2022年模式识别 .pdf

《2022年模式识别 .pdf》由会员分享，可在线阅读，更多相关《2022年模式识别 .pdf（27页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、课 程 论 文ECG 信号的预处理及筛选：何* 学号：2012052346 专业班级：自动化提交日期：2014 年 12 月 31 号精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 1 页，共 27 页摘要 . 2 Abstract . 3 1 绪论 . 4 1.1 课题研究背景及意义. 4 1.2 国内外研究现状. 4 1.3 本文研究内容. 5 1.4 论文章节安排. 6 2 ECG 信号的主要噪声及产生原因. 6 2.1 基线漂移噪声. 6 2.2 工频噪声 . 7 3 去除基线漂移的算法设计. 7 3.1 方案研究 . 7 3.2 去除基线

2、漂移的具体步骤. 8 3.2.1 拟合函数的构造. 8 3.2.2 拟合点的选取9. 8 3.2.3 最小二乘法基线拟合. 9 3.2.4 滤除基线 . 9 4 去除工频干扰的算法研究11 . 9 4.1 方案研究 . 10 4.2 ECG 信号滤除工频噪声的实现步骤. 10 4.2.1 确定滤波器的性能指标12 . 10 4.2.2 根据数字滤波器性能指标设计巴特沃斯模拟滤波器 . 11 4.2.3 借助设计好的模拟滤波器设计巴特沃斯数字滤波器12. 11 4.2.4 利用设计好的数字滤波器对ECG 信号进行滤波处理 . 12 5 筛选出符合要求的ECG 信号 . 13 5.1 ECG 信号

3、的基本特征1. 13 5.2 ECG 信号的筛选条件. 14 5.3 ECG 信号筛选的算法设计. 14 5.3.1 ECG 波形的识别 . 14 5.3.2 ECG 波形参数的获取和条件的判断. 17 6 总结与展望 . 19 6.1 系统总结 . 19 6.2 工作展望 . 19 参考文献 . 20 附录 . 21 精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 2 页，共 27 页摘要本论文针主要研究心电图 (ECG)信号噪声滤除及不合格ECG 信号的排除。心脏病是严重威胁人类健康的疾病之一1。ECG 信号是诊断心脏病的重要依据，但在采集过程

4、中受到各种噪声的干扰，而不利于ECG 信号的特征提取，因此有必要对 ECG 信号滤除各种噪声。 本文设计了能有效滤除ECG 信号中的基带漂移噪声和工频噪声的复合数字滤波器。然后根据分析ECG 信号的基本特征，筛选出符合 ECG 信号基本特征的样本数据。基带漂移噪声2是 ECG 信号的主要噪声之一， 主要由于病人呼吸运动、 电极滑动变化等所导致， 其不利于心电图平缓波形的识别。本文中， 通过多项式拟合得到基线的函数方程，减去基线函数值后得到滤波后的ECG 信号，通过前后比照，发现基线滤波的有效性。工频噪声是ECG 信号的另一种主要噪声，来源于工频电源以及器件周围环境中辐射出的电磁场3，主要呈现纹

5、波形式。本文设计了60Hz 的巴特沃斯带阻滤波器，对 ECG 信号进行滤波，滤波效果良好。由于各种噪声干扰的存在，以及ECG 数据源的不可靠性，导致很多ECG 信号研究样本不符合标准的ECG 信号基本特征。因此本文提出几个简单的ECG 信号判定条件，对不符合要求的ECG 信号进行排除。本文最后进行了系统总结，并对以后进一步研究进行了展望。关键字： ECG信号；基线漂移噪声；工频噪声；筛选精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 3 页，共 27 页Abstract This paper mainly studied digital filte

6、r design for ECG signal processing. s necessary to reduce the ECG noise effectively.Therefore,this paper proposes a effective method to filter the baseline noise and power frequency noise by using digital filter ,which have an great effect on clinical diagnosis.Based on the basic characteristics of

