模式识别ECG信号的处理与识别.docx
- 文档编号:11551099
- 上传时间:2023-03-19
- 格式:DOCX
- 页数:30
- 大小:197.16KB
模式识别ECG信号的处理与识别.docx
《模式识别ECG信号的处理与识别.docx》由会员分享,可在线阅读,更多相关《模式识别ECG信号的处理与识别.docx(30页珍藏版)》请在冰豆网上搜索。
模式识别ECG信号的处理与识别
课程论文
ECG信号的预处理及筛选
姓名:
何**
学号:
2012052346
专业班级:
自动化
提交日期:
2014年12月31号
摘要2
Abstract3
1绪论5
1.1课题研究背景及意义5
1.2国内外研究现状5
1.3本文研究内容6
1.4论文章节安排7
2ECG信号的主要噪声及产生原因7
2.1基线漂移噪声7
2.2工频噪声8
3去除基线漂移的算法设计8
3.1方案研究8
3.2去除基线漂移的具体步骤9
3.2.1拟合函数的构造9
3.2.2拟合点的选取[9]9
3.2.3最小二乘法基线拟合10
3.2.4滤除基线10
4去除工频干扰的算法研究[11]10
4.1方案研究11
4.2ECG信号滤除工频噪声的实现步骤11
4.2.1确定滤波器的性能指标[12]11
4.2.2根据数字滤波器性能指标设计巴特沃斯模拟滤波器12
4.2.3借助设计好的模拟滤波器设计巴特沃斯数字滤波器[12]12
4.2.4利用设计好的数字滤波器对ECG信号进行滤波处理13
5筛选出符合要求的ECG信号14
5.1ECG信号的基本特征[1]14
5.2ECG信号的筛选条件15
5.3ECG信号筛选的算法设计15
5.3.1ECG波形的识别15
5.3.2ECG波形参数的获取和条件的判断18
6总结与展望20
6.1系统总结20
6.2工作展望20
参考文献21
附录22
摘要
本论文针主要研究心电图(ECG)信号噪声滤除及不合格ECG信号的排除。
心脏病是严重威胁人类健康的疾病之一[1]。
ECG信号是诊断心脏病的重要依据,但在采集过程中受到各种噪声的干扰,而不利于ECG信号的特征提取,因此有必要对ECG信号滤除各种噪声。
本文设计了能有效滤除ECG信号中的基带漂移噪声和工频噪声的复合数字滤波器。
然后根据分析ECG信号的基本特征,筛选出符合ECG信号基本特征的样本数据。
基带漂移噪声[2]是ECG信号的主要噪声之一,主要由于病人呼吸运动、电极滑动变化等所导致,其不利于心电图平缓波形的识别。
本文中,通过多项式拟合得到基线的函数方程,减去基线函数值后得到滤波后的ECG信号,通过前后对比,发现基线滤波的有效性。
工频噪声是ECG信号的另一种主要噪声,来源于工频电源以及器件周围环境中辐射出的电磁场[3],主要呈现纹波形式。
本文设计了60Hz的巴特沃斯带阻滤波器,对ECG信号进行滤波,滤波效果良好。
由于各种噪声干扰的存在,以及ECG数据源的不可靠性,导致很多ECG信号研究样本不符合标准的ECG信号基本特征。
因此本文提出几个简单的ECG信号判定条件,对不符合要求的ECG信号进行排除。
本文最后进行了系统总结,并对以后进一步研究进行了展望。
关键字:
ECG信号;基线漂移噪声;工频噪声;筛选
Abstract
ThispapermainlystudieddigitalfilterdesignforECGsignalprocessing.
