第 35 卷第 3 期计算机应用与软件 Vol 35 No.3 2018 年 3 月 ComputerApplicationsandSoftware Mar.2018 心电信号识别方法的研究与实现 1 冀常鹏 2 李蓓蕾 1 ( 辽宁工程技术大学电子与信息工程学院辽宁葫芦岛 125105) 2 ( 辽宁工程技术大学研究生院辽宁葫芦岛 125105) 摘要长期以来心脏病 心血管疾病是威胁人类身体健康的主要疾病, 因而及时准确地获取心脏活动的各类信息对预防心脏疾病极为重要 简要介绍心电信号的基本波形和识别方法的研究现状, 小波变换因其具有在时频两域都具有表征信号局部特征的能力, 适用于对心电信号的识别和处理 ; 介绍小波变换的基本理论, 离散小波变换和连续小波变换以及小波变换的常用函数 ; 采用 MIT BIH 数据库中心电数据进行 MATLAB 仿真 结果表明小波降噪较好地保留了原始信息且能准确检测到 QRS 波群的位置 为临床上心电信号的识别提供了便捷的理论方法, 大大提高就诊效率 关键词心电信号小波变换识别去噪 QRS 波群检测中图分类号 TP273+.2 文献标识码 A DOI:10.3969/j.isn.1000 386x.2018.03.033 RESERCH ANDIMPLEMENTOFECG SIGNALIDENTIFICATIONMETHOD JiChangpeng LiBeilei 2 1 (SchoolofElectronicsandInformationEnginering,LiaoningTechnicalUniversity,Huludao125105,Liaoning,China) 2 (InstituteofGraduate,LiaoningTechnicalUniversity,Huludao125105,Liaoning,China) Abstract Heartdiseasesandcardiovasculardiseaseshavelongbeenthemajordiseasesthatthreatenthehealthof humanbeings.therefore,timelyandaccurateaccestoalkindsofinformationonheartactivitiesisextremelyimportant forthepreventionofheartdisease.firstofal,thebasicresearchstatusofthebasicwaveformandidentificationmethod ofecgsignalisintroducedbriefly.thewavelettransformissuitablefortheidentificationandprocesingofecgsignal becauseofitsabilitytorepresentthelocalfeaturesofthesignalinbothtimeandfrequencydomains.secondly,we introducethebasictheoryofwavelettransform,discretewavelettransform andcontinuouswavelettransform,andthe commonlyusedfunctionsofwavelettransform.finaly,matlabsimulationusedmit BIH databasecenterelectrical data.theresultsshowthatthewaveletdenoisingpreservestheoriginalinformationwelandcanaccuratelydetectthe positionofqrscomplex,whichprovidesaconvenienttheoreticalmethodforclinicalecg signalidentificationand greatlyimprovestheeficiencyofvisiting. Keywords ECGsignal Wavelettransform Identification Denoising QRScomplexdetection 0 引言 心电图 