1、摘 要房颤的发病率逐年增加，并呈现出明显的年轻化趋势，一些患者常无症状表现，因此准确而及时的检测出房颤就有及其重要的意义。心电信号自被发现以来，一直是临床上诊断心脏病的重要依据之一。对心电信号的自动化处理，可以分为三个方面，分别是心电信号的预处理、心 电信号的特征提取和心电信号的分类识别。本文就这三方面做了研究：首先根据心电信号典型噪声的特点，针对基线漂移这类噪声频率比较低，利用中 值滤波的方法进行滤除并通过仿真实验确定了窗口宽度；针对工频干扰这种高频噪声，利用了 LMS 自适应陷波算法对工频干扰噪声进行滤除。由于该算法存在延迟，在处 理信号中需要一个自适应调整的过程，为了克服这个问题，本文采
2、用对原始信号进行前端拓延的方法来改进滤波效果，滤波完成后再去除拓延部分，仿真实验证明了算法可以有效地滤除心电信号中的噪声干扰。其次，利用小波变换的算法对心电信号的特征波形进行了定位。小波变换能够对信号的奇异点进行表征，但是通过小波变换定位的心电信号中 QRS 波群的峰值会出现偏差。为了克服这个问题，本文将寻找到的峰值位置，去原始的心电信号中扩大范围找到最大值。仿真实验表明，该算法可以精确地定位心电信号 QRS 波群及其峰值中。最后为了分辨所采集的心电信号，提取庞加莱图的 VAL，VLI 和 SD1 这三种指标去进行判别，仿真实验证明正常窦性心律的 VAL，VLI 和 SD1 的值较小，而房颤的
3、VAL，VLI 和 SD1 的值较大，从而区分房颤和正常窦性心律。再针对其中遇到的误检进行分析改进。通过仿真验证表明，本文算法能够精确的识别 R 波算出心率，并可以对房颤和非房颤进行分类，对房颤的诊断分析具有定的现实意义，可用于心电分析辅助诊断。关键词：体表心电信号 房颤 特征提取ABSTRACTAt present, the incidence of atrial fibrillation (AF) is increasing year by year, and shows a clear trend of young age. Some patients often have asympt
4、omatic performance, therefore, it is of great significance to detect AF accurately and timely. Since the discovery of electrocardiogram（ECG）signals, it has been one of the most important basises for the clinical diagnosis of heart disease. The automatic processing of ECG signals can be divided into
5、three aspects: 1)the pre-treatment ECG, 2) ECG feature extraction and 3) classification of ECG .The main contents of this paper are as follows：First, according to the characteristics of typical noise of ECG signal, the noise frequency such as baseline drift is relatively low. Thus, the median filter
6、 method is used to filter out and determine the width of the window through simulation experiments. And, for high-frequency noise like Power frequency noise, the algorithm of the Least Mean Square （LMS）adaptive notch filter is used. Due to the delay of the algorithm, an adaptive adjustment process i
7、s needed in processing the signal. Therefore, in order to overcome this problem, this paper adopts the method of extend to the front of the original signal to improve the filtering effect, and remove the extension part after the filtering is completed, and simulate the experiment. It is proved by si
