA分离出的R波分量进行结构分析实现R波的识别。

进一步，步骤S1中，EEMD对信号进行分解之前需要确定两个参数：添加的辅助白噪声的大小k以及集合平均次数N，具体确定步骤包括：

1)输入待处理信号x(t)，并计算出该信号幅值标准差σ_x；

2)将x(t)通过EMD分解成一系列IMF和残余量，选取IMF₁作为高频分量，并计算出IMF₁幅值标准差σ₁；

3)根据EEMD中加入白噪声的可依据准则：

确定k的大小，其中

一般情况下，

就能有效避免信号在分解时出现的模态混叠问题；

4)根据EEMD中集合平均次数N与白噪声大小k的关系：

确定N的大小，其中e为预设相对误差，通常设为1％即可满足要求。

进一步，所述步骤S1具体包括：输入带噪声的心电信号y(n)，其中混有工频干扰、肌电干扰以及基线漂移三种噪声，根据确定的添加白噪声的大小k和集合平均的次数N对y(n)进行EEMD分解。

进一步，所述步骤S2具体包括：假设存在N个随机信号x₁、x₂、…、x_n，由n个相互独立的非高斯信号s₁、s₂、…、s_n线性表示，即：x_i＝a_i1s₁+a_i2s₂+...+a_ins_n，其矩阵表达式为：

X＝AS

其中，A为混合矩阵，S为独立源向量，X为观测信号向量；

在源信号S中各分量未知且相互独立和A未知的条件下，由观测信号X估计分离矩阵W，用输出信号Y估计S，即：

Y＝WX

利用EEMD分解后的IMF构造ICA算法中的观测信号矩阵X：

并利用基于最大负熵的FastICA算法从观测信号矩阵中提取出R波的源信号H(n)。

进一步，所述步骤S3具体包括以下步骤：

S31：从H(n)中提取出所有波峰的特征点，波峰集的定义如下：

其中，sgn()表示符号函数，v表示满足波峰集的特征值；

S32：计算以时间步长i为中心，大小为2α+1的滑动窗口内特征值的平均值α_i和标准差s_i：

α_i＝mean(v_j|i-α≤t_j≤i+α)

s_i＝std(v_j|i-α≤t_j≤i+α)

S33：若特征H(i)是滑动窗口内的一个离群值，则假定它是构成R峰值包络线的一个节点，判断该特征是否是滑动窗口内的离群值，离群值需满足以下条件：

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％；

S34：若特征H(i)满足以上条件并且超出1σ界限，则该特征是一个离群值；利用该特征构造R峰值包络节点：

NT＝{H(i)|v_i＞α_i+s_i}

S35：对NT按t_i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H(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S32的时候，取

F_s为心率；

S36：根据构建的R峰值包络线确定R波的位置，但存在漏检和误检现象；对检测到的R波进行修正，对算法进行优化；搜索R_i内连续太近的波峰对，去除振幅最小的一个以排除误检；搜索R_i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R峰值太过接近和太过分离进行判断，判断标准分别如下公式：

其中，R_i(k)表示第i次迭代搜索过程中R峰k，R_i(j)表示第i次迭代搜索过程中R峰j，F_s表示所检测心电信号的心率，HR_max表示最大心率，HR_min表示最小心率。

本发明的有益效果在于：本发明针对带噪声的心电信号提出一种无需预处理过程直接识别R波的算法。该算法首先利用EEMD将带噪声的心电信号分解成一系列IMF和残余分量。EEMD分解后的各模态分量可看作是心电信号不同成分，噪声以及R波的线性组合；即R波作为一个源信号分布在各个IMF中；然后通过ICA算法从各模态分量中提取出R波；最后将ICA分离出的R波分量通过滑动窗口获取R波的包络线获得初步检测的R波，并对初步检测到的R波根据优化标准进行不断迭代优化，最终实现R的识别。本发明对带噪声的心电信号具有较高的识别性能，对心电信号R波的实时检测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为本发明心电信号R波识别方法的流程框图；

图2为原始sel223信号和添加5dB高斯白噪声的sel223信号；

图3为Pan-Tomkins算法对y(n)的R波检测结果仿真图；

图4为EEMD-ICA算法对y(n)的R波检测结果仿真图；

图5为本发明算法对y(n)的R波检测结果仿真图；

图6为长停顿心电信号片段R波识别效果图；

图7为T波高大心电信号片段R波识别效果图。

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。

请参阅图1～图7，针对带噪声的心电信号，本发明提出一种无需预处理直接对R波进行识别的算法。如图1所示，该算法：首先利用EEMD将带噪声的心电信号分解成一系列IMF和残余分量。EEMD分解后的各模态分量可看作是心电信号不同成分，噪声以及R波的线性组合。即R波作为一个源信号分布在各个IMF中。然后通过ICA算法从各模态分量中提取出R波。最后将ICA分离出的R波分量进行结构分析实现R波的识别。