ECG(Electrocardiogram) 是一种利用心电仪设备采集出心脏电位变换的信号图, 心脏电位变化是由心肌激动产生的微弱电流引起的 [1], 具有振幅 相位 频率等变化要素 [2], 为全面诊断心脏疾病提供了理 论依据 因此, 对心电信号的分析和识别越来越成为医学界和学术界研究的重点 正常健康的人体心电图由三波 (P QRS T) 两段 (P R S T) 或两间期 (P R Q T) 组成, 如图 1 所示 一个完整心电周期波形中每个特征子波形或间期都有其特定的电生理学含义 [3] 收稿日期 :2017-07-14 冀常鹏, 教授, 主研领域 : 弱信号处理 李蓓蕾, 硕士生
174 计算机应用与软件 2018 年 阈值法 小波变换法 模式识别法和其他数学方法, 其中斜率阈值法与小波变换法使用的最为广泛, 得到了不错的效果 小波变换法对心电信号的预处理和特征信息提取的效果明显, 故采用小波变换的方法来处理 1 小波变换理论 图 1 正常心电图波形由于心电图具有无创检查 方法安全简便等优点, 为临床上心脏疾病的诊断提供了很大的方便 传统的诊断方法是医师对患者进行心电图检查, 做出初步诊断, 结合经验最终得出结论 可见, 传统的诊断方法具有很大的主观性, 很有可能造成误诊, 而且病态心电图种类繁多 变异极大, 通常需医师要具有丰富的临床经验和专业知识 [4], 很大程度上浪费了人力物力, 降低了就诊效率 为避免传统的诊断方法存在上述问题, 提高就诊的方便性和快捷性, 出现了计算机自动分析诊断心电信号的趋势 对心电信号的识别和处理是一项非常有意义而又有困难的模式识别工作, 其主要过程包括心电信号预处理 特征提取和心电诊断等部分, 如图 2 所示 图 2 心电信号识别流程图预处理是即为对原始心电信号进行去噪, 突出信号中特征点的部分 预处理技术主要包括三种滤波方法 : 一是传统的数字滤波方法 ; 二是经过改进的自适应滤波方法 ; 三是以小波变换 神经网络等为理论基础的滤波方法 特征提取主要是对各种参数进行提取, 以此来方便疾病的分类 其内容主要有主波 R 波的检测, 检测方法主要有滤波与差分阈值法 神经网络法 小波变换法等 心电信号除 R 波检测外, 还包括 QRS 波群 P 波 T 波起点和终点的检测等, 采用的方法主要有斜率 小波变换 WT(WaveletTransform) 是一种近二三十年广为应用的数值分析新方法, 是代表了当前数学领域的新的研究方向 [5] 它的具体意义是指时间域和频率域的同时局部化分析, 可以通过伸缩平移等数学运算对信号进行逐步化多尺度细分, 最后的结果是频率高的信号时间可细分, 频率低的信号频率可细分, 这种变换能随时自动适应时频信号分析的要求 [6] 1.1 连续小波变换 在小波变换中, 主要的函数空间为 L 2 (R) L 2 (R) 指 R 是平方可积函数构成的函数空间 [7], 即 : f(t) L 2 (R) f(t) 2 dt< (1) 若 Ψ L 2 (R), 其傅里叶变换 Ψ^(ω) 满足容许性条件 : + C Ψ = ω -1 Ψ^(ω) 2 dω < (2) 式 (2) 表示为 C Ψ 有界, 则 Ψ 为一个基小波 基小波序列是通过基小波经过一系列伸缩和平移后得到的, 如公式所示 : Ψ a,b (t)= a -1/2 Ψ( x-b a ) (3) 式中 : 两个相关因子 a,b R, 且 a 0, 则称 a 为压缩因 子,b 为平移因子 定义如下 : ( ) (W Ψ f)(a,b)= f,ψ a,b = a + -1/2 f(t)ψ t-b a dt(4) 式 (4) 为关于基小波 Ψ 的连续小波变换 1.2 离散小波变换 把连续小波变换中的伸缩因子 a 和平移因子 b 离 散化, 建立等式就可以得到离散小波变换 通常取 : a=a m 0,b=nb 0 a m 0,m,n Z 把其代入式 (3) 中得到 : Ψ m,n (t)= a 0 -m/2 Ψ(a -m t-nb 0 ),m,n Z (5) 这时 Ψ 就是离散小波 离散小波变换的表达式就 是为 : (W Ψ f)(a,b)= f,ψ a,b = a 0 -m/2 + f(t)ψ(a -m 0 t-nb 0 )dt (6) 从上述理论可以看出, 连续小波和离散小波之间