8、mulation experiment that the algorithm can effectively filter the noise interference in the ECG signal. Furthermore, the wavelet transform algorithm is used to locate the characteristic waveform of ECG signal. The wavelet transform can characterize the singularity of the signal, however, the peak va
9、lue of QRS wave will be deviate in ECG signals by wavelet transform. To overcome this problem, this paper is will look for the peak position and find the maximum value in the original ECG signal.Finally, to distinguish whether the collected ECG is normal or AF, Poincare map and VAL, VLI , SD1 is use
10、d. Additionally, simulation results show that the values of VAL, VLI and SD1 of normal heart rate are small, while the values for AF are large.The simulation experiments show that this algorithm can accurately identify the R wave and can calculate the heart rate. Therefore it can classify the atrial
11、 fibrillation and non atrial fibrillation and has realistic meaning. It can be used in the auxiliary diagnosis of ECG analysisKEY WORDS: ECG atrial fibrillation feature extraction上海理工大学本科毕业设计(论文)4i目 录摘要ABSTRACT第 1 章 绪论 .11.1 课题背景及意义 .11.2 研究现状 .21.2.1 心电信号预处理研究现状 .21.2.2 心电信号特征提取研究现状 .31.2.3 心电信号算法分
12、析的现状 .41.3 本文研究目的 .41.4 本文的研究内容 .5第 2 章 心电信号与房颤的概述 .72.1 心电信号的形成及其生理特征 .72.2 房颤的概述及分类 .8第 3 章 心电信号的预处理算法研究 .93.1 心电信号的来源 .93.2 心电信号的噪声分析 .93.2 低频的基线漂移的移除 .103.3 高频噪声的移除 .123.3.1 LMS 的原理 阐述 .123.3.2 LMS 在去除工 频噪声方面的研究 .133.3.3 改进后的 LMS 的滤 波 .17上海理工大学本科毕业设计(论文)ii第 4 章 心电信号的特征提取与房颤的判断 .234.1 R 波的提取 .234
13、.1.1 原理 .234.1.2 在 R 波检测中的小波函数的选取 .254.1.3 小波变换应用和改进 .264.1.4 算法步骤 .294.2 利用庞加莱图的诊断算法设计 .294.2.1 算法设计 .294.2.2 算法改进 .324.2.3 VAL,VLI,SD1 的判断值确定 .32第 5 章 房颤检测的仿真实验 .355.1 仿真实验 .355.2 误差原因分析 .36第 6 章 结论与展望 .396.1 本文结论 .396.2 展望 .40参考文献 .41致 谢 .45字体原来是宋体。变为 time new roman基于单导联心电信号频谱分析的研究1第 1 章 绪论1.1 课题
14、背景及意义心血管疾病的患病率及其死亡率近些年一直是渐渐递增及年轻化发展的趋向。中国的心血管病防治相关工作上虽然已取得了初步成效，但从总体上来看，我国心血管类疾病在患病和死亡率上依旧是上升态势。按中国心血管病报告 2017中所做估算，心血管类疾病目前病患大概有 2.9亿人之多， 脑 卒占 1300 万，而冠心病患者有1100 万人，另外肺原性的心 脏病也可达 500 万人，心衰人数有 450 万， 风湿性的心脏病患者为 250 万人，先心病人 为 200 万，且高血 压病患高达 2.7亿人等。心血管疾病死亡占居民疾病死亡的 40%以上，位居榜首，高于其他疾病，2004 年至今，心脑血管类疾病住院
