爱华网关键词： 心电图； 异常； 自动检测； 小波变换； 模板匹配
中图分类号：TP391 文献标识码：A 文章编号：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
多种疾病都能够引起心电图的异常，心电异常的检测对心脏疾病的诊断尤为重要[1]，心电图诊断已经成为临床诊断中不可或缺的一部分。目前已有很多便携式的心电检测仪普及和应用在人们日常生活中[2]，便携式心电检测仪能够有规律地随时随地记录心电数据并计算和分析心率是否正常，但是不能够进行复杂心电图的诊断。心电图在临床诊断中应用也较为广泛，通过医生肉眼查看心电图进行诊断的诊断结果较为准确，而成人一般每分钟有60～100次心脏活动，故心电数据量较大，若持续对长时间的心电图进行诊断，容易引起疲劳，如果能够减少肉眼对心电图异常的查看和诊断，将极大地提高现有的医疗水平，减少人们寻医问诊的次数，为医疗自动化带来巨大推动力，很大程度上改善居民的医疗环境。
本文针对心电图异常的自动检测进行了研究，异常检测结果可作为医生诊断的辅助信息，大大减少医生的工作量，提高医疗自动化水平。
2 研究现状
随着心电图应用的日益成熟，各种心电图的自动分析与检测系统被推广应用。
在心电异常检测方面，已有能够检测出心率的心电自动检测仪。对于其他复杂异常诊断的研究，有特征提取法、支持向量机法、神经网络法。特征提取法即提取心电图的各个特征点的信息，使用特征参数阈值判断心电图是否正常[3]。支持向量机法即将一段心电图的各个特征参数组成一个向量，这个向量处于一个多维空间中，通过样本学习建立一个分类规则，由这个规则组成一个超平面，这个超平面将多维空间分为两部分，处于这两部分的向量为两类不同心电图的特征向量[4]，由此可将异常心电图进行区分。神经网络法将神经网络模型分为输入层、隐含层和输出层，输入层为心电数据，隐含层为数据处理过程，输出层为检测结果，输入层通过隐含层到达输出层，隐含层有多个神经元和权值，神经网络模型的建立需要学习，学习过程中通过计算输出层结果和期望输出值之间误差，根据误差不断调整隐含层的权值直到误差在允许范围内后，模型建立成功，使用该模型进行异常诊断[5]。
3 心电异常检测
模板匹配法通过计算正常模板与待检测模板之间相关系数诊断异常。在使用模板匹配法进行异常检测的研究中，一般待检测心电数据需和心电模板具有相同的长度[6]，这使心电信号的采集受到了限制，不利于长度不同的心电数据的匹配。本文对这种模板匹配法进行了改进，能够对不同长度的心电数据进行异常诊断。模板匹配法不需要进行学习，较为简单，便于进行异常检测，能够检测出大部分异常。
心电异常检测流程为心电图预处理、模板选择和模板匹配。下面将对具体的检测方法进行阐述。
3.1 心电图预处理
本文实验数据来源为MIT-BIH数据库，MIT-BIH数据库是由美国麻省理工学院提供的研究心律失常的数据库，是目前国际上公认的可作为标准的三大心电数据库之一[7]。
由于心电信号中夹杂着各种干扰信号，包括呼吸、运动等引起的基线漂移，周围环境引起的工频干扰以及人体肌肉颤动引起的肌电干扰等[8]。这些噪声信号严重影响了心电图特征的准确识别，故需要对心电图进行去除噪声的预处理，文中选择使用小波变换法进行心电信号的预处理。对MIT-BIH数据库的103号心电数据的信号1（M1）进行尺度为9的小波变换，得到M1=d1+d2+d3+d4+d5+d6+d7+d8+d9+a9。其中a9为低频信号，d1～d9为高频信号，且d1到d9频率依次降低，M1由d1～d9和a9叠加而成，将低频分量a9置零，可去除基线漂移，将高频分量d1和d2置零，可过滤噪声信号。图1为使用db4小波基将原始波形进行尺度为9的小波变换进行预处理前后的心电图。 可见预处理前的心电图中采样点5000到6000之间有一处明显的基线漂移，且与处理后的心电图相比，处理前的心电图因为高频噪声的原因显得较为粗糙。
3.2 模板选择
模板选择过程中，先对特征点进行检测，通过特征点查找正常心电图，取一定时间范围的正常心电图作为模板。典型心电图波形特征如图2所示。
心电图中包括P波、QRS波群和T波，上图为一个心电周期的波形。对于同一个人来说，其心电波形在长时间内表现为稳定，即在一个时间段的心电图中，绝大多数的心电数据处于正常范围[9]，故可以从一定时间段的心电图中提取出正常的心电图作为模板。
由于QRS波群和T波斜率明显，特征较为突出，故心电图预处理完毕后，首先检测QRS波和T波，由于P波较低，且预处理并不能完全去除高频噪声，P波波峰周围会出现因为噪声干扰而凸起的波形，能够明显检测出R波和T波，P波较不明显，检测出R波波峰后，从R波开始分别向前和向后搜索Q波和S波以及QRS波群边缘，P波波峰可通过搜索前一个周期的T波和当前检测周期的Q波之间最大极值点获取到。
若在采样点序列[s（1） s（2） s（3）]中，s（2）-s（1）>0，s（3）-s（2）0，则s（2）为极小值点，故可根据采样点序列中相邻点的差获取极值点。假设波形方程为v=x（n），n表示采样序号，n=1，2，3...，特征参数的检测步骤为：
1）心电数据组成向量a=（x（1） x（2）…），例如a=（2 3 1 5 6 9）；
2）将a中相邻值相减组成向量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）计算出b=（1 -2 4 1 3）