第 3 期冀常鹏等 : 心电信号识别方法的研究与实现 175 有一定的联系, 可以通过运算将连续的变为离散的, 而信号的基本信息没有丢失 这是因为选择相互正交的基函数, 消除了空间中两点之间冗余, 计算的误差更小 从而构造出具有正交性小波函数即 : + Ψ m,n,ψ j,k = Ψ m,n(t)ψ j,k (t)dt=δ m,j δ n,k (7) 1.3 多分辨率分析 一种基于实际应用 建立在函数空间概念上的理 论是多分辨率分析 它选用的小波基函数是正交小波的基, 将信号分解到多个频段上 实现函数空间 L 2 (R) 中小波的多分辨率分析, 需要构造满足如下条件的子空间序列 {V j },j Z: (1) 一致单调性 V 2 V 1 V 0 V -1 V -2 (2) 渐进完全性 j Z V j ={0}, j Z V j =L 2 (R) (3) 伸缩规则性 f(t) V j f(2t) V j=1,j Z (4) 平移不变性 f(t) V 0 f(t-n) V 0, n Z (5) 正交基存在性 : 存在 Ψ V 0, 使得 {Ψ(t- n)} n Z 是 V 0 的正交基, 即 : V 0 =span{ψ(x-n)}, (8) Ψ(t-n)Ψ(t-m)dx=δ m,n (9) 小波分析和其他分析 ( 如 Fourier 分析 ) 一样都是 为了用基函数来展开和研究一个任意函数 [8] 一般寻 找基函数的方法有两种 : 一种方法是基函数是直接构 造的, 然后通过特定的条件验证它们是否满足 ; 第二种方法是空间分解的方法, 把主要的函数空间按一定的规律分解, 分解后的子空间具有特定性质, 全空间的基是由按特性找出子空间的基来合成的 常用的小波基函数有 Haar 小波 Meyer 小波 Dau bechies(dbn) 小波 Coiflet(coifN) 小波 Symlets(symN) 小波等 步是对噪声所在的尺度空间进行相应的运算, 将不含信号信息的尺度系数置为零值, 保留其余信号的尺度空间 ; 最后, 用小波反变换重构去噪的信号 MIT BIH 数据库采用频率为 360Hz 由抽样定理可知 [12], 心电信号的频率为 0~180Hz, 对频率进行 8 尺度分解后, 如表 1 所示 首先将已有的心电信号用常用 coif4 小波进行小波 8 尺度分解 如图 3 所示 表 1 心电信号 8 尺度分解表分解尺度带宽 /Hz d 1 d 2 90~180 45~90 d 3 22.5~45 d 4 d 5 d 6 d 7 d 8 11.25~22.5 5.625~11.25 2.8125~5.625 1.40625~2.8125 0.703125~1.40625 2 小波变换算法的应用实现 心电信号是一种极其微弱的低频信号仅为毫伏 (mv) 级, 频率为 0.05~150Hz [9], 属于低幅 带频信号, 极易受环境干扰, 因此需采用抑制噪声的预处理技术 [10] 体表电极受到的干扰通常为以下几种: 工频干扰 基线漂移 肌电干扰等 [11] 本文采用的心电数据选自于美国麻省理工学院 (MIT) 和波士顿 BerthIsrael 医院 (BIH) 联合制作的 MIT BIH 心电数据库的数据 2.1 心电信号去噪仿真与实现信号去噪的第一步是对信号进行多尺度小波分解, 把不同频率的信号分解到不同尺度空间上去 ; 第二 图 3 心电信号 coif4 小波 8 尺度分解图本文用 50Hz 和 0.5Hz 的正弦信号分别来模拟工频干扰噪声信号和肌电干扰信号, 其峰值为 R 波峰值的 0.2 倍, 将其加入原始含噪的心电信号当中, 然后对该信号去噪 工频干扰和肌电干扰主要集中在第 2 尺度上, 基线漂移分布在第 8 尺度的附近,QRS 波群的能量主要集中在 3~6 尺度上,P T 波主要集中在 5~8 尺度上 1,2,3 尺度进行软阈值处理, 去除工频干扰和肌电干扰,8 尺度置 0, 来消除基线干扰