15、的费用支出每年平均提高速度比国内的生产总值提升速度快的多 1。我国心血管类疾病的诊疗负担愈来愈重，已成了非常严重的公共卫生方面的问题，而有效预防和治疗心血管类的疾病成为十分急迫的问题。此类疾病为一类发病及死亡比例均很高的慢性类疾病，大多数心血管类的疾病其病情均较为隐蔽，在前期难以被及时发现，在后期又容易突然爆 发，而且 发病率和死亡率一直都居高不下，因此 对心血管疾病的及时发现和有效诊断就显得日益重要。心电的信号即一类十分典型化的低信噪比不平稳的生物医学方面的 信号，其最先为荷兰的科学家 Einthoven 通过用弦线式的电流计进行记录而被发现 2，因科技探究的深入，心电信号上各个波形对应的信
16、息逐渐被人们所发现。生物医学的信号能显示很多同生物的机体相关的信息，极具研究的价值。直至目前心电信号依旧属于在临床上十分关键的心脏病的诊断依据。而心电信号获得，靠电极来接触到人体皮肤得到，记录心电信号的方式非常便捷，但是在早期的心电信号所做诊断和分析上几乎都是通过人工达成，如此做不但用 时很长，又非常依 赖于医生技术与经验，年 轻的医生其主观的判断通常可靠性不高。上世纪中期时电脑辅助的分析及诊断开始用于心电的信号内，最有用的为 Holter 的技术，其出现将短时的心电信号收集的时候存在的不稳定和不完整的问题加以解决，此类技术使得心电信号能于较长的时间中，在各类环境及病人的各种状态中都可以得到观
17、察。现如今伴随着计算机技术的快速发展，心电信号的自动分析技术被用在日常的检查中以及对心血管类的疾病进行诊断和预防，以及远程的监护方面。 3由于电脑科技的发展使用， 让 医生无需再做数据量十分繁杂的上海理工大学本科毕业设计(论文)2心电信号的识别，能将精力更多的用于对数据内有些异常的数据进行分析上，因此达成心电信号自动化的识别和检测具备十分深远的意义。可因心电信号十分微弱的特点，采集的过程中很容易会受到各种外在，内在因素的影响，而且心 电的信号其非平稳的特征，让对电脑辅助所做的分析方面具备十分严格的要求 4。探究心电信号怎样经过电脑运算，从而开发出可靠的心电信号自动识别分析系统，尤其是要在数据庞
18、大的心电信号中及时且准确的识别出有问题的心律，这样子的系统成为了医务人员的迫切需求。1.2 研究现状1.2.1 心电信号预处理研究现状心电的信号进行预先处置的研究基本是于数字的滤波器同现代的滤波技术方面有所显示，此 类技术能总结成 3 大方向，即数字、自适 应 和信号处置分析的滤波器等，包含小波的分析及数学的形态学内容等。而心 电信号基本的噪声包括工频干扰、基线漂移及肌电的干扰等噪声类别，可对它做滤波，也需由此 3 类噪声入手。信号 预处理的研究主要集中在数字滤波器和现代滤波技术上。这些技术可以概括为三个方向：数字滤波器、自适应及信号处置分析的滤波器等，包含小波的分析及数学的形态学内容等。而心
19、电信号基本的噪声为工频干扰、基 线漂移及肌 电干扰的类别的噪声，当然 滤波也需由此 3 类着手。工频干扰的噪声滤波上，起先为平滑的滤波法，此方式相对较简便，而且运算速度也可以，可其不足为可能 对 QRS 的波群有制约，可引起整体的信号发生大幅度衰减的问题；而 Wariar 设计 出一类整系数 FIR 的滤波器，其对阶次的要求过于严格，导致它不能得到更广使用 5；而 LiG 等学者设计出一 类模板的匹配方式自适应的滤波器，由此滤除了工频的噪声，此 类滤波方式基本为经获得含噪信号内工频的噪声模板，之后用有噪信号减掉此模板； 6沈谦等学者使用了 Chebyshev 的理论设计出等波纹的FIR 及零相
20、位的 IIR 等滤波器，此 类并联构造带通的滤波器较为简便实用，而去噪作用较好 7。Levkov 对心电的信号内工频的噪声，将心电信号当做线性及非线性来处置，可如此可制约 QRS 的波群 8；以后的探究方面， 孙 京霞对 Levkov 的这种方法的缺陷进行了改进 9。基线的漂移噪声怯除方面，曲线拟配合恰当的修正的策略为广泛使用的方式，即用样条的差值，以及多项式的 拟合等法对噪声实施估计之后，从而从原始信号中去除掉估计的噪声 10；Xue 等学者将神经网加进非线性的自适应滤波器内，此类方式对基线的漂移噪声及伪迹具备很好移除的效果，可此类方式的不足为若 QRS 的波群存在基于单导联心电信号频谱分析
21、的研究3差异改变，则滤波器具有的效果可被极大制约，且加进神经网后运算的速度成为一个大问题 11；Kunt 同 Rey 等把数字的 滤波器分成怯除基 线漂移的噪音及提升特征波形2 层，其怯噪的效果很好 12；李小燕等学者则把小波改为用于滤波器设计方面，此方式对于 S-T 段的特点有着很好的保持作用 13。肌电的干扰噪声怯除上，由于肌电的噪声频率同 QRS 的波群存在十分严重的重叠问题，因此滤除困难很大，让传统滤波的方法难以 实现使人满意的需要。而 Donoho将心电的信号做了小波的改换，设阈值给肌电的噪声实施滤除操作 14；季虎等学者则为接触传统离散的正交小波于心电的信号内去噪的时候发生伪吉布斯
