心電監護儀屏幕波形提取算法研究

王秋思 李丕丁 陳黎云

摘 要：心電監護儀是臨床中使用較為廣泛的一種心電輔助性診斷監護設備，其準確性直接關系到病人疾病的監護與診斷，但目前對心電監護儀的檢定仍停留在人工測定階段。為實現心電監護儀智能化檢定、減少人工測定誤差，提出一種心電監護儀屏幕波形提取算法，旨在利用圖像處理方式實現智能化提取心電波形并進行監護儀的準確度鑒定。算法采用攝像裝置獲取心電設備波形屏幕圖像，通過傳統圖像處理技術對其進行去噪、圖像校正、剔除小區域等一系列預處理，獲取純凈波形圖像;再結合預測搜索法提取出數字化波形信息。實驗驗證表明，該算法提取的波形準確率基本在98%以上，相較于傳統算法，在節省人力物力的同時縮小了人工檢定階段的誤差，系統還可用于心電圖歸檔、處理，為智能化診斷奠定了基礎。

關鍵詞：圖像處理;波形數字化信息提取;預測搜索法;計算機視覺

DOI：10. 11907/rjdk. 191947 開放科學（資源服務）標識碼（OSID）：

中圖分類號：TP312文獻標識碼：A 文章編號：1672-7800（2020）005-0094-04

0 引言

心電監護儀是一種結合心電監測技術和移動計算技術的輔助性診斷設備，可對異常變化的數據進行動態監測和預警[1-3]，廣泛應用于臨床監護中，可輔助進行疾病診斷、治療和維護，大大減少了醫生的工作量。但如果心電監護儀誤差過大，不僅可能導致顯示數據不準確、報警不及時，甚至可能危害病人生命。因此，對心電監護儀進行精準誤差檢定在臨床使用中具有十分重要的意義。

目前對心電監護儀的檢定仍停留在人工測定階段，不僅耗時耗力，而且會因人工主觀因素導致誤差，因此實現心電設備的智能化檢測迫在眉睫。而智能化檢測第一步就是要獲取準確的心電數據，但目前市面上流通的大部分心電監護儀無法直接提供心電數據輸出端口（譬如HDMI、DVI等），且由于數據最終以波形的形式在屏幕端顯示，因而屏幕最終顯示結果如何，直接關系到醫護人員觀測的準確度。

圖1為心電監護儀屏幕圖像，臨床上較為關注的波形數據是心電波形，但在傳統心電監護儀誤差檢定過程中，需要依賴檢測人員手工使用剛直尺和放大器進行測量，不僅帶有主觀因素，而且容易引起誤差，費時費力。

針對以上問題，本文擬采用攝像裝置獲取心電設備波形屏幕圖像，通過傳統圖像處理技術[4]對其進行傾斜校正[5]、畸變矯正[6]、去噪、剔除小區域等一系列圖像預處理，以獲取純凈波形圖像;再結合程凡等[7]提出的預測搜索法提取出數字化波形信息[8-14]，將從屏幕提取出波形信息與原心電信息進行比較。這樣不僅方便后續誤差檢定，而且還可提取病人心電數據進行存儲，有利于開展心電數據庫建立和心臟疾病遠程智能診斷等。

1 算法總體設計

本文使用Python語言結合OpenCV[15-16]計算機視覺庫進行算法設計，圖2為算法整體流程，分為圖像處理和波形信息提取兩大部分。

（1）圖像預處理：圖像預處理指對心電監護儀屏幕圖像進行一系列圖像處理，包括校正、波形區域圈定、圖像預處理和剔除小區域等。其中校正和預處理是為了減少背景和攝像裝置的影響，而剔除小區域是為了去除圖像中除波形數據外的其它干擾圖形，突出波形區域，獲取只有波形的純凈圖像，以便后續進行數字化波形信息提取。

（2）數字化波形信息提取：指在獲取到純凈的波形圖片后，利用圖像處理方式提取出心電波形數據，與原始數據進行對比，計算相似度。

2 圖像處理算法流程

心電監護儀圖像一般為彩色黑底圖像，對比度強、波形清晰，背景對待提取區域干擾也小[17]。前期圖像處理算法主要作用是從一張完整的屏幕圖像中獲取僅有波形區域的部分圖像，流程見圖2中“圖像處理部分”區域所示。

