基于平穩和連續小波變換融合算法的心電信號P,T波檢測

熊 鵬 劉學朋 杜海曼 劉 明 侯增廣 王洪瑞* 劉秀玲

①(河北大學電子信息工程學院河北省數字醫療工程重點實驗室 保定071002)

②(中國科學院自動化研究所 北京100190)

1 引言

心電圖(ElectroCardioGram,ECG)作為心血管疾病診斷的有效手段，其P,T波代表了心室的復極化，精準的P,T波檢測可以對心室顫動和心源性猝死等重大心臟疾病進行有效預測[1,2]。但是由于P,T波所在位置低頻成分較多[3]，噪聲較大，加之P,T波形態多變。因此，P, T波檢測成為目前的研究難點。

目前，針對ECG信號P,T波的自動檢測，研究工作者提出了多種方法，包括基于濾波器的檢測算法、基于神經網絡的檢測算法和基于小波變換的檢測算法等。

Elgendi等人[4]通過0.5～10 Hz的2階巴特沃斯濾波器(Butterworth filter)剔除與P,T波檢測無關的基線漂移和QRS波群，利用差分法對P,T波進行識別。通過P,T波頻域特性濾除的基線漂移和QRS波群，得到P,T波的待檢測段，待檢測波段的光滑程度是影響其峰值檢測的關鍵。但是，光滑的僅包含P,T波的待檢測段的獲得是十分困難的，由于在ECG信號在采集過程中受到外界各種噪聲以及工頻干擾[5]，因此ECG信號的特征波的波峰附近會有細小的毛刺，這些毛刺的頻段與P,T波頻段重疊[6]，因此僅通過頻域特性對信號濾波并不能去除這種毛刺，從而無法獲得光滑的P,T波待檢測段，導致峰值點的判斷不準確。

Peimankar等人[7]利用已有的小波法獲得P波和T波位置，根據P波和T波位置選取附近的采樣點作為神經網絡的輸入，構建訓練模型。但是在訓練集構建過程中，該類算法對訓練集樣本的廣泛性有一定的要求，因此全面豐富的訓練集對提高該類算法的精度是十分重要的，但實際臨床中P波和T波形態變化復雜，僅依靠訓練集得到的檢測模型的適用性低。

小波變換方法對于信號低頻成分具有時間局部化程度高的優點，在對于低頻成分的奇異點檢測有著較好的效果[8]，因此被研究工作者廣泛用于ECG信號中低頻成分P,T波檢測。Yochum等人[9]利用連續小波變換在不同尺度下檢測P,T特征波時，并未對數據進行預處理，雖然還原了數據的真實性，但其基線漂移和QRS波群的存在會影響P,T波在其尺度細節下的檢測，導致P, T波檢測精度不理想。為了解決基線漂移和QRS波群的干擾問題，Dev Sharma等人[10]在利用小波變換檢測的基礎上，采用對QRS-P波極值對的對消方式僅保留T波極值對，從而有效完成T波的檢測。但是，在分解重構過程中，該算法直接將過零點判定為峰值點，這使得檢測的過零點在重構到原始信號的峰值點過程會存在錯位，從而影響T波檢測精度。

綜上，雖然現有P,T特征波檢測算法取得一定成效，但仍然存在鋸齒狀毛刺干擾和過零點錯位等優化不足之處。基于此，本文提出平穩和連續小波變換融合算法來實現P,T特征波的精準檢測。針對毛刺問題，融入平穩小波對其P,T特征波候選段進行平滑處理，平滑后再對P,T波極值對進行精準檢測，降低毛刺對P,T波極值對檢測帶來的干擾。同時，為防止P,T波極值對發生漏檢，在所檢測到的P,T波極值對左右添加檢測窗口，進行極值對的篩選。最后，針對過零點錯位問題，根據尺度時移修正原則，對過零點進行時移修正，保證過零點準確還原到原始信號所對應的P,T波峰值點。彌補毛刺干擾和過零點錯位帶來的誤差，實現心電信號P,T波的精準檢測。

