面向網(wǎng)絡邊緣側(cè)的心電信號處理技術(shù)

龐 宇, 張博臻, 蔣 偉, 王志成, 趙鴻毅

(重慶郵電大學光電工程學院, 重慶 400065)

心血管疾病是威脅人類身體健康的常見疾病之一。隨著生活節(jié)奏不斷加快、工作壓力日益增大,心血管疾病常常出現(xiàn)在平時看似健康的人群中,發(fā)病率有快速上升的趨勢,同時由于心血管疾病的致死率十分高,所以心血管疾病的危害極大,找到有效的手段對心血管疾病進行防控刻不容緩。而心電信號(electrocardiogram, ECG)是描記心臟電位變化的曲線,這些信號中包含豐富的病理信息,對心臟基本功能及其病理研究具有重要的參考價值[1],通過心電信號可以對疾病進行預警和診斷,從而實現(xiàn)對心臟類疾病發(fā)病率和死亡率的有效控制。

長期以來,研究心電信號處理技術(shù)在疾病防治工作中十分重要。心電信號處理技術(shù)的關(guān)鍵在于信號的噪聲消除和特征波段的識別；噪聲消除的意義在于能夠最大限度地抑制和消除心電信號中的噪聲,得到純凈的信號進行分析研究；而識別特征波段的意義在于能夠準確識別信號中的特征波段,只有準確識別到信號中的特征波段后,才能保證后續(xù)的生命體征參數(shù)計算和病理分析。常見的心電信號去噪算法有:經(jīng)典數(shù)字濾波器法、自適應濾波、小波閾值法、形態(tài)學濾波等,這些噪聲消除算法各有優(yōu)劣,應根據(jù)不同的應用需求進行選擇。常見的心電信號特征波段檢測算法有:差分閾值法、模板匹配法和小波變換法等；差分閾值法原理簡單、計算速度快、實時性好,但是很容易因為噪聲影響到檢測效果；模板匹配法使用標準的信號建立模板,通過將模板與待檢測信號進行對比,得到特征波段的位置信息,是一種基于統(tǒng)計識別的檢測算法[2],該算法其穩(wěn)定性高,但是計算量較大、耗時較長；小波變換法將待檢測信號與小波模板函數(shù)進行對比,從而檢測到信號的特征波段,雖然小波變換法對心電信號特征波段靈敏度較高[3-4],有著很好的數(shù)據(jù)性和時頻多分辨功能[5],但是算法較為復雜,不能滿足實時檢測的需求；在進行檢測算法的選擇時,應根據(jù)信號質(zhì)量和應用需求決定檢測算法,要結(jié)合實際情況進行算法選擇[6]。

近年來,物聯(lián)網(wǎng)的快速發(fā)展讓各種全新的傳感設備能夠融入各種物體、設施和環(huán)境中,這使得這些物體和設備擁有信息處理能力和連接互聯(lián)網(wǎng)的能力[7]；萬物互聯(lián)的趨勢與具有處理能力的傳感設備讓邊緣計算(edge computing)開始走進人們的視野,邊緣計算不同于云端數(shù)據(jù)處理模式,它能夠在網(wǎng)絡邊緣側(cè)直接進行數(shù)據(jù)處理分析,減少不必要的網(wǎng)絡延遲,提供更加快速及時的反饋,從而極大地提高服務質(zhì)量,在文獻[8]中利用視覺傳感器對大區(qū)域校園內(nèi)的圖像進行智能采集和預處理就是邊緣計算在網(wǎng)絡邊緣側(cè)直接進行數(shù)據(jù)處理分析的應用；同時,高性能芯片的搭載使網(wǎng)絡邊緣側(cè)擁有一定的計算能力和決策能力,從而有能力在靠近用戶和數(shù)據(jù)源的一側(cè)提供智能計算[9],換而言之,邊緣計算下的系統(tǒng)有著十分優(yōu)秀的實時性。文獻[10]提到的高速公路交通流監(jiān)控，文獻[11]提到的礦熱爐電極運行監(jiān)控系統(tǒng),這二者都對系統(tǒng)實時性有較高的要求,因此這二者都利用邊緣側(cè)的傳感器完成計算,并且提供一定的智能服務。所涉及的心電信號處理與異常檢測對系統(tǒng)的實時性和數(shù)據(jù)篩選能力有較高要求,在過去這些工作都只有通過云端計算來完成,系統(tǒng)常受限于云端處理能力和網(wǎng)絡狀態(tài)不能達到很好的效果,而邊緣計算的出現(xiàn)讓網(wǎng)絡邊緣側(cè)的心電信號即時處理成為可能,結(jié)合邊緣計算的特點在網(wǎng)絡邊緣側(cè)進行心電信號處理能夠不受限于網(wǎng)絡狀況,對心血管異常做出更加快速、準確的判斷,提供實時的健康監(jiān)測。