Heartdiseaseisoneofthemostimportantdiseasesthreateninghumanhealth.TheanalysisofECGsignalplaysanimportantroleinclinicaldiagnosisofcardiacdiseases.However,manykindsofnoiseinterferenceimpedestheacquisitionprocessofECGsignal,whichhaveagreatchallengeinrecognitionofwaveform.It’snecessarytoreducetheECGnoiseeffectively.Therefore,thispaperproposesaeffectivemethodtofilterthebaselinenoiseandpowerfrequencynoisebyusingdigitalfilter,whichhaveangreateffectonclinicaldiagnosis.BasedonthebasiccharacteristicsofECGsignal,normalsampleswereidentifiedeffectively.
BaselinenoiseisoneofthemainnoiseofECGsignal,mainlyduetothebreathingexercises,suchasslidingelectrode,whichmakeitdifficulttorecognizethefeatureofECGwaveform.ThedissertationdesignedcurvefittingalgorithmtofilterbaselinenoisebyfittingpolynomialthroughsomefeaturepointsfoundintheECGsignal.Theresultshowedthatthealgorithmhadagoodeffect.
Powerfrequencynoise,likevoltageripple,isanothermainnoiseofECGsignal,mainlyduetoelectromagneticfieldsproducingbypowerandelectricaldevices.Thedissertationdesigned60Hzbutterworthband-stopfilter,withanadvantageofbetterfilteringeffect.
Becauseoftheinterferencesourcesandtheunreliabilityofdatasources,therearemanyECGsamplesnotinaccordwiththenormalECGcharacteristics.Inthispaper,somedefinitionsandnecessaryconditionsofnormalECGsignalwereputforward,inordertoexcludewrongsample.
Finally,thispapermadeasystematicsummarizeandprospectsforfuturestudyinthisarea.
KeyWords:
ECGsignal,baselinenoise,Powerfrequencynoise,screening
1绪论
1.1课题研究背景及意义
心脏病已经成为严重威胁人类健康的疾病之一。
据统计,我国每年新增的先天性心脏病患儿有15-20万例,但每年进行的先天性心脏病外科手术仅6-7万例,不到每年新发生先天性心脏病病人的一半[1]。
心电图(electrocardiogram,ECG)的检测与分析,是临床了解心脏功能状况、辅助诊断心血管疾病、评估各种治疗方法的重要手段。