7、ECG signal,normal samples were identified effectively. Baseline noise is one of the main noise of ECG signal,mainly due to the breathing exercises,such as sliding electrode,which make it difficult to recognize the feature of ECG waveform.The dissertation designed curve fitting algorithm to filter ba

8、seline noise by fitting polynomial through some feature points found in the ECG signal.The result showed that the algorithm had a good effect. Power frequency noise,like voltage ripple, is another main noise of ECG signal,mainly due to electromagnetic fields producing by power and electrical devices

9、.The dissertation designed 60Hz butterworth band-stop filter ,with an advantage of better filtering effect. Because of the interference sources and the unreliability of data sources,there are many ECG samples not in accord with the normal ECG characteristics.In this paper,some definitions and necess

10、ary conditions of normal ECG signal were put forward,in order to exclude wrong sample. Finally,this paper made a systematic summarize and prospects for future study in this area. Key Words :ECG signal,baseline noise,Power frequency noise,screening 精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 4 页，共

11、 27 页1 绪论1.1 课题研究背景及意义心脏病已经成为严重威胁人类健康的疾病之一。据统计 ,我国每年新增的先天性心脏病患儿有15-20 万例,但每年进行的先天性心脏病外科手术仅6-7 万例,不到每年新发生先天性心脏病病人的一半1。心电图 (electrocardiogram,ECG) 的检测与分析， 是临床了解心脏功能状况、 辅助诊断心血管疾病、评估各种治疗方法的重要手段。而体表ECG 信号具有较大的随机性和背景噪声，是一种非线性、不平稳的微弱信号4。心电图波形比较复杂,数据量又大 ,消耗大量人力精力 ,可能导致人工误判 ,还有昂贵的检测治疗费用。因此实现心脏病自动诊断功能己刻不容缓,那样

12、可以及早诊断心脏病的成因并且进行治疗 ,节省大量人力 ,从而大幅度降低医疗诊断费用。心脏病的早期发现主要依靠心电图得到相关的信息,人们可以通过定期到医院进行体检来了解自己的心脏健康情况,或者在家通过心电图远程服务系统向医生及时反馈自己的心电信息,以便于及时获取相关的准确的指导。动态心电图的出现解决了这一问题,并且广泛应用于临床诊断。 动态心电图机可以随时随地长时间记录病人的心电信息,这样医生就可以了解病人心脏活动情况、疾病发作时间和周期等信息。但是发展动态心电图的一个问题，其心电信息量远远大于常规心电图,这将极大地增加医务人员的工作量。动态心电图机发展的最大的问题就是心电信号噪声干扰的处理。由

13、于动态心电图一般是在移动状态下,或者周围环境可能很嘈杂的情况下进行测量的。因此,这种情况下获得的心电信号噪声干扰远远大于临床测量的,而心电信号本身就是一种比较微弱的生理信号,因此这就增加了信号预处理的难度与高度。此外,异常心电图种类繁多 ,不同患者同一病理的心电图 ,甚至同患者不同时刻的心电图都是有细微差异的,这就要求医务专家具有丰富的理论知识以及大量的临床实战经验才能做出准确的诊断。ECG 心电信号预处理和波形自动识别技术很好的解决了动态心电图所面临的这些问题 ,不仅极大的减少了医务人员的工作量,而且提高了诊断速度,进而降低心脏疾病诊断的医疗费用。这一改良受到了广阔医务人员的极大欢送,从而使

14、许多科学研究院、学校、企业投身于心电自动诊断系统的研究中。然而,目前的心电信号处理和波形自动识别系统只是用来辅助心电专家进行诊断,并不能完全取代人工分析 ,主要是因为目前的心电自动诊断技术准确度和处理速度未能到达临床试验的要求 ,并且电脑自动诊断缺乏统一的标准,从而降低了其识别的可靠性。因此 ,提高心电信号预处理和波形自动识别系统的准确性和实用性,对于提高心电图临床诊断的质量 ,实现自动化诊断具有非常重要的现实意义。1.2 国内外研究现状人体的心电信号是一种非平稳、 非线性、随机性比较强的微弱生理信号,幅值约为毫伏 (mV)级,频率在 0.05-100HZ 之间。在信号采集过程中心电信号极易受

