（信号与信息处理专业论文）基于时频特征的ecg信号识别研究.pdf

摘要 心电图( e c g ) 信号能很好地反映出人的病理特征，是临床诊断的重要依据，但 由于e c g 信号是一种微弱、非平稳、易受噪声干扰的信号，使得e c g 信号的识别诊断 具有较大困难。本文针对e c g 信号特点，采用时频特征对e c g 信号识别展开研究，着 重研究了e c g 信号特征波定位检测、特征值提取及识别分类方面的内容，具体研究工 作如下： 首先，进行了e c g 信号特征波q r s 波的定位检测研究，通过改进已有的小波变换 算法和阈值算法，提出了基于三次b 样条小波自适应阈值的q r s 波检测算法。该算法 选取了滤波器个数少且在噪声环境下检测奇异点较好的三次b 样条小波作为小波基并 结合自适应阈值的方法检测小波变换的模极大值对以提高检测速度。仿真实验在 m i t - b i h 数据库中验证表明该方法能有效检出含有严重基线漂移和工频干扰的e c g 信 号，检测率达到了9 9 8 ，并能满足实时检测的要求。 然后，提出了一种是基于小波能量熵的晚电位识别算法。该算法根据小波变换的多 分辨率特性构造相关能量熵，凸现了暂态异常信号的差异、抑制了噪声，并且此算法不 需要q r s 波的逐拍定位。仿真实验证明该方法能有效识别出晚电位信号。 其次，提出了一种基于小波包节点熵的心律失常信号分类算法。算法在对q r s 波 精确定位的基础上研究了比小波变换具有更加精细时频结构的小波包特征值。为了进一 步进行定量分析，将小波包特征值输入支持向量机和径向基神经网络两种分类器进行分 类，并提取小波特征进行组合比较，仿真结果显示基于小波包节点熵特征值与支持向量 机的组合分类结果达到了9 7 1 4 的准确率，高于其他对比方法。 最后，研究了基于时频分布的心律失常信号识别，主要通过改进经典的时频方法提 高信号的时频聚集性和可读性对心律失常信号进行区分。文中主要提出了两种方法，一 种是结合了高阶特征与w v d 优点的w i g n e r 高阶谱法，该方法有效抑制了噪声、提高 了时频聚集性；另一种是基于p w v d h o u g h 变换的改进方法，该方法将e c g 信号的伪 w i g n e r - v i l e 分布( p s e u d ow i g n e r - v i l ed i s t r i b u t i o n ，p w v d ) 在h o u g h 变换域表示，能在 一定程度上抑制噪声减少交叉项，对e c g 信号有凸现和聚集作用，提高了时频图的可 读性。 关键词：e c g 信号识别；时频特征；q r s 波检测孙波能量熵小波包；支持向量机；w i g n e r 高阶谱 a b s t r a c t a b s t r a c t e c g ( e l e c t r o c a r d i o g r a m s ) s i g n a lc o u l d r e f l e c tp a t h o l o g i c a lf e a t u r e s ，a n di t sa n i m p o r t a n tb a s i sf o rh e a r td i s e a s e sd i a g n o s i n g ，b u ti t sak i n do fw e a k ，n o n - s t a t i o n a r ys i g n a l w h i c hi se a s i l yi n f l u e n c e db yn o i s e s ，s oi th a sg r e a td i f f i c u l t i e si nr e c o g n i t i o np r o c e s s t h i sa r t i c l ef o c u s e so nt h er e s e a r c ho ft i m e - f r e q u e n c yc h a r a c t e r i s t i c sa c c o r d i n gt oe c g s i g n a l s f e a t u r e s ，m a i n l yr e s e a r c h i n go nt h ed e t e c t i o no fq r sw a v e s ，f e a t u r ee x t r a c t i o na n d r e c o g n i t i o n t h em a i nc o n t e n t sa r el i s t e da sf o l l o w s ： f i r s t ，a i m i n ga tt h eq r sw a v e s d e t e c t i o na l g o r i t h m ，ip u tf o r w a r dt h eq r sw a v e s d e t e c t i o na l g o r i t h mb a s e do nt h r e e - o r d e rb s p l i n ew a v e l e ta n ds e l f - a d a p t i o nt h r e s h o l d ic h o s e 3 - o r d e rb s p l i n ew a v e l e ta sm o t h e rw a v e l e tw h i c hf i l t e rh a sas m a l lq u a n t i t yo fc o e f f i c i e n t s a n db e g o o d a t d e t e c t i n gs i n g u l a r i t y u n d e rn o i s e e n v i r o n m e n t ，t h e nc o m b i n i n gt h e s e l f - a d a p t a t i o nt h r e s h o l dm e t h o dt oi m p r o v et h es p e e do fd e t e c t i n gw a v e l e tt r a n s f o r m s m o d u l u sm a x i m u mp a i r s s i m u l a t i o nr e s u l t si nt h em i t - b i hd a t a b a s ei m p r o v e st h a tt h i s m e t h o dc o u l dd e t e c tt h ee c gs i g n a l sw i t hh i g hn o i s e sa n db a s e - l i n ed r i f t ，w h i c ha l s o s a t i s f y i n gt h er e a l - t i m ed e t e c t i o nd e m a n d s e c o n d ，ip u tf o r w a r da l la l g o r i t h mt or e c o g n i z el a t ep o t e n t i a l sb a s e do nw a v e l e te n e r g y e n t r o p y t h i sa l g o r i t h m e x t r a c t sw a v e l e t e n e r g ye n t r o p y c h a r a c t e r i s t i c s a c c o r d i n gt o m u l t i r e s o l u t i o na n a l y s i so fw a v e l e tt r a n s f o r m ，w h i c ha m p l i f y i n gt h ed i f f e r e n c e sb e t w e e n n o r m a la n da b n o r m a le c g s i g n a l s ，r e s t r a i n i n gn o i s e s i na d d i t i o n ，t h i sa l g o r i t h md o e s n tn e e d t ol o c a l i z et h eq r sw a v e sp u l s eb yp u l s e t h ef i n a ls i m u l a t i o nr e s u l t sp r o v et h ev a l i d i t yo f t h i sa l g o r i t h m t h i r d ，ip u tf o r w a r da n o t h e rr e c o g n i t i o na l g o r i t h mb a s e do nw a v e l e tp a c k e t s e n t r o p y s e x t r a c t i o n ，t h i sa l g o r i t h mf u r t h e rs t u d y i n gw a v e l e tp a c k e t sc h a r a c t e r i s t i c sw h i c hh a sf i n e r t i m e - f r e q u e n c y s t r u c t u r et h a nw a v e l e tc h a r a c t e r i s t i c s f o