2 本文方法

如圖1所示，本文基于平穩和連續小波變換融合算法的P, T波檢測主要包括ECG信號預處理、ECG信號平滑處理和P,T波峰值點檢測。首先，利用連續小波變換對其信號進行降噪和R波檢測，消除工頻干擾、基線漂移等噪聲以及提供P,T波檢測區間。然后，利用平穩小波變換對其ECG信號待檢段進行平滑處理，降低毛刺對P,T波奇異點檢測的影響。在平滑ECG信號基礎上，本文算法分別對其P,T波極值對進行篩選和過零點時移修正，解決過零點錯位問題，最終實現P,T波波峰的準確定位。

圖1 P,T波檢測流程圖

2.1 預處理

本模型采用連續小波變換法[11]對ECG信號進行工頻干擾和基線漂移的消除，含有噪聲的信號經過連續小波變換后，噪聲主要分布在高頻小波系數中，而有用信號主要分布在低頻小波系數中。通過小波變換將其噪聲信號和有用信號進行有效區分，保留有效信號，然后將處理過的小波系數進行重構，即實現工頻干擾和基線漂移的消除。

在心電圖中，由于R波能量值高，形態特征明顯，易于檢測，P,T波能量值低，形態復雜多變，但兩者在位置上存在順序規律，故本模型利用小波變換算法對ECG信號的R峰進行檢測[12]，從而根據R波檢測位置來預判P,T波峰值點檢測區間。

2.2 P, T檢測尺度平滑處理

針對P,T特征波能量低、形態多變等特征，在檢測P,T波峰值點時，其原始信號中存在鋸齒狀毛刺，干擾P,T波峰值點的準確定位。針對此問題，本文模型利用平穩小波變換對P,T波待檢測段對應的尺度信號進行平滑處理，降低毛刺對檢測結果造成的影響。

在ECG信號中，不同尺度包含不同頻段信號，從而有利于在對應尺度下準確檢測其指定特征波[13]。其中，P波的頻譜寬度在0～20 Hz，其波峰能量主要集中在3～12 Hz，R波頻譜寬度在10～25 Hz,T波頻譜寬度在0～8 Hz，其波峰能量主要集中在0～8 Hz。本實驗中信號的采樣率為360 Hz，經小波分解后，第5層的低頻小波系數頻帶范圍為5.76～22.5 Hz，第5層低頻小波系數頻帶范圍為5.625～11.25 Hz。因此，根據表1頻率分布可知，P,T波在其第4尺度下表現最為明顯。所以本模型選取第4尺度分別進行ECG信號的平滑處理和峰值點檢測。

表1 頻率分布(Hz)

2.3 P, T波峰值點檢測

在平滑的基礎上對P波和T波進行奇異點檢測，奇異點檢測首先要確定奇異點的位置，其位置檢測主要利用R波模極值對的位置來判定P波和T波模極值對的位置區間，其中Parea和Tarea為P波和T波位置區間。

P,T波在其s=24尺度下形態最為明顯，所以選擇在cd4系數上進行P,T波峰值點檢測。在R波首個模極值對左側添加(1/3)·RR，在Parea區間內檢測其模極值對，此模極值對由P波生成。同理，在R波最后一個模極值對右側添加( 1/2)·RR， 在Tarea區間內檢測其模極值對，此模極值對由T波生成。

本模型為防止P,T波誤檢，分別在P,T波模極值對的左右添加100 ms檢測窗口，檢測是否存在正負性極值對。在存在正負性極值對的情況下，通過去掉模極值對較小的極值，保留其明顯的一對極值對，此極值對視為兩個極值點，在其極值點前后選取7個采樣點，檢測是否有同極值點，在對其極值點進行修正，修正后的極值點更新了該極值對，此極值對間的過零點為特征波峰值點。