15、到仪器、人体活动、 操作者以及周围环境等各方面因素的干扰而引入噪声信号。心精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 5 页，共 27 页电信号的干扰主要有以下三种:基线漂移 ,一般是由呼吸和电极滑动变化所异致的,频率一般低于1Hz,其表现为变化比较缓慢的类正弦曲线;肌电干扰 ,它是由人体肌肉颤抖产生不规则的高频电分扰所导致的,其频率范围很宽,一般在10-1000Hz 之间,在心电图上表现为不规则的快速变化的波形;工频干扰 ,主要来源于工频电源以及器件周围环境中的传输线辐射出的电磁场,频率为50Hz 或60Hz,在 ECG 上出现为周期性的细小

16、波纹,其频率成分主要为工频频率及其谐波。为了正确进行参数测量、波形识别和病情诊断,必须进行心电信号的预处理,即在波形自动识别之前，必须抑制或滤除这些噪声和干扰,并且尽量保留原始的心电信号,提高波形检测与识别的准确率。心电倍号预处理一般通过硬件电路优化设计和软件数字滤波两种途径来处理4。目前,许多学者、专家在这方面做了大量研究。概括地讲,心电信号的预处理技术包括了各种经典的数字滤波方法以及各种现代信号处理方法。这些方法主要包括以下三大类 :经典的数字滤波器方法 ;自适应滤波器方法 ;以小波变换、数学模型以及人工智能为代表的现代高新技术滤波器方法。Thakor 等人曾提出一种最有QRS 滤波理论6

17、，并给出一个中心频率为17Hz的硬件带通滤波器。 利用硬件滤波， 速度和成本方面更有优越性。因此他用硬件制作带通滤波器， 该滤波器能够滤出基线漂移的同时滤除肌电干扰，但是对心电信号滤波之后， 心电信号的形态发生改变， Q,S波形被削平。 因此采用硬件滤波，虽然具有速度快， 结构简单的优点， 但方法不如软件灵活， 参数一旦固定之后就难以再选择和调整，并容易引起信号波形的变形和失真。为了得到更好的滤波效果，1984 年 Levkov 首先提出心电信号的线性段和非线性段采用不同的处理方式的数字滤波器方法7。1988年，Christov 对该算法进行了改良，引用ECG 信号的线性段判断M 来加速滤波的

18、速度，称之为改良的Levkov 滤波法8。具体的方法是， 在滤波过程中首先识别出线性段，该线性段滤波后的值为这个线性段的原始数据的平均值，同时求出工频干扰的值作为非线性段的工频干扰的模板， 而在非线性段， 其真值是原始数据减去临近线性段求得的干扰模板值，实现ECG 滤波效果较之以前有很大的改善。1.3 本文研究内容本课题研究的主要内容是设计出高性能的ECG 信号处理的复合数字滤波算法，确保其在滤除噪声的同时不会破坏原有的有用波形，并排除异常的ECG 信号样本，促进信号处理及识别技术在临床应用的发展。本论文主要完成以下工作：分析 ECG信号的特点及噪声来源， 研究相关滤波技术。 在 MATLAB

19、 平台上编写算法，对采集的 ECG 信号数据进行滤波测试， 通过比照 ECG 信号处理前后的形态来分析算法的优劣性。通过分析标准的 ECG 信号的基本特征，得出ECG 信号的判定依据，并对研究样本进行判断，从而筛选出合格的ECG 信号样本数据。精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 6 页，共 27 页最后，对本论文所做的工作进行总结，并指明进一步的研究方向。1.4 论文章节安排第一章：绪论部分。主要介绍本论文研究背景及意义、ECG 信号滤波的研究现状和论文的研究内容。第二章：详细介绍ECG 信号的主要噪声类型，对噪声的产生原因和对ECG信