為此，以形態(tài)學濾波與差分閾值法為基礎,進行面向網(wǎng)絡邊緣側(cè)的心電信號處理技術(shù)研究,并根據(jù)邊緣計算的特性對算法進行優(yōu)化,提高算法的實時性與準確性。

1 心電信號去噪

1.1 常見心電信號噪聲

心電信號是十分重要的生命體征信號,具有信號極其微弱、頻率范圍較低、高阻抗、隨機性強等特性,其幅度一般在0.05～5 mV[12],因此心電信號極易受到體內(nèi)和體外環(huán)境的影響,采集的信號通常都伴隨著嚴重的噪聲干擾。只有充分了解心電信號中的噪聲成分,才能采取相應的方法進行去噪。常見的心電信號噪聲如下。

1.1.1 基線漂移

基線漂移由被測對象的呼吸、肢體運動、電極與皮膚間的相對移動等低頻干擾引起,其頻率小于5 Hz,通常情況下小于1 Hz,所以基線漂移屬于低頻噪聲?；€漂移會使心電信號偏離正常的基線位置,波形會上下緩慢波動變化,呈現(xiàn)出正弦的周期變化[13]。

1.1.2 肌電干擾

肌電干擾是由人體肌肉顫抖所導致的,其頻率范圍很寬,一般在10～1 000 Hz,嚴重的肌電干擾信號頻率在10～300 Hz。肌電干擾會使心電信號的某些地方產(chǎn)生不規(guī)則的細小波紋。

1.1.3 工頻干擾

工頻干擾主要來源于工頻電源以及器件周圍環(huán)境中的傳輸線輻射出的電磁場,頻率為50 Hz或60 Hz。工頻干擾在心電信號上表現(xiàn)為快速變化的周期性細小波紋,會使心電信號伴隨較多的毛刺,相對應的心電圖將變得模糊。

1.2 基于形態(tài)學濾波的心電信號去噪

形態(tài)學濾波是一種以數(shù)學形態(tài)學為基礎發(fā)展的濾波技術(shù),以積分幾何、集合代數(shù)及拓撲論為理論基礎,廣泛應用于信號處理、圖像分析等領域。傳統(tǒng)的時頻域變換方法處理噪聲存在可能會破壞信號特征的缺點,而形態(tài)學濾波通過選擇適當?shù)慕Y(jié)構(gòu)元素,能極大保留信號的形態(tài)特征。文獻[14]中設計的形態(tài)學濾波器能夠抑制心電信號中的寬帶噪聲,同時也不會影響其特征波形,具有較好的噪聲消除效果；因此在處理有著豐富病理信息的心電信號時,選用形態(tài)學濾波能夠較大程度地保留信號中的特征波段,保證有用信息不會遭到破壞。

形態(tài)學濾波的基本思想是選擇與特征信號相似的結(jié)構(gòu)元素去將信號的對應形狀進行識別提取,從而達到消除噪聲的效果。其基本運算包括:膨脹、腐蝕、開啟和閉合,除此之外還有將開運算與閉運算進行組合,得到兩種級聯(lián)形式的運算,即形態(tài)開閉和閉開運算。

