張菲菲+張征

摘要：心電圖能夠直觀地反映心臟的活動狀況，能夠通過心電圖特征診斷各種心臟有關(guān)疾病和癥狀。文章提出了一種自動檢測心電異常的方法，使用小波變換法對心電圖進行基線漂移的校正和噪聲的過濾，對預處理后的心電信號使用極值法和閾值的比較實現(xiàn)特征點的提取，通過特征參數(shù)的判斷查找正常心電模板，計算正常心電模板和待檢測心電圖的相關(guān)系數(shù)來進行模板匹配，通過相關(guān)系數(shù)判斷兩者的匹配度，進而分析心電圖是否異常。文章使用MIT-BIH數(shù)據(jù)庫進行試驗結(jié)果分析，能夠較準確地分析出異常波形。

關(guān)鍵詞： 心電圖； 異常； 自動檢測； 小波變換； 模板匹配

中圖分類號：TP391 文獻標識碼：A 文章編號：1009-3044（2016）10-0197-03

Abstract：ECG has become an important detection item of a clinical diagnosis. The diagnosis of all kinds of heart disease and symptoms can be diagnosed by ECG. This paper proposed a kind of ECG anomaly detection， using the wavelet transform method to estimate the baseline drift of the ECG and the noise filtering. Use the extreme value and the threshold to realize the feature points extracting and search the normal ECG template by the characteristic pretreatment. Compare normal ECG and ECG to make Template Matching. Correlation coefficient calculating by making Template Matching is used to determine whether the ECG is abnormal or not. The test result is analyzed by using the MIT-BIH database. The abnormal waveforms can be analyzed accurately in the paper.

Key words：ECG； abnormal； anomaly detection； wavelet transform； template matching

1 概述

多種疾病都能夠引起心電圖的異常，心電異常的檢測對心臟疾病的診斷尤為重要[1]，心電圖診斷已經(jīng)成為臨床診斷中不可或缺的一部分。目前已有很多便攜式的心電檢測儀普及和應用在人們?nèi)粘Ｉ钪衃2]，便攜式心電檢測儀能夠有規(guī)律地隨時隨地記錄心電數(shù)據(jù)并計算和分析心率是否正常，但是不能夠進行復雜心電圖的診斷。心電圖在臨床診斷中應用也較為廣泛，通過醫(yī)生肉眼查看心電圖進行診斷的診斷結(jié)果較為準確，而成人一般每分鐘有60～100次心臟活動，故心電數(shù)據(jù)量較大，若持續(xù)對長時間的心電圖進行診斷，容易引起疲勞，如果能夠減少肉眼對心電圖異常的查看和診斷，將極大地提高現(xiàn)有的醫(yī)療水平，減少人們尋醫(yī)問診的次數(shù)，為醫(yī)療自動化帶來巨大推動力，很大程度上改善居民的醫(yī)療環(huán)境。

本文針對心電圖異常的自動檢測進行了研究，異常檢測結(jié)果可作為醫(yī)生診斷的輔助信息，大大減少醫(yī)生的工作量，提高醫(yī)療自動化水平。

2 研究現(xiàn)狀

隨著心電圖應用的日益成熟，各種心電圖的自動分析與檢測系統(tǒng)被推廣應用。

在心電異常檢測方面，已有能夠檢測出心率的心電自動檢測儀。對于其他復雜異常診斷的研究，有特征提取法、支持向量機法、神經(jīng)網(wǎng)絡法。特征提取法即提取心電圖的各個特征點的信息，使用特征參數(shù)閾值判斷心電圖是否正常[3]。支持向量機法即將一段心電圖的各個特征參數(shù)組成一個向量，這個向量處于一個多維空間中，通過樣本學習建立一個分類規(guī)則，由這個規(guī)則組成一個超平面，這個超平面將多維空間分為兩部分，處于這兩部分的向量為兩類不同心電圖的特征向量[4]，由此可將異常心電圖進行區(qū)分。神經(jīng)網(wǎng)絡法將神經(jīng)網(wǎng)絡模型分為輸入層、隱含層和輸出層，輸入層為心電數(shù)據(jù)，隱含層為數(shù)據(jù)處理過程，輸出層為檢測結(jié)果，輸入層通過隱含層到達輸出層，隱含層有多個神經(jīng)元和權(quán)值，神經(jīng)網(wǎng)絡模型的建立需要學習，學習過程中通過計算輸出層結(jié)果和期望輸出值之間誤差，根據(jù)誤差不斷調(diào)整隱含層的權(quán)值直到誤差在允許范圍內(nèi)后，模型建立成功，使用該模型進行異常診斷[5]。

