（通信与信息系统专业论文）心电信号的自动分析与诊断.pdf

dissertation submitted to hebei university of technology for the master degree of communication and information systems ecg signal automatic analysis and diagnosis ecg signal automatic analysis and diagnosis by lu fei supervisor: assoc.prof. gao zhenbin november 2011 河北工业大学硕士论文 i 心电信号自动分析与诊断心电信号自动分析与诊断 摘摘 要要 心血管疾病是威胁人体健康的主要疾病之一，心电图则是诊断疾病的基础，因此心电图 信号的自动分析和诊断是信号处理领域的热点之一。心电信号的自动分析与诊断技术所涉及 的基础理论和关键技术繁多，目前，现有的研究方法中仍存在着很多的不足之处，所以对其 仍需要很大的改进和创新，本文主要围绕心电信号的预处理、波形检测、特征提取以及分类 识别来进行研究。 论文的主要工作内容包括：对于心电信号预处理，本文将心电信号进行 9 尺度分解，并 对小波系数进行处理，从而得到较好的去除工频干扰和基线漂移噪声的效果；对于波形的检 测与特征提取，本文使用了双正交样条小波变换模极大值的方法对 qrs 波群以及 p、t 波进 行检测定位，详细介绍了检测的步骤，通过优化删除多检点，补偿漏检点。分析了检测结果 的准确率，并对比了使用不同小波检测结果的优劣。以 mit-bih 心电数据库的 48 个心电数 据对算法进行了验证，结果表明检测算法可靠、有效；对于信号的分类识别，本文根据 qrs 波群检测结果，研究了心电信号分类方法，基于逻辑分支法和神经网络法对几种心电信号进 行分类，对心律失常和房颤实现了自动诊断。 关键字关键字：心电图，qrs 检测，小波变换，阈值，特征提取，分类 心电信号的自动分析与诊断 ii ecg signal automatic analysis and diagnosis ecg signal automatic analysis and diagnosis abstract cardiovascular disease is one of the dangerous diseases that seriously threate the health of human life, ecg is the foundation of the diagnosis of diseases , so ecg signal autom atic analysis and diagnosis is one of hotspots in the field of signal processing. the technol ogy of ecg automatic analysis and diagnosis involves the basic theory and variety of key techniques.at present, the existing research methods still exists many shortcomings, so it stil l needs a lot of improvement and innovation, this paper mainly introduce the ecg signal p reprocessing, waveform detection ,feature extraction and classification and identification of w aveform. the main tasks of paper include: in pre-processing for ecg, this single will be 9 scal es decomposition, and use wavelet coefficients for processing, in