文摘

R-peak检测心电图(ECG)信号分析是至关重要的。本研究提出了一种自适应和时间R-peak检测算法进行心电图处理。首先,应用小波多分辨率分析提高心电图信号表示。心电图是反映大负R-peaks转换为积极的。之后,当地的最大值被向前一阶微分计算方法和截断了振幅和时间间隔的阈值来定位R-peaks。算法性能,包括检测准确性和时间消耗,测试在MIT-BIH心律失常数据库和QT数据库。实验结果表明,该算法取得了平均灵敏度99.39%,99.49%的积极predictivity, MIT-BIH心律失常数据库和准确性98.89%和99.83%,99.90%和99.73%,分别在QT数据库。通过处理一个心电图记录,同时消耗了0.872和0.763年代的MIT-BIH心律失常数据库和QT数据库,收益率分别减少30.6%和32.9%的时间比传统Pan-Tompkins方法。

1。介绍

心电图(ECG)可以描述心脏的电活动,是一个重要的心血管疾病(CAD)的诊断工具。心电图可穿戴和无线技术的快速发展,实时和常规心电图监测正吸引着越来越多的关注由于医疗卫生的日益普及,尤其是对老年人(1]。近年来,很多关于动态心电图监测装置的出版物已报告(2- - - - - -4),旨在自动监测心脏活动和给任何CAD的反馈实时预警。然而,这个应用程序仍然需要重大的发展由于意想不到的挑战在ECG信号噪声影响,如基线漂移、电极运动和伸展运动,运动构件,和肌肉噪声(5,6],它阻碍了心电图自动处理技术有效地执行。噪声的主要来源是电活动的肌肉和基线漂移引起的呼吸,电极接触不良,设备或电子设备(7,8]。电极运动改变了信号基线和垂直基线波动带来的信号。如果电极从皮肤足够大幅下降,基线漂移将淹没信号和波形发生畸变9]。运动工件通常归因于electrode-skin阻抗的变化在一个主题的运动。改变了心电放大器阻抗将被作为一个不同的输入,导致阻抗失配和困难在小振幅波形识别不规则的波动,如P波和T波(10,11]。因此,噪声去除心电信号处理的初步需要考虑的问题。

心电图特征特征CAD诊断至关重要。R-peak检测后的基准,因为所有其他特性提取R-peak位置(12]。等心律失常诊断准确R-peak检测是至关重要的心房过早收缩,心动过速、心动过缓(13]。然而,高效R-peak提取仍是困难的在动态和嘈杂的环境中由于时变波形形态。这将是更加困难当心电图信号被噪声具有类似频率的能量分布(9]。

在过去的几十年里,许多技术已经提出了R-peak检测。在[14),全面回顾R-peak检测方法为便携式,可穿戴,电池和无线心电设备了。作者声称的阈值方法被认为是最计算效率。然而,合适的阈值的参数设置是非常困难的。使用最广泛的R-peak检测方法,提出了锅和汤普金斯(15),是Pan-Tomkins方法。这是一个基于阈值的方法较低的复杂度。其他R-peak检测算法可以分为模式识别(16,17),小波变换(18,数学形态学19),而数字滤波器(20.]。在[10),提出了一种实时R-peak探测器使用自适应阈值。该算法由预处理来初始化R-peak阈值和阈值自适应修改阈值。它实现的敏感性和积极predictivity高于99.3%。在[21),不同interference-based方法被开发。这种方法可以有效区分R-peaks高振幅噪音但未能发现R-peaks当突然跳基线出现了。一些研究者也进行了心电图特征提取没有predenoising [22,23]。检测精度可达到94.8%,但远低于获得从去噪信号。

时间成本是重要的由于CAD预警应用中快速响应要求(4),特别是在实时监控。许多动态心电图设备通常是有限的电力供应和计算(1]。传统的特征提取算法,从计算的角度来看,非常密集的任务,通常执行mainframe-type计算设施。重要的权力支出组件在这些系统所需的能量广播前端支持连续数据传输,这可能不允许长期可持续操作。为此,一些研究人员试图开发算法的低计算负载。除了上述方法外,在24),作者提出了一个低心电图特征提取方法对移动医疗应用程序。这项技术是基于小波分析和时域的组合形态的原则。除了准确性和精度高、低计算和快速响应也需要心电图特征提取。