rf u r t h e rq u a n t i t a t i v e c l u s t e r i n g a n a l y s i s ，t h e nii n p u tt h ew a v e l e tp a c k e t sp a r a m e t e r si n t om u l t i - c l a s ss u p p o r tv e c t o rm a c h i n e c l a s s i f i e r , a n dc o m p a r e dw i t ho t h e rp a r a m e t e r sl i k ew a v e l e tp a r a m e t e r s ，o t h e rc l a s s i f i e rl i k e r b f ( r a d i a lb a s i sf u n c t i o n ) n e u r a ln e t w o r k t h es i m u l a t i o nr e s u l t ss h o wt h a tw a v e l e tp a c k e t s c h a r a c t e r i s t i c sa p p l i e dt om u l t i - c l a s ss v mr e a c h e sah i g hr e c o g n i t i o nr a t i oa b o u t9 7 14 ， b e t t e rt h a no t h e rc o m p a r e da p p r o a c h e s a tl a s t ，ir e s e a r c h e do nt h ea r r h y t h m i as i g n a l sa n a l y s i sb a s e do nt i m e - f r e q u e n c y d i s t r i b u t i o n ia d o p t e ds e v e r a la d v a n c e dt i m e - f r e q u e n c ya p p r o a c h e st od i s t i n g u i s ha r r h y t h m i a s i g n a l s ，a i m i n ga ti m p r o v i n gt i m e f r e q u e n c yc o n c e n t r a t i o na n do b s e r v a b i l i t y t h i sp a r tm a i n l y c o n c l u d e st w oa p p r o a c h e s o n ea p p r o a c hi sh i g h o r d e rs p e c t r ao fw v d ，t h i sm e t h o d c o m b i n e sa d v a n t a g e so fw v da n dh i g h - o r d e rs p e c t r at h a te f f e c t i v e l yr e d u c i n gn o i s e sa n d i m p r o v i n gt i m e - f r e q u e n c yc o n c e n t r a t i o n a n o t h e ri sa na d v a n c e da p p r o a c hb a s e do np w v d s a b s t r a c t h o u g ht r a n s f o r m ，w h i c ha p p l i e sh o u g ht r a n s f o r mt op w v d t h i sm e t h o dc o n c e n t r a t e sa n d h i g h l i g h t ss i g n a l s ，r e s t r a i n i n gn o i s e st os o m ee x t e n t ，w h i c hi m p r o v e st i m e f r e q u e n c ym a p s o b s e r v a b i l i t y k e yw o r d s ：e c gs i g n a lr e c o g n i t i o n ；t i m e - f r e q u e n c yf e a t u r e s ；q r sw a v e sd e t e c t i o n ； w a v e l e te n e r g ye n t r o p y ；w a v e l e tp a c k e t s ；s u p p o r tv e c t o rm a c h i n e ；h i g h o r d e rs p e c t r ao f w v d i i i 目录 目录 摘要i a b s t r a c t ：i i 第一章绪论1 1 1 课题研究的意义。