20、号的影响做出分析。第三章：针对基线漂移噪声设计数字滤波器，通过拟合基线将其滤除。第四章：针对工频干扰设计巴特沃斯带阻滤波器，滤除ECG 信号的工频干扰。第五章：分析标准ECG 信号的基本特征，对研究样本进行分析和筛选。第六章：进行系统总结，并对进一步研究工作进行工作展望。2 ECG 信号的主要噪声及产生原因ECG 具有以下特点 :一是具有很强的非平稳性,随时都处于变化中 ;二是受噪声干扰严重 ,ECG 属于低幅、低频的微弱信号,通常频率在 0.05100Hz 之间,幅值不超过 4mV,其有用信号往往掩没在许多噪声干扰信号中,不易检测。心电信号从获取到转换为数字信号送入自动分析仪器,干扰的因素较

21、多 ,主要来源于采集仪器和人体 ,分别表现为工频噪声、基线漂移噪声以及肌电噪声等。2.1 基线漂移噪声基线漂移 (baseline wander, BW) 噪声2,基线漂移噪声主要由于病人呼吸运动、电极滑动变化等所导致。 人在呼吸时胸腔内的器官和组织会产生不同程度的变化,并且电极、皮肤界面阻抗的轻微变动会对体表记录的心电图波形幅度和形态产生影响,这类噪声属于超低频干扰信号,频率范围一般小于 2Hz,表现为变化比较缓慢的类正弦波曲线 ,叠加在心电波形上使得波形上下起伏,这给心电波形的识别和分析带来极大干扰 ,尤其对心电波形中的ST 段识别影响较大。 受基线漂移干扰的心电图如图 1 所示。图 1

22、基线漂移对 ECG 信号的干扰精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 7 页，共 27 页2.2 工频噪声工频噪声3,主要来源于工频电源以及器件周围环境中的传输线辐射出的电磁场,这些电磁场会在人体分布电容和电极引线环路上产生噪声,噪声频率表现为50Hz/60Hz,这些噪声干扰信号一般幅度较低,在 ECG 上呈现为周期性的细小波纹,其频率成分主要为工频频率及其谐波。工频噪声一般与测量和使用环境相关,因此一般信号采集的过程中会通过采用硬件滤波等手段剔除这些干扰。受到工频干扰的心电信号如图2 所示。图 2 工频噪声对 ECG 信号的干扰3 去除基

23、线漂移的算法设计本文为了便于研究ECG 信号基线滤波的算法，从MIT-BIH 数据库中获取了其中一组 ECG 信号数据，该数据是使用360Hz 采样周期，共包含3000 个采样点，对其叠加上一个正弦基线信号， 其生成的图像如图4 所示。可以直观的发现，基线呈现为波浪形。3.1 方案研究基线噪声的频率比较低，而ECG 信号本身含有很丰富的低频信号，例如两个信号周期之间的那一段信号一般为低频信号，ST 段的频率也较低，因此无法采用低通滤波器去除基线漂移。 传统的去除基线漂移的方法有中值滤波法、小波变换法、算术平均滤波法8。考虑到 ECG 信号的基线漂移相比照较平滑，在本系统中采用基线拟合法9滤除

24、ECG 信号的基线漂移。首先选择合适的待拟合基线的曲线方程，然后在ECG 信号中选取合适的拟合点，使得该拟合点位于基线上，求出相应的拟合函数，将原始的ECG 信号减去拟合的基线函数即可得到去除基线漂移的ECG 信号。去除基线漂移的算法流程图如下列图所示：精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 8 页，共 27 页图 3 滤除基线漂移的算法流程图此算法设计思路简单，容易通过电脑软件编程实现。3.2 去除基线漂移的具体步骤3.2.1 拟合函数的构造在本论文中，采用N 阶多项式逼近基线拟合法，考虑到ECG 图形的基线出现一个极大值和极小值，因此3

25、N,为了提高拟合效果，选取4N。因此，拟合的 4 阶多项式方程为：44332210 xaxaxaxaay图 4 ECG 信号基线拟合点的获取3.2.2 拟合点的选取9如图 4 所示，通过观察 ECG 信号的图形可以得出规律：ECG 信号的基线漂移和 R 波点(图 4 中的向上尖波 )或者 Q 波点(图 4 中的向下尖波 )的相对位置是大致一样的。因此我们选取R 波点和 Q 波点所在线段的中点 (图 4 中的黑色圆圈 )作为拟合点，如图 4 所示。 试验中的拟合点的坐标值如下表所示(x 表示横轴数值，精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 9