1、集合经验模态分解

为了解决经验模态分解(Empirical Mode Decomposition,EMD)存在的模态混叠问题，在原始信号上加入若干次辅助白噪声，把每一次构造的信噪混合体进行EMD分解，最后对各模态分量取平均值获取逼近的真实模态。EEMD具体步骤如下：

1)在原始信x(t)加入大小为k·σ_x·n(t)的辅助白噪声构成信噪混合体X₁(t)＝x(t)+k·σ_x·n(t)，其中，k为所加白噪声与原始信号幅值标准差的比值，σ_x为原始信号标准差，n(t)为归一化白噪声。

2)对信噪混合体X₁(t)进行EMD分解，得到M个IMF分量c_j(t)(j＝1,2...M)和一个残余量r(t)，可以表示为：

3)重复步骤1)和步骤2)，每次加入不同大小的辅助白噪声构成新的信噪混合体：

X_i(t)＝x(t)+k_i·σ_x·n(t) (2)

其中，X_i(t)(i＝1,2...N)为第i次加入辅助白噪声后的信号，k_i为第i次加入的白噪声与原始信号x(t)幅值标准差比值。

对每次得到的信噪混合体X_i(t)进行EMD分解：

其中，c_ij(t)表示X_i(t)经过EMD分解后的第j个IMF，r_i(t)表示X_i(t)分解后的残余量。

4)重复步骤1)和步骤2)N次，将每次EMD分解对应的IMF分量和残余量求平均值：

其中，c_j(t)表示EEMD分解后得到的第j个IMF分量，r_m(t)为EEMD分解后的残余量。

5)最终得到的分解结果为：

2、EEMD分解参数的确定

EEMD对信号进行分解之前需要确定两个十分重要的参数：添加的辅助白噪声的大小k以及集合平均次数N。通常情况下，这两个参数的设置是根据经验进行确定，这大大降低了算法的自适应性和适用范围。为了有效避免模态混叠，保护信号中的有用成分，使得信号的分解结果最优化，本发明给出了k和N选取的具体过程。

1)输入待处理信号x(t)，并计算出该信号幅值标准差σ_x。

2)将x(t)通过EMD分解成一系列IMF和残余量，选取IMF₁作为高频分量，并计算出IMF₁幅值标准差σ₁。

3)根据EEMD中加入白噪声的可依据准则：

确定k的大小，其中

一般情况下，

就能有效避免信号在分解时出现的模态混叠问题。

4)根据EEMD中集合平均次数N与白噪声大小k的关系：

确定N的大小，其中e为预设相对误差，通常设为1％即可满足要求。

3、本发明算法的应用流程，具体如下：

1)通过对EEMD分解后的IMF做ICA分析，从IMF中提取出R波的源信号，通过对ICA提取的R波分量进行结构分析实现对R的识别。本发明算法流程图如图1所示，具体实现步骤如下：输入带噪声的心电信号，其中y(n)中混有工频干扰、肌电干扰以及基线漂移三种噪声，根据上文确定的添加白噪声的大小k和集合平均的次数N对y(n)进行EEMD分解。

2)独立成分分析是一种将多元(多维)统计数据分解为多个统计独立且非高斯的分量线性和的统计方法。ICA是一个不断迭代优化的过程，使得从观测信号分离出的各个独立分量最大程度接近各信号源。假设存在N个随机信号x₁、x₂、…、x_n，可由n个相互独立的非高斯信号s₁、s₂、…、s_n线性表示，即：x_i＝a_i1s₁+a_i2s₂+...+a_ins_n。其矩阵表达式为：

X＝AS (7)

式中，A为混合矩阵，S为独立源向量，X为观测信号向量。

ICA分析就是在源信号S中各分量未知且相互独立和A未知的条件下，由观测信号X估计分离矩阵W，用输出信号Y估计S，即：

Y＝WX (8)

为了得到从观测信号X中分离出各独立源信号，本发明采用基于最大负熵的FastICA算法。该方法以负熵为搜索目标，依次提取各独立源信号。利用EEMD分解后的IMF构造ICA算法中的观测信号矩阵X：

并利用基于最大负熵的FastICA算法从观测信号矩阵中提取出R波的源信号H(n)。

3)从H(n)中提取出所有波峰的特征点，波峰集的定义如下：

式中，sgn()表示符号函数，v表示满足波峰集的特征值。

4)计算以时间步长i为中心，大小为2α+1的滑动窗口内特征值的平均值α_i和标准差s_i：

α_i＝mean(v_j|i-α≤t_j≤i+α) (10)

s_i＝std(v_j|i-α≤t_j≤i+α) (11)