3 心電異常檢測

模板匹配法通過計算正常模板與待檢測模板之間相關(guān)系數(shù)診斷異常。在使用模板匹配法進行異常檢測的研究中，一般待檢測心電數(shù)據(jù)需和心電模板具有相同的長度[6]，這使心電信號的采集受到了限制，不利于長度不同的心電數(shù)據(jù)的匹配。本文對這種模板匹配法進行了改進，能夠?qū)Σ煌L度的心電數(shù)據(jù)進行異常診斷。模板匹配法不需要進行學習，較為簡單，便于進行異常檢測，能夠檢測出大部分異常。

心電異常檢測流程為心電圖預處理、模板選擇和模板匹配。下面將對具體的檢測方法進行闡述。

3.1 心電圖預處理

本文實驗數(shù)據(jù)來源為MIT-BIH數(shù)據(jù)庫，MIT-BIH數(shù)據(jù)庫是由美國麻省理工學院提供的研究心律失常的數(shù)據(jù)庫，是目前國際上公認的可作為標準的三大心電數(shù)據(jù)庫之一[7]。

由于心電信號中夾雜著各種干擾信號，包括呼吸、運動等引起的基線漂移，周圍環(huán)境引起的工頻干擾以及人體肌肉顫動引起的肌電干擾等[8]。這些噪聲信號嚴重影響了心電圖特征的準確識別，故需要對心電圖進行去除噪聲的預處理，文中選擇使用小波變換法進行心電信號的預處理。對MIT-BIH數(shù)據(jù)庫的103號心電數(shù)據(jù)的信號1（M1）進行尺度為9的小波變換，得到M1=d1+d2+d3+d4+d5+d6+d7+d8+d9+a9。其中a9為低頻信號，d1～d9為高頻信號，且d1到d9頻率依次降低，M1由d1～d9和a9疊加而成，將低頻分量a9置零，可去除基線漂移，將高頻分量d1和d2置零，可過濾噪聲信號。圖1為使用db4小波基將原始波形進行尺度為9的小波變換進行預處理前后的心電圖。

可見預處理前的心電圖中采樣點5000到6000之間有一處明顯的基線漂移，且與處理后的心電圖相比，處理前的心電圖因為高頻噪聲的原因顯得較為粗糙。

3.2 模板選擇

模板選擇過程中，先對特征點進行檢測，通過特征點查找正常心電圖，取一定時間范圍的正常心電圖作為模板。典型心電圖波形特征如圖2所示。

心電圖中包括P波、QRS波群和T波，上圖為一個心電周期的波形。對于同一個人來說，其心電波形在長時間內(nèi)表現(xiàn)為穩(wěn)定，即在一個時間段的心電圖中，絕大多數(shù)的心電數(shù)據(jù)處于正常范圍[9]，故可以從一定時間段的心電圖中提取出正常的心電圖作為模板。

由于QRS波群和T波斜率明顯，特征較為突出，故心電圖預處理完畢后，首先檢測QRS波和T波，由于P波較低，且預處理并不能完全去除高頻噪聲，P波波峰周圍會出現(xiàn)因為噪聲干擾而凸起的波形，能夠明顯檢測出R波和T波，P波較不明顯，檢測出R波波峰后，從R波開始分別向前和向后搜索Q波和S波以及QRS波群邊緣，P波波峰可通過搜索前一個周期的T波和當前檢測周期的Q波之間最大極值點獲取到。

