QRS波群检测方法

　　心电图的自动分析、诊断已经广泛地应用于心脏的功能检测、心血管疾病的诊断和预防以及心电监护等多方面。QRS波群的检测是心电信号分析中最为关键问题，其精确检测是心电图自动诊断的基础。这是因为只有在确定QRS波群后才有可能计算心率、心率变异性并进一步检测和分析心电的其他细节。

　　一个正常的ECG信号是由一系列的波形组成的，这些波形是通过兴奋的零电位来区分的。一个正常的心电图，由P波、QRS波群、T波等组成。每个具体的波都对应着特定的心脏活动和电生理阶段。与其他波形相比，R波具有较高的的幅值。由频谱分析可知，QRS波群的中心频率在17Hz左右（该频率也被称为QRS波群的特征频率），带宽约10Hz。而T波、P波、基线漂移等的频带都是在此频带的低端以外［1］，以上是QRS波群区别于其他波形的两个明显特点。各种QRS波群的检测算法主要是利用它与其他波形及噪声不同的幅频特性来实现的。

　　近些年来QRS波群的检测主要有以下几种方法：滤波器法、模板匹配法、小波分析法、神经网络法、数据融合检测法等。下面简要介绍一下各种方法。

　　1  滤波器法

　　滤波器法是最传统最简单的方法，分为硬件滤波和软件滤波。在这里我们只介绍一下软件滤波的过程。到目前为止已经提出了二阶导数算法、移动窗口积分算法、正交滤波算法等不同的具体算法。二阶导数算法是取心电的一阶与二阶导数的平法和作为QRS波群输出标记的脉冲信号，该方法突出了QRS波群上升速率变化最快的地方，可以根据输出脉冲的宽度较精确地估计R波的宽度。移动窗口积分法的求导平方运算与二阶导数算法相同，最后是对求导的平方数据进行移动窗口积分，这种方法对高频随机噪声敏感性较低。而正交滤波法是将心电
信号输入到两个相位固定、相差为π/2的滤波器，从而得到互为希尔伯特交换的输出，通过检测包络的幅值可以检测QRS波。

　　对于采集的心电数据，要经过增益控制、预滤波、滤波过程，最后进行QRS波群的检测［2］。预滤波过程首先是通过一个0.5～35Hz的带通滤波器，只允许心电信号通过。滤波部分是通过数字滤波器的设计实现的，其中包括数字陷波器来消除工频干扰。15～40Hz的带通数字滤波器为：y(t)=x(t)-2x(t-16)+x(t-32)-2y(t-8)-y(t-16)，消除了如运动伪迹等低频噪声的影响；最后要通过一个提供最佳信噪比输出的滤波器：y(t)=∑127   i=0kix(t-i)，其中匹配滤波参数ki是在检测开始前，对每个病人心电自学获得的。经匹配滤波后的信号，通过自适应的双边界阈值法检测QRS波群。具体方法是使用前面1.5s以上的信号最大值的40%为阈值。在检测出QRS波群后的200ms的心电信号处理中，阈值上升到前面最大值的90%，从而避免将T波检测为QRS波群的错误。阈值的大小是随信号的波动不断调整的，提高了检测的可靠性，特别可以防止噪声引起的假阳性。

　　从多分辨率的角度出发，Afonso［3］等学者提出了滤波器组法。滤波器组将信号分解为多个频率的信号然后进行分析。一个滤波器组包括一系列的分析滤波器，将信号分解为若干个具有唯一带宽的频带；同样如果考虑重建信号，可以采用相反的合成滤波器组将分析滤波器处理的结果合成为原来的信号。在滤波器组中，分析滤波器是将心电信号分解为特征最明显的多个频带［4］，后续处理可以每个单独的频带进行，也可以结合几个频带输出信号共同判断。

　　2  模板匹配法

　　由于心电信号的周期性较强，各心动周期间相应波形的差异较小，可以将QRS波群、T波等近似认为单独的固定模板。对于固定模板的信号，按幅值归一化的幅频分量值可以表示该模板在这一频率范围内的能量集中情况。包括脉冲干扰、基线漂移在内的各模板，在特定频率上的能量分布是不同的。幅频分量有不含信号的相位信息，因此可以通过信号幅值与特定幅频值比较的方法来检测QRS波模板。这样对QRS波群的识别就转化成了对QRS模板与其他模板的鉴别。该方法实际是幅值判别与频率判别的统一。该方法的一个具体实现如下［1］：对可能的QRS波以正向峰值点为中点，从采样数据中隔点采样，并取前7点和后8点共16个点的数据片段，计算这16个数据点1.8125Hz和15.625Hz的幅频分量，分别记为Af2和Af3，然后用这两个分量作为判别指标：FPC=α·Af2+β·Af3，HPC=λ·HR，其中α、β是加权参数，是通过对大量心电信号处理后经统计得到的。HR是可能的R波幅值，是一个选定的常数值，如果当FPC>HPC时，就判定该段心电信号为QRS波群。在文献中，将参数选择为α=3/16、β=11/16、λ=1时，判别效果最好。这种方法结合R波斜率、QRS波幅度、持续期、频带等特点进行综合判别。与通用的微分算法相比，该算法的抗干扰能力强，尤其是抗50Hz的工频干扰能力。该算法是基于心电信号的幅频分量上的，因此比滤波器法消耗更多的计算时间。