2.1 畸變校正、傾斜校正

本文在利用攝像裝置獲取心電監護儀屏幕圖像時，由于攝像裝置位置、鏡頭本身存在畸變等影響，不可避免會有圖像傾斜和畸變問題，因而首先需對圖片進行畸變校正與傾斜校正。

2.1.1 畸變校正

指在攝像裝置采集圖像時，由于鏡頭本身透視原因造成的失真導致圖片出現凸形畸變，因此需對采集的屏幕圖像進行畸變校正。畸變校正分為兩步：

（1）選用黑白方格“棋盤”圖對攝像頭進行定標，獲取攝像頭的內參數矩陣、畸變系數、旋轉向量和平移向量后，完成攝像頭標定工作。

（2）對圖像進行畸變校正。獲取到畸變參數后，利用OpenCV庫中的undistort（）函數對圖形進行畸變校正，矯正后圖像邊緣明顯的弧形畸變會得到有效改善。

2.1.2 傾斜校正

傾斜校正使用基于霍夫變換的傾斜校正算法，利用霍夫變換檢測出圖像背景中的橫線（譬如顯示屏邊緣、曲線基準線等），求檢測到的所有直線與水平線夾角的平均值，再對圖像進行相應旋轉以完成圖像的傾斜校正。傾斜矯正流程如圖3所示。

2.2 波形區域圈定

波形區域圈定指對圖像波形區域進行圈定并截取出波形區域圖片，目前圈定方法是通過人工方式圈定，后續有望通過深度學習自動獲取目標波形區域位置。人工圈定后圖像見圖6。

2.3 圖像預處理

在獲取到波形區域后，為削弱背景和噪聲影響，突出波形目標，需要對圖像進行預處理操作。預處理步驟如下：

（1）去噪：采集到屏幕圖像后，首先要對其進行濾波去噪處理，本文選取的去噪方法是中值濾波去噪，具體函數為：

2.4 小區域剔除

為避免在人工圈定波形區域時，除波形區域外還囊括其它數字等，需要排除除波形外的其它區域。具體操作為：①檢測當前區域中所有連通域輪廓;②考慮到人工圈定波形區域時，波形區域長寬應當占據圖像大部分，因而在此步驟判斷輪廓長寬是否滿足大于波形區域圖像的 ? ? 1/2，認定不滿足的非目標波形區域即可去除;③在剩余區域輪廓中，查找到所占面積最大的區域即為波形區域，剔除其余小區域。算法流程見圖8。

3 波形信息提取

在獲取純凈波形數據區域之后，需對該區域的波形信息進行提取。本文使用改進的預測搜索算法對心電曲線進行提取，提取流程如圖10所示。

3.1 預測搜索算法

預測搜索算法是程凡等提出的心電曲線預測算法，其核心思想是根據目前已知點推斷下一點的可能位置，并在一定區域內進行搜索，找到最合適的點作為心電軌跡的下一點。

得到了預測值Pi+1后，可判斷其是否為心電軌跡上的點。若是則判定其為需要尋找的點;若不是，則在一定區域內搜索適當的點作為下一點;若在搜索區域內沒有找到這一點，則判斷其可能出現斷裂，以預測點作為下一點。

使用這一方法可以有效減少心電曲線斷線和網格線影響等干擾因素，保持所提取的心電曲線平滑和連續。

3.2 心電波形提取

本文使用改進的預測搜索算法對心電曲線進行提取，相較于原始預測搜索算法，添加了波形起始點與終點判定，且結合預測搜索法對中間點進行判定。與普通心電波形提取算法相比，避免了截斷點對波形數據提取的影響。

算法主要內容為：先選取4×4的窗口逐列搜索圖像，找到滿足4×4窗口包含黑色像素點的位置，即認為該點為心電波形上的一點，從而找出心電曲線的各點（包含起點、終點和中間點）。

心電曲線各點的判斷標準為：

（1）起點判定標準。從開始搜尋時起，至第一次搜尋到窗口4列都包含黑色像素點，判定此4列中包含起始點。

（2）中間點判斷標準。確定起始點之后，從起始點往后逐列使用預測搜索算法計算預測點并在預測點附近尋找實際點。若找到實際點則以實際點為該列心電曲線提取的心電數據，若未找到實際點則以預測點作為提取的心電數據。

