心电信号中R波的小波包检测算法研究

心电信号(ECG)特征参数的提取和检测是心电图分析和诊断的基础,而在ECG分析中,快速准确地检测出QRS波群非常重要,它是计算相关参数和诊断的前提。本文针对心电信号QRS波群中R波的检测算法进行了研究与分析,对传统的小波R波检测算法中存在的检测准确率较低和实时性较差的问题加以改进,并提出了具有更加优良分析效果的小波包R波检测方法。并利用美国麻省理工学院的MIT/BIH心电数据库对上述方法进行仿真验证,同时与传统的小波R波检测算法进行实验对比,结果表明,该方法简单有效、准确率高,适于实际应用。     

基于FPGA的实时QRS波检测系统设计

根据在线心电信号自动分析系统的实时性要求,提出了一种基于现场可编程门阵列的QRS波检测解决方案和硬件结构。该方案采用离散小波变换(DWT)算法结合阈值检测算法进行特征点提取,克服了传统算法受噪声、基漂、杂波等影响的缺点,逻辑简单,适合硬件实现。     

基于小波变换的QRS波群检测

提出了一种基于小波多分辨分析的算法,对心电信号进行特征提取和识别。通过小波变换对常规心电图信号进行分解去噪和特征提取,并利用动态自适应阈值和删除多检点,补偿漏检点对QRS波检测进行优化。实验结果表明该方法在QRS波形不失真的情况下,提高了一部分MIT-BIH数据库信号中QRS波识别的准确率,并且对于较低准确率的心电信号的原因进行了分析。     

DWA：一种新的心电实时检测算法

提出了一种简单可靠的心电信号实时检测方法——差分窗口法（DWA）。该算法首先用基线一相对幅值一差分法检测出QRS波群,再采用均值-方差-窗口法对TP波进行检测。试验采用MIT—BIHArrhythmiaDatabase中提供的48组心电数据及一些临床采集的心电数据,先在MATLAB下仿真了DWA算法,然后在ARM7TDMI—S上运行该算法,准确率达99．98％,实现了对心电的实时分析,验证了算法的可行性和可靠性。试验得到的结论为DWA算法能对心电信号的主要特征参数进行提取和识别,从而能够快速准确地对心电图进行诊断,易于在便携式系统中实现。     

构造多分辨率小波表征QRS综合波的频率分布特性

本文讨论了用多分辨率分析(MRA)方法构造具有良好频率特性的带限正交(FLO)小波。并根据小波系数的能量在不同分辨率下的分布,定义了一种能够反映ORS综合波频率成分分布的特征参数。通过对MIT心律失常数据厍中波形的测试,结果显示室性QRS波的值通常小于正常的QRS波。并且该参数,特别是采用FLO小波计算时,能够明显区分正常和室性心搏,并有较强的抗干扰能力。     

mexican-hat小波在QRS波检测中的应用研究

提出了一种基于小波变换,结合多种判别修正方法的QRS波检测算法。首先采用mexican-hat小波对信号进行小波变换,在第3尺度上采用模极大值阈值法对R波进行检测。其次采用平面几何的数学方法定位Q波和S波。对于高尖P波和大T波造成的误检,采用弧度法进行纠正。对于高频干扰造成的影响用QRS时长法予以排除。该算法经过MIT-BIH Arrythmia Database的心电数据验证,取得了满意的结果。     

基于三次B-样条小波自适应阈值的QRS波检测

小波变换已经广泛应用于QRS波的检测,并达到了很高的检测率。本文针对目前检测方法的不足,选取了滤波器个数较少的三次样条小波作为小波基并结合自适应阈值的方法检测模极大值点以提高检测速度。在MITBIH数据库中验证,表明该方法能有效检出含有严重基线漂移和工频干扰的心电信号,检测率达到99．8％以上。检测速度也优于多种检测方法,有良好的实时效果。     

Design of high performance QRS complex detector for wearable healthcare devices using biorthogonal spline wavelet transform

A high performance QRS complex detector applicable for wearable healthcare devices is proposed in the present work. Since, higher SNR results in better detection accuracy and lesser number of coefficients reduces the hardware resources as well as power dissipation during on chip implementation. Biorthogonal spline wavelet transform is chosen for the proposed detector as it has high signal to noise ratio (SNR) and uses only four coefficients for decomposition. In the proposed approach, a Biorthogonal wavelet filter bank with fourth level decomposition is first used to separate the different frequency components and then a fourth level wavelet filter bank is used to get the denoised electrocardiogram (ECG) signals. Wavelet filter bank outputs are multiplied and soft threshold method is applied to get the QRS complex peaks by the QRS complex peak detector block. Add and shift multiplier used in the earlier designs has been replaced by a Booth multiplier in our approach to achieve the higher performance. Booth multiplier and QRS complex peak detector blocks have been designed for low hardware complexity, high performance and accurate detection of the QRS complex peaks. Time interval between the consecutive QRS peaks is calculated using the R-R peak time calculator block and the heart rate (HR) by the HR calculator block. Heart Rate Variability (HRV) and arrhythmia are detected based on these heart rate calculations. Proposed design has been tested for its robustness on multiple datasets (namely, MIT-BIH arrhythmia, MIT-BIH noise stress test, and MIT-BIH atrial fibrillation databases). Sensitivity of 99.31%, positive predictivity of 99.19% and the Detection Error Rate (DER) of 1.49% shown by the proposed design makes it preferable for QRS complex detectors used in wearable healthcare devices.     

心电信号自动识别技术现状与展望

心电信号自动识别技术是信号处理及模式识别领域的热点研究课题,是在现代医学健康领域中进一步应用心电诊断技术的基础。文章围绕心电信号自动识别技术的发展历史、研究现状、关键技术及存在问题展开了讨论,并对以后的研究趋势做出展望。