QRS波群識別方法的對比研究

張強兵　龐宇

【摘 要】快速而準確檢測出心電信號中QRS波群的位置，是心電信號自動分析和診斷系統中的一個關鍵環節，各種算法層出不窮。本論文圍繞心電信號QRS波群的檢測的關鍵技術展開研究，分別對幾種經典方法和新興的神將網絡法進行了對比分析。

【關鍵詞】QRS波群；小波變換；差分閾值；數學形態

0 引言

隨著移動通信、電子、醫學及計算機技術的迅猛發展，電子產品集成度的不斷提高，使得心電數據的遠程實時監測已經成為了一種可能[1]。ECG信號分析的關鍵是對QRS波群的識別，是分析心臟狀態的重要依據。QRS波群的識別過程分為三個步驟：首先，是對信號進行去噪處理，抑制噪聲；然后，是對R波的進行識別；最后，通過對于R波的識別，基于一定的方法進一步識別Q波和S波。目前，QRS波群的識別方法有很多，其基本的思想是利用QRS特征波在時域圖形和處理后圖形中對應的關系，來進行識別。本文分別對閾值法、小波變換法、神經網絡法、數學形態法等進行了對比。

1 差分閾值法

差分閾值法是由閾值法發展而來的，閾值法的基本原理：ECG信號中某時刻的數據幅度值大于所設定的閾值，就可判定該時刻存在一個可能的R波。通過對該時刻所在小范圍內的數據進行修正，可最終確定R波。

而差分閾值法的基本原理：ECG信號的R波和其二階差分的極小值存在固定的位移關系，而且R、Q和S波在ECG的一階差分信號中都表現為過零點。對ECG信號及其一階差分和二階差分進行適當的處理，由滿足條件的二階差分局部極小值即可對ECG 信號的R波進行精確定位；再由已知的R波在一階差分位置的前后過零點，即可識別出Q、S波等特征波[2]。

總體來講，差分閾值檢測法的優點是算法原理簡單、計算量較小、實時性好，容易于硬件實現，對低頻噪聲有較強的抑制能力，但對各類高頻噪聲的消噪效果并不理想，比較容易受到大的T波、肌電干擾和高頻偽跡的影響，單獨使用時，只有通過復雜的判斷邏輯去彌補噪聲對檢測帶來的影響。與其它檢測方法相比，其檢測精度相對較低，檢測率一般只能達到95%左右[3]，在噪聲干擾嚴重的情況下，其誤檢率增大，不適用于ECG信號的精確檢測分析。

2 小波變換法

小波變換法是近年來興起的信號處理技術，已逐步應用于醫學信號分析中，尤其是在心電信號分析中具有獨特優勢。小波變換具有優良時頻域局部化特點[4]，其時頻窗口面積固定，具有形狀可變的自適應能力，可對信號進行不同尺度的線性變換，其實質是帶通濾波。

小波識別法的原理：在對信號進行分析時，可根據心電信號中各波形的頻率分布來進行多尺度分析，在某些尺度上可充分突出QRS波群特征，利用小波進行多尺度的變換，搜索在各尺度空間上的模極大值位置，從而檢測到QRS特征波的位置。

與差分閾值法相比，小波變換的計算量雖相對較大，但檢測率則要高，檢測率在99%以上。使用小波變換法需要高性能的硬件支撐，如ARM、DSP或PC等，隨著微處理器性能的提高和計算機多處理器技術的發展，這種方法運用的越來越廣泛。

3 神經網絡法

神經網絡方法是近年來迅速發展的一種用于模式識別的新型計算機和人工智能技術，其在ECG信號的處理分析方面主要是用于分類、重構和壓縮。由于神經網絡具有自學習和自適應能力，其優良特性對解決醫學問題極具優勢。神經網絡缺點在于學習訓練需要太多的時間，而且要求訓練樣本需有一定的代表性。有文獻提出分別利用人工智能網絡和回傳神經網絡來實現ECG信號的檢測與分析，雖然可獲得良好的判別效果，但神經網絡法的算法學習訓練時間長，運算量過大，因而難以適用于實時檢測。