（3）終點判斷標準。當連續多點均未找到實際點時，認為曲線追蹤結束，算法停止。

但在實際搜尋過程中，因曲線線寬問題導致某些列可能滿足4×4搜尋窗口的位置點很多。針對這種情況，在判斷起點、終點、中間點時，一旦獲知有一點滿足條件，則在實際點附近上下遍歷出所有在心電曲線上的連續點，取其中間點作為提取的心電數據。

4 系統測試及結果分析

通過上述方法從二值圖中提取出心電波形圖，如圖11、圖12所示。

5 結語

本文設計并實現了基于圖像處理的心電監護儀屏幕波形提取算法。通過對心電監護儀屏幕圖像進行校正、去噪、剔除小區域和波形提取等處理，實現提取后的波形區域與原始波形相似度基本在98%以上。相較于傳統的人工心電設備檢測技術，本算法對全自動屏幕波形提取進行了深入研究，為如何獲取精準的屏幕數字化信號，以及如何與監護設備進行智能檢定提出了解決方案;在節省人力物力的同時減少了人工檢定過程中的主觀誤差。本算法還可推廣應用于其它圖像波形提取領域，且對今后心電波形歸檔、數字化存儲以及遠程醫療診斷等提供基礎服務。

參考文獻：

[1] 王斌全，趙曉云. 心電圖的發明與發展[J]. 護理研究雜志，2008， 22（33）： 3101-3109.

[2] 薛松維. 臨床實用心電圖入門. 心電圖的測量要點[J]. 中國鄉村醫藥，2011（2）：83-85.

[3] 薛松維. 臨床實用心電圖入門. 心電圖導聯、波形及臨床價值[J]. 中國鄉村醫藥，2011，18（1）： 80-81.

[4] 馬頌德，張正友. 計算機視覺. 計算理論與算法基礎[M]. 北京：科學出版社，1998.

[5] 梁添才，皮佑國，彭晶. 基于Hough變換的列車客運票圖像傾斜校正[J]. 華南理工大學學報（自然科學版），2007，35（5）：35-40.

[6] 楊必武，郭曉松. 攝像機鏡頭非線性畸變校正方法綜述[J]. 中國圖象圖形學報，2005（3）：269-274.

[7] 程凡，高榮，魏義祥. 掃描心電圖心電軌跡的跟蹤算法[J]. 生物醫學工程學雜志，2001，18（2）：306-333.

[8] 王志成，胡陽，黃瑛. ECG記錄圖紙數字化過程中的幅值定標方法及其后處理[J]. 中國醫療器械雜志，2004（1）：19-22.

[9] 王志禎，陳兆學，趙曉靜. 基于高斯模糊技術的心電圖曲線提取方法[J]. 中國組織工程研究與臨床康復，2010（39）：7346-7349.

[10] 劉花麗，李海翔，郭偉峰. 一種提取心電曲線的方法[J]. 河南教育學院學報（自然科學版），2010 （2）：25-27.

[11] BADILINI F，ERDEM T，ZAREBA W，et al. ECGScan： a method for conversion of paper electrocardiographic printouts to digital electrocardiographic files[J]. Journal of Electrocardiology，2005（38）： 310-318.

[12] ISRAEL S A，INE J M，CHENG A，et al. ECG to identify individuals[J]. Pattern Recognition 2005，38（1）：133-142.

[13] ISRAEL S ?A，SCRUGGS W ?T，WOREK W J，et al. Fusing face and ECG for personal identification[C]. Washington DC：32nd Imagery Pattern Recognition workshop，2003：226-231.

[14] SHEN T，TOMPKINS W J，FLU Y H. One-lead ECG for identity verification[C]. Houston：2nd Conference of the IEEE Engineering in Medicine and Biology Society and the Biomedical Engineering Society，2002：62-63.

[15] [美]GARYBRADSKI，ADRIANKAEHLER. 學習OpenCV[M]. 北京：清華大學出版社，2009.

[16] 王穩. 基于OpenCV的心電圖數據提取研究[D]. 天津：天津工業大學，2016.

[17] 梁琳，何衛平，雷蕾，等. 光照不均圖像增強方法綜述[J]. 計算機應用研究，2010 （5）：1625-1628.

[18] RICOLFE-VIALA C，SANCHEZ-SALMERON A. Lens distortion models evaluation[J]. Applied Optics，2010（49）：5914-5928.

[19] BI R，L JING L，ZHU Q. Exploration and improvement of ostu threshold segmentation algorithm[J]. Intelligent Control & Automation，2010（6）：6183-6188.

（責任編輯：杜能鋼）