1 1 2 心律失常e c g 信号分类及数据库简介1 1 3 国内外研究现状。3 1 4 本文研究内容4 1 5 论文结构。5 第二章小波变换理论及基本分类器原理7 2 1 小波变换理论。7 2 1 1 连续小波变换7 2 1 2 离散小波变换8 2 1 3 多分辨率分析与m a l l a t 快速算法8 2 1 4 小波包理论10 2 2 基本分类器原理1 2 2 2 1r b f 神经网络1 2 2 2 2s v m 13 2 3 本章小结1 6 第三章基于三次b 样条小波自适应阈值的q r s 波检测算法。1 7 3 1 传统阈值算法的q r s 波检测1 7 3 2 基于三次b 样条小波自适应阈值的q r s 波检测原理1 8 3 2 1 三次b 样条小波18 3 2 2 信号奇异性与小波变换模极大值的关系2 1 3 3 算法实现与仿真实验2 2 3 3 1 算法的具体步骤2 2 3 3 2 仿真实验与结果分析2 5 3 4 本章小结2 6 第四章基于小波域特征的e c g 信号识别。2 7 4 1 基于小波能量熵的晚电位识别算法2 7 4 1 1 小波能量熵定义2 7 4 1 2 算法实现与仿真实验2 9 4 2 基于小波包节点熵的心律失常信号识别算法3 3 4 2 1 基于小波包的特征提取3 3 4 2 2r b f 神经网络与r b f 核s v m 的识别性能比较3 5 4 2 3 算法实现与仿真实验3 5 目录 4 3 本章小结3 9 第五章基于时频分布的e c g 信号识别。4 1 5 1 基于周期图时频分布的e c g 信号识别4 1 5 1 1 周期图时频分布的定义4 1 5 1 2 周期图时频分布在e c g 信号识别中的应用4 1 5 2 基于p w v d h o u g h 变换的e c g 信号识别4 3 5 2 1p w v d h o u g h 变换定义4 3 5 2 2p w v d h o u g h 变换在e c g 信号识别中的应用4 4 5 3 基于w i g n e r 高阶谱的晚电位识别4 5 5 3 1 高阶谱定义4 5 5 3 2w i g n e r 高阶谱与w i g n e r 双谱4 7 5 3 - 3w i g n e r 双谱在晚电位识别中的应用4 7 5 4 本章小结4 9 第六章总结与展望51 6 1 全文内容总结51 6 2 展望51 致谢5 ：； 参考文献5 5 附录：作者在攻读硕士学位期间发表的论文。5 9 i i 第一章绪论 1 1 课题研究的意义 第一章绪论 人体心电图( e l e c t r o c a r d i o g r a p h ，e c g ) 作为心脏电活动在体表的综合表现，蕴涵着 丰富的反映心脏节律及其电传导的生理和病理信息，在一定程度上可以客观反映心脏各 部位的生理状况，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 失常和传导障碍的分析具有重大诊断价值，是目前分析与鉴别各种心律失常信号最精确 的方法【l 】，因此对各类异常e c g 信号的正确识别有很高的临床价值。但e c g 信号有生物 医学信号不同于一般信号的主要特点：信号弱，噪声强，频率范围较低，随机性强，且 大多都是非平稳信号【2 】1 3 j ，由于信号本身的特殊性，如何提取有效的特征对e c g 信号进 行分类识别是e c g 信号研究的最关键问题。 e c g 信号分析识别初期采取的是时域方法，主要包括峰值检测定位，特征波形检测 与描述，波形识别与分析等内容，它具有直观性强，物理特征明确等优势。但由于时域特 征提取算法本身的局限性，对于波形变异较大的心拍误检率较高。因此，仅仅利用时域 波形特征进行e c g 信号的分类识别一般较为困难。频域分析也曾应用于e c g 信号的分析， 但纯频域方法只是从总体上研究了信号的频率特性，一般是在假设信号平稳的基础上进 行分析，与e c g 信号特征不符。鉴于单纯的时域特征与频域特征的局限性，本文在e c g 信号识别上主要讨论e c g 信号的时频域特征值。时频分析的方法是描述信号的频率随时 间的变化，同时抓住了时间域与频率域两方面的特征，把信号的能量或强度特征在两个 平面内同时表现出来，这样就可以获得信号的综合信息，克服了单纯时域、频域表征信 号的不足1 2 j 。文中通过改进已有的时频方法对e c g 信号的特征波进行定位检测、提取时 频特征值，再结合模式识别的有关知识对e c g 信号的各种异常现象进行识别，整个过程 具有较强理论意义和临床应用价值。 