基于Pan-Tompkins的運動心電QRS波群實時檢測的研究

蘇志同，吳瓊瓊

?

基于Pan-Tompkins的運動心電QRS波群實時檢測的研究

蘇志同，吳瓊瓊

（北方工業大學 計算機學院，北京 100144）

對處于運動狀態的人進行實時心電檢測，及時了解心臟狀況，可以很大程度上減少人們由于心臟疾病引發的死亡。QRS波群的實時檢測是運動心電分析過程中的重要研究內容，檢測正確的QRS波群或R峰值是心電圖測量的重要指標。本文利用Pan-Tompkins算法對運動心電數據進行QRS波群的實時檢測，結果表明，該方法適合實際應用。

運動心電；QRS波群；Pan-Tompkins算法

0 引言

目前，心腦血管疾病仍舊是危害人類生命健康的主要疾病之一[1]。尤其是在運動過程中，人們必須經常性的關注自己的心電狀況，適當的調整運動量，避免運動過量造成身體的不適甚至猝死等特別嚴重的后果。心電圖是臨床上檢測心臟疾病的重要手段，由于心電圖檢查簡單、準確、快速、無創，所以心電圖（ECG）對于心臟疾病的診斷有著非常重要的意義。對于心電圖的分析一般都是事后進行分析，不能達到實時診斷的要求，也達不到預警的目的。在移動醫療科技水平迅速發展的條件下，對人的運動心電狀況進行實時檢測，分析心電變化趨勢，能夠對未來用戶身體狀況進行預測。

心電圖（ECG）信號是通過測量來自心臟肌肉活動而產生的電信號。它是一種非侵入性的儀器，由于心電圖的這一特性，它被廣泛用于心血管疾病的診斷。它也是生物醫學信號處理領域最受歡迎的研究領域之一，其應用范圍從自動檢測心律失 常[2-4]，睡眠呼吸暫停[5,6]到心理應激[7,8]。在自動心電信號處理中，研究的主要課題之一是QRS波群檢測。檢測正確的QRS波群或R峰值很重要，因為它是用來測量其他ECG指標的，如RR間隔，QRS寬度和心率變異性（HRV）。這些度量標準通常用作ECG分類的特征。

1 QRS波形檢測

QRS波群檢測和特征提取是心電圖自動分析的關鍵步驟，直接影響心臟疾病檢測和診斷的準確性以及可靠性。由于QRS波群振幅大，占的時間比較短，只有QRS波群的位置確立以后才可以分析心電圖的其他波形，所以QRS波群位置的確定成了ECG檢測的重要環節。

目前，QRS波形檢測方法都是針對靜態或動態心電進行檢測，方法很多，如小波變換、神經網絡、模板匹配等方法。小波變換具有時域和頻域特性，算法檢測的準確度相對很高，但是小波變換的計算復雜度很大，不適合處理實時的心電數據。雖然神經網絡能夠很好的識別QRS波群，但是由于神經網絡的訓練時間比較長，難以在現實生活中得以實際應用。模板匹配法雖然原理簡單，但容易受到高頻噪聲和基線漂移的干擾。以上的幾種方法都有各自的優點和缺點，相比較Pan-Tompkins算法檢測效果和實時性比較好，在實際應用中可以被采用。

Pan-Tompkins是Pan和Willis J. Jiapu Tompkins提出的一種算法[9]，可以用來實時檢測心電圖的QRS波群。該算法在檢測QRS波群方面具有良好的性能，并且可以應用于移動應用。所以，針對在實時遠程運動心電監護系統中QRS波的實時檢測分析問題，本文利用Pan-Tompkins算法對運動心電數據進行QRS波群的實時檢測。具體步驟如圖1所示。

圖1 QRS波群檢測步驟

1.1 數據預處理

心電信號非常微弱，容易受到環境的影響。心電在采集的過程當中會受到各種各樣的噪聲干擾，尤其是運動心電信號，運動時的呼吸、肌肉的抖動、甚至出汗都會增加很多噪聲的干擾。運動心電的噪聲主要有三種類型：工頻干擾、肌電干擾、基線漂移。在QRS波群的檢測中，心電去噪是十分重要的。結合去噪的效果和實時性，采用級聯低通和高通濾波器組成的帶通濾波器去除原始運動心電信號中的噪聲。