176 计算机应用与软件 2018 年 实验结果如图 4 所示 图中波形为原始的心电信号波形, 横轴下两竖线表示 QRS 波的起始和终止位置, 横轴上的竖线表示 R 波的位置, 圆圈表示 R 波的幅度 可见利用小波变换, 通过对变换尺度的合理选取, 大大提高了 R 波的检测准确率, 并且对 Q 波起点及 R 波终点的定位也相对准确 为了验证本算法的准确率, 对 MIT BIH 数据库中 101~109 号数据进行检波 如表 2 所示 表 2 R 波正确检测率表 数据号总心拍数检出个数误检数漏检数准确率 /% 图 4 心电信号加噪去噪对比图从结果可看出, 不仅去除了加入的噪声, 而且去除了信号中原有的噪声, 保留了原信号中的有用特征点信息 2.2 心电信号 QRS 波形检测心电信号中变动最为强烈的就是 QRS 波群, 利用小波变换的动态调整检测阈值的方法来确定 R 波的位置 [13],R 波左右两侧最近的波谷, 再寻找其起点位置和终点位置就是 QRS 波的起点和终点, 下面是本文的改进之处 具体过程如下 : (1) 找到信号中的极大值点暂定为 R 波的波峰 选取前 20 个波峰的峰值点取平均值 R peak, 选取 Tr= 0.7R peak 作为阈值来检测 R 波, 大于 Tr 的即为 R 波 随着采样点的变换阈值也在动态变化 (2) 正常人的心率为 60~100 次 /min, 同样可求出前 5 个 RR 波的平均间期 两个 R 波的间期不会小于 200ms, 可将多检的 R 波剔除 ;RR 波的间期大于 1.6RR 的平均间期, 将 Tr 降为原来的 0.6, 重新检波, 可将漏检的波找到 (3)R 波确定后, 可在前后的特定的时间内确定 Q S 波 这里采用一种简便的方法, 在 R 波的向前向后 0.1 个 RR 间期内找到极小值的点分别为 Q S 波 仿真结果如图 5 所示 101 1865 1865 0 0 100 102 2187 2186 0 1 99.95 103 2084 2086 2 0 99.90 104 2230 2226 1 5 99.73 105 2572 2574 5 3 99.68 106 2027 2021 0 6 99.70 107 2137 2138 4 3 99.67 108 1763 1762 2 3 99.71 109 2532 2529 7 10 99.32 合计 19397 19387 21 31 99.73 相比文献 [14] 中 99.61 的 R 波检测率, 本文的 99.73 检测率有所提高 ; 文献 [15] 中用高斯小波变换 识别率为 99.85, 但其运算量较大, 耗时长 本文算法 在保证正确率的同时算法更为简便 3 结语 心电信号准确识别与处理, 对人类的健康有着非常重要的作用 本文主要从信号处理的角度结合目前研究现状的前提下, 展开信号去噪和识别工作 在全面描述小波变换的特性和基本原理的基础上, 结合心电信号的特点提出一种信号分解 处理 重构的方法 由于 coif4 小波最为接近心电图波形走向, 选用 coif4 小波对心电信号进行预处理 再采用动态阈值法确定 R 波的位置之后采用本文改进的检测 QRS 波群的方法仿真 结果可见, 用小波变换法对心电信号进行处理, 可以去除信号中的噪声并且采用本文的 QRS 波群检测算法结果准确的同时算法简便, 节省了运算时间 参考文献 图 5 QRS 波群检测图 [1] 季虎. 心电信号自动分析关键技术研究 [D]. 国防科学技术大学,2006. ( 下转第 240 页 )
240 计算机应用与软件 2018 年 减少 [9] 3.3 推荐效果本实验随机选取 100 名学习者的学习数据, 抽取相关的在线课程作为测试数据集, 对改进前后的推荐算法分别进行实验, 计算分析两者的差别 为了判断本算法的有效性, 以命中率 R H 和评分差 ΔC 作为验证推荐结果的条件 若通过算法推荐的课程是该学习者真正学习过的课程即为命中, 以命中率表示, 如式 (6); 所有命中课程评分的平均分的评分差如式 (7) 所示, 其中 C A 与 C B 分别表示 IRS 推荐算法与 Mahout 推荐算法命中课程的平均评分 命中课程数 R H = % (6) 推荐总课程数 ΔC=C A -C B (7) 计算结果表明, 虽然 IRS 推荐算法的推荐结果命中 174 门课程 ( 共 300 门推荐课程 ) 命中率 58%, 相比较 Mahout 推荐算法的命中 213 门课程 命中率 71% 较低, 但评分差为 0.448 评分差为正值表明 IRS 推荐算法较 Mahout 推荐算法推荐了更多被学习者忽略或还没有被学到的高质量课程, 且 IRS 推荐算法的推荐课程对于学习者来说评分更高, 满意程度更好 所以本文的推荐算法更适合学习者的个性化学习 4 结语 