4 數學形態法

數學形態學的基本思想是通過使用結構元素在圖形中不斷地移動，來考察出圖形各部分間的關系。在使用不同結構元素對同一信號進行處理時，會得出不同的結果，因此選用的結構元素圖形屬性應盡量相似于所要處理的圖形。

圖1 直線和三角形結構元素

數學形態法方法的原理：先對ECG信號做形態學運算，再對信號進行QRS復合波檢測，其核心就是對ECG信號進行波峰和波谷特征提取，顯著增強QRS復合波，同時減弱P波和T波。其基本的運算包括：腐蝕、膨脹，這兩種基本運算的定義與集合的運算密切相關，其中開和閉運算就是經過腐蝕和膨脹復合運算得到的[8]。

形態開和形態閉運算的作用分別是抑制峰值噪聲和波谷噪聲，其濾波效果與結構元素的形狀和尺寸相關[9]。選擇的結構元素不同，將會產生不同的濾波效果。

對于心電信號的處理，結構元素的選擇應結合心電信號各個波形的特征。由MIT-BIH數據庫中ECG數據的采樣率（360Hz）和各個特征波的時間寬度可知特征波形的采樣點數，如表1所示：

表1 特征波時間寬度與采樣點數的關系

常用的結構元素如直線形、三角形，如圖1所示。

運用數學形態濾波器對ECG信號進行處理，可以很好的保持原始信號的幾何特征。其能夠對基線漂移進行很好的抑制，并且濾波器的組合簡單，運算速度快、實時性好[11]。但對于高頻干擾的濾除并不易，這主要是由于個體差異性，心電的主成分頻率因人而異，使得結構元素的變動范圍較大，在濾除高頻噪聲時，容易使得QRS波段產生失真。基于數學形態的閾值檢測法，檢測率一般可達97%左右。 5 結束語

本文對心電信號QRS波群的檢測的關鍵技術展開論述，分別對幾種經典方法和新興的神將網絡法的基本理論、實現過程和特點進行了較為詳盡的闡述，并對比分析了幾種方法的優劣。隨著電子技術的發展，一些高性能的處理器芯片已經運用到智能手機中，使得使用智能手機處理小波變換這類運算量大的心電檢測算法成為可能。如果能夠解決傳統閾值法的容易受到高頻噪聲干擾的特點，則可作為智能終端的算法。該論文對于遠程心電醫療監護客服端軟件的設計與應用具有參考價值，今后的研究工作主要包括深入研究心電數據，并使心電檢測程序更為智能化。

【參考文獻】

[1]朱凌云.移動心電監護系統ECG信號的智能監測與分析方法研究[D].重慶大學，2003.

[2]朱凌云，吳寶明.移動心電監護系統QRS波的實時監測算法研究[J].儀器儀表學報，2005，6（26）：604-604.

[3]李延軍，嚴洪.QRS波群檢測常用算法的比較[J].生物醫學工程學進展，2008，2（29）：101-107.

[4]張美慧.心電信號自動分析算法的研究[D].西南交通大學，2007.

[5]Lisha Zhong.Smart-Phone Based Automatic Arrhythmia Detection and Diagnosis. Bioinformatics andBiomedical Engineering[J].（ICBBE）2011，5thInternational Conference on，2011：1-4.

[6]張德豐.Matlab小波分析[M].機械工業出版社，2009.50-51.

[7]李翠微.長時間動態心電圖的特征提取與診斷[D].西安交通大學，1994.

[8]Young.N，Evans.A.N.Spatio-temporal attribute morphology filter for noise reduction in image sequences[J].IEEE Image Processing，2003：14-17.

[9]張乾，趙春暉.一種濾除心電信號中噪聲的形態濾波方法[J].應用科技，2002，9（29）：9-11.

[10]田絮資，楊建.心電信號去噪的數學形態學濾波器[J].計算機工程與應用，2012，48（2）：124-126.

[11]劉忠國，王金亮.基于形態學濾波器的ECG信號預處理[J].生物醫學工程學雜志，2011，2（28）：365-368.

[責任編輯：劉帥]