22、的振荡情况，所以指出应用于心电的去噪方面离散的平稳小波，此类方式不但能保留心电的信号关键特点的波形，也可很好怯除噪声的干扰问题 15；而赵丽等学者认为一类改变小波的阈值方式的平移不变，则 心电信号的去噪算法，算法不仅克服掉了传统的阈值计算方式于电信的号特征点可以发生于振荡缺点，且提升信噪的比，降低了均方的误差去报个价 16；李楠等学者用调 Q 小波的变换对于心电 信号的去噪和把握，此 类方式可把存于频谱的混叠而且振荡的形式各异的信号做有效分离，而心电信号在去噪的时候获得了很好效果，可是此类 方式需对按信号质量由数取决小波基函数，而实质方面并未能规避小波的变换后小波的函数进行选择的 17。整体而
23、言，对于心电的信号进行怯除噪声的处置，集中了对于肌 电的干扰问题，而工 频 的干扰噪音及基线漂移的噪声等3 类基本噪声上，而研究的方式比较多，此 3 类噪声同 样属于心电信号的噪声内最关键的噪声，所以本文内会把噪重点放置于 3 种噪声上。1.2.2 心电信号特征提取研究现状文中对心电信号的特点提出的研究，基本是对 QRS 的波群中，由于 QRS 的波群为心电信号内最显著，且最容易检测到特征的波形，而 QRS 的波群皆可反映出心脏基本的活动，而 QRS 的波群内为包含了心脏处的信息 资料。而 对于 R 波准确性的位置是检测 QRS 波群基础，而 R 波于整体的 ECG 的 图内属于幅值最高的，且
24、突 变最快的特征波形，只有准确确定了 R 波的位置，方可对心电的信号中别的波形存在有一个较好的分析。对心电信号特点所用经典的算法里，基本可分：（1）滤波器的组法；实时性佳，但无法在信号和噪声的频带重叠时使用；（2 模板的匹配法 18：抵抗干扰的能力庆强，并提出特征正确的比例也比较高，可对于基线的漂移情况需要足够的敏感，而由于计算的量比较大其实时性不佳；（3）阈值的判别法：需依赖噪声的归原处置，不但提升波形，还可经阈值 有部分的特征，而 实时性能比较好，而抗干 扰的能力也强，维护非常重要，另外对含严 重的噪声的心电的信号方面，在检及漏检的仍然十分严重。上海理工大学本科毕业设计(论文)4随信号的处
25、理技术发展，在现于心电的号特征提取中加入非线性滤波的技术。而Li 等在心 电信中特征的检测时，抽样出小条及小波在其中所处的位置，并由此定位了心电信号特征波形 19；Senhadji 对于心电的信号做了小波的 变换，而经通过对于特点因子提出可对波形提取的情况，此属于小波的初次改变，此处用于心电的信号内 。 20Sahambi 也用了小波的分析，对其内模的极大值来定位特征波形，这里的小波基函数选取的是一阶高斯函数的导数，存在较好的抗干扰能力，而检测的效果同时较好 2122；Shyu 等使用神 经网置入小波的 变换内，使用动态的心电信号，可是加入进来的神经网，他们 的量变大 23；纪震等有些将双正的
26、样条小波可用在心电信号的特点检测时，仍旧与其内相应的所用的修正，由此去提升抗噪能力及检测的正确重度度 24；而Martinez 具备 关人员按 Li 基的的提出高检测及高正确度的风果好 25；Trahanias 等学者发表心电信号的特征和波形检测的时候，加入计算的过程较为简单的数学形态科学 26Hongyan 等有关教师 使用之前的经验的模态分解法吧之前心电的信号分成一类系列模态分量，此类方法可以效地抑制噪声，可是 阈值 恰当的选择为 1 个需去做研究的问有关题 27；且万静等人使用的是 2D。PCA 方式可得到的电信号特点波形，而且结合其能量的百分数据搜索的方式包括处理数据的量比较多的时候，
27、把高维的问题变成低维进行此类事件的处理，由此降低低计算出复杂度，而此类方式多靠阈值的检测其精准度，若遇到心律失常等心电信号， 则可引发误检 及漏检问题 28。1.2.3 心电信号算法分析的现状直到如今，已经开发了多种针对于房颤（Atrial fibrillation，AF）自动检测的算法。这些算法中的许多都是依赖于 P 波的缺失（由快速振 荡或纤颤波取代） 29-32或 R-R 期间绝对不齐 33-37，或两者的组合来检测 AF 发作 38-40。由于 P 波容易受到运动和噪声伪影的污染， 仅基于没有 P 波的 AF 检测算法在噪声存在下表现不佳 41。因此，采用心率变异性检测房颤已成为近年来
28、的首选方法。但是许多基于 R-R 区间的方法使用Kolmogorov -斯米尔诺夫试验 384042比较了正常的 R-R 区间的密度直方图与在 AF的 R-R 区间的直方图。由于 这些算法需要存储大量的直方 图数据，所以它们可能不适合在具有有限的存储器和处理能力的动态监测设备中实现。其它 R-R 算法需要各种参数设定，以保证 AF 检测 的高精度 35-37。此外，大多数现有的方法在短数据段（小于1 分钟）中表现不佳 41。这种不足可能持续时间短暂的 AF 发作不会被检测出来（在Paroxysmal 或早期 AF 中），和 AF 检测的较低速度。最后，大多数现有的 AF 检测方法需要 P 波或 R 峰值检测 作为预处理步骤，因此如果相关峰值丢失或错误检测，那么便无法准确的检测出来。