1 2 心律失常e c g 信号分类及数据库简介 要分析e c g 信号，首先就要了解e c g 信号的组成，以及组成e c g 信号各种特征 波的特点及这些特征波与本文主要研究的心律失常信号之间的关系。如图1 1 所示，正 常的e c g 信号主要由q r s 复合波、p 波、t 波、u 波组成。其中q r s 复合波检测是心 电信号分析的关键问题，只有正确定位q r s 复合波，才能定位其他特征波如p 、t 波， 计算心率或者进行心率变异分析i l j 【3 】。一个正常的e c g 波形一般是由一个q r s 复合波、 一个t 波和一个p 波组成的，在这些波形出现后会出现一个时间段的过渡区间，有些 e c g 还会出现一个小的u 波，q r s 波出现的时间、宽度、幅度，p 、t 波出现的时间、 宽度、幅度，以及这个过渡区间的长短都是有生理病理意义的。相关的参数如图1 1 所 示，在心律失常的判断中q t 区间，r r 间期( 两个r 波之间的距离) 是两个最重要的 江南大学硕士学位论文 指标。 图1 - 1 正常e c g 波形图 f i g 1 - 1t h en o r m a le c g sw a v e f o r m 心律失常是指心脏的正常收缩时序效率异常，供血效率降低，严重情况下会构成生 命威胁，心律失常数据是本文e c g 识别研究的主要参数，它具体可分为四大类l l 】： ( 1 ) 窦性心律 窦性心律失常大致可分为心动过速、心动过缓、窦性心律不齐、窦性停搏等，窦性 心律的共同特点是：有窦性p 波，且窦性p 波后有q r s t 波群，q r s t 波群之后都有 p 波相对应，正常的p r 期间约为0 1 2 0 2 s ，q r s 波正常呈瘦窄型。窦性心律失常一般是 指窦性心律过快或过慢。 ( 2 ) 房性心律 房性心律失常大致可分为房性逸搏、房性早搏、房性心动过速、心房扑动、心房纤 颤等，房性心律的共同特点是：产生的p 波一般较窦性心律而言较平坦、细小，每个 q r s 波之前必有一个p 波相对应，但p 波之后不一定有q r s 波。房性心律失常状况各 异，其中房性逸搏、房性早搏、房性心动过速、心房扑动与p 波有关，一般表现为p 波 出现较早或p 波消失，也有可能与q r s 波有关，如房性早搏有可能表现为q r s 波宽大 畸形。 ( 3 ) 房室交界区性心律 房室交界区性心律失常大致可分为：交界性逸搏、交界性早搏、加速性交界性节律、 交界性心动过速等，共同性特点为：p 波呈倒立或消失，p r 间隔较窦性节律较短，约 o 1 2 0 1 8 s ，q r s 波可能宽大畸形，本文具体识别过程中未采用房室交界区性心律，因此 对异常状况不再作具体描述。 ( 4 ) 室性心律 室性心律失常大致可分为室性逸搏、室性早搏、室性心动过速、心室扑动、心室纤 颤等，室性心律的共同特点是：在心电图上呈现较宽大的q r s 波，波形形态异于正常 q r s 波，大部分室性心律失常状态都与q r s 波的异常状态相互联系。下面介绍一种特 殊的室性心律异常状态：心室晚电位( v e n t r i c u l a rl a t ep o t e n t i a l s ，v l p ) ，简称l p 。 2 箜二童：缱迨 l p 是发生在q r s 波之后延伸至s t 段的一种微伏级信号，是一种高频率的碎裂波 成分。由于l p 的上述特征加上它的定位困难，l p 本身的识别鉴定存在很大难度，本文 中采用了两种方法对l p 进行识别。l p 是对室性心律失常的一种判断标志，存在l p 的 e c g 信号一般可判定为心律失常信号，对其正确预测可提早对病人进行治疗诊断，因此 有很高的临床应用价值。 实验数据主要来自自美国麻省理工学院的m i t b i h 数据库【56 。数据库中共有4 8 组， 采样精度是1 1 位，采样频率为3 6 0 h z ，这4 8 组数据共有1 0 9 9 3 3 个心拍，每组数据的心 拍数不同。m i t b i h 数据库是心律失常数据库，里面包含了心律失常的各种状态，其中 有些心电数据中有有代表意义的伪迹，也包含了室性、室上性等传导异常的状况。数据 库中的每组数据都有固定的格式，均是有h e a d 头文件，d a t a 数据文件，a n n o t a t i o n 标 注文件三部分组成，头文件保存了信号的格式、采样率、长度，以及有关此记录的信息， 如采集地等。标注文件里包括心拍、节律和信号质量等信剧1 1 。 文中除了应用m i t b i h 数据库中的数据外，还采用了来自心电工作站e c g l a b 采 集的l p 数据，数据是通过s i m s o n 诊断分析法得到的x 导联数据。