若在采樣點序列[s（1） s（2） s（3）]中，s（2）-s（1）>0，s（3）-s（2）<0，則s（2）為極大值點；反之，若s（2）-s（1）<0，s（3）-s（2）>0，則s（2）為極小值點，故可根據(jù)采樣點序列中相鄰點的差獲取極值點。假設波形方程為v=x（n），n表示采樣序號，n=1，2，3...，特征參數(shù)的檢測步驟為：

1）心電數(shù)據(jù)組成向量a=（x（1） x（2）…），例如a=（2 3 1 5 6 9）；

2）將a中相鄰值相減組成向量b，

b=（x（2）-x（1） x（3）-x（2） x（4）-x（3） x（5）-x（4）…）=（b1 b2 b3 b4…）；由a=（2 3 1 5 6 9）計算出b=（1 -2 4 1 3）

3）將b映射到向量c，映射規(guī)則為：若b（n）>0，c（n）=1；若b（n）<0，c（n）=-1；若b（n）=0，c（n）=0；得到c=（c1 c2 c3 c4…），c中值只有0、1、-1。由b=（1 -2 4 1 3）映射出c=（1 -1 1 1 1）；

4）將c中相鄰值相減組成向量d，由c=（1 -1 1 1 1）計算出d=（-2 2 0 0），取d中值不等于0的位置索引加1，存入數(shù)組indexMinMax，則indexMinMax=[1 2]，取d中值大于0的位置索引加1，存入數(shù)組indexMin，則indexMin=[2]，取d中值小于0的位置索引加1，存入數(shù)組indexMax，則 indexMax=[1]，心電數(shù)據(jù)組成的向量a中索引為indexMin的為極小值點，索引為indexMax的為極大值點，所有極大值點和極小值點的索引都在indexMinMax中，即a中的極小值點為a[2]=1，極大值點為a[1]=3；

5）通過indexMax、indexMin和a得到極大值點中的最大值max和極小值點中的最小值min，取差值distance=max-min；

6）遍歷indexMinMax，若索引處i心電值和最小值之間差值a[i]-min>distance/2，將索引i存入數(shù)組R_Array，R_Array中的值即為R波波峰索引，每找到一個R波波峰，在indexMinMax中從該R波波峰索引處取前兩個索引為Q波波峰索引和QRS波群左邊緣、取后兩個索引為S波波峰索引和QRS波群右邊緣，分別存入Q_Array、QRS_lArray、S_Array、QRS_rArray。

7）在6）中遍歷indexMinMax時，若索引處i心電值和最小值之間差值滿足0.2324*distance/2

8）在indexMinMax順序查找R波波峰和T波波峰之間最大的極值點，存入P_Array，P_Array中的值即為P波波峰索引。

9）根據(jù)成人正常PR間期為0.12～0.2s，從QRS波群左邊緣向前0.10～0.22s范圍內(nèi)搜索極小值點作為P波左邊緣，存入P_lArray。

檢測出特征參數(shù)后，計算出平均心率，根據(jù)心電圖所處導聯(lián)、患者年齡和心率獲取各個特征的正常值范圍，查找患者心電圖中3～6個周期的正常心電波形，以這部分正常心電波形作為初始模板。由于R波波形特征明顯，故將初始模板的第一個R波波峰設為模板起點，最后一個R波波峰設為模板終點，得到最終模板。

3.3 心電診斷

待檢測心電數(shù)據(jù)和心電模板之間的差異可以通過它們數(shù)據(jù)差的平方和表示。假設心電模板為y（n），其中TSA

計算待檢測心電長度：UB=TFB-TSB，

心電模板長度：UA=TFA-TSA，

待檢測心電數(shù)據(jù)長度與心電模板長度之比：

QAB= UB/UA =?UB/UA」+m

其中?UB/UA」為UB/UA取整后的值，m為余數(shù)。若QAB<=1，則待檢測心電數(shù)據(jù)長度小于或等于心電模板長度，設n=0時為計算起點，則n=UB為計算終點，待檢測數(shù)據(jù)與模板數(shù)據(jù)差的平方和M如下：

