基于改进小波变换的QRS特征提取算法研究

张清丽， 苏士美， 王 猛

(郑州大学 电气工程学院 河南 郑州 450001)

DOI: 10.13705/j.issn.1671-6841.2016340

基于改进小波变换的QRS特征提取算法研究

张清丽， 苏士美， 王 猛

(郑州大学 电气工程学院 河南 郑州 450001)

提出了一种改进小波变换的方法对心电信号进行检测.首先设计不同的方法对心电干扰进行消噪预处理；然后对预处理后的心电信号采用改进小波变换和窗口函数的方法检测QRS波群；最后利用MIT-BIH标准数据库中的数据对此算法的准确度和有效性进行验证.结果表明改进小波变换方法对R波峰值定位的准确度可达到99.89%，为其他波群的检测定位奠定良好的基础，对诊断心肌梗死等心血管疾病具有重要意义.

小波变换； 特征提取； 基线漂移； 滤波； 心肌梗死

DOI: 10.13705/j.issn.1671-6841.2016340

0 引言

心电信号[1]是目前诊断心肌梗死等疾病的主要方法之一.随着计算机的发展和互联网的普及，心电信号的自动分析诊断[2]已经成为国内外研究的重点，其准确性和时效性有了很大的提高.但由于心电信号本身复杂多变以及传统心电信号处理方法的局限性，使得模拟分析和实际临床仍然有较大出入，并不能完全达到诊断要求.因此，改进传统的心电信号处理方法、探索新的解决方案，进一步提高心电特征提取的准确性，仍然是当前心电分析领域中迫切需要解决的一个问题.

1 心电信号的特征提取

随着小波理论的发展，采用小波变换[3-4]方法对心电信号进行特征提取成了主流.但受固定阈值和小波尺度只能按2的整数次方取值的限制，小波特征点提取仍存在一定的误差.文献[5]采用经验模式分解的算法，在检测速率方面优于其他传统算法，但在噪声干扰较大或者波形突变严重的波形检测中容易出现较大的漏检和误检.小波变换方法结合其他方法应用于特征检测[6-11]虽然取得了一定效果，但准确度仍有待提高.

本文经过大量的实验对比决定选取与心电信号波形最为相像的高斯平滑函数的二阶导数即Mexican-hat小波为基小波，这种小波具有良好的局部化分解特性，有助于减少信号中噪声的干扰，而小波尺度的选择和自适应阈值的选取则是经过大量的实验分析决定的.

1.1数据来源

MIT-BIH心电数据库是目前心电数据处理中最广泛使用的数据库，在分类和检测算法的发展过程中，被用作算法检测和测试分类的参考标准.MIT-BIH心律失常数据库包含48 个记录，每条记录略超过30 min，每个信号采样频率为360 Hz，本文所用的数据均取自MIT-BIH心电数据库.

1.2小波变换的尺度选择

心电信号经过小波变换后，其小波系数在各个尺度上具有很大的相关性，当尺度逐渐增大时，信号也会相应发生变化.

首先对预处理后的心电信号进行8尺度小波变换，小波变换后的心电波形如图1，对比变换后的信号可以看出，信号的高频噪声主要集中在1和2尺度上，在4和5尺度上QRS波的能量比较集中，运动轨迹、基线漂移等心电干扰则主要集中在5以上的尺度上.

图1 心电信号及其在各尺度下的小波变换Fig.1 Signal and its wavelet transform in various scales

为了避免干扰对心电信号造成影响，同时最大限度地检测QRS波群，本文主要采用4尺度上的小波变换对信号进行检测.

1.3R波的峰值点定位

心电信号中QRS波群占据了信号的绝大部分能量，是整个心电信号中最关键的部分，因此准确提取QRS波群是提取P波、T波等其他波形的基础.本文采用改进小波变换方法提取心电特征点，其中，R波具体检测步骤为：

1) 首先输入一段预先处理好的心电信号X(n)；

2) 采用连续小波变换对X(n)心电信号进行8尺度分解，并选择最适合的尺度对信号进行提取，本文选择4尺度；

3) 找出4尺度小波系数中的正负极值对，R波具有斜率大幅值大的特点，在4尺度的小波系数上分别对应着一个极值对，并对获得的极值用sort()命令进行升序排列；

4) 确定阈值：分别取后7个最大极值和前7个最小极值；

(1)

(2)

5) R波的判定：根据已经确定的阈值，大于阈值的则可暂时判定为R波，保留并在原心电信号上进行精确校准，同时求出平均RR间期RR-mean.

误检和漏检的排除.

排除误检：如果检测到相邻两个极大值间距小于0.4倍的RR平均间期，证明存在误检，则删除极值小的一点，重新计算R波峰和RR间期，就可以获得修正后的R波位置.

排除漏检：如果检测到相邻两个极大值间距大于1.6倍RR-mean，证明存在漏检，则可降低阈值幅度为原阈值一半重新在这两个R峰点间进行搜索.