定義一維數(shù)字化信號序列為f(n):F={0, 1, …,N-1},其中N表示一位數(shù)字信號序列的長度；結(jié)構(gòu)元素為k:K={0,1,…,M-1},其中M表示結(jié)構(gòu)元素的長度,并且N>M。結(jié)構(gòu)元素k對信號序列f(n)膨脹運算的定義為

(1)

式(1)中：n=M-1,M，…,N-1。

結(jié)構(gòu)元素k對信號序列f(n)腐蝕運算的定義為

(2)

式(2)中：n=0, 1,…,N-M。

信號序列f(n)關(guān)于結(jié)構(gòu)元素k的開啟運算°的定義為

(f°k)(n)=(fΘk⊕k)(n)

(3)

信號序列f(n)關(guān)于結(jié)構(gòu)元素k的閉合運算?的定義如式(4)所示

(f?k)(n)=(f⊕kΘk)(n)

(4)

形態(tài)開閉運算OC定義為

OC(f)=(f°k)?k

(5)

形態(tài)閉開運算CO定義為

CO(f)=(f?k)°k

(6)

在進行形態(tài)學濾波器的設計時,通常會為形態(tài)開閉運算和閉開運算選用相同的結(jié)構(gòu)元素,雖然這樣處理能夠很好地消除基線漂移,但是在對高頻噪聲進行處理時會產(chǎn)生截斷誤差[15],這會影響到最終的濾波效果；因此,在考慮網(wǎng)絡邊緣側(cè)的計算能力、反饋速度、實時性需求等因素之后,選用計算簡單、容易實現(xiàn)、適用于實時系統(tǒng)的平滑濾波進行高頻噪聲的消除,與形態(tài)學濾波相結(jié)合,完成心電信號的噪聲消除。同時文獻[16]的實驗結(jié)果可以證明在消除高頻噪聲之前消除基線漂移的重要性,因此所提出的噪聲消除算法會先進行基線漂移的消除,再進行高頻噪聲的消除。具體心電信號噪聲消除的流程圖如圖1所示。

圖1 心電信號噪聲消除流程圖Fig.1 The flow chart of ECG signal denoising

1.2.1 結(jié)構(gòu)元素的選取

去基線漂移的常用思想是,首先對信號的基線進行評估或提取,然后通過減法運算去掉信號中的漂移成分[17],因此選擇直線型的結(jié)構(gòu)元素來提取基線噪聲,同時為了能夠?qū)⑿盘栔械奶卣鞑ㄐ味紴V除,應該選擇寬度較大的結(jié)構(gòu)元素；在心電信號中最寬的特征波形是T波,所以結(jié)構(gòu)元素的寬度應該大于T波的寬度。

1.2.2 獲取基線噪聲

由于開閉運算會導致輸出幅值變小,而閉開運算會導致輸出幅值變大,也就是說單獨使用開閉或閉開組合形態(tài)濾波器使濾波結(jié)果出現(xiàn)統(tǒng)計偏倚現(xiàn)象,因此通常將兩者進行組合平均[18],也就是讓原信號在選取的結(jié)構(gòu)元素下分別進行開閉運算和閉開運算,然后再取這二者的算術(shù)平均,從而得到原始信號中的基線漂移噪聲。其計算公式為

(7)

式(7)中:fBASE為基線噪聲；f為原信號。

1.2.3 基線漂移的消除

使用原始信號減去基線漂移噪聲便可以得到去基線漂移的信號。

1.2.4 肌電干擾與工頻干擾的消除

設定一個長度固定的滑動窗口并規(guī)定窗口大小為5,首先使用該窗口處理信號的前五個數(shù)據(jù),窗口中心點的值由窗口內(nèi)其他點的平均值代替,在完成一次替換之后,窗口往后移動一個位置,再次進行中心點數(shù)值的替換,不斷重復這個過程直至所有采樣值都處理完,最終完成高頻干擾的消除,使波形變得平滑。其計算公式為