26、 页，共 27 页y 标志纵轴数值 )：表 1 拟合点的坐标值3.2.3 最小二乘法基线拟合本论文中，使用MATLAB中的多元回归函数regress() 函数10实现基线方程的拟合。在这里，选择基线的拟合函数为4 阶多项式：44332210 xaxaxaxaay。在 MATLAB输入命令 shuchu,bint,r,rint,stats=regress(y,X); 便可以得到拟合的方程的各个多项式系数。通过计算，可以得到：1349362101062.1,1018. 1,1063.2,0018.0,0707.0aaaaa将拟合的基线绘制如下列图所示，通过与原始ECG 图形比照，可以发现基线的拟合

27、效果还是比较好的，基本上吻合ECG 信号的基线漂移的趋势。图 5 ECG 信号基线滤除前后比照效果图3.2.4 滤除基线将原始的 ECG 信号直接减去基线拟合的得到的干扰模板值，即可得到滤除极限漂移之后的 ECG 信号。即是：基线漂移信号原始滤波后yyyECG-滤除基线漂移的效果图如5 图所示， 很明显滤波之后有效的抑制了基线漂移，从而有助于低频信息的读取，比方对ECG 信号的 ST 波段的识别。4 去除工频干扰的算法研究11 本文为了便于研究ECG 信号滤除工频噪声的算法，将第三章中滤除基线干扰之后的 ECG 信号作为研究对象，其对应的波形如图6 所示。x73 365 659 942 122

28、7 1510 1804 2041 2399 2702 2993 y精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 10 页，共 27 页4.1 方案研究为了更好地突显工频噪声干扰对ECG 信号的干扰，对其进行离散傅里叶变换(Discrete Fourier Transform ，DFT)，选取 DFT 部分序列数值如图7 所示图 6 试验样本 ECG 信号的工频干扰图 7 ECG 信号样本的部分 DFT 序列值通过分析 ECG 信号的离散傅里叶变换序列，可以发现在频域上有一个频率较为异常，对应的幅度较旁边频率的幅度高得多，异常点是k=501，对应

29、ECG模拟信号时域的 60Hz，为工频干扰所致。本设计中，使用带阻滤波器对60Hz 进行滤波处理。设计带阻滤波器的方法有多种，本论文对 IIR 巴特沃斯带阻滤波器12的设计进行了研究， 通过需要到达的性能指标设计了高效的带阻滤波器，本论文运用MATLAB 电脑编程实现了巴特沃斯数字滤波器的设计和ECG 信号的工频滤波处理工作。4.2 ECG 信号滤除工频噪声的实现步骤4.2.1 确定滤波器的性能指标12在设计数字滤波器之前，根据实际的应用情况及滤波器的复杂程度，需要确定 ECG 信号工频滤波的技术指标：例如通带截止频率wp，阻带截止频率 ws，精选学习资料 - - - - - - - - -

30、名师归纳总结 - - - - - - -第 11 页，共 27 页通带允许的最大衰减 rp 和阻带应到达的最小衰减rs 等性能指标。根据 ECG 信号的 特 性 和 滤 波 要 求 ， 在 滤 除60Hz 工 频 干 扰 时 ， 取 各 项 指 标 分 别 为)(70,50,62,582121均为信号的时域频率HzwpHzwpHzwsHzws，通带允许的最大衰减为dBrp10，阻带要求的最小衰减为dBrs20。4.2.2 根据数字滤波器性能指标设计巴特沃斯模拟滤波器巴特沃斯逼近又称最平幅度逼近，巴特沃斯低通滤波器的幅度平方函数定义为NcajH22)(11)(式中N 为正整数，代表滤波器阶数，c