图2 QRS波检测定位Fig.2 The QRS wave detection

1.4Q、S波的定位以及QRS复合波的起止点检测

在小波4尺度上，从R波峰值点开始依次向前在100个采样点的窗口函数内寻找第一个极值点，取此极值点之前的15个采样点的位置为基点.把基点和R波峰值点连成一条直线，从基点开始依次向右直到R波峰值点，取心电信号上到直线上的距离最大的点作为Q波峰值点.

S波的定位与Q波类似，是R波之后的点.在准确定位到Q波和S波的峰值点后,可以很方便地在一定宽度的时间窗内检测到QRS复合波的起点和终点.经过大量的检测实验，我们得出Q波起点是Q波之前窗口函数为110个采样点内最靠近基线(零值线)的点，而S波终点是S波之后窗口函数为80个采样点内最靠近基线的点.QRS特征点的定位如图2所示.

2 算法的检测结果

为了验证本算法的准确性，本文采用美国MIT-BIH心电数据中的28份数据(每份前30 min)进行验证.本文所进行的实验平台matlab R2012，并采用阳性预测率为本算法的评价指标：

(3)

其中：TP是正确检测出的QRS波数量；FP是错误检出的QRS波数量；FN是漏检的QRS波.从表1可以看出本文所采用的算法可以很好地将心电特征点检测出来，其平均准确率达到了99.89%，比文献[12]采用的小波6尺度上提取QRS波形准确率提高了0.4%.同时本文提出的改进小波变换方法不仅能准确检测正向R波，对倒置R波和双向R波都有很好的检测效果，另外由于其对低频和高频噪声有非常好的抑制作用，所以对噪声干扰严重和波形畸变较大的心电信号的检测准确度也很高.

表1 MIT-BIH数据库部分心电数据R波检测统计

虽然本文的算法对心电特征提取的准确率有所提高，但并未在处理速度上进行分析和对照说明，是未来实验的方向，有待进一步研究.

[1] 曹鸯婷，陈俊丽. 改进型阈值提取心电信号的R峰值[J].电子测量技术，2015，38(12)：107-110.

[2] 侯宗波. 心电信号自动分析与识别研究[D]. 济南：山东中医药大学，2016.

[3] 朱杰檀，柒惠. 消除心电信号基线漂移简单方法及其仿真[J]. 医疗卫生装备，2012，33(8)：16-20.

[4] 王蔷薇，孙朋，庞宇，等. 基于提升小波的心电信号R波检测算法研究[J]. 生命科学仪器，2015，13(9)：37-49.

[5] 林绍杰，张攀登，吴凯，等. 基于经验模式分解的心电特征提取算法[J]. 生物医学工程研究，2009，26(4)：328-330.

[6] 唐炬，樊雷，张晓星，等. 用谐波小波包变换法提取GIS 局部放电信号多尺度特征参数[J]. 电工技术学报，2015，3(30)：250-257.

[7] REKIK S，ELLOUZE N. QRS detection combining entropic criterion and wavelet transform[J]. International journal of signal and imaging system engineering，2016，9(4/5)：299-304.

[8] ZHANG C，QIU T S. Characteristic wave detection in ECG based on DSMD and local feature conversion[J]. Beijing biomedical engineering，2013，32(1)：318-320.

[9] ELGENDI M，ESKOFIER B，DOKOS S A. Revisiting QRS detection methodologies for portable，wearable，battery-operated，and wireless ECG systems[J]. Plos one，2014，9(1)：1-18.

[10] SHARMA T，SHARMA K K. QRS complex detection in ECG signals using the synchro squeezed wavelet transform[J]. IEEE journal of research，2016，62(6)：855-892.

[11] YOCHUM M，RENAUD C，JACQUIR S. Automatic detection of P，QRS and T patterns in 12 leads ECG signal based on CWT[J]. Biomedical signal processing and control，2016，25：46-52.

[12] 尹咪咪. 心电信号分析处理及心肌梗塞疾病模型的建立[D]. 郑州：郑州大学，2016.

(责任编辑：王浩毅)

QRSFeatureExtractionAlgorithmBasedonWaveletTransform

ZHANG Qingli, SU Shimei, WANG Meng

(SchoolofElectricalEngineering，ZhengzhouUniversity，Zhengzhou450001，China)

An improved method of wavelet transform to detect ECG signal was proposed. Firstly, different methods were designed to remove ECG interference; then the improved wavelet transform method and the window function were used to detect the signal′s QRS wave; finally, the data in the MIT-BIH database was used to verify the accuracy and effectiveness. The results showed that the accuracy could reach 99.89% for R wave peak positioning, which could be a good foundation for other wave groups location. The result would be of great significance for the diagnosis of cardiovascular diseases.

wavelet transform; feature extraction; baseline drift; filter; myocardial infarction

2016-12-28

张清丽(1989—)，女，河南周口人，主要从事信号检测与处理研究，E-mail：848139807@qq.com；通信作者：苏士美(1965—)，女，河南永城人，副教授，主要从事信号检测与处理研究，E-mail：smsu@zzu.edu.cn.

TN911.72

A

1671-6841(2017)04-0100-04