在这项研究中,一种自适应和时间心电图R-peak检测算法。该方法利用小波多分辨率分析(WMRA)和自适应阈值。WMRA应用于加强心电图信号表示通过提取心电图的频率间隔频率宽领域的兴趣,其中包含干涉基线漂移和运动等工件。所有的噪音产生相当大的影响力第二阈值操作。自适应阈值的目的是排除假R-peaks WMRA重构信号。测试了该算法MIT-BIH心律失常数据库(MITDB)和QT数据库(QTDB) [25]。这两个算法的准确性和时间消耗。通过研究心电图的时频特性,本研究旨在进行初步和初步研究自适应和时间R-peak检测劣质心电图信号,促进临床心电图自动处理技术和日常使用。

本文的其余部分组织如下。部分2阐述了该R-peak检测算法的详细过程。节3介绍了实验装置,包括数据集和评价指标。部分4演示实验结果在R-peak检测准确性、时间消耗和时间复杂度,选择最优阈值系数。部分5讨论了算法的优势和潜在的限制。本研究的总结,提出了在部分6。

2。提出R-Peak检测算法

R-peak检测系统图中描述1。本研究的目的是开发一个算法,可以有效地识别R-peaks混合在不同噪音。

2.1。步骤1:WMRA增强

WMRA增强信号利用小波变换提取时间和频域信息。这种方法非常适合于心电图心电图以来处理本质上是不稳定和小振幅(0.01 ~ 5 mV)和低频率(0.05 ~ 100 Hz) [26]。这种方法还提供了计算成本低(27]。由WMRA信号低于0.05赫兹和100赫兹以上可以过滤从原始信号。这些间隔不是心电图频带和包含大多数类型的噪音28]。此外,根据奈奎斯特判据,subfrequency乐队由每个分解级别与采样频率直接相关(26]。因此,心电图信号,采样在QTDB MITDB 360 Hz, 250 Hz见(25),都分解到8水平在这个研究。

图2显示了8级的分解过程WMRA通过使用bior6.8小波。MITDB, 由0.70 -90赫兹的频率成分,即心电图感兴趣的频段。与90 ~ 180赫兹和频带与频带0 ~ 0.70 Hz频率超出了心电图;他们不考虑系数包含基线漂移和其他干扰。因此,和都设置为0; 重建。同样,对于QTDB,与频带0 ~ 0.49赫兹是设置为0; 0.49频率成分在-125赫兹。所有保留系数由小波阈值萎缩然后过滤算法(29日]。在这项研究中,采用软阈值转换法由于其良好的连续性和步点上没有吉伯斯现象(30.]。

2.2。步骤2:信号镜像

对于一些心电图模式,比如过早心室收缩(PVC),下面出现振幅R-peaks基线但其他功能高于基线。为了避免潜在的缺失检测,设计了信号镜像。PVC的镜像程序段中描述的图3。大负振幅镜像通过基线对称的轴。然而,并不是所有负振幅都反映,他们应该从相邻显著独特的负值。这种假设是基于事实R-peaks陡峭的斜坡,等波P波和T波有温柔的10]。陡坡意味着双方激烈的递增和递减的局部最大值,斜率是在多个采样点完成。如果一个消极点的绝对振幅相邻点的1.5倍(0.278 0.278秒内点)之前和之后,然后将反映消极点。 在哪里是信号长度,的振幅大负面点位置号码吗在信号, ,点的振幅在0.278年代前后大消极点。

在一些文献[15,21,31日- - - - - -33),作者建议删除了基线漂移信号可以方突出区别真R-peaks和假的,如高振幅噪声和高烈度P波。然而,这个操作可能不适合我们的方法由于R-peak振幅之间的差异。如果信号的平方,振幅值低于1将比原来的小,和价值观上面1将会扩大。增加了之间的差异如此R-peaks和不良的振幅阈值来检测潜在的R-peaks,特别是当一个信号段与大型和小型振幅R-peaks混合。