order to result in better ef fects of removaling these noises which include power line interference and baseline drift.in detecting waveform and extracting feature, we use a transform modulus maxima method wh ich base on biorthogonal spline wavelet for detection and location on qrs complex and the p, t wave, and introduce details of the steps about detection, then optimize for deleting multiple indecent and leakaging compensation indecent. analysising the accuracy of test res ults, and comparing the results of different wavelets , we can obtain the pros and cons . 4 8 ecg datas in the mit-bih ecg database are used for validating the algorithm, results show that the detection algorithm is reliable and effective; in signal classification and reco gnition, according to qrs complex detection results, study the methods of ecg classificatio n based on logical branching method and neural network classification of several ecg singl es,and achieve the automatic diagnosis on arrhythmia and atrial fibrillation. keywords: ecg, qrs detection, wavelet transform, threshold value, feature extraction, classification 河北工业大学硕士论文 iii 目录目录 第一章第一章 绪论绪论 . 1 1-1 引言 . 1 1-2 心电信号分析研究的内容与现状 . 2 1-2-1 心电信号消噪研究 . 2 1-2-2 波形检测和特征提取和选择的研究 . 3 1-2-3 心电信号分类的研究 . 5 1-3 论文主要研究内容 . 6 第二章第二章 心电图基础以及心律失常分类心电图基础以及心律失常分类 . 6 2-1 正常动态心电图 . 7 2-1-1 心脏节律与心率 . 7 2-1-2 各波段间期 . 8 2-2 心律失常的分类及评价方法 . 9 2-3 常用的标准心电数据库 . 12 2-4 本章小结 . 13 第三章第三章 心电信号的预处理心电信号的预处理 . 14 3-1 小波理论 . 14 3-1-1 连续小波变换 . 14 3-1-2 离散小波变换 . 15 3-1-3 多分辨率分析 . 16 3-1-4 mallat 算法 . 16 3-2 小波滤波去噪 . 18 3-2-1 心电噪声的来源 . 19 3-2-2 常用的滤波器 . 20 3-2-3 小波滤波器 . 21 3-3 小波消噪算法实现 . 22 3-3-1 小波函数的选取 . 22 3-3-2 噪声的频带 . 24 3-3-3 小波基的通频带 . 24 3-3-4 小波的滤波方案 . 24 3-4 实验结果与分析 . 27 3-5 本章小结 . 30 心电信号的自动分析与诊断 iv 第四章第四章 心电信号的波形检测与特征提取心电信号的波形检测与特征提取 . 