(8)

式(8)中:x為原始心電信號序列；y(n)為經(jīng)過平滑濾波的心電信號序列，n=1,2,…，k，其中k為心電信號的長度；p為滑動窗口選取的采樣點個數(shù),一般選取奇數(shù)個采樣點，以保證中心點左右采樣點個數(shù)一致便于計算。

2 心電信號的R波檢測

2.1 心電信號的特征波段

一個標準心電信號的每個周期都包括P波、QRS波群、T波等特征波段,通過這些特征波段可以讀出心臟跳動的頻率和幅度等信息,這些信息對診斷心臟功能異常有著重要的作用。圖2為一個標準周期的心電波形。

P波為心房除極過程；PR段為P波終點至QRS波群起點；PR間期為P波起點QRS波群起點；QRS波群為左、右心室除極過程；ST段為QRS波群終點至T波起點；T波為心室復極過程；QT間期為QRS波群起點至T波終點圖2 一個標準周期的心電信號Fig.2 The standard period of ECG signal

如圖2所示,在一個標準的心電信號周期中R波是變化最激烈、特征最明顯的波形,其中包含大量的病理信息,可以通過這些信息讀出心臟跳動的頻率和幅度等信息,而其他的波段與R波相比都較為平緩,所以R波是心電信號中最容易被檢測到的,在定位到R波之后就可以在其前后的區(qū)域中進行檢測找到其他特征波段的位置。綜上所述,R波的檢測是心電信號特征波段提取的關(guān)鍵。

2.2 差分閾值法

差分閾值法是一種通過設定閾值來對數(shù)據(jù)進行判斷選擇的方法,這種方法的核心是使用差分運算來對數(shù)據(jù)進行處理。對于心電信號來說,R波上升或者下降時的斜率變化明顯[19],而差分運算可以將這一特點進行放大,也就是說差分運算能夠增強特征更為明顯的R波,消弱較為平緩的T波和P波,從而使R波的檢測變得更加容易,之后可以通過設置閾值準確快速地找到R波。其具體解析式為：假設心電信號序列為x(n),其中n=1,2,…,k′,k′為信號的長度,則一階后向差分表達式為

y′=y(n)-y(n-1)

(9)

二階后向差分表達式為

y″=2y(n+1)+y(n+2)-y(n-2)-2y(n-1)

(10)

差分閾值法實現(xiàn)簡單、計算速度較、檢出率高[20]、實時性較高,能夠有效穩(wěn)定地對心電信號進行檢測,因此很適合于面向網(wǎng)絡邊緣側(cè)的實時系統(tǒng)。

然而差分閾值法也存在著抗干擾能力較差,對噪聲干擾比較敏感的缺點,噪聲的強弱會直接影響到其最終的檢測效果,所以在檢測之前要先對原始信號進行基線漂移校正[21]和高頻噪聲去除。但是在實際的應用中,心電信號中的噪聲無法完全消除,同時人體的健康狀況和運動狀態(tài)等因素會使得心電信號的波形出現(xiàn)變化,簡單的差分閾值法無法準確地進行識別。因此將根據(jù)應用場景、精度、實時性等方面的需求,對差分閾值法進行相應的改進,通過使用RR間期進行比較篩選、引入一階差分平方作為補充、進行閾值的自動更新等方法,讓檢測算法擁有更強的可靠性。

2.3 基于差分閾值法的R波檢測算法

使用R波檢測算法的大體思想是:先定位到心電信號的前兩個R波,根據(jù)這兩個R波設定初始的閾值；之后每當檢測到新的波峰時就通過閾值和RR間期來進行判斷,并對閾值進行更新。圖3為本文算法流程圖,具體步驟如下。

圖3 基于差分閾值法的R波檢測算法Fig.3 R wave detection algorithm based on the difference threshold method