　　在文献［5］中，根据心电图的频数直方图将制成尺寸为M×N的图形矩阵Qqrs，根据模板的特征向量Qqrs与所检测的心电图的匹配度来检测QRS波。方法简便有效，但是对于含噪声多的心电记录检出率不高。

　　3  小波变换法

　　小波变换是一种时-频局部化分析方法，小波变换法是将信号分解成不同尺度下的信号，然后分别在各个尺度下进行各种操作。同其他方法相比较，小波变换法在消除运动伪迹、基线漂移等影响方面有其独特的优越性。在心电判别中,通常使用二进制离散小波变换［6］：Wj2f(t)=f(t)*φj2(t)=1   2j∫f(x)φt-x   2jdx，通过分析ECG信号功率谱密度的特点，根据小波变换的尺度和信号频率间的关系，可以发现QRS波群的能量大多集中在23尺度上，而基线漂移、运动伪迹等能量大多集中在25尺度以上，故取21～24尺度上的小波变换作分析。根据小波变换理论，奇异点处信号的上升沿、下降沿对应于小波变换细节信号的一对局部极值（称之为“模极大值”或“正极大值-负积小值对”），其位置对应于正、负模极大值连线的过零点，因此，先检测模极大值，然后检测过零点。具体算法是［7］：选取合适的母小波，以2s为一个单位段进行小波变换，将该段内小波变换的模最大值进行标记，同时，以最大值作为一个阈值，将超过这一阈值的位置也进行标记（若这些点与最大值位置相差不到0.2s的话，就舍去，因为相邻两R波之间一定不小于0.2s）。进行连续三个尺度的分析，只要在任
意两个连续尺度所标记的时间位置完全一致（位置差在一定范围内），就判定有QRS波群，在检测过零点来具体判定R波的位置。对于一些病变或者干扰严重的心电信号，有可能在所取的2s信号段内都没出现R波，但是上述方法可能会将P波或者T波检测为R波，因此在采用偶对称小波分析时，设定一个阈值，只有当模极大值超过这个阈值时才认为它对应R波。当某些导联采集的心电信号幅度较小，且淹没于强烈的噪声中的时候，可利用多导联的心电检测对检测结果进行统计处理，提高QRS波的判别率。

　　文献［9］中，提出了将小波分解与自适应滤波相结合的快速检测方法。将心电信号分解为多个尺度下的信号，然后分别通过自适应滤波器，通过误差来调整滤波器的参数，最后将输出的多个尺度的信号重构。这种方法的优点是有较强的抗干扰能力，跟踪性较强。

　　小波变换方法的一个很重要的特点就是能够减少工频干扰、肌肉收缩、病人移动以及呼吸带来的基线漂移等噪声对判别的影响。同时，采用自学习法浮动阈值和多标准判定，有效地克服了病人个体差异和时间差异，减少漏判和误检，提高了检测的可靠性。采用二进制离散小波变换分析心电信号的缺点是计算量较大。

　　4  神经网络法

　　神经网络在医学信号处理中的应用是一个新兴的领域。目前QRS波检测中多数使用的是具有非线性隐藏层的三层自适应神经网络［8，9］。首先要在ECG信号中噪声平坦段选区几个正常的QRS复合波，对它们进行平均处理，以此来获得较小噪声的模板，然后对所获得的模板进行白化处理，基本上可以消除基线漂移的影响，达到抑制P、T波及增强R波的效果。白化滤波器如下［10］：WQRS(t)k=QRS(t)k-∑q   i=1uif∑M   j=1WijQRS(t)k-j+bj，其中：k=1，2……，L-M。L为QRS波模板的长度，M为输入层单元的个数。当白化的原始信号和白化的模板都得到以后，匹配滤波器就实现了。匹配滤波器的输出y(t)为：ym(t)＝∑L   i=1WQRSiyw(t-i)，其中WQRSi、yw(t-i) i=(1,2,……L)分别为白化后的模板和白化后的原始信号。对匹配滤波后的ECG信号先后进行差分滤波、取平方、滑动平均及可变阈值的QRS波检测，来获得QRS波检测的最后结果。神经网络的特点是通过自学习，能够在内部各层自动建立联系，产生和消除节点，虽然需要较长的训练时间，但是在判别时速度很快。