30 4-1 qrs 波群的检测与特征值提取 . 31 4-1-1 几种常见的心电波形的检测方法 . 31 4-1-2 基于小波变换的波形检测 . 35 4-2 p、t 波的检测 . 39 4-2-1 常用的 p、t 波检测方法 . 39 4-2-2 p 波检测 . 40 4-2-3 t 波的检测 . 40 4-3 实验结果与分析 . 42 4-4 本章小结 . 44 第五章第五章 心电信号的诊断分类心电信号的诊断分类 . 45 5-1 几种常见的分类方法 . 45 5-2 心律失常识别 . 46 5-2-1 心律失常判断规则 . 46 5-2-2 心律失常诊断 . 47 5-2-3 结果分析讨论 . 49 5-3 房颤信号诊断 . 50 5-3-1 小波神经网络 . 50 5-3-2 结构设计 . 51 5-3-3 诊断算法实现 . 52 5-3-4 房颤诊断效果 . 53 5-4 本章小结 . 53 第六章第六章 结论结论 . 54 6-1 总结 . 54 6-2 展望 . 55 参考文献参考文献 . 56 致谢致谢 . 62 攻读学位期间所取得的相关科研成果攻读学位期间所取得的相关科研成果 . 63 河北工业大学硕士论文 1 第一章第一章 绪论绪论 1-1 引言引言 随着生活节奏的日益加快， 人们的工作压力日益增大， 心脏病逐渐成为严重危害人民生 理健康的重要疾病之一，我国每年死亡人口中大约有 20%-30%都与心脏疾病有关。因此及 时的了解自身的心脏状况， 对于正确治疗疾病， 预防心脏疾病的发生， 有着十分重大的意义。 长期以来， 对于心脏病的研究都是医学界的重要课题之一， 其中人体心电图则很好的反 映了心脏的活动， 心电信号也蕴含了丰富的反映心脏节律及其电传导的生理和病理信息， 在 一定程度上客观的反映了心脏各部位的生理状况， 因此心电图是诊断心脏疾病、 评价心脏功 能的重要依据之一， 尤其对于各种心律失常的疾病诊断有着重大的分析价值， 它也是目前分 析和诊断各种心律失常疾病最精确的方法。相应的心脏疾病。例如 st 段下移说明心肌缺血 或者心肌损伤，上抬说明急性心梗、急性渗出性心包炎、变异性心绞痛等；p-r 间期延长常 说明有房室传导障碍，常见于房室传导阻滞等；t 波增高见于心肌梗塞早期，高钾血症；t 波低平或倒置见于心肌劳损、心肌缺血、低钾血症；qt 较高延迟是心室心率失常和突发心 脏病死亡的危险信号。 1901 年，荷兰莱顿大学的生理学家 einthoven 第一次描绘出比较满意的心电信号图形， 于 1903 年发明了世界上第一台应用弦线电流计描记心电过程的心电图机开始，心电图应用 于临床心脏病诊断，至今已有百年时间。如今，心电图诊断已经成为临床上心血管疾病诊断 中重要的常规检查手段。但是由于病态心电图种类繁多、变异极大，同种疾病不同患者之间 的心电图、同一患者不同时刻的心电图、以及用药前后的心电图都存在着较大的差异，若想 要对其做出准确判断， 通常需要医师具有丰富的相关知识和大量的临床经验。 而且医师长期 从事大量心电图的识别诊断工作，极易疲劳，很容易漏检、出错，同时人工的分心心电信号 都为事后分析，不能及时的做出诊断，可能会延误突发性、发病危险性大的心脏疾病的最佳 治疗时间。 因此将计算机辅助分析应用到心电图分析中， 不但提高了诊断效率也缩短了诊断 时间。 但由于心电图信号的个性差异和心脏疾病的病理复杂性， 现有的心电信号的分析诊断 系统仅仅起到辅助作用， 最终结果仍依赖于临床专家的诊断。 这是因为已有的心电分析诊断 系统的诊断准确度无法达到临床医师的高度， 因此心电信号的自动分析诊断系统仍然需要不 断的完善， 所以研究心电信号的分析诊断算法并使其可以尽可能准确快速的诊断各种心律失 常疾病具有十分重大的意义。 目前心电信号的分析诊断技术种类繁多，本文针对提高心电信号的准确率方面，就心 心电信号的自动分析与诊断 2 电信号的去噪、 波形的检测和定位、 特征提取和选择以及波形的自动分类与识别等关键技术 开展研究。 以期望可以提高识别心律失常信号的准确率， 这对于提高心电图临床诊断的质量 和效率都具有重要的现实意义。 