步驟1選擇初始檢測位置。選擇心電信號序列的第t個采樣點為參考點,其中t的長度為兩倍的QRS波群寬度,通常取值為50,將(1,t)之間的心電信號平均分為兩部分并分別求這兩個部分的最大值Mmax1和Mmax2；由于R波的幅值比起心電信號中的其他部分要高得多,因此當Mmax1>2Mmax2時,說明起始位置在R波附近,應選擇t為初始檢測位置,反之說明起始位置在心電信號的平穩(wěn)處,應該選擇1作為初始檢測位置。這樣做是因為初始位置的選擇將會影響到第一個R波的識別,初始位置應避免在R波附近,選擇在波形平穩(wěn)處最佳。

步驟2定位前兩個R波。根據(jù)采樣率和一個標準心電信號周期時長設定時間窗口的長度W,通常一個標準心電信號周期時長范圍為0.6～1 s,當采樣率為360 Hz時窗口長度(W)應設置為360,為了確保能夠窗口能夠包含一個標準心電信號周期,也可以在此基礎上適當增大窗口。時間窗口的起始位置為步驟1中選取的初始檢測位置,然后對窗口內(nèi)的所有數(shù)據(jù)做一階差分運算,找到一階差分序列中的最大值點和最小值點,找到這兩點之間的幅值最大點R1；之后再求出窗口內(nèi)的最大值點R2。當R1和R2是同一點時該處就是第1個R波的位置；如果不是同一點,就取幅值較大的為R波。將時間窗口按時間順序向后移動,移動距離為時間窗口的長度,重復上述流程找到第2個R波,并計算這兩個R波的間隔RR。

步驟3初始閾值和閾值更新公式設定。計算窗口中的最大值Wmax和最小值Wmin。根據(jù)固定閾值計算設定初始閾值,其計算公式為

THstart=0.7(Wmax-Wmin)+Wmin

(11)

式(11)中：THstart為初始閾值。

固定閾值存在一定缺陷,會因為較高的T、P波或波形特征不明顯而出現(xiàn)誤判和漏檢。因此還要設置閾值更新公式讓閾值進行自適應更新。

THnew=0.8THold+0.2×1.5Wmax

(12)

式(12)中：THold為更新前的閾值；THnew為更新后的閾值。

步驟4R波的檢測。按時間窗口長度W向后移動時間窗口,對窗口內(nèi)的數(shù)據(jù)進行一階差分運算,通過一階差分運算找到該組數(shù)據(jù)的所有極大值點。通過閾值對極大值進行篩選,分為兩種情況進行討論:①經(jīng)過篩選后只剩下一個極大值點,且該點與上一個R波之間的間距大于60/160,則標記該點為新的R波,若間距小于60/160則不進行標記；②經(jīng)過篩選出現(xiàn)了多個極大值點,此時應先判斷在窗內(nèi)是否出現(xiàn)兩個R波,先找出與上一個R波間距大于60/160的第1個極大值點,然后計算之后的極大值點與該點的距離,如果存在距離大于60/160的另一個極大值點,則說明這兩點都為R波,否則就應該計算窗內(nèi)數(shù)據(jù)的一階差分平方,找出一階差分平方序列中的最大值點,該點為心電信號中R波右側(cè)部分的斜率最大點,離該點最近的極大值點即為心電信號的R波,也就是找到該點左側(cè)的第一個極大值點并標記該點為新的R波。

完成一次檢測后將時間窗口向后移動W,更新窗口長度和閾值,重復步驟4直到整組數(shù)據(jù)全部完成檢測。

窗口長度具體更新公式為

Wnew=(Wold+RR)/2

(13)

式(13)中：RR為上一個RR間期的寬度；Wold為更新前的時間窗口長度；Wnew為更新后的時間窗口長度。

3 實驗結(jié)果分析

3.1 MIT-BIH數(shù)據(jù)庫介紹

MIT-BIH(MassachusettsInstitute of Technology-Beth Israel Hospital)數(shù)據(jù)庫是由美國麻省理工學院提供的數(shù)據(jù)庫,是目前國際上應用較多的數(shù)據(jù)庫。MIT-BIH數(shù)據(jù)庫包含豐富的病理心電數(shù)據(jù),常被用于進行心電信號的研究,作為實驗數(shù)據(jù)的來源和各類算法的檢測標準。