5)若特征H(i)是滑动窗口内的一个离群值，则假定它是构成R峰值包络线的一个节点，判断该特征是否是滑动窗口内的离群值，离群值需满足以下条件：

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％。

6)若特征H(i)满足以上条件并且超出1σ界限，则该特征是一个离群值。利用该特征构造R峰值包络节点：

NT＝{H(i)|v_i＞α_i+s_i} (12)

7)对NT按t_i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H(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。因此我们在执行步骤4)的时候，取

F_s为心率。

8)根据构建的R峰值包络线确定R波的位置，但存在漏检和误检现象。需要对检测到的R波进行修正，对算法进行优化。搜索R_i内连续太近的波峰对，去除振幅最小的一个以排除误检。搜索R_i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R峰值太过接近和太过分离进行判断，判断标准分别见公式(13)和(14)如下：

式中，R_i(k)表示第i次迭代搜索过程中R峰k，R_i(j)表示第i次迭代搜索过程中R峰j，F_s表示所检测心电信号的心率，HR_max表示最大心率，本次取HR_max＝220bpm，HR_min表示最小心率，本次取HR_min＝30bpm。

4、验证实验

1)仿真分析

为了验证本发明算法的R波识别效果，本实施例所使用的心电信号数据来自QT数据库。该数据库中的数据主要从现有的心电数据库中选择，包括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，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^[22]。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。本实验随机选取12个心电记录，并采用每个记录中的第一通道的数据x(n)作为实验心电信号源。在x(n)上叠加5dB高斯白噪声构造带噪声的心电信号y(n)(其中y(n)混有工频干扰、肌电干扰以及基线漂移三种噪声，工频干扰和基线漂移来自x(n)，肌电干扰采用5dB的高斯白噪声模拟)。为了验证本发明算法的实际应用效果，分别通过Pan-Tomkins算法，EEMD-ICA算法和本发明算法分别对y(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。

为了对R波的识别效果进行定量分析，引入灵敏度Sen，阳性准确率+P和准确率Acc这三个指标对仿真结果进行评估。

(1)灵敏度：

式中，TP为正确识别到的R波的个数，FN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，FP误检的R波的个数。

(3)准确率：

2)算法有效性验证

为了验证本发明算法的有效性，分别通过Pan-Tomkins算法，EEMD-ICA算法和本发明算法分别对为了验证本发明算法的有效性，分别通过Pan-Tomkins算法，EEMD-ICA算法和本发明算法分别对y(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。

(1)定性分析

图2展示了信号sel223即x(n)和加入5dB高斯白噪声的sel223信号即y(n)。从图2中可以看出，sel223信号中自带工频干扰和基线漂移，我们采用5dB高斯白噪声模拟肌电干扰并叠加在x(n)上构造信噪混合体。分别采用Pan-Tomkins算法，EEMD-ICA算法和本发明算法对y(n)中的R波进行识别，为了方便更清楚地从仿真图中看到R波的检测情况，本实施例将在y(n)中识别到的R波的位置标记在来自QT数据库的信号x(n)上。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。

从图3中可以看出，Pan-Tomkins算法对混有工频干扰，基线漂移以及肌电干扰的心电信号y(n)进行R波检测的时候，在第85个采样点处，由于该处R波的幅值与附近采样点的R波幅值相比较小从而发生了漏检现象；在第8571和9650个采样点处，由于在8166～10600之间心电信号发生失常，导致Pan-Tomkins算法在这两个位置发生误检现象。从图4中可以看出，EEMD-ICA算法在对y(n)进行R波检测的时候，在第85个采样点处发生漏检现象；在第8571个采样点处发生误检现象。EEMD-ICA算法通过ICA算法对EEMD分解的各模态分量进行盲源分离，从各模态分量中分离出R波的源信号，起到了增强R波特征的作用，但是该方法对R波的检测方法仍采取的是

Pan-Tomkins算法，虽然对误检现象有所改善，但改善效果并不理想。从图5中可以看出，本发明算法正确检测出y(n)中所有的R波，消除了前两种算法在在第85个采样点处发生的漏检现象，修正了前两种算法在第8571个采样点处发生的误检。

(2)定量分析：

本发明从QT数据库随机选取12个心电记录，并采用每个记录中的第一通道的数据x(n)作为实验心电信号源。在x(n)上叠加5dB高斯白噪声构造带噪声的心电信号y(n)。针对带噪声心电信号y(n)中R波的识别，本发明通过灵敏度，阳性准确率，准确率这三个指标来定量评估本发明算法的性能，结果如表1所示。