低通濾波器：低通濾波器用于降低工頻干擾和T波干擾，該濾波器的差分方程為：

截止頻率約為11Hz，增益為36。

高通濾波器：高通濾波器的設計基于從全通濾波器（即，原始信號中的采樣）中減去一階低通濾波器的輸出。這種高通濾波器用于減少肌電干擾和基線漂移。該濾波器的差分方程為：

該濾波器的低截止頻率約為5 Hz，即增益是32。

1.2 獲取QRS波群的斜率信息

在濾波之后，采用具有傳遞函數的五點微分函數，放大QRS波的斜率信息，以便區分QRS波群。五點微分函數的差分方程為：

1.3 增強頻率響應曲線的斜率

微分后，信號逐點平方，這個操作公式為：

該步驟使用非線性平方函數，使得所有數據點都為正。對微分后的輸出進行非線性放大，以增強微分后頻率響應曲線的斜率，并且有助于限制由高于平常光譜能量的T波引起的誤差。

1.4 獲得波形特征信息

信號逐點平方后，進行移動窗口積分。目的是除了獲得R波的斜率外，還可以獲得波形的其他特征信息。移動窗口積分器產生一個信號，其中包含QRS波群的斜率和寬度的信息。計算公式如下：

其中是積分窗口寬度中的樣本數，窗口的寬度應盡可能和QRS波群寬度大致相同。如果窗口太寬，積分波形會將QRS波群和T波合并在一起。如果它太窄，一些QRS波群將在積分波形中產生多個峰值。這將對QRS波群的檢測過程造成困難。

1.5 自適應閾值，檢測QRS波群的位置

QRS波群對應積分波形的上升沿。上升沿的持續時間等于QRS波群的寬度。QRS波群的時間位置的基準標記可以根據待標記的期望波形特征（例如R波的最大斜率或峰值）從該上升邊緣確定。閾值會自動調整以漂浮在噪聲上。由于帶通濾波器改善了信噪比，所以可能出現低閾值。我們使用兩組閾值來檢測QRS波群，兩個閾值中的較高值用于信號的第一次分析。如果在特定的時間間隔內未檢測到QRS，則使用較低的閾值。對于QRS波群檢測來說，搜索回溯技術是必要的。

最初應用于積分波形的一組閾值是從下面公式計算出來的：

NPKI是噪聲峰值

SPKI是信號峰值

THRESHOLD I1是較高閾值

THRESHOLD I2是較低閾值

2 實驗結果

在這次實驗中，我們使用兩種類型的心電數據。第一種是MIT-BIT的心率失常數據庫，第二種是麥邦運動心電監測設備所采集的心電數據。第一種數據是用來進行測試以及驗證該算法的正確性，第二種數據是用來觀察該算法的實用性。

對MIT-BIT數據庫中的一些病例進行了QRS波群的檢測，該方法的檢測效果很好，整體準確率達到92.5%，其中對于107、205、217號數據，漏檢的數量比較多，原因是因為這幾組數據中夾雜了嚴重的偽差，導致QRS波形嚴重失真，于是造成了漏檢的情況。檢測的結果如表1所示。

表1 MIT-BIT數據庫QRS波群檢測結果

Tab.1 Detection results of QRS complexes in MIT_BIH database

此外，根據該算法對麥邦運動心電監測設備所采集的心電數據進行測試，同樣取得了很好的檢測效果，證明該算法對運動心電QRS波群的檢測具有可靠性以及有效性。

根據Pan-Tompkins算法，經過級聯低通高通濾波器、微分、平方、移動窗口積分處理后，得到與QRS波群一致的波形特征，如圖2所示。算法在MATLAB上實現的，同一窗口（figure）顯示六塊圖形，分為三行兩列。從左到右，由上至下依次為：原始信號、低通濾波后信號、高通濾波后信號、微分后信號、平方后信號、移動窗口積分后信號。

圖2 處理后波形

自適應閾值調節后，能夠準確地區分QRS波群的位置。QRS波群特征點檢測結果如圖3所示。在圖3中，紫色標記的為Q點的位置，R峰由紅色進行標記，綠色標記的為S點的位置。