　　5  数学形态学方法

　　基于数学形态学的算法用于心电图波形的分离与常规方法不同。算法无需检测QRS波，而是用数学方法对心电信号进行滤波、基线矫正等处理之后，直接去除心电图信号的QRS波群，实现波形的定性分离；检出P波和T波的起止点后便可以完成定量分离。整个过程基本通过一系列形态学算子完成的。实际方法是由两路开、闭运算组成。一路先进行开运算，再进行一次比运算；另一路则相反。然后两路运算的结果取平均值。经过这样的运算后，信号中实际被滤除成分从形态上来说，与运算使用的结构元素有关。若采用的结构元素长度为M，那么，输出的信号中将不再含有跨度小于M的波形。所以适当的调节元素结构的长度，便可以有选择的达到噪声滤除、去除QRS波群以及基线矫正的目的［11］。经过噪声滤除、去除QRS波群以及基线矫正后，可以得到只含有P波和T波、基线基本上为直线的图形，从定性的意义上来说实现了波形的分离。使用数学形态学方法的ECG波形分离技术的主要特点是：算法简单，无须检测QRS波群的位置。

　　此外，还有弱数字滤波法［12］和基于分形理论的检测方法［13］，由于实际应用较少，这里就不详细介绍了。

　　QRS波的检测分为硬件和软件、单导联和多导联多种方法。软件方法由于速度快且对于复杂情况的应变能力较强，应用范围比较广泛。为了加快运行速度可以适当的增加硬件，软硬件结合对于QRS波检测广泛应用于临床更有意义；在多导联检测中，可以综合各导联的信号，在准确性上要优于单导联信号。但是多导联数据量较大，对病人的约束大，不适合长期监测病人的心电变化，因此实际应用中多采用单导联信号来进行QRS检测。目前的单导联检测方法中，小波变换法是最优的，各种类型的噪声在不同程度上得到了抑制。随着弱信号检测技术的发展，相信会有更好的方法应用到ECG中QRS波的检测中。

　　【参考文献】

　　1  王磊，郑崇勋，叶继伦，等.一种高效的QRS波实时检测方法.北京生物医学工程，1998，17（4）：217-222.

　　2  Sami Sallinen,Seoop Nissila.A real-time microprocessor QRS detector system with a 1-ms timing accuracy for the measurement of ambulatory HRV,IEEE Trans BME,1997,44(3):159-167.

　　3  Afonso VX,Tompkins W J.ECG beat detection using filter banks.IEEE Trans BME,1999,46(2):192-202.

　　4  谢远国，余辉，吕扬生.给予多分辨率分析的心电图QRS波检测.医疗卫生装备，2003，9：5-6.

　　5  涂承媛，曾衍钧，李树信.基于频数直方图检测QRS波的新方法，生物医学工程学杂志，2003，20（2）：325-327.

　　6  Shubha Kadambe,Robin Murray.Wavelet transform based QRS complex detector.IEEE Trans BME,1999,46(7):838-848.

　　7  王文，孙世双，周勇.基于小波变换的心电图QRS波群检测方法研究.北京生物医学工程，2002，21（4）：241-247.

　　8  Sahambi JS,Tandon SN,Bhatt PKP.Using wavelet transforms for ECG characterization.IEEE Engineering in Medical and Biology，1997,16(1):71-83.

　　9  丁哨卫，张作生，冯焕清.基于自适应小波变换的QRS波检测算法.中国科学技术大学学报，1998，28（5）：580-586.

　　10  于学鸿，徐小汉.基于神经网络的波形检测方法.生物医学工程学杂志，2000，17（1）：59-62.

　　11  高艳，胡阳.基于数学形态方法的心电图波形分离技术.生物医学工程学杂志，2001，18（1）：55-59.

　　12  阙向红，胡彬，郭小梅.准确检测心电信号中的QRS复合波方法的研究.数理医药学杂志，1999,4(12):312-314.

　　13  陈作炳，钱湘萍.基于分形理论的QRS波的分类.武汉理工大学学报，2002，24（4）：104-107.

　　作者单位： 130021 吉林长春，吉林大学电子科学与工程学院

　　(编辑：子  涵)