[发明专利]一种基于EEMD和信号结构分析的心电信号R波识别方法

说明书

本发明涉及一种基于EEMD和信号结构分析的心电信号R波识别方法，属于心电信号检测技术领域。该方法首先利用EEMD将带噪声的心电信号分解成一系列IMF和残余分量。EEMD分解后的各模态分量可看作是心电信号不同成分，噪声以及R波的线性组合；即R波作为源信号分布在各个IMF中；然后通过ICA算法从各模态分量中提取出R波；最后将ICA分离出的R波分量通过滑动窗口获取R波的包络线获得初步检测的R波，并对初步检测到的R波根据优化标准进行不断迭代优化，最终实现R的识别。本发明针对带噪声的心电信号无需预处理过程即可直接识别R波，且能实现对R波的准确定位。

技术领域

本发明属于心电信号检测技术领域，涉及一种基于EEMD和信号结构分析的心电信号R波识别方法。

背景技术

心电信号(Electrocardiogram,ECG)实时记录着心脏的活动状况，携带着丰富的心律以及病理信息。心电信号由波、段、间期组成，各自携带着对应的临床信息，是心血管疾病诊断的重要依据。正常的心电信号由P波，QRS复合波，T波组成，不同的波对应着心脏不同的电活动过程。R波是QRS复合波中特征最明显的波形，是确定心电信号各波段的重要参考，是ECG自动分析的重要前提。

针对心电信号中R波的识别，硬件方式主要通过峰值电压检测器结合电压比较器和单稳电路对R波进行检测，但会受到器件特性等因素的影响。目前文献以及应用主要采用数字信号处理等软件的方式进行R波的检测，检测思路主要有实时检测方法和模型匹配方法。实时检测方法根据心电信号中R波峰值和斜率的特征对R波进行检测；模型检测方法通过学习的方式获取R波的模板，然后计算模板与心电信号的相关性来实现R波的检测。Pan和Tomkins提出一种基于导数滤波器的R波检测算法。该算法利用导数滤波器对带通滤波后的心电信号进行微分以获取R波的斜率信息，对得到的斜率信息通过自适应双阈值的方法以实现R波的识别。该算法是一种通过阈值处理并且具有低复杂度的实时处理方法。由于特征波频率的变化，基于滤波的方法检测性能受到较大影响。吴建等提出一种基于差分阈值和模板匹配的方法对心电信号的R波进行识别。该方法利用一阶差分获取R波初始模板，通过滑动窗口的方式将初始模板与窗口内的信号进行匹配，寻找相似度最大的匹配信号来定位R波，成功完成一次R波检测后更新模板继续下一次匹配。该方法阈值的设定取决于上一次检测到的R波，当相邻R波出现幅值相差较大的情况，漏检现象比较明显。Merah利用平稳小波变换对心电信号进行多尺度分解，然后对各细节分量进行能量，频率以及相关性分析，根据选取出的合适细节分量的局部极值点信息检测R波。孙亚楠等利用改进的小波阈值法自适应地在恰当的频率子带上提取出R波的候选集，然后根据RR间期的局部变化趋势对R波候选集进行筛选进而实现R波的识别。但基于小波变换的方法太过依赖小波基的选择，小波基函数影响着各细节分量中的能量分布，从而影响R波识别的准确率。行鸿彦等利用经验模态分解(Empirical Mode Decomposition,EMD)将心电信号分解成一系列本征模态函数(Intrinsic Mode Function,IMF)，然后结合软阈值的方法进行预处理，再利用模极大值和R波特征点对应的关系实现R波的检测。但EMD存在的模态混叠问题影响R波对应特征点的识别。Raquel提出一种基于有限状态机的自适应阈值的R波检测算法。该算法在预处理阶段去除噪声的同时初始化R峰值阈值，然后利用有限状态机根据信号的变化趋势和之前检测到的R峰值对阈值自适应修正，根据自适应的阈值判定R波的位置。但该方法需要进行复杂的计算。Khaled将人工神经网络(Artificial Neural Network,ANN)引入心电R波的识别。该方法提出一种基于sigmoidal径向基函数优化非线性自适应白化滤波器对心电信号进行预处理以抑制噪声同时增强QRS波，然后根据决策逻辑确定R波的位置。R波识别准确率可达99.91％。但ANN在训练阶段需要大量心电信号的先验信息，运算量大，内存资源消耗高，难以用于实时检测。然而，在心电信号在采集和传输的过程中受到工频干扰，肌电干扰以及基线漂移的影响，掩盖了QRS复合波的部分特征，严重影响了R波的定位精度。大部分方法在对R波进行识别之前，都会对心电信号进行预处理以排除噪声的干扰，排除噪声干扰的同时可能会丢失心电信号的部分有用信息。因此，Safari提出一种基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和独立成分分析(IndependentComponent analysis,ICA)的方法对带噪声的心电信号直接进行R波的识别，但识别的灵敏度和准确率有待提高。