表1本发明算法R波识别性能评估

表2三种R波识别算法性能对比

从表1中可以看出，本发明算法对带噪声心电信号R的具有很好的识别效果，灵敏度可达99.94％，阳性准确率可达99.94％，准确率达到99.87％。从表2可以看出，本发明算法与其他两种算法相比，带噪声心电信号R波识别的漏检和误检现象得到明显改善。在图2和图3中，可得到EEMD-ICA算法对带高斯白噪声的sel223信号片段的识别效果优于Pan-Tommkins算法。随着测试数据的增多，通过评价指标可得到EEMD-ICA算法性能不如Pan-Tomkins算法；与Pan-Tomkins算法相比，本发明算法R波识别灵敏度提高了0.56％，阳性准确率提高了0.1％，准确率提高了0.65％，可以达到更好的识别效果。

3)算法有效性验证

为了验证本发明方法的稳定性，利用本发明算法去识别病变明显的心电信号中的R波。本发明分别对最容易出现错检的长停顿的心电信号片段和T波高大的心电信号片段进行R波识别。R波的识别结果分别见图6和图7。从图6和图7中可以看出，本发明算法针对最容易出现错检的长停顿的心电信号片段和T波高大的心电信号片段的R波具有良好的识别效果。

本实验选用QT数据库的12组心电记录，并对其叠加5dB的高斯白噪声构造带噪声的心电信号作为本发明算法的待识别信号，通过定量分析和定性分析对本发明算法的R波识别效果进行衡量。仿真结果表明，本发明算法对带噪声的心电信号具有较高的识别性能，对心电信号R波的实时检测具有十分重要的意义。

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EEMD和信号结构分析的心电信号R波识别方法，其特征在于，该方法具体包括以下步骤：

S1：通过集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)将带噪声的心电信号分解成一系列本征模态分量(Intrinsic Mode Function,IMF)和残余分量；

EEMD对信号进行分解之前需要确定两个参数：添加的辅助白噪声的大小k以及集合平均次数N，具体确定步骤包括：

1)输入待处理信号x(t)，并计算出该信号幅值标准差σ_x；

2)将x(t)通过EMD分解成一系列IMF和残余量，选取IMF₁作为高频分量，并计算出IMF₁幅值标准差σ₁；

3)根据EEMD中加入白噪声的依据准则：

确定k的大小，其中

4)根据EEMD中集合平均次数N与白噪声大小k的关系：

确定N的大小，其中e为预设相对误差；

S2：通过ICA算法从各模态分量中提取出R波，具体包括：假设存在N个随机信号x₁、x₂、…、x_n，由n个相互独立的非高斯信号s₁、s₂、…、s_n线性表示，即：x_i＝a_i1s₁+a_i2s₂+...+a_ins_n，其矩阵表达式为：

X＝AS

其中，A为混合矩阵，S为独立源向量，X为观测信号向量；

在源信号S中各分量未知且相互独立和A未知的条件下，由观测信号X估计分离矩阵W，用输出信号Y估计S，即：

Y＝WX

利用EEMD分解后的IMF构造ICA算法中的观测信号矩阵X：

并利用基于最大负熵的FastICA算法从观测信号矩阵中提取出R波的源信号H(n)；

S3：将ICA分离出的R波分量进行结构分析实现R波的识别，具体包括以下步骤：

S31：从H(n)中提取出所有波峰的特征点，波峰集的定义如下：

其中，sgn( )表示符号函数，v表示满足波峰集的特征值；

S32：计算以时间步长i为中心，大小为2α+1的滑动窗口内特征值的平均值α_i和标准差s_i：

α_i＝mean(v_j|i-α≤t_j≤i+α)

s_i＝std(v_j|i-α≤t_j≤i+α)

S33：若特征H(i)是滑动窗口内的一个离群值，则假定它是构成R峰值包络线的一个节点，判断该特征是否是滑动窗口内的离群值，离群值需满足以下条件：

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％；

S34：若特征H(i)满足以上条件并且超出1σ界限，则该特征是一个离群值；利用该特征构造R峰值包络节点：

NT＝{H(i)|v_i＞α_i+s_i}

S35：对NT按t_i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H(i)在构造的R峰包络线ET(i)中都有对应的值；在执行步骤S32的时候，取

F_s为心率；

S36：根据构建的R峰值包络线确定R波的位置；对检测到的R波进行修正，对算法进行优化；搜索R_i内连续太近的波峰对，去除振幅最小的一个以排除误检；搜索R_i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R峰值太过接近和太过分离进行判断，判断标准分别如下公式：

其中，R_i(k)表示第i次迭代搜索过程中R峰k，R_i(j)表示第i次迭代搜索过程中R峰j，F_s表示所检测心电信号的心率，HR_max表示最大心率，HR_min表示最小心率。

2.根据权利要求1所述的心电信号R波识别方法，其特征在于，所述步骤S1具体包括：输入带噪声的心电信号y(n)，其中混有工频干扰、肌电干扰以及基线漂移三种噪声，根据确定的添加白噪声的大小k和集合平均的次数N对y(n)进行EEMD分解。

Images