將使用去噪算法和R波檢測算法對MIT-BIH數(shù)據(jù)庫中的心電數(shù)據(jù)進行仿真,對算法的有效性、準確性、可靠性等方面進行驗證。

3.2 去噪算法仿真

以MIT-BIH數(shù)據(jù)庫的第100組數(shù)據(jù)為例,隨機提取其中8 000個連續(xù)的采樣點進行仿真分析。圖4為去噪前后的信號波形圖。圖4(a)為原始的第100組心電信號,可以看出該信號受到嚴重的基線漂移干擾和高頻噪聲干擾。圖4(b)為經(jīng)過噪聲消除處理的第100組心電信號,對比圖4(a)可以看出，信號中的基線漂移和高頻噪聲得到明顯抑制。

為更加清晰地了解算法的去噪能力,對圖4的心電信號做頻譜分析,具體分析其中的頻率分布情況,得到圖5。

圖4 原始的和去噪后的第100組心電信號Fig.4 The original and denoising the 100th group ECG signal

圖5 原始的和去噪后的第100組心電信號頻譜圖Fig.5 The spectrum of original and denoising the 100th group ECG signal

由圖5可以發(fā)現(xiàn)，該去噪算法能夠有效抑制1 Hz左右的低頻干擾,50 Hz或60 Hz處的工頻噪聲和其他一些高頻噪聲。

3.3 心電信號R波檢測算法仿真

以MIT-BIH數(shù)據(jù)庫的第100組數(shù)據(jù)為例,提取其中8 000個采樣點進行噪聲消除并完成R波檢測算法的仿真,其仿真結(jié)果如圖6所示。

圖6 第100組數(shù)據(jù)R波識別效果Fig.6 The R wave recognition effect of the 100th group ECG signal

對比MIT-BIH數(shù)據(jù)庫提供的R波位置可以發(fā)現(xiàn),該算法準確地檢測到這8 000個采樣點中所有的R波。

為進一步驗證該算法的有效性和準確性,選取MIT-BIH數(shù)據(jù)庫中包括第100組數(shù)據(jù)的10組數(shù)據(jù),提取這些數(shù)據(jù)中的43 200個采樣點,繼續(xù)采用該算法對這10組數(shù)據(jù)進行檢測,其檢測結(jié)果如表1所示。由表1可知,該算法在處理第100組數(shù)據(jù)這種標準的心電信號時,有著高于99%的準確率,而在處理那些因為病變而產(chǎn)生變化的非標準心電信號時也有著較高的準確率；該檢測算法的平均準確率達到了98.75%,能夠滿足實時性和準確性要求較高的場景,也就是說該算法能夠滿足網(wǎng)絡邊緣側(cè)在實時性和準確性方面的需求。

表1 R波檢測效果Table 1 The effect of R wave detection

4 結(jié)論

以網(wǎng)絡邊緣側(cè)為應用場景進行考慮,采用平滑濾波去高頻噪聲與形態(tài)學濾波去基線漂移的方法進行心電信號噪聲消除,一方面能夠避免形態(tài)學濾波處理高頻噪聲時會產(chǎn)生截斷誤差的問題；另一方面也能夠減少計算量,使得去噪算法能夠更適合用于實時性要求較高的網(wǎng)絡邊緣側(cè)應用。在R波檢測算法方面,采用實時性較高的差分閾值法,通過引入RR間期篩選、一階差分平方、閾值自動更新等方法對算法進行改進,以滿足網(wǎng)絡邊緣側(cè)應用較高的準確性需求,經(jīng)過仿真驗證該算法能夠有效檢測R波,擁有較高的準確性。