1-2 心电信号分析研究的内容与现状心电信号分析研究的内容与现状 心电信号的自动分析与诊断是指将获取过的心电信号经过预处理后， 对处理过的信号进 行波形检测和特征点的定位， 从而提取出能够很好的反映出疾病的特征参数， 之后运用这些 参数对信号波形进行分类诊断，从而可以达到预测心脏状态的目的。整个过程流程图如图 1.1 所示。 图 1.1 心电信号分析流程图 fig.1.1 ecg signal analysis flow chart 1-2-1 心电信号消噪研究心电信号消噪研究 动态心电图信号是一种在强噪声背景下的生物电信号， 它具有微弱性, 不稳定性以及随 机性和奇异点多等特征，所以其极易受环境的影响。在采集心电信号时，信号中常常具有工 频干扰电极接触噪声电极极化噪声放大电路内部噪声、 运动伪迹、 肌电噪声和基线漂 移等。其中 50hz 及其倍频附近的工频干扰和 1hz 以下的基线漂移是两个最主要的干扰源。 为了加强有用信号减小噪声信号， 可以改善硬件方面来提高抗干扰能力， 同时也可以在软件 方面进行滤波。一般来说，心电信号预处理的方法包括经典数字滤波器、自适应滤波器、以 及现代高技术的滤波器（如小波变换、神经网络） 。 其中对于数字滤波器， kunt 等1中设计的数字滤波器包括两级， 信号经过第一级后消弱 了基线漂移，经过第二级后 qrs 复合波能量的增强。对于自适应滤波器，文献2提出了自 适应相干模板来减小噪声， 由于自适应滤波法对工频干扰有很好效果， 所以文献中的方法主 要针对工频干扰， 由于心电信号和工频干扰相互独立， 从原始心电信号中减去所得到的工频 干扰的模板， 从而抑制了工频干扰。 同时算法较为简单耗时也较短。 对于高新技术的滤波器， park 等3提出了一种小波插值滤波器，对于消除 s-t 中的电极移动噪声取得很好效果。也有 很多学者将小波变换和其他滤波技术相结合也取得很好效果。文献4运用了基于神网络的 非线性的自适应滤波器，它对于基线漂移和伪迹干扰有着很好的滤出效果。 目前，大部分研究主要针对于消除高频噪声，基线漂移和工频干扰方面，但实际中有很 多接触产生的噪声或人体移动产生噪声， 去除的效果并不是很好。 但由于这类噪声相对较少， 所以对于这一方面研究并不多。 ecg 结果 波形检测与 特征点定位 预处理 特征提取 与选择 波 形 分 类 疾病诊断 河北工业大学硕士论文 3 1-2-2 波形检测和特征提取和选择的研究波形检测和特征提取和选择的研究 心电信号分析中 qrs 波检测与特征点定位的方法是获得心脏生理、病理信息的基础和 关键的问题， 它也是心电信号自动分析诊断的重要组成部分， 心电信号的自动诊断识别要建 立在准确的 qrs 识别算法上，其准确性和可靠性决定了最终的诊断结果。心电信号进行预 处理后进行波形检测与特征点定位， 进而提取所需要的波形特征参数， 为后续的心电波形自 动分类和疾病诊断作准备。 一个典型的正常心电信号波形主要由 p 波、qrs 波群、t 波及其间期组成。其中每个 波的波形及其波之间的间期都代表一定的电生理学含义。 通过心电图中异常波形的形态、 幅 值及时间间隔等作为疾病诊断的重要依据。 心电信号中，由于 qrs 波群的幅度最大并且特征最为明显，因此对 qrs 波群的检测与 定位是 ecg 波形检测至关重要的部分。而在 qrs 波群的检测中，r 波的检测是其关键，一 般心电信号的自动分析都是基于 r 波位置的确定， 然后再分析 ecg 信号的其它特征。 目前， qrs 波群的检测方法主要包括时域分析法、结构分析法、神经网络法、小波变换法等几个 主要方向。 以往在 qrs 检测中， 最常见的是时域分析法， 主要是由于 r 波有着较大的幅度和斜率。 时域分析法包括幅度法、 斜率法和面积法等， 这些算法都是对滤波后的心电信号经过若干变 换以使得 qrs 波群更加明显，再采用一系列阈值方法进行判别。但由于可能的干扰或存在 高大 p 波、t 波，当 qrs 波群拥有较小幅度或是发生心律失常时或采用固定阈值时阈值设 置过高或过低，就会导致漏检或误检。因此，目前波形检测算法中一般都采用可变阈值以提 高检测准确率，而且还会在指定时段内若无检测出 r 波，那么再进行回溯处理以防会产生 的漏检等。