31、为截止频率，当c时，21)(2jHa。对于本论文中的带阻滤波器的设计，同样可以同样具有类似的表达式。将上一步骤得到的数字滤波器的技术指标归一化之后，用模拟滤波器设计方法得到模拟巴特沃斯滤波器的传递函数， 这可以借助巴特沃斯滤波器的相关的严格的设计公式、现成的模拟滤波器或者查表方式得到。本论文中，采用MATLAB 中的 buttord()函数10求解得到巴特沃斯滤波器的最小阶数 N 和截止频率 wn，即N wn=buttord(wp,ws,rp,rs); 代入 60Hz 带阻滤波器的技术参数求得：)(4499. 0,6832 .0, 121归一化之后的数值wnwnN。借助此模拟滤波器的性能指标(

32、N 和 wn)查表设计巴特沃斯模拟滤波器。 由于本论文中使用 MATLAB 编程设计，所以无需求解模拟滤波器的方程。4.2.3 借助设计好的模拟滤波器设计巴特沃斯数字滤波器12本论文中， 根据模拟滤波器的性能参数(N 和 wn)， 使用 MATLAB 中的 butter()函数可以直接获取巴特沃斯带阻数字滤波器的系统函数的分子分母多项式，即(其中 b 为系统函数分子多项式系数，a为系统函数分母多项式系数)：b a=butter(N,wn,stop); 当滤除 60Hz 时，根据阶数和截止频率设计的巴特沃斯数字滤波器的系统函数分子分母系数分别为：,0.48381,-0.7424a, .7419,

33、-0.7424,07419.0b对应的带阻数字滤波器的频率响应如图8 所示。通过分析，该滤波器在某些技术参数上有所改动，但性能指标总体上符合最初的设计要求。精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 12 页，共 27 页图 8 60Hz 带阻滤波器的频谱分析4.2.4 利用设计好的数字滤波器对ECG 信号进行滤波处理将设计好的带阻滤波器对消除基线漂移的ECG 信号进行滤波，即直接将待过滤的 ECG 信号进行 DFT 之后与带阻数字滤波器的系统函数相乘，即可得到滤波后的 ECG 信号的 DFT 序列值。 经过 IDFT( 反离散傅里叶变换 )之

34、后便可得到过滤之后的 ECG 信号。本论文使用 MATLAB 中的 filter() 函数直接进行对 ECG 信号进行 60Hz 滤波处理，即ecgdata2=filter(b,a,ecgdata1); 滤波之后， ECG 信号对应图形如图9 所示，对应的 DFT 部分序列值如图 10所示。图 9 60Hz 带阻滤波之后的ECG 信号精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 13 页，共 27 页图 10 滤波之后 ECG 信号的 DFT 变换的部分序列通过分析过滤前后的ECG 信号对应的图形，效果明显。可以得出结论：原始的 ECG 信号存在

35、严重的 60Hz 工频干扰，此滤波器能有效地过滤60Hz 的工频干扰。5 筛选出符合要求的ECG 信号由于获取的ECG 信号可能受到不明因素的干扰变成无法识别的不正常的波形， 或者 ECG 信号数据源的不可靠性， 所以有必要对获取的ECG 信号进行筛选。本论文中，对课题给出的数据样本进行分析筛选。5.1 ECG 信号的基本特征1ECG 信号是利用心电图机从体表记录心脏每一心动周期所产生的点活动变化图形的技术， 它提供了一种方便的方法来测量心电周期活动。心电图中的每一个心动循环周期由一系列有规律的波形组成，它们分别是 P波、QRS复合波和 T波，而这些波形的起点、终点、波峰、波谷、以及间期分别记

36、录着心脏活动状态的详细信息，为心脏疾病的诊断提供者重要的分析依据。正常的人在正常情况下，心动周期为 0.80s 左右，即 ECG 信号的周期为0.80s 左右。因此准确识别ECG波形的这些特征点对于实现ECG 信号自动诊断具有重要的意义。图 11 ECG信号的基本特征精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 14 页，共 27 页ECG 信号典型波形如图 11 所示，由图中可以看出， 典型的 ECG 信号主要包含以下几个波形：P 波： 由心房的激动所产生， 后一半主要有左心房产生。 正常的 P 波历时 0.08s到 0.11s，其波形小而圆。