多尺度下奇異點檢測，過零點在重構到原始信號峰值點過程中會存在過零點與峰值點錯位問題，本文模型對過零點按照2j?1?1規則進行平移，其中j為分解尺度，不同尺度的過零點修正不同，即本文在檢測P,T波時j=4，因此向右平移7個采樣點得到最終的過零點，此過零點為修正后的P,T波波峰。

通過對模極值對和極值點左右鄰域的篩選與過零點的修正，解決了P,T特征波誤檢導致檢測精度差的問題。

3 實驗分析

3.1 數據庫

本文所提出的算法在MIT-BIH arrhythmic數據庫進行驗證[14]，其中102,104,107,217這4組數據采集過程中患者攜帶起搏器，形態失真，并未納入本文實驗。舍棄這4組數據的同時根據性別隨機選取了15名年齡在32～89歲的男性被試心電圖和16名年齡在23～89歲的女性被試心電圖，構成31條實驗數據用于對本文所提算法性能進行測試。每個記錄的采樣頻率為360 Hz，每個記錄30 min，本文仿真過程均采用Ⅱ導聯心電信號進行驗證。

3.2 評估指標

本文利用誤差率er、敏感度Se和正確預測度PP3個指標對本文算法檢測性能進行評估[15,16]，3個指標具體計算公式分別如式(7)—式(9)所示

其中，FN為沒有檢出的P,T波峰值點個數，FP為錯檢P,T波峰值點個數，N為P,T波心拍個數，Rd為正檢P,T波峰值點個數。

3.3 平滑處理分析

為驗證本文算法對ECG信號平滑處理的有效性和平滑程度對ECG信號P,T波檢測影響。例舉103.dat心律失常患者數據，圖2為該數據平滑處理結果圖。其中圖2(a)為預處理信號，圖2(b)為預處理信號P,T波檢測結果，圖2(c)為經過平滑處理的預處理信號，圖2(d)為經過平滑處理的預處理信號P,T波檢測結果(紅色和黑色圓圈分別代表P,T波峰值點位置)。圖2(a)和圖2(c)可以看出，未經平滑處理的信號和經過平滑處理的信號其平滑程度有明顯的變化；從圖2(b)和圖2(d)可以看出，未經平滑處理的信號在檢測P,T波時出現峰值點的誤檢，誤將其毛刺點檢測為峰值點。而經過平滑處理的信號在檢測P,T波時避免了誤檢的出現。

3.4 時移修正分析

對平滑后的ECG信號進行P,T波峰值點檢測，其峰值點的定位是由檢測的過零點還原到原始信號中的峰值點，還原過程，不同尺度下P,T波過零點對應的峰值點存在一定的時移誤差。針對此問題，本文算法根據尺度分解重構原則對過零點進行時移修正，優化檢測算法的不足之處。通過圖3可知，圖3(a)和圖3(b)分別為未經過時移修正和經過時移修正的P,T波檢測結果，兩者對比發現，當檢測P,T波奇異點時對過零點進行時移修正能夠準確定位其ECG信號P,T波波峰，從而避免了尺度下檢測的過零點經重構環節導致的錯位現象，驗證了過零點的時移修正對P,T波奇異點檢測具有一定的效果，彌補上述小波中對P,T波檢測的不足之處。

圖2 信號平滑處理結果

3.5 對比結果分析

表2記錄了MIT-BIH數據庫上P波和T波檢測算法的性能。表3提供了該數據庫下的P波和T波檢測算法性能對比。其中，N為P,T波心拍個數，FN為沒有檢出的P,T波峰值點個數，FP為錯檢P,T波峰值點個數，Rd為正檢P,T波峰值點個數，分別采用誤差率er、敏感度Se和正確預測度PP3個統計參數來評價所提出的P波和T波算法的性能。