而体表ECG信号具有较大的随机性和背景噪声,是一种非线性、不平稳的微弱信号[4]。
心电图波形比较复杂,数据量又大,耗费大量人力精力,可能导致人工误判,还有昂贵的检测治疗费用。
因此实现心脏病自动诊断功能己刻不容缓,那样可以及早诊断心脏病的成因并且进行治疗,节省大量人力,从而大幅度降低医疗诊断费用。
心脏病的早期发现主要依靠心电图得到相关的信息,人们可以通过定期到医院进行体检来了解自己的心脏健康情况,或者在家通过心电图远程服务系统向医生及时反馈自己的心电信息,以便于及时获取相关的准确的指导。
动态心电图的出现解决了这一问题,并且广泛应用于临床诊断。
动态心电图机可以随时随地长时间记录病人的心电信息,这样医生就可以了解病人心脏活动情况、疾病发作时间和周期等信息。
但是发展动态心电图的一个问题,其心电信息量远远大于常规心电图,这将极大地增加医务人员的工作量。
动态心电图机发展的最大的问题就是心电信号噪声干扰的处理。
由于动态心电图一般是在移动状态下,或者周围环境可能很嘈杂的情况下进行测量的。
因此,这种情况下获得的心电信号噪声干扰远远大于临床测量的,而心电信号本身就是一种比较微弱的生理信号,因此这就增加了信号预处理的难度与高度。
此外,异常心电图种类繁多,不同患者同一病理的心电图,甚至同患者不同时刻的心电图都是有细微差别的,这就要求医务专家具有丰富的理论知识以及大量的临床实战经验才能做出准确的诊断。
ECG心电信号预处理和波形自动识别技术很好的解决了动态心电图所面临的这些问题,不仅极大的减少了医务人员的工作量,而且提高了诊断速度,进而降低心脏疾病诊断的医疗费用。
这一改进受到了广大医务人员的极大欢迎,从而使许多科学研究院、学校、企业投身于心电自动诊断系统的研究中。
然而,目前的心电信号处理和波形自动识别系统只是用来辅助心电专家进行诊断,并不能完全取代人工分析,主要是因为目前的心电自动诊断技术准确度和处理速度未能达到临床试验的要求,并且计算机自动诊断缺乏统一的标准,从而降低了其识别的可靠性。
因此,提高心电信号预处理和波形自动识别系统的准确性和实用性,对于提高心电图临床诊断的质量,实现自动化诊断具有非常重要的现实意义。
1.2国内外研究现状
人体的心电信号是一种非平稳、非线性、随机性比较强的微弱生理信号,幅值约为毫伏(mV)级,频率在0.05-100HZ之间。
在信号采集过程中心电信号极易受到仪器、人体活动、操作者以及周围环境等各方面因素的干扰而引入噪声信号。
心电信号的干扰主要有以下三种:
基线漂移,一般是由呼吸和电极滑动变化所异致的,频率一般低于1Hz,其表现为变化比较缓慢的类正弦曲线;肌电干扰,它是由人体肌肉颤抖产生不规则的高频电分扰所导致的,其频率范围很宽,一般在10-1000Hz之间,在心电图上表现为不规则的快速变化的波形;工频干扰,主要来源于工频电源以及器件周围环境中的传输线辐射出的电磁场,频率为50Hz或60Hz,在ECG上出现为周期性的细小波纹,其频率成分主要为工频频率及其谐波。
为了正确进行参数测量、波形识别和病情诊断,必须进行心电信号的预处理,即在波形自动识别之前,必须抑制或滤除这些噪声和干扰,并且尽量保留原始的心电信号,提高波形检测与识别的准确率。
心电倍号预处理一般通过硬件电路优化设计和软件数字滤波两种途径来处理[4]。
目前,许多学者、专家在这方面做了大量研究。
概括地讲,心电信号的预处理技术包括了各种经典的数字滤波方法以及各种现代信号处理方法。
这些方法主要包括以下三大类:
①经典的数字滤波器方法;②自适应滤波器方法;③以小波变换、数学模型以及人工智能为代表的现代高新技术滤波器方法。
Thakor等人曾提出一种最有QRS滤波理论[6],并给出一个中心频率为17Hz的硬件带通滤波器。
利用硬件滤波,速度和成本方面更有优越性。
因此他用硬件制作带通滤波器,该滤波器能够滤出基线漂移的同时滤除肌电干扰,但是对心电信号滤波之后,心电信号的形态发生改变,Q,S波形被削平。