在这类算法中，pan 等人5的方法具有代表性，该算法先让心电信号经过带通滤 波器以消除基线漂移和高频干扰， 然后对信号进行差分， 并对得到的差分信号进行平方运算 和移动窗口(l50ms)积分，若差分信号和积分信号都满足一定的阈值条件，则可认为检测到 一个 qrs 波群，而且这里采用自适应的更新阈值。在本算法中首次应用了基于临床经验的 不应期概念和回溯的方法。 近年来，随着以小波分析、神经网络、分形理论及非线性滤波技术为代表的现代信号处 理方法的日益完善，利用这些理论和技术对 qrs 波群进行检测和定位已经成为现在研究的 热点问题。小波分析方法具有较好的时频局域化分析能力和多分辨分析能力，senhadji 等6 首先提出了应用小波分析处理 ecg 信号，同时应用特征值的提取进行识别特征波形和提取 参数。余辉等7采用低通函数的二阶导数作为小波从而检测 r 波，使 r 波在小波尺度上对 应于单个峰值，从而减少了搜索过程，但准确性有所降低。文献8应用了二进样条小波对 信号进行 qrs 波群检测，并进行小波多尺度分解，然后分析各尺度上的模极大值对的零交 叉点从而确定 r 波峰点。martinez 等9采用李翠微的算法思想，但同时也提出了一些改进方 法进而提高了 qrs 波群、p 波、t 波检测的准确度。丁哨生等10同时应用小波分析和自适 应匹配滤波技术来实现 qrs 波群的检测， 从而提高了检测的准确率和速度。 sahambi 等人11 心电信号的自动分析与诊断 4 采用高斯函数的一阶导数作为小波基，应用小波变换模极大值检测出特征点，进而检测出 qrs 波群、p 波和 t 波的起始点位置。该算法对拥有基线漂移和高频噪声的心电信号的检 测有很好的效果了，进而还得到 qrs 波宽度，p 波、t 波宽度，以及 p-r 间期、s-t 和 q-t 间期等特征值。trahanias 等12采用数学形态学方法检测 qrs 波群，该方法具有数学上的严 密性、精确性和鲁棒性，并且计算过程较简单，抗噪声能力比较强。此外，还有 hilbert 变 换，高阶统计量等方法1315检测 qrs 波群。 对于心电信号的特征值检测提取，除 r 波的检测外，还有 qrs 波群的起始点定位，以 及其宽度，r 波高度，p 波、t 波起始点定位，间期计算等。其中 qrs 波群起始点定位一般 根据斜率变化确定，采用小波系数过零点的方法来定位，但精确度仍然需要进一步加强。 p 波、t 波幅度较小而且斜率也不明显，因此，要准确检测出 p 波、t 波一直是需要被 完善的问题。将在 qrs 波群检测中所应用到的斜率法、阈值法等也应用在 p、 t 波的检测， 但是没有得到较好效果。目前检测 p、t 波的算法有两大类：一是对消法，即通过对消掉 qrs 波群的能量和噪声能量，从而使 p、t 波更为明显然后进行检测。二是窗口搜索法，即 先确定了 r 波的位置，然后在 r 波前后一定的区域内分别定义搜索窗口，在规定区域内运 用各种算法来检测 p、t 波。常用算法主要有自适应滤波法、小波变换法、特征点法、模板 匹配法、神经网络法等。 在文献16中， 运用窗口搜索法进行 p、 t 波的检测， 其检测时运用了差分斜率的方法， 但对于p、 t波出现低平或双向等情况会出现较低的准确率。 gritzali等17采用对消法检测p、 t 波， 但该算法对于心律失常的检测拥有较低准确率。 夏恒超等18提出了基于小波变换和波 形信息的 p 波检测方法，这种算法可以提高 p 波检测的准确率，但 p 波的检测依赖于 r 波 的检测，同时当波形变异很大或噪声较强时，准确率会降低。谢国明等19运用小波变换方 法对 p 波进行检测，然后以 p 波波峰为准在其前后取 10 个点的心电数据为特征，送进 bp 网络进行训练后以识别 p 波。 domider 等20也采用了类似的小波神经网络方法对 p 波进行检 测。 还有自适应wiener滤波器和lms自适应滤波器方法2123检测p波， 运用检测到的qrs-t 波群进行自适应对消，然后在得到的信号中检测 p 波，这两种方法能够较好的检测到 p 波 但是确依赖于 qrs 波的检测。此外，还有中值滤波24、数学形态学25、句法分析26等方法 进行 p 波、t 波的检测。然而，现在这些方法还未能对于 p、t 波的检测的准确率达到令人 满意的效果。 