圖3 信號時移修正結果

表2 P, T波統計結果

表3 方法對比

如表2所示，P波的誤差率、敏感度、正確預測度達到：0.23%,99.85%,99.90%;T波的誤差率、敏感度、正確預測度達到0.27%,99.85%,99.87%，驗證了本文算法的有效性，能夠準確有效地檢測心律失常疾病下P,T特征波。在心電信號中，由于采集和儀器本身等因素，波峰附近會存在一定的毛刺波形，毛刺的存在，導致峰值點定位不準確。同時，峰值點的定位是由檢測的過零點還原到原始信號中的峰值點，還原過程，過零點對應的峰值點存在一定的時移誤差，同樣導致峰值點定位不準確。本文算法針對鋸齒狀毛刺干擾、過零點錯位等問題進行了優化。在連續小波多尺度P,T波信息獲取下，融合平穩小波，對P,T波候選段進行平滑處理，解決毛刺干擾問題，根據不同尺度下的時移修正規則，再進行過零點的時移修正，保證所檢測的P,T波過零點能夠準確還原到原始信號所對應的P,T波峰值點。本文算法簡單有效地優化了現有算法中毛刺干擾、過零點錯位等不足，最大限度避免真實峰值點的錯誤定位，為臨床醫學分析提供基礎保障。

為評估本文算法性能，分別與傳統特征波檢測算法和基于深神經網絡算法進行了比較，如表3所示。文獻[4]采用差分法對P,T波候選段進行峰值點檢測，雖然通過頻域特性消除雜波，得到P,T波的候選段，由于在心電信號采集過程中受到外界各種噪聲以及工頻干擾，信號本身存在鋸齒狀細小毛刺，從而干擾峰值點的檢測。所以，光滑的僅包含P,T波的待檢測段獲取是十分困難的。文獻[7]運用深度神經網絡構建P,T特征波訓練模型，雖然此方法不需要消除雜波，但構建訓練集過程中，該類算法對訓練集樣本的廣泛性有一定的要求，因此全面豐富的訓練集對提高該類算法的精度是十分重要的，僅依靠訓練集得到的檢測模型在臨床應用中適用性低。文獻[9]利用小波法檢測心電信號P,T特征波，既不存在雜波干擾，也不存在特征波形態的廣泛性約束，但信號本身的毛刺問題仍會干擾峰值點的定位，導致現有檢測精度并不理想。文獻[10]在小波法檢測基礎上，運用頻域和位置信息消除QRS波群和P波極值對，僅保留T波極值對T波過零點進行檢測。但是小波分解重構過程中，由于尺度原因，過零點對應原始信號峰值點存在錯位現象，同樣帶來峰值點的定位誤差。雖然現有檢測精度相差不大，但特征波的準確定位對是醫學特征提取的基礎保障。所以，針對上述毛刺干擾、過零點錯位等問題，本文利用連續小波多尺度優勢獲取P,T特征波主要成分，融合平穩小波對P,T波候選段進行平滑處理，再根據尺度分解重構原則對過零點進行時移修正，優化檢測算法的不足之處，為遠程醫療心電信號智能分析提供準確的定位。

4 結束語

本算法使用MIT-BIH arrhythmic數據庫中6種常見且具有臨床研究意義的心律失常心電信號對該算法進行了測試和評價。針對現有檢測算法存在的鋸齒狀毛刺干擾和過零點錯位問題，運用融合算法優化不足之處，最大限度降低毛刺、過零點錯位帶來的誤差。實驗結果表明本文算法的P波誤差率、敏感度、正確預測度可以達到0.23%,99.85%,99.90%；T波誤差率、敏感度、正確預測度可以達到0.27%,99.85%,99.87%，能夠對這6種心律失常疾病下的心電信號P波和T波進行峰值點的準確定位。與現有P,T波檢測算法相比，本文算法簡單，執行效率高，面向臨床應用具有明顯優勢。另外，本文的實驗數據僅包含了6種常見心律失常，沒有考慮更多的心血管疾病情況，下一步將對該算法進行優化，進一步提高在多種疾病數據下的P,T波檢測精度，為心血管疾病智能輔助診斷提供基礎保障。