因此采用硬件滤波,虽然具有速度快,结构简单的优点,但方法不如软件灵活,参数一旦固定之后就难以再选择和调整,并容易引起信号波形的变形和失真。
为了得到更好的滤波效果,1984年Levkov首先提出心电信号的线性段和非线性段采用不同的处理方式的数字滤波器方法[7]。
1988年,Christov对该算法进行了改进,引用ECG信号的线性段判断M来加速滤波的速度,称之为改进的Levkov滤波法[8]。
具体的方法是,在滤波过程中首先识别出线性段,该线性段滤波后的值为这个线性段的原始数据的平均值,同时求出工频干扰的值作为非线性段的工频干扰的模板,而在非线性段,其真值是原始数据减去临近线性段求得的干扰模板值,实现ECG滤波效果较之以前有很大的改善。
1.3本文研究内容
本课题研究的主要内容是设计出高性能的ECG信号处理的复合数字滤波算法,确保其在滤除噪声的同时不会破坏原有的有用波形,并排除异常的ECG信号样本,促进信号处理及识别技术在临床应用的发展。
本论文主要完成以下工作:
分析ECG信号的特点及噪声来源,研究相关滤波技术。
在MATLAB平台上编写算法,对采集的ECG信号数据进行滤波测试,通过对比ECG信号处理前后的形态来分析算法的优劣性。
通过分析标准的ECG信号的基本特征,得出ECG信号的判定依据,并对研究样本进行判断,从而筛选出合格的ECG信号样本数据。
最后,对本论文所做的工作进行总结,并指明进一步的研究方向。
1.4论文章节安排
第一章:
绪论部分。
主要介绍本论文研究背景及意义、ECG信号滤波的研究现状和论文的研究内容。
第二章:
详细介绍ECG信号的主要噪声类型,对噪声的产生原因和对ECG信号的影响做出分析。
第三章:
针对基线漂移噪声设计数字滤波器,通过拟合基线将其滤除。
第四章:
针对工频干扰设计巴特沃斯带阻滤波器,滤除ECG信号的工频干扰。
第五章:
分析标准ECG信号的基本特征,对研究样本进行分析和筛选。
第六章:
进行系统总结,并对进一步研究工作进行工作展望。
2ECG信号的主要噪声及产生原因
ECG具有以下特点:
一是具有很强的非平稳性,随时都处于变化中;二是受噪声干扰严重,ECG属于低幅、低频的微弱信号,通常频率在0.05~100Hz之间,幅值不超过4mV,其有用信号往往掩没在许多噪声干扰信号中,不易检测。
心电信号从获取到转换为数字信号送入自动分析仪器,干扰的因素较多,主要来源于采集仪器和人体,分别表现为工频噪声、基线漂移噪声以及肌电噪声等。
2.1基线漂移噪声
基线漂移(baselinewander,BW)噪声[2],基线漂移噪声主要由于病人呼吸运动、电极滑动变化等所导致。
人在呼吸时胸腔内的器官和组织会产生不同程度的变化,并且电极、皮肤界面阻抗的轻微变动会对体表记录的心电图波形幅度和形态产生影响,这类噪声属于超低频干扰信号,频率范围一般小于2Hz,表现为变化比较缓慢的类正弦波曲线,叠加在心电波形上使得波形上下起伏,这给心电波形的识别和分析带来极大干扰,尤其对心电波形中的ST段识别影响较大。
受基线漂移干扰的心电图如图1所示。
图1基线漂移对ECG信号的干扰
2.2工频噪声
工频噪声[3],主要来源于工频电源以及器件周围环境中的传输线辐射出的电磁场,这些电磁场会在人体分布电容和电极引线环路上产生噪声,噪声频率表现为50Hz/60Hz,这些噪声干扰信号一般幅度较低,在ECG上呈现为周期性的细小波纹,其频率成分主要为工频频率及其谐波。
工频噪声一般与测量和使用环境相关,因此一般信号采集的过程中会通过采用硬件滤波等手段剔除这些干扰。
受到工频干扰的心电信号如图2所示。
图2工频噪声对ECG信号的干扰
3去除基线漂移的算法设计
本文为了便于研究ECG信号基线滤波的算法,从MIT-BIH数据库中获取了其中一组ECG信号数据,该数据是使用360Hz采样周期,共包含3000个采样点,对其叠加上一个正弦基线信号,其生成的图像如图4所示。