l p 数据共有1 8 组， 采样频率为3 0 0 h z ，采样精度是1 1 位，其中11 例是l p 阳性，7 例是l p 阴性。 1 3 国内外研究现状 由于e c g 信号低信噪比的特性，它极易受三种干扰，即基线漂移、肌电干扰和工 频干扰。e c g 信号研究的第一个主要方向就是消除这些干扰，即e c g 信号的预处理。 在预处理方面时频方法的应用也最为广泛，主要是e c g 信号的小波去噪法。1 9 9 5 年， 斯坦福大学的d l d o h o n 0 1 4 1 在小波变换的基础上提出了小波阈值去噪的概念。随后， e e r c e l e b i 5 j 在2 0 0 4 年提出了基于提升小波的e c g 信号去噪方法，使小波去噪的方法更 为实用，而近年来对小波的各种改进让小波去噪方法趋于成熟。由于e c g 去噪的研究 已经相对成熟，并有大量工具函数可以调用，本文不再对此部分进行研究。 另一个主要研究方向就是e c g 信号q r s 波的检测定位。对于q r s 波的检测最初 较广泛研究使用的是基于不同阈值选取的时域方法1 6 儿7 】【8 j ，这种方法一般是将预处理后 的信号通过斜率、幅度的特性规定阈值原则，然后通过这些阈值原则定位r 波，但这些 时域方法对e c g 信号的变异状况误检率极高。随着小波变换方法的不断发展和它多分 辨率的良好特性，它已经逐步成为q r s 波检测的一种重要方法。丁哨卫【9 j 等将自适应匹 配滤波技术和小波变换相结合实现q r s 波群的快速检测，有效提高了检测准确率和检 测速度。李翠微【l o j 等人应用二次样条小波进行尺度分解再对正负极大值对进行阈值判 断，实现对r 波的定位，随后在李翠微的算法之上又出现了各种不同的阈值策略和不同 的小波基选择策略，这些延伸算法迸一步提高了q r s 波的检测率；近年来h i l b e r t h u a n g 变换，也应用于r 波的检测，根据固有模态函数进行r 波定位【2 】1 1 1 】，也达到了很高的检 出率。由于检测的准确率越来越高，今后的研究方向就集中到了在保持高检出率的前提 下提高检测速度。 江南大学硕士学位论文 在对心律失常信号的识别方面有采用功率谱密度表征时频表征的方法【1 2 】【1 3 】，也有进 行小波谱分析的方法1 2 j ，因为二阶特征丢失了相位信息，也有尝试提取高阶特征来进行 e c g 信号的识别【l4 1 。以上这些方法是为了获得较高的时频分辨率单纯从时频图上对 e c g 信号进行识别，但大部分心律失常分析是先对e c g 信号进行特征提取如使用小波 变换【2 0 1 、小波包变换【2 4 1 、主成分分析( p r i n c i p l ec o m p o n e n ta n a l y s i s ，p c a ) 1 5 1 方法提 取等，再对特征值进行差异分析，或者将特征值输入不同的分类器进行分类，验证提取 的特征值或分类方法是否有效。有一些提取特征的方法是对小波变换的进一步细化和延 伸，如小波能量算法已被应用于e e g 信号的分析【1 6 】【1 7 】，近似熵特征也被应用于晚电位 的分析分类【l8 】【5 钔，这些特征量比单纯的小波变换更好地显示出各种心律失常信号之间的 差异，有助于更准确地诊断疾病，将逐渐被广泛应用。通常提取特征值后，为了达到对 心电信号的准确识别分类检测，要结合神经网络或支持向量机( s u p p o r tv e c t o r m a c h i n e ，s v m ) 进行检测，对异常e c g 信号的分析识别除了特征值的选择之外也与分 类器的应用有关，常用的有神经网络中的b p 网络，径向基函数( r a d i a lb a s i s f u n c t i o n ，r b f ) 网络，自组织神经网络( s e l f - o r g a n i z e dm a p p i n g ，s o m ) 等。这些分类 检测方法较为普遍，关键还是输入的特征量的区别。比较有代表性的方法是：提取心电 信号的时域信息，如r r 间期，通过s o m 对异常e c g 信号进行划分【l9 1 ，或者对心电信 号进行离散小波变换后，将小波系数的统计量作为心电特征参数，采用两级组合的多层 感知器( m u l t i 1 a y e rp e r c e p t r o n s ，m l p ) 网络【2 0 1 或b p 网络【2 1 】【2 2 1 实现对心电信号的分类，也 有提取多域特征作为特征参数，如文献 1 2 3 1 就选取了小波系数方差，时域的三阶累积 量，a r 模型等参数作为综合参数。使用支持向量机s v m 对e c g 信号进行分类的较少， 因为s v m 最初解决的是两分类问题，而单单是m i t b i h 数据库的心律失常信号就有 1 3 种。