37、QRS 复合波：反应左右心室去极化过程的电位变化。QRS 波群是心电图中变化最为激烈的波段，由三个紧密相连的波组成，第一个为波形向下的Q 波，接着是波形向上的高而尖的R 波，最后一个是向下的S 波。QRS 波群一般历时0.06s到 0.10s，其波形的幅度变化比较大。T 波：代表心室复极化过程的电位变化。是继S 波后的一个振幅较低的波，波形呈现扁平形状，在R 波为主的心电图上， T 波不应太低。U 波：位于 T 波之后，代表心室后继电位， 同 T 波方向一致，幅度较 T 波低，有时波形不明显。同时可以将 ECG 信号分为几个典型间期和典型段，如P-R 段、P-R 间期、QRS间期、 S-T 段

38、和 Q-T 间期。5.2 ECG 信号的筛选条件通过 5.1 节对 ECG 信号基本特征的分析，可以得出ECG 信号的筛选判据，为了方便电脑自动识别，可以选择其中容易判断的几个判据作为ECG 信号的判据，归纳起来可以分为以下几种：(1)每个 ECG 信号周期不低于 0.6s，不超过 1.0s；(2)每个 ECG 信号周期有且只有一个QRS 复合波形；(3)多个 ECG 信号周期的偏差不能太大，可以判断其极差或者标准差。在本论文中采用这三个条件分别对待识别的ECG 信号进行筛选，来获得合格的 ECG 信号， 只要不符合其中任何一个条件， 则认为该样本不属于标准的ECG信号。5.3 ECG 信号筛

39、选的算法设计要对 ECG 信号进行筛选，首先要识别ECG 波形，获取 ECG 波形的各个波峰和波段对应参数， 然后用 ECG 信号判据对待识别的ECG 信号的各项参数进行匹配，过滤掉不满足要求的ECG 信号。具体的算法流程如下列图所示：图 12 ECG 信号的筛选流程图5.3.1 ECG 波形的识别根据 6.1 节对 ECG 信号的基本特征的分析，用电脑识别ECG 波形的 R 波和S 波比较简单，一般情况下，最高的就是R 波(不是绝对，例如本论文的其中一精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 15 页，共 27 页个 ECG 信号样本 )，

40、最低的就是 S 波。因此，可以取 ECG 波形的最低峰位 S 波，左边的向上高峰即为R 波。检测 ECG信号的向上高峰的MATLAB 程序如下：% 获取 ECG信号向上最高峰% MaxOfECG=max(ecgOriginal); % 获取超过某个高度的ecgOriginal的索引TopPointIndex=find(ecgOriginalMaxOfECG*0.50);% 将聚在一起的索引值合为一个值，为最小的那个值j=0;for i=1:length(TopPointIndex)-1if(TopPointIndex(i-j+1)-TopPointIndex(i-j)40) TopPointI

41、ndex(i-j+1)=; j=j+1;end ; end% find out top point % 根据 TopPointIndex计算向上高峰的索引值TopPoint%其中 TopPoint在TopPointIndex的附近 %TopPoint=;for i=1:length(TopPointIndex) TopPoint_Range=TopPointIndex(i):TopPointIndex(i)+30; BandIndex=find(TopPoint_Rangelength(ecgOriginal); TopPoint_Range(BandIndex)=; top=max(ecgO

42、riginal(TopPoint_Range); index=find(ecgOriginal(TopPoint_Range)=top); TopPoint=TopPoint TopPoint_Range(index);end用相同的方式获取向下高峰，最终对前三个ECG 信号样本的向上和向下高峰的识别效果如下列图所示：图 13 样本 1的波峰识别精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 16 页，共 27 页图 14 样本 2的波峰识别图 15 样本 3的波峰识别通过观察和比照，可以看出此程序具有良好的ECG 信号波峰识别能力。下一步，从向上