可以直观的发现,基线呈现为波浪形。
3.1方案研究
基线噪声的频率比较低,而ECG信号本身含有很丰富的低频信号,例如两个信号周期之间的那一段信号一般为低频信号,ST段的频率也较低,因此无法采用低通滤波器去除基线漂移。
传统的去除基线漂移的方法有中值滤波法、小波变换法、算术平均滤波法[8]。
考虑到ECG信号的基线漂移相对比较平滑,在本系统中采用基线拟合法[9]滤除ECG信号的基线漂移。
首先选择合适的待拟合基线的曲线方程,然后在ECG信号中选取合适的拟合点,使得该拟合点位于基线上,求出相应的拟合函数,将原始的ECG信号减去拟合的基线函数即可得到去除基线漂移的ECG信号。
去除基线漂移的算法流程图如下图所示:
图3滤除基线漂移的算法流程图
此算法设计思路简单,容易通过计算机软件编程实现。
3.2去除基线漂移的具体步骤
3.2.1拟合函数的构造
在本论文中,采用N阶多项式逼近基线拟合法,考虑到ECG图形的基线出现一个极大值和极小值,因此
为了提高拟合效果,选取
。
因此,拟合的4阶多项式方程为:
图4ECG信号基线拟合点的获取
3.2.2拟合点的选取[9]
如图4所示,通过观察ECG信号的图形可以得出规律:
ECG信号的基线漂移和R波点(图4中的向上尖波)或者Q波点(图4中的向下尖波)的相对位置是大致一样的。
因此我们选取R波点和Q波点所在线段的中点(图4中的黑色圆圈)作为拟合点,如图4所示。
试验中的拟合点的坐标值如下表所示(x表示横轴数值,y标志纵轴数值):
表1拟合点的坐标值
x
73
365
659
942
1227
1510
1804
2041
2399
2702
2993
y
0.191
0.413
0.453
0.261
0.106
-0.009
-0.028
-0.052
0.138
0.302
0.449
3.2.3最小二乘法基线拟合
本论文中,使用MATLAB中的多元回归函数regress()函数[10]实现基线方程的拟合。
在这里,选择基线的拟合函数为4阶多项式:
。
在MATLAB输入命令[shuchu,bint,r,rint,stats]=regress(y',X);便可以得到拟合的方程的各个多项式系数。
通过计算,可以得到:
将拟合的基线绘制如下图所示,通过与原始ECG图形对比,可以发现基线的拟合效果还是比较好的,基本上吻合ECG信号的基线漂移的趋势。
图5ECG信号基线滤除前后对比效果图
3.2.4滤除基线
将原始的ECG信号直接减去基线拟合的得到的干扰模板值,即可得到滤除极限漂移之后的ECG信号。
即是:
滤除基线漂移的效果图如5图所示,很明显滤波之后有效的抑制了基线漂移,从而有助于低频信息的读取,比如对ECG信号的ST波段的识别。
4去除工频干扰的算法研究[11]
本文为了便于研究ECG信号滤除工频噪声的算法,将第三章中滤除基线干扰之后的ECG信号作为研究对象,其对应的波形如图6所示。
4.1方案研究
为了更好地突显工频噪声干扰对ECG信号的干扰,对其进行离散傅里叶变换(DiscreteFourierTransform,DFT),选取DFT部分序列数值如图7所示
图6试验样本ECG信号的工频干扰
图7ECG信号样本的部分DFT序列值
通过分析ECG信号的离散傅里叶变换序列,可以发现在频域上有一个频率较为异常,对应的幅度较旁边频率的幅度高得多,异常点是k=501,对应ECG模拟信号时域的60Hz,为工频干扰所致。
本设计中,使用带阻滤波器对60Hz进行滤波处理。
设计带阻滤波器的方法有多种,本论文对IIR巴特沃斯带阻滤波器[12]的设计进行了研究,通过需要达到的性能指标设计了高效的带阻滤波器,本论文运用MATLAB计算机编程实现了巴特沃斯数字滤波器的设计和ECG信号的工频滤波处理工作。
4.2ECG信号滤除工频噪声的实现步骤
4.2.1确定滤波器的性能指标[12]