但随着s v m 多类分类的不断发展，并且s v m 不存在神经网络无法解决的局部 极小值问题1 3 6 ，基于s v m 的这些优势，它也越来越多地用到e c g 信号的分类上：如文 献 2 5 】已经使用s v m 分类e c g 信号的高阶统计量，由于s v m 扩展到多分类领域，也用 于心搏分类研列2 6 j 【3 5 j 。 根据上述描述，对于e c g 信号识别的整个过程可以用图1 2 描述： e c g | 预处理卜 特征波检测与 一特鸶警卜 波形分类疾病 叫 结果分析 特征点定位诊断 图1 - 2e c g 信号识别的一般过程 f i gl 一2t h eg e n e r a lp r o c e s so fe c gs i g n a l s r e c o g n i t i o n 1 4 本文研究内容 本文的研究内容主要分为以下几个方面： ( 1 ) 首先研究e c g 信号特征波q r s 波的定位检测，q r s 波的定位检测一般是e c g 4 _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ 笙二童：鱼堡 信号分析的首要步骤。由于小波变换已经广泛应用于q r s 波的检测，并达到了较高的 检测率，因此本文针对目前小波变换检测方法的不足，提出了基于三次b 样条小波自适 应阈值的检测方法。算法选取了滤波器个数较少的三次b 样条小波作为小波基并结合自 适应阈值的方法检n d , 波变换模极大值对以提高检测速度。在m i t b i h 数据库中验证 表明该方法能有效检出含有严重基线漂移和工频干扰的心电信号，有良好的实时效果。 ( 2 ) 根据小波变换良好的时频特性，和它已经在e c g 信号上的广泛应用，研究了 基于小波域特征的e c g 信号识别。文中首先根据小波变换的多分率特性构造小波能量 熵算法，根据小波能量熵曲线成功识别了l p 信号，这种算法有较强抑噪效果，并且不 需要通常识别过程中的q r s 波定位步骤。另一种算法是在q r s 波准确定位的基础上， 应用小波包分析分解了5 类心律失常信号，并提取小波包三层节点熵作为特征参数输入 两种分类器，其中基于小波包节点熵s v m 的分类算法达到了9 7 1 4 的正确率。为了进 行比较，文中还提取了小波分解系数的方差、均值等特征值，比较应用了r b f 神经网 络分类方法，并对两类分类器的优缺点进行了分析。 ( 3 ) 在应用小波域特征对信号进行识别分类之后，文中还研究改进了一些时频分布 方法并通过时频图进行e c g 信号识别。文中把经典的双线性时频变换w v d 与高阶特 征结合起来，采用w i g n e r 高阶谱的方法抑制了噪声提高了l p 信号的时频分辨率。同时， 还研究了基于p w v d h o u g h 变换的改进方法，该方法将信号的p w v d 在h o u g h 变换域 表示，对信号起到了聚集和凸现作用，便于信号的检测和估计，并有良好的抗干扰性。 1 5 论文结构 本文的论文结构如下： 第一章：主要介绍了课题研究的意义和背景、国内外研究现状、本文研究的主要内 。 容、心律失常信号的分类以及采用数据库的简介。 第二章：主要介绍了小波变换和文中使用的一些分类算法的基本理论，为后面几章 e c g 信号的定位检测及识别过程作理论铺垫。 第三章：具体描述了基于三次b 样条小波自适应阈值的q r s 波检测算法，仿真实 验证明该方法能有效定位q r s 特征波，有良好的实时检测效果，在未经过预处理的情 况下q r s 波检测达到了9 9 8 的正确率。 第四章：这一章主要研究的是基于小波域特征的心律失常信号识别，主要提出了两 种算法：第一种是基于小波能量熵的l p 识别算法，这种算法根据小波变换的多分辨率 特性提取能量熵值，放大了正常信号与l p 信号的差异，为l p 信号的识别提供了一种 新的思路，而且这种算法具有不需要对原信号进行特征波定位和预处理的优点；第二种 是基于小波包节点熵特征提取的心律失常信号识别算法，该算法是在q r s 波精确定位 的基础上逐拍提取e c g 信号小波包特征值，再采用两类分类器进行定量分析，仿真实 验证明基于小波包节点熵的s v m 分类算法对5 类心律失常信号分类达到了9 7 1 4 的准 确率，优于小波特征。 5 江南入学硕士学位论文 第五章：第三章的q r s 波检测是以小波变换为基础的，第四章的e c g 信号识别也 主要针对的是小波域特征，这一章主要研究的是两种改进的时频分布方法在e c g 信号 识别上的应用：主要包括w i g n e r 高阶谱方法，该方法结合了w v d 与高阶谱，有良好 的抑噪能力，提高了信号的时频聚集性；基于p w v d h o u g h 变换的改进方法，该方法 对信号有聚集和凸现作用，也在一定程度上抑制了噪声，便于信号的估计与检测。 第六章：本章对三、四、五章的方法进行了总结，并对未来的工作方向进行了总结 与展望。 