2.3。步骤3:局部最大值位置和自适应阈值的选择

局部最大值位于通过实现向前一阶微分的镜像信号。过程说明如下。(1)向前一阶差分实现心电信号 。(2)的所有元素,值小于、等于和大于0取而代之的是−1,0,1,分别 (3)向前一阶差分实现更新和的值象征是−2 0和2。当地原始ECG信号的最大值位置1样本转向−2的权利。

以下阈值过程极大地取决于振幅阈值和时间间隔阈值,自适应地确定局部最大值的位置,而不是采用固定阈值,由于固定阈值不复制大或小振幅R-peak缓慢或快速的节拍。两个阈值的选择是显示在图4。在一次心电图,被选中的多个振幅最大;被选中的多个每个相邻的局部最大值的平均水平距离。如果这些地方最大值的位置和振幅变化,两阈值将相应变化;因此,和将根据最大调整自适应变化。

然而,阈值的选择是强烈依赖于噪声;和旨在纠正噪声影响的系数。详细的为他们选择方法讨论了部分4所示。3。段,局部最大值的位置是固定的,相应的;和是确定的。因此,只有和需要决定。改变阈值自动更新的新部分。自动阈值替代的优越性体现在相应的调整识别为小振幅和缓慢或快速心脏跳动,作为固定阈值检测R-peaks在这些情况下可能会失败。

2.4。步骤4:阈值识别

事实上,大多数当地R-peaks最大值并非如此,如破裂点引起的高频干扰。R-peak检测的难度在于识别假R-peaks与振幅近似甚至比真正的R-peaks。为此,旨在筛选当地小振幅最大值。一般来说,不应该有额外的两个相邻R-peaks之间R-peaks;否则,额外R-peaks绝对是假的。这些知识的帮助下,旨在进一步去除虚假R-peaks省略。阈值算法绘制在图5。从200年记录心电图的例子是与PVC MITDB节拍。它包括大- R-peaks,因此,信号需要镜像。的标志米在图5镜像R-peaks表示,他们原本应该大负振幅。振幅过滤后,时间间隔阈值算法总结如下:(1)一步一个。一个局部最大值及其以下最大选为真正的引用(不可食用的)和比较引用(Cref)分别转向步骤b。如果没有Cref,不可食用的被认为是一个真正的R-peak,算法结束。(2)步骤B。时间(t_p)之间的不可食用的和Cref计算。如果t_p<“透明国际”_t,它表明,一个两个最大值是假R-peak,然后转到步骤c。否则,不可食用的被认为是一个真正的R-peak,Cref替换不可食用的是真实的参考,然后转到步骤下的阈值。(3)步骤C。宽度的基线不可食用的(或者说是),Cref(Wf)进行比较,如果或者说是<Wf,不可食用的被认为是一个真正的R-peak,如果或者说是>Wf,Cref被当作一个真正的R-peak [34]。然后转向步骤e .如果或者说是=Wf,转向步骤D。(4)步骤D。振幅不可食用的(基于“增大化现实”技术),Cref(房颤)进行比较,如果基于“增大化现实”技术>房颤,不可食用的被认为是一个真正的R-peak,否则,Cref被当作一个真正的R-peak [34]。然后转向步骤E。(5)步骤E。错误的最大被第三个局部极大(Rref)背后的两个最大值,这被视为一个新的Cref,然后返回到步骤b。如果没有Rref时期,转向步骤。

3所示。实验设计

3.1。数据集

MITDB由48个心电图记录,每个包含30分钟的ECG信号(35,36),导致共有109966次都使用。心电图记录有可接受的质量,夏普和高P波和T波,- R波,R-peak振幅小,更广泛的R波,肌肉噪声、基线漂移,突然心跳形态学的变化,各种形式的PVC、长暂停,不规则心律(25]。

QTDB包含105 15分钟ecg。ecg这个数据库中被选出来代表各种各样的QRS ST-T形态与实际变化挑战检测算法(35,37]。总共86995次从82条记录被使用,和其他23记录sel30-sel52自QRS注释没有被排除在外。