43、的高峰中识别出R 波。很明显， S 波紧跟着 R 波，因此只需要将向上的波形的位置和S 波的位置比照即可得出向上的高峰是否为R 波,从而将 R 波别离出来，实现的MATLAB 程序如下：%to find out the really R Point %利用 find()函数找到与 S波相邻的 R波 RPoint=;for i=1:length(Spoint) RPoint=RPoint,find(Spoint(i)-TopPoint0);end RPoint=TopPoint(RPoint);最终将 R 波从向上的波形中识别出来，对前三个ECG 信号样本的识别效果如下列图所示。精选学习资料 -

44、 - - - - - - - - 名师归纳总结 - - - - - - -第 17 页，共 27 页图 16 样本 1的 R波识别图 17 样本 2的 R波识别图 18 样本 3的 R波识别通过观察和分析结果， 该程序在一般情况下能够有效地将R 波从向上的高峰波形中别离出来。5.3.2 ECG 波形参数的获取和条件的判断为了判断 ECG 信号样本是否符合ECG 信号的基本特征， 需要对识别之后的ECG 信号获取相应的参数， 主要包括 ECG 信号的周期， ECG 信号波的高度， 波形的顺序等。精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 18 页

45、，共 27 页本论文中，首先分析ECG 信号周期是否在某个范围之内，然后判断R 波和P波是否一一对应 (数量一致 )，然后判断 R 波是否明显小于 T 波的高度，如果能够通过每一项判断，则认为该样本为合格的ECG 信号。用 MATLAB 程序实现如下：if(mean(RR)1.1*250) fprintf( 第%d个图像周期太长n,m);elseif(abs(max(RR)-min(RR)0.1*250) fprintf(ECG 信号周期波动大 );elseif(abs(length(Spoint)-length(RPoint)1) fprintf( 第%d 个图像波形乱 n,m)elseif

46、(mean(ecgOriginal(RPoint)MaxOfECG*0.5); clear MaxOfECG ;%精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 23 页，共 27 页%there is a thredthold 50 j=0;for i=1:length(RwaveIndex)-1if(RwaveIndex(i-j+1)-RwaveIndex(i-j)50) RwaveIndex(i-j+1)=; j=j+1;end ;end% find out R wave point %there is a thredthold 40 Rpo

47、int=;for i=1:length(RwaveIndex) R_Point_Range=RwaveIndex(i):RwaveIndex(i)+20; BandIndex=find(R_Point_Rangelength(ecgOriginal); R_Point_Range(BandIndex)=; top=max(ecgOriginal(R_Point_Range); index=find(ecgOriginal(R_Point_Range)=top); Rpoint=Rpoint R_Point_Range(index); end% find out Q wave point % Q

48、point=;for i=1:length(RwaveIndex) Q_Point_Range=RwaveIndex(i)-20:RwaveIndex(i); BandIndex=find(Q_Point_Rangelength(ecgOriginal); Q_Point_Range(BandIndex)=; buttom=min(ecgOriginal(Q_Point_Range); index=find(ecgOriginal(Q_Point_Range)=buttom); Qpoint=Qpoint Q_Point_Range(index);end shuchu=(Qpoint;Rpoi

49、nt;ecgOriginal(Qpoint);ecgOriginal(Rpoint);if(if_test=test it) figure; plot(shuru); title(the original ECG signal) hold on ;scatter(shuchu(1,:)+shuchu(2,:)/2,(shuchu(3,:)+shuchu(4,:)/2,o, r) legend(the wave of original ECG signal, the point of baseline,1);end fprintf(already find the point of baseli

50、nen); fprintf(press any key to continuen); pause;end精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 24 页，共 27 页% 功能介绍： ECG信号波形识别，用于筛选出合格的ECG信号% 输入参数： path 待筛选的 ECG信号样本 EXCEL 数据来源路径% if_test 是否测试，假设要测试，则if_test=test it% 否则 if_test!=test it% 输出参数： ECGValuableDataIndex 筛选合格的 ECG信号样本的序列号% 输出参数： data 筛选合格