6 第二章小波变换理论及基本分类器原理 第二章小波变换理论及基本分类器原理 本章主要介绍了小波变换的基本原理以及后面几章所要用到的分类器的基本结构 和分类原理，为e c g 信号的分析识别作理论铺挚。 2 1 小波变换理论 小波变换属于时频分析方法的一种，是近年来迅速发展起来并应用广泛的一种新型 信号分析工具，被誉为数学上的显微镜【2 刀。小波变换的概念首先是在8 0 年代初由物理 学家m o r l e t 提出，它的基本思想是将待分析信号与在时频域上都有局域化性质的特点的 小波函数进行卷积运算，通过计算就把待分析的信号分成了不同频带、时宽的不同成分 分量，能更好地表征信号的局部特征。 小波变换是一种信号的时间频率( 时间尺度) 分析方法，它具有多分辨率分析的 特点，是一种在时间频率两个参数上都可以改变的时频局域化分析方法【2 7 1 。它还具有自 适应的特点，在高频部分分辨率低而低频部分分辨率高，符合一般信号的分析特点。小 波变换克服了短时叶变换窗口固定不变的不足，窗口虽然大小不变但其形状可以改变， 频率窗和时间窗都可以改变。由于上述的这些优点，小波变换非常适合非平稳信号分析， 因为它适合于探测正常信号中夹杂的瞬态反常现象并展示其成分，数学显微镜的美名也 来源于此。 小波变换的良好特性也决定它必将广泛地应用于信号处理、图像处理、地震勘探、 语音信号的识别与合成、生物医学信号的处理等方面。本文研究的e c g 信号处理属于 生物医学信号处理的一个方面，在e c g 信号的去噪、特征波检测、以及心律失常信号 前期分析等方面小波分析已经取得了很显著的成就。 2 1 1 连续小波变换 小波函数的定义为2 8 1 ：设( f ) 是一个平方可积函数，少( f ) r ( r ) ，其傅立叶变换 ( 彩) 满足条件：上监等坚如 o ( 2 1 ) a 。 口 、 。 沙动( f ) 称作小波基函数或母小波。从公式2 1 可以看出小波基函数曲( f ) ：下1 少( 三二兰) ( 乘因子l 云是为使变换结果归一化而引入的) 是窗函数少( f ) 的尺度伸缩口和时间平 江南大学硕+ 学位论文 移b 的结果，口和b 分别称为尺度参数和平移参数。在尺度参数a 的作用下y 曲( r ) 的包络 变化：a 1 ，基函数相对于窗函数拉伸，窗口的时宽增大；a l ，相当于将窗函数的频率 特性压缩，频率带宽变小；a 1 ，相当于将窗函数的频率特性拉伸，频率带宽增大。时 移参数b 的作用是使小波基函数滑动。 2 1 2 离散小波变换 离散小波变换就是将连续小波变换的尺度参数a ，平移参数b 进行离散化，而不是通 常意义上的针对时间t 进行离散化。离散小波变换胛，( a g ，k a j b o ) 简记为胛r ( 歹，k ) ，信 号f ( t ) 的离散小波变换定义为为： d 肚= 眄( _ ，后) = e 厂( f ) 以f ) 衍= ( 厂，沙 ) ( 2 2 ) 其中，d m 称为小波系数或细节系数。 离散化一般采用二插值的形式a = 2 s ，b = k 2 j ，这种二进离散小波定义为： 弘j , k ( f ) = 2 j 2 y ( 2 7 f - k ) ，k z ( 2 3 ) 2 1 3 多分辨率分析与m a l l a t 快速算法 多分辨率分析的概念是在构造正交小波基时提出的，它将构造正交小波基的方法统 一起来，是正交小波变换的快速算法即m a l l a t 快速算法的理论基础。多分率分析指的 是“用分辨率2 7 对信号进行分析”，小波变换本身就是多分辨率分析。一个信号s 的三 层小波分解结构如图2 i 所示”： 图2 - i 信号三层小波分解图 f i g 2 1as i g n a l st h r e el a y e r s w a v e l e td e c o m p o s i t i o nm a p 从图2 1 中可以看出，信号被分为高频部分d 和低频部分a ，多分辨率分析只对低频部 分a 进行分解，分解是为了在频率上逼近正交小波基，其实就是相当于让信号通过带宽 不同的滤波器，从而达到多分辨率分析的目的。 8 蔓三至：尘鎏銮垫堡堡垦茎奎坌耋墅堕堡 多分辨率分析的基本思想在二进离散小波多尺度特性的基础上将信号在不同尺度 下分解并加以比较。根据小波级数理论可以对一个函数或信号做出任意精度的级数近似 表示。对于一个信号s ( f ) ，它在歹层的多分辨率分解可表示为： s ( f ) = q ，1 2 叫2 妒( 2 7 t - k ) + j t ，女2 叫2 缈( 2 7 t - k ) = a j ( f ) + 羔q ( f ) ( 2 4 ) k = - - * o j = - - k = - - 。j = - - 其中，少( f ) 是小波函数，伊( r ) 是尺度函数。c j , k 代表第层