若QAB>1，則待檢測心電數(shù)據(jù)長度大于心電模板長度，根據(jù)心電圖周期性的特點，可將心電模板進行周期性延長，使模板長度不小于待檢測心電數(shù)據(jù)長度，待檢測數(shù)據(jù)與模板數(shù)據(jù)差的平方和M如下：

使用dif表示待檢測數(shù)據(jù)和模板數(shù)據(jù)的差異，相關(guān)系數(shù)R表示為R=1/（dif+1），R的值在0和1之間，則差異dif越小，相關(guān)系數(shù)R越大。由于M是由模板和待檢測數(shù)據(jù)之差累加而成的，故對于相同長度的待檢測心電數(shù)據(jù)，M越大，匹配度越低。故令相關(guān)系數(shù)R=1/（M/fUB+1），其中f為心電數(shù)據(jù)的采樣頻率，R越接近1，表示相關(guān)度越高，設置相關(guān)系數(shù)閾值為0.88，當R值小于0.86時，便認為心電圖為異常心電圖。本文實驗數(shù)據(jù)分為11組，這11組數(shù)據(jù)分別取自MIT-BIH數(shù)據(jù)庫中記錄為100、105、115、121、123、200、202、205、208、212、217的心電數(shù)據(jù)，每組數(shù)據(jù)取10個不同時間段進行實驗，共進行了11*10=110次試驗，其中98次檢測正確，12次檢測錯誤，故檢測準確率為89.1%。

4 結(jié)論

本文使用db4小波對心電圖進行尺度為9的分解和重構(gòu)，有效地去除了低頻的基線漂移和其他高頻噪聲干擾，便于準確分析特征點位置，進而進行模板匹配，心電信號的異常檢測檢測準確率較高。針對患者選取適應患者的心電模板，且能夠診斷不同長度的心電圖，使這種異常檢測方法可用于不同的心電數(shù)據(jù)來源，適用的范圍較廣。本文提供的異常檢測只能夠檢測出波形的異常與否，并不能檢測出異常類型，仍然有一定的局限性，故本文在檢測異常類型這個方面仍需改進。

參考文獻：

[1] 宋東富. 心電信號自動分析算法的研究與應用[D].長春： 吉林大學， 2007.

[2] 吳寶明，朱凌云，卓豫，等. 遠程心電監(jiān)護系統(tǒng)及動態(tài)心電信號自動分析的研究進展[J]. 中國醫(yī)療器械雜志， 2006， 30（5）： 362-268.

[3] 唐雅青. 心電信號的自動檢測與分析[D].上海： 上海交通大學， 2007.

[4] 韓君澤. 心電信號自動檢測與診斷方法的研究[D]. 哈爾濱： 哈爾濱工業(yè)大學， 2013.

[5] 趙毅. 基于小波分析和神經(jīng)網(wǎng)絡異常的異常心電信號分類研究[D].太原： 太原理工大學， 2015.

[6] 楊波，張躍. 基于多模板匹配的室性早搏判別算法[J].開發(fā)研究與設計藝術(shù)，2010， 36（16）： 291-293.

[7] 宋喜國，鄧親愷. MIT-BIH心率失常數(shù)據(jù)庫的識讀及應用[J].中國醫(yī)學物理學雜志，2004，21（4）：230-232.

[8] 任杰，楊麗曉. 基于小波變換系數(shù)的心電信號基線漂移噪聲去除方法[J].醫(yī)療衛(wèi)生裝備，2010，31（11）： 24-26.

[9] 劉彬. 心電信號特征識別及其在心血管疾病診斷中的應用[D].長春：吉林大學，2014.