如何提取和选择出有用的特征信息， 是心电信号自动分析系统必须解决的一个重要课题。 实际中较多采用的是 ecg 信号的时域特征的提取算法，在心电信号进行特征检测和定 位后，对信号进行提取特征波的时限、时段、波形特点等有用的特征信息，如：rr 间期、 qrs 波宽度、r 高度。田立军等27利用 rr 间期和 qrs 波面积高度来判断九种心律失常。 trahanias 等人26在心电信号的时域波形中选取正向峰、负向峰、直线段和曲线段为基础， 利用句法分析检测心电波形、提取特征参数以及识别特征波。koski 等人28以近似直线段为 基础，提取近似值线段的振幅、间期为特征值等。之后他又提出了一个全相连 hmm 拓扑结 河北工业大学硕士论文 5 构表示心电波形， 并采用一系列线段逼近波形， 线段的起点振幅及间期作为特征值来进行观 测，每个 hmm 计算观测序列的条件概率中最大相似者作为分类结果输出29。 由于心电信号时域波形的复杂多变的特性给波形的检测定位以及特征提取带来很多麻 烦， 而且也会造成准确率的降低， 因此仅仅依靠时域特征值来进行心电信号的分析和诊断是 不够的， 所以从其他角度或变换域来对心电信号进行特征提取是非常有必要的， 这样可以使 诊断结果更加准确。nygards 等30中 ecg 信号进行傅立叶变换后分析其频域波形特征，计 算 1.79hz 频谱最大峰值附近的能量相对值， 并利用所得到的值以及最大频谱成分检测心室 纤颤和心动过速。 文献31运用 hermite 函数正交分解， 提取其中 3 个分解系数作为特征值， 利用这些值进行分类。gulera32将心电信号进行离散小波变换，并提取各频段的绝对均值、 标准偏差、平均能量和相邻频段间系数的绝对均值比作为特征值。engin33提取了心电信号 的 ar 模型参数、三阶累积量、离散小波变换各尺度下小波系数的方差作为心电信号的特征 参数。近年来，出现了一种运用于信号分析和表示的新方法，即稀疏表示法，此法的理论基 础为稀疏分解， 根据特定字典对待分析信号作稀疏分解后， 采用优化算法选择最合理的近似 表示。由于此方法获得了很好的效果，所以此方法已经运用在心电信号预处理、特征值检测 提取、以及信号的分类。李章勇34运用独立成份分析、小波变换、自适应滤波方法进行信 号的特征提取。 对于心电特征信息提取， 是心电信号进行预处理后在时域或频域等变换域中对心电信号 进行特征值的提取， 以为之后的心电信号的分类做准备。 但是提取的特征值越多也不意味着 诊断的准确性越高。太多的特征值会造成运算的复杂性增加，因此，只有提取出含有较多信 息的特征值才能提高心电信号自动诊断分类的准确性。 心电信号的自动诊断和分类实际上是 一个模式识别的过程。 由于在实际问问题中可能会遇到种种问题会使特征值的提取与选择遇 到困难， 也使得其成为模式识别中最困难的问题之一。 特征值的提取与选择有很多方法， 如： 主成分析法，独立分量分析法，粗糙集法等。文献35运用了主成分析法和线性判别分析方 法进行了心电信号的压缩，之后运用了支持向量机对六类心电信号进行了区分。朱凌云36 采用粗糙集理论对心电信号在多种变换域进行了特征值的提取与选择。 1-2-3 心电信号分类的研究心电信号分类的研究 对于心电信号的波形分类， 有关的算法研究基本上可以分为两大类， 即基于波形形态结 构的分类方法和基于特征的分类方法。 基于波形形态结构的分类算法主要包括模板匹配法，结构描述法，模型参数法，线性预 测法等。段会龙等64提出了一种基于模板匹配和特征识别相结合的波形分类方法，并且应 用了自适应的可变区域模板匹配技术对心电信号进行分类。 模板匹配法简单直观， 但易受噪 声干扰，且计算量大，匹配频率低，对于形态比较接近的心电类型很难区分。 由于基于特征的波形分类方法在特征选择上可以灵活多样， 判断规则也可以采用各种线 性或非线性分类器进行类别区分， 因此该方法在心电信号的波形分类识别中采用很多。 基于 特征的心电波形分类算法中，主要存在两个问题:一是有效特征参数的提取问题，二是采用 某种数学方法后判定规则的制订问题。 gulera32对心电信号进行四个尺度的离散小波变换后， 心电信号的自动分析与诊断 6 将小波系数的统计量作为心电特征