应该注意的是,两个数据库提供ECG信号的两个渠道。在这项研究中,只有第一个通道用于算法开发和测试。

3.2。评价指标

实验结果评估的灵敏度、积极predictivity,和准确性。指数的定义中表达 在哪里(真阳性)的数量R-peaks正确地认识到,(假阴性)R-peaks错过的数量,和(假阳性)的数量是错误的R-peaks R-peaks认为是如此。的,,,验证了注释宣布在25),计算基于宽容50毫秒的窗口。

还测试了时间复杂度,量化的时间由一个算法运行的函数表示的输入字符串的长度。它反映了增量输入数据时的时间消耗增加。算法的时间复杂度通常表示使用O符号。如果输入数据的数量n繁殖,繁殖,增加消费,该算法被称为有一个米订单时间复杂度的象征。在这项研究中,所有的时间成本实验进行桌面(CPU i7 - 2600 3.40 ghz, 8 gb的内存,64位Windows 7企业)安装与Matlab 2016 b。

4所示。结果

首先,对这两个数据库,和最初设置为0.25和0.45,分别。将信号的长度设置为10年代每个阈值操作。然后,我们测试的影响参数和。

4.1。R-Peak检测结果

MITDB总结在表上的测试结果1。结果显示一个满意的表现记录。该算法有一个总检测失败1229次(668垮掉的一代和561胜)的109966胜;平均,,分别是99.39%、99.49%、和98.89%。

QTDB测试结果如表所示2。该算法有一个总检测失败238次(147垮掉的一代和91拍);86995次,平均水平,,分别是99.83%、99.90%、和99.73%。与MITDB相比,从QTDB ECG信号与高质量更好的波形;噪音干扰等运动工件,破裂,大P,和T波少得多。因此,算法实现对QTDB更多令人满意的性能。

我们的算法也与一些现有的方法相比,包括使用最广泛的Pan-Tompkins方法,如表所示3。比较表明,我们的算法达到类似的高绩效。

4.2。时间消耗和时间复杂度

每个记录的时间消耗MITDB图描述6(一)。一般来说,Pan-Tompkins方法消耗更多的时间比我们的方法对于大多数记录。该方法的平均时间是1.256秒来处理一个记录,而我们的算法消耗0.872 s,实现时间减少约30.6%。图6 (b)显示了该方法的时间消耗比Pan-Tompkins方法。很明显,我们的方法消耗更少的时间对于大多数记录除了记录107年,109年,113年和116年,含有大T波,导致更频繁的阈值操作。在某些情况下,我们的算法比Pan-Tompkins方法节约近50%的时间。

每个记录的时间消耗QTDB图描述7(一)和图8(一个)。很明显,我们的方法比Pan-Tompkins方法消耗更少的时间的记录。Pan-Tompkins方法的平均时间是1.137秒来处理一个记录,而我们的算法消耗0.763 s,实现时间减少约32.9%。图7 (b)和图8 (b)显示的时间消耗比率Pan-Tompkins方法该方法。可以看出,所有的比率小于1。优异的性能可以归因于高质量在QTDB ECG信号。

时间消耗揭示了这两种方法的一个重要特征。每个QTDB心电图采样点的数量是225000,和每个MITDB心电图的号码是650000。虽然数量增加了两倍QTDB MITDB,时间消耗增长只有12.5%和9.2%使用Pan-Tomkins方法使用我们的方法。它表明,当数据增加,消费略有增加,而不是乘以相应。我们的方法和数据增加Pan-Tomkins方法不是很敏感。

然而,对于记录107年、109年、113年和116年在MITDB,我们的方法比Pan-Tompkins消耗相同甚至更多的时间的方法。我们的方法的缺点是绘制在图9与Pan-Tompkins方法的时间复杂度。在每个subfigure,横坐标代表样本的数量增加。基本的样本数量是720;这是乘以横坐标所示数。在第一行,纵是时间的多个增量被处理增加样本横坐标所示。在最后一行,纵坐标是时间的增加倍数计算从第一行的纵坐标。直觉上,四个记录有很高的增量时间消费随着数据量的增加,特别是当数据量小于基本编号为720的500倍。一个重要的原因是这四个记录包含众多大型T波或P波由时间间隔比较阈值或大型负振幅估计的镜像。时间间隔为这些波形比较频繁,导致更高的比Pan-Tompkins方法的时间复杂度。但另一方面,曲线证明我们的算法并不那么敏感数据增加。 The increments of time multiple fluctuate in small ranges, basically remaining unchanged. The multiples of time consumption have linear relationships with the increments of sample amount.