圖3 QRS波群檢測結果

3 結論

本文提出使用Pan-Tompkins算法對運動心電QRS波群進行實時檢測。該算法利用斜率、振幅和寬度信息可靠地檢測QRS波群。帶通濾波器對信號進行預處理以減少干擾，允許使用低振幅閾值以獲得高檢測靈敏度。在算法中，采用雙閾值技術和搜索回溯技術進行漏檢，該算法周期性地自動適應每個閾值和RR區間限制。實驗說明，Pan-Tompkins算法可以在運動心電QRS波群檢測中運用，并且計算量很小，適合于實時應用。

[1] 郭文靈, 顧建軍. 移動心電監護系統的心電圖實時分析算法[J]. 計算機仿真, 2014 (2014年09): 272-276.

[2] De Chazal P, O'Dwyer M, Reilly R B. Automatic classification of heartbeats using ECG morphology and heartbeat interval features[J]. IEEE transactions on biomedical engineering, 2004, 51(7): 1196-1206.

[3] Luz E J S, Schwartz W R, Cámara-Chávez G, et al. ECG-based heartbeat classification for arrhythmia detection: A survey[J]. Computer methods and programs in biomedicine, 2016, 127: 144-164.

[4] Escalona-Morán M A, Soriano M C, Fischer I, et al. Electrocardiogram classification using reservoir computing with logistic regression[J]. IEEE journal of biomedical and health informatics, 2015, 19(3): 892-898.

[5] Hassan A R, Haque M A. Computer-aided obstructive sleep apnea screening from single-lead electrocardiogram using statistical and spectral features and bootstrap aggregating[J]. Biocybernetics and Biomedical Engineering, 2016, 36(1): 256-266.

[6] Hassan A R, Haque M A. An expert system for automated identification of obstructive sleep apnea from single-lead ECG using random under sampling boosting[J]. Neurocomputing, 2017, 235: 122-130.

[7] Lampert R. ECG signatures of psychological stress[J]. Journal of electrocardiology, 2015, 48(6): 1000-1005.

[8] Han, Lu, et al. "Detecting work-related stress with a wearable device." Computers in Industry 90 (2017): 42-49.

[9] Pan J, Tompkins W J. A real-time QRS detection algorithm [J]. IEEE transactions on biomedical engineering, 1985 (3): 230-236.

[10] Gradl S, Kugler P, Lohmüller C, et al. Real-time ECG monitoring and arrhythmia detection using Android-based mobile devices[C]//Engineering in Medicine and Biology Society (EMBC), 2012 Annual International Conference of the IEEE. IEEE, 2012: 2452-2455.

[11] Rizqyawan M I, Simbolon A I, Suhendra M A, et al. Mobile/android application for QRS detection using zero cross method[C]//Journal of Physics: Conference Series. IOP Publishing, 2018, 978(1): 012048.

[12] 王利琴, 顧軍華, 梁志剛. 一種實時魯棒的 QRS 波群檢測算法[J]. 計算機應用與軟件, 2013, 30(12): 325-328.

Real-time QRS Complexes Detection of Exercise ECG Based on Pan-Tompkins

SU Zhi-tong, WU Qiong-qiong

(Computer Institute of North China University of Technology, Beijing 100144, China)

Real-time electrocardiographic testing of people who are in motion, and timely understanding of the heart condition, can greatly reduce the number of deaths due to heart disease. The real-time detection of QRS complexes is an important research content in the exercise ECG analysis. Detecting the correct QRS complex or R-peak is an important indicator of ECG measurement. In this paper, we use the Pan-Tompkins algorithm to detect QRS complexes in exercise ECG data. The results show that this method is suitable for practical applications.

Exercise ECG; QRS complexes; Pan-Tompkins algorithm

TP391

A

10.3969/j.issn.1003-6970.2018.08.039

蘇志同(1963-)，男，教授，主要研究方向：計算機網絡；吳瓊瓊（1991-），女，研究生，主要研究方向：數據挖掘。

本文著錄格式：蘇志同，吳瓊瓊. 基于Pan-Tompkins的運動心電QRS波群實時檢測的研究[J]. 軟件，2018，39（8）：188-191