在设计数字滤波器之前,根据实际的应用情况及滤波器的复杂程度,需要确定ECG信号工频滤波的技术指标:
例如通带截止频率
,阻带截止频率
,通带允许的最大衰减
和阻带应达到的最小衰减
等性能指标。
根据ECG信号的特性和滤波要求,在滤除60Hz工频干扰时,取各项指标分别为
,通带允许的最大衰减为
,阻带要求的最小衰减为
。
4.2.2根据数字滤波器性能指标设计巴特沃斯模拟滤波器
巴特沃斯逼近又称最平幅度逼近,巴特沃斯低通滤波器的幅度平方函数定义为
式中N为正整数,代表滤波器阶数,
为截止频率,当
时,
。
对于本论文中的带阻滤波器的设计,同样可以同样具有类似的表达式。
将上一步骤得到的数字滤波器的技术指标归一化之后,用模拟滤波器设计方法得到模拟巴特沃斯滤波器的传递函数,这可以借助巴特沃斯滤波器的相关的严格的设计公式、现成的模拟滤波器或者查表方式得到。
本论文中,采用MATLAB中的buttord()函数[10]求解得到巴特沃斯滤波器的最小阶数N和截止频率wn,即
[Nwn]=buttord(wp,ws,rp,rs);
代入60Hz带阻滤波器的技术参数求得:
。
借助此模拟滤波器的性能指标(N和wn)查表设计巴特沃斯模拟滤波器。
由于本论文中使用MATLAB编程设计,所以无需求解模拟滤波器的方程。
4.2.3借助设计好的模拟滤波器设计巴特沃斯数字滤波器[12]
本论文中,根据模拟滤波器的性能参数(N和wn),使用MATLAB中的butter()函数可以直接获取巴特沃斯带阻数字滤波器的系统函数的分子分母多项式,即(其中b为系统函数分子多项式系数,a为系统函数分母多项式系数):
[ba]=butter(N,wn,'stop');
当滤除60Hz时,根据阶数和截止频率设计的巴特沃斯数字滤波器的系统函数分子分母系数分别为:
对应的带阻数字滤波器的频率响应如图8所示。
通过分析,该滤波器在某些技术参数上有所改动,但性能指标总体上符合最初的设计要求。
图860Hz带阻滤波器的频谱分析
4.2.4利用设计好的数字滤波器对ECG信号进行滤波处理
将设计好的带阻滤波器对消除基线漂移的ECG信号进行滤波,即直接将待过滤的ECG信号进行DFT之后与带阻数字滤波器的系统函数相乘,即可得到滤波后的ECG信号的DFT序列值。
经过IDFT(反离散傅里叶变换)之后便可得到过滤之后的ECG信号。
本论文使用MATLAB中的filter()函数直接进行对ECG信号进行60Hz滤波处理,即
ecgdata2=filter(b,a,ecgdata1);
滤波之后,ECG信号对应图形如图9所示,对应的DFT部分序列值如图10所示。
图960Hz带阻滤波之后的ECG信号
图10滤波之后ECG信号的DFT变换的部分序列
通过分析过滤前后的ECG信号对应的图形,效果明显。
可以得出结论:
原始的ECG信号存在严重的60Hz工频干扰,此滤波器能有效地过滤60Hz的工频干扰。
5筛选出符合要求的ECG信号
由于获取的ECG信号可能受到不明因素的干扰变成无法识别的不正常的波形,或者ECG信号数据源的不可靠性,所以有必要对获取的ECG信号进行筛选。
本论文中,对课题给出的数据样本进行分析筛选。
5.1ECG信号的基本特征[1]
ECG信号是利用心电图机从体表记录心脏每一心动周期所产生的点活动变化图形的技术,它提供了一种方便的办法来测量心电周期活动。
心电图中的每一个心动循环周期由一系列有规律的波形组成,它们分别是P波、QRS复合波和T波,而这些波形的起点、终点、波峰、波谷、以及间期分别记录着心脏活动状态的详细信息,为心脏疾病的诊断提供者重要的分析依据。
正常的人在正常情况下,心动周期为0.80s左右,即ECG信号的周期为0.80s左右。
因此准确识别ECG波形的这些特
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 模式识别 ECG 信号 处理 识别