4.3。K_amp和K_时间

振幅阈值需要一个重要的角色在删除破裂点基线;时间间隔阈值是一个重要的措施来进一步区分虚假R-peaks。根据(3),明显依赖的阈值和。确定最优系数和验证自适应阈值的可行性,不同和值测试使用48在MITDB心电图记录。RR间隔记录的范围从0.54到1.19年代;采用平均0.82秒来应对不同的心率。验证结果总结表4。

可以看出,最优通常是 倍, 达到最大,和如表中所示1。一方面,大有利于算法切断点位于基线附近,但小真的R-peaks可能错过如果太大。如表所示,当大于0.40,大部分的假R-peaks过滤以及真实的,导致高吗但是低和相应的低但高。另一方面,小生成省略R-peaks较少,但是这将增加间隔时间阈值的计算成本。最糟糕的情况是,所有潜在的R-peaks比较,如表时透露的小于0.20。在这种情况下,大多数的真正R-peaks都包括在当地的最大值以及假的,导致低但高和相应的高但是低。配合不同的心率,建议从区间[0.2,0.3]和选择从[0.42,0.48]。后和决心,和可以自动更新转变的新到来的信号。

5。讨论

该方法有两个优点。一个是时间效率的表示4所示。2。我们的方法和Pan-Tompkins方法之间的主要区别是,后者计算R-peak识别更多的措施。它包括一个搜索操作完成后检测循环,从而导致较高的计算复杂度。我们的方法只使用阈值方法,它不需要任何搜索操作。此外,振幅阈值也可以导致计算效率,因为它排除了大部分干扰和显著减少的数量阈值比较。

另一个优势是,没有时间长度阈值的限制。节中描述2.4,新到来的段的长度是灵活、阈值过程不仅可以操作一个心跳也为一个完整的心电图记录。自适应和,我们的方法适用于不同长度的心电图信号,它不需要prelearning过程。

从表1,我们可以看到,大约一半的节拍(314失败了和328年从创纪录的207)。这个记录由无数扭曲的心跳,极难被认可甚至心脏病专家。然而,很少有文献报道结果在这个特定的记录。还不清楚如果创纪录的207是排除在评价来实现一个高分。这个记录也是主要的干扰,大大降低了检测精度的方法。

除了创纪录的207,仍有一些缺失和错误认识其他记录。算法的主要方法论的缺陷是,振幅阈值可能无法检测到小R-peaks混在大的(记录105年、106年、108年和228年)。的选择基于局部最大值;如果一段包含众多大型R-peaks,将大于小R-peaks。这个重量对识别小R-peaks因为它们很容易被以下分区,如图10。信号包含基线漂移,大T波,和大负振幅R-peaks。虽然大多数R-peaks是公认的,有两个对小型R-peaks FN检测。如果一个R-peak是错过了,可能会采取以下候选人R-peak最大,这实际上是一个错误选择。

6。结论

在这项研究中,科学家发明了一种自适应和时间的方法自动心电图R-peak检测。它是一种自适应方法整合WMRA,信号反映,当地最大的检测,和振幅和时间间隔的阈值。精度性能测试通过使用从MITDB和QTDB心电图记录。实验结果表明该算法达到平均水平,,MITDB为99.39%,99.49%,98.89%,和99.83%,99.90%,99.73%,QTDB分别。此外,时间消耗和算法的时间复杂度计算证明其时间效率。通过处理一个心电图记录,成本的平均时间是0.872 QTDB MITDB为0.763年代,达到30.6%和32.9%,分别的时间减少Pan-Tompkins方法相比。时间复杂度实验表明,该方法具有线性时间复杂度;我们的方法和Pan-Tompkins方法不太敏感的数据增加。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究是由中国国家自然科学基金(61571113)。这项研究还支持中国江苏省自然科学基金(BK20160697),中国国际科技合作项目(2015 dfa10490),和中国奖学金委员会(CSC)。