3）将b映射到向量c，映射规则为：若b（n）>0，c（n）=1；若b（n） 4）将c中相邻值相减组成向量d，由c=（1 -1 1 1 1）计算出d=（-2 2 0 0），取d中值不等于0的位置索引加1，存入数组indexMinMax，则indexMinMax=[1 2]，取d中值大于0的位置索引加1，存入数组indexMin，则indexMin=[2]，取d中值小于0的位置索引加1，存入数组indexMax，则 indexMax=[1]，心电数据组成的向量a中索引为indexMin的为极小值点，索引为indexMax的为极大值点，所有极大值点和极小值点的索引都在indexMinMax中，即a中的极小值点为a[2]=1，极大值点为a[1]=3；
5）通过indexMax、indexMin和a得到极大值点中的最大值max和极小值点中的最小值min，取差值distance=max-min；
6）遍历indexMinMax，若索引处i心电值和最小值之间差值a[i]-min>distance/2，将索引i存入数组R_Array，R_Array中的值即为R波波峰索引，每找到一个R波波峰，在indexMinMax中从该R波波峰索引处取前两个索引为Q波波峰索引和QRS波群左边缘、取后两个索引为S波波峰索引和QRS波群右边缘，分别存入Q_Array、QRS_lArray、S_Array、QRS_rArray。
7）在6）中遍历indexMinMax时，若索引处i心电值和最小值之间差值满足0.2324*distance/2 8）在indexMinMax顺序查找R波波峰和T波波峰之间最大的极值点，存入P_Array，P_Array中的值即为P波波峰索引。
9）根据成人正常PR间期为0.12～0.2s，从QRS波群左边缘向前0.10～0.22s范围内搜索极小值点作为P波左边缘，存入P_lArray。
检测出特征参数后，计算出平均心率，根据心电图所处导联、患者年龄和心率获取各个特征的正常值范围，查找患者心电图中3～6个周期的正常心电波形，以这部分正常心电波形作为初始模板。由于R波波形特征明显，故将初始模板的第一个R波波峰设为模板起点，最后一个R波波峰设为模板终点，得到最终模板。
3.3 心电诊断
待检测心电数据和心电模板之间的差异可以通过它们数据差的平方和表示。假设心电模板为y（n），其中TSA 计算待检测心电长度：UB=TFB-TSB，
心电模板长度：UA=TFA-TSA，
待检测心电数据长度与心电模板长度之比：
QAB= UB/UA =?UB/UA」+m
其中?UB/UA」为UB/UA取整后的值，m为余数。若QAB 若QAB>1，则待检测心电数据长度大于心电模板长度，根据心电图周期性的特点，可将心电模板进行周期性延长，使模板长度不小于待检测心电数据长度，待检测数据与模板数据差的平方和M如下： 使用dif表示待检测数据和模板数据的差异，相关系数R表示为R=1/（dif+1），R的值在0和1之间，则差异dif越小，相关系数R越大。由于M是由模板和待检测数据之差累加而成的，故对于相同长度的待检测心电数据，M越大，匹配度越低。故令相关系数R=1/（M/fUB+1），其中f为心电数据的采样频率，R越接近1，表示相关度越高，设置相关系数阈值为0.88，当R值小于0.86时，便认为心电图为异常心电图。本文实验数据分为11组，这11组数据分别取自MIT-BIH数据库中记录为100、105、115、121、123、200、202、205、208、212、217的心电数据，每组数据取10个不同时间段进行实验，共进行了11*10=110次试验，其中98次检测正确，12次检测错误，故检测准确率为89.1%。
4 结论
本文使用db4小波对心电图进行尺度为9的分解和重构，有效地去除了低频的基线漂移和其他高频噪声干扰，便于准确分析特征点位置，进而进行模板匹配，心电信号的异常检测检测准确率较高。针对患者选取适应患者的心电模板，且能够诊断不同长度的心电图，使这种异常检测方法可用于不同的心电数据来源，适用的范围较广。本文提供的异常检测只能够检测出波形的异常与否，并不能检测出异常类型，仍然有一定的局限性，故本文在检测异常类型这个方面仍需改进。
参考文献：
[1] 宋东富. 心电信号自动分析算法的研究与应用[D].长春： 吉林大学， 2007.
[2] 吴宝明，朱凌云，卓豫，等. 远程心电监护系统及动态心电信号自动分析的研究进展[J]. 中国医疗器械杂志， 2006， 30（5）： 362-268.
[3] 唐雅青. 心电信号的自动检测与分析[D].上海： 上海交通大学， 2007.
[4] 韩君泽. 心电信号自动检测与诊断方法的研究[D]. 哈尔滨： 哈尔滨工业大学， 2013.
[5] 赵毅. 基于小波分析和神经网络异常的异常心电信号分类研究[D].太原： 太原理工大学， 2015.
[6] 杨波，张跃. 基于多模板匹配的室性早搏判别算法[J].开发研究与设计艺术，2010， 36（16）： 291-293.
[7] 宋喜国，邓亲恺. MIT-BIH心率失常数据库的识读及应用[J].中国医学物理学杂志，2004，21（4）：230-232.
[8] 任杰，杨丽晓. 基于小波变换系数的心电信号基线漂移噪声去除方法[J].医疗卫生装备，2010，31（11）： 24-26.
[9] 刘彬. 心电信号特征识别及其在心血管疾病诊断中的应用[D].长春：吉林大学，2014.