本文提出的 IRS 在线课程分布式推荐算法, 在机器学习框架 Mahout 协同过滤推荐算法的基础上, 将评价对象基于课程的 IRS 指标评价方法与用户的偏好结合, 形成更适合学习者个性化学习的推荐算法 本实验以 Hadoop 云计算平台的 MapReduce 为基础, 将大量在线学习者的学习行为数据分配于集群的节点机, 极大地加快了推荐算法的运行速度 新的推荐算法在 Hadoop 分布式云平台的运行, 不仅解决了在线课程推荐系统的实时性需求, 为学习者更加客观 科学地推荐课程 ; 同时在大量数据的网络环境中, 提高运行速度, 减轻服务器的工作负载 在远程教育和在线教育领域的建设中, 对提高网络课程的学习质量和工作效率具有较重要的参考意义 参考文献 [1] 魏玲, 李阳. 基于 RFL 的 MOOC 学习者细分忠诚度研究 以 怪诞行为学 课程为例 [J]. 现代教育技术. 2016,26(11):67-73. [2] SkinnerEA,BelmontM J.Motivationintheclasroom: Reciprocalefectsofteacherbehaviorandstudentengage mentacrostheschoolyear.[j].journalofeducational Psychology,1993,85(4):571-581. [3] 朱文辉, 靳玉乐. 网络化合作活动学习对教育硕士在线学习参与度影响的行动研究 [J]. 中国电化教育,2013,319 (8):48-54. [4] 孟祥武, 刘树栋, 张玉洁, 等. 社会化推荐系统研究 [J]. 软件学报,2016,26(6):1356-1372. [5] 赵彦荣, 王伟平, 孟丹, 等. 基于 Hadoop 的高效连接查询处理算法 CHMJ[J]. 软件学报,2012,23(8):2032-2041. [6] 江务学, 张瞡, 王志明.MapReduce 并行编程架构模型研究 [J]. 微电子学与计算机,2011,28(6):168-170. [7] 刘刚.Hadoop 应用开发技术详解 [M]. 北京 : 机械工业出版社,2014. [8] 李龙飞. 基于 Hadoop+Mahout 的智能终端云应用推荐引擎的研究与实现 [D]. 西安 : 电子科技大学,2013. [9] 郑晓薇, 马琳. 基于 Hadoop 集群的多表并行关联算法及应用 [J]. 微型机与应用,2013,32(4): 91-93. ( 上接第 176 页 ) [2] 马瑞青, 蔡云鹏. 心电信号自动识别技术现状与展望 [J]. 集成技术,2014(3):102-106. [3] 张嘉伟. 心电图形态特征的识别及其在分类中的作用研究 [D]. 华东师范大学,2011. [4] 高彩红. 心电信号临床信息的自动识别研究 [D] 镇江 : 江苏大学,2010. [5] 郭显久, 贾凤亭. 基于小波多尺度乘积的信号去噪算法 [J]. 辽宁工程技术大学学报,2005,24(5):723-726. [6] 张德丰.MATLAB 小波分析 [M]. 北京 : 机械工业出版社,2012:51-55. [7] 潘丽姣, 金伟健. 应用 MapReduce 的多维小波变换模型 [J]. 辽宁工程技术大学学报 ( 自然科学版 ),2016(1):97-100. [8] 张坤, 曹鸣. 一种基于小波变换的心电去噪算法 [J]. 现代生物医学进展,2009,9(19):3744-3746. [9] 陈銮. 基于 DSP 的心电信号采集和分析系统 [D]. 西北工业大学,2007. [10] 席涛, 杨国胜, 汤池. 基于自适应滤波的心电图中呼吸信号的提取方法 [J]. 第四军医大学学报.2005,26(9): 552-554. [11] 何伟, 陈良迟, 徐晓红. 心电信号及各组分的频率分布和有效带宽研究 [J]. 生物医学工程,1996,13(4):336-340. [12] 胡广书. 数字信号处理 [M]. 北京, 清华大学出版社,2003. [13] 牛传莉. 心电信号预处理和波形检测算法的研究 [D]. 北京交通大学,2009. [14] 战晔. 心电信号处理关键技术的研究 [D]. 吉林大学,2008. [15] 杨杰. 心电信号的检测与模式分类方法的研究 [D]. 浙江师范大学,2014.