基于Context模型和矢量—标量量化器的ECG信号压缩

摘要

心电图(ECG)是单位时间内心脏电生理活动在体表的综合表示，是医生诊断心脏疾病的重要依据。由于诊断过程无损伤、廉价及实时性强，多导联ECG记录系统已经广泛应用于动态监护、临床诊断和远程医疗。其数据量的大小往往随着采样率、采样分辨率、记录时间、导联数量和病人数量的增加而增加。当存储空间或传输带宽受到严格限制时，有必要在保证信号质量的情况下进行数据压缩。目前常用的数据压缩方法包括：直接压缩法、变换压缩法以及参量压缩法。其中，基于小波变换的数据压缩方法取得了显著的结果。
　　多导联ECG信号作为伪周期信号同时具有采样点之间、心动周期之间和导联之间的相关性。本论文从如何有效去除相关性的角度出发，研究了基于Context模型和矢量-标量量化器的压缩方案，主要包括以下几个方面内容：
　　第一部分重点讨论三种多导联ECG信号的QRS检测方法，解决了单导联ECG信号因电极接触不良或噪声干扰所带来的低检测率问题，同时为后续的数据压缩方法提供可靠的心动周期信息。
　　针对双导联ECG信号，提出一种基于联合小波熵的QRS检测算法。利用连续小波变换提取QRS波群频率范围内的小波系数，有效避免噪声干扰。然后采用基于小波熵的方法对单导联ECG信号进行门限判别。当检测的RR间期与平均RR间期差距明显时，采用基于联合小波熵的方法融合双导联ECG信号的QRS信息，以增强检测结果。
　　针对12导联ECG信号，分别提出两种基于盲源分离的QRS检测算法。方法一采用主元分析(PCA)分离多导联ECG信号的心室、心房以及噪声成分，然后采用伪周期排序法将心室信号排在前列，以便计算联合小波熵检测QRS信息。方法二采用独立元分析(ICA)分离多导联ECG信号的独立成分，对各成分进行连续小波变换，重构小波系数的相空间，根据相空间的QRS信息排序独立元，最后计算联合小波熵检测QRS信息。
　　第二部分重点讨论ECG信号的压缩算法，分别从无损压缩与有损压缩、标量量化与矢量量化、一维压缩与二维压缩，以及单导联压缩与双导联压缩的角度出发，充分研究了基于Context模型的熵编码算法。
　　针对ECG信号的无损压缩，首先采用9/7小波对信号进行基于提升方案的整数变换，然后将小波系数分解为重要位置图、符号流、二进制最高位位置流及剩余比特流，再结合Context模型对各系数流进行熵编码。
　　针对单导联ECG信号的有损压缩，本文分别提出了两种压缩方案。方法一为基于标量量化的二维压缩，首先利用QRS信息将一维ECG信号切割并排列成二维图像。经过周期排序与均值去除，对图像进行一维小波变换，并对小波系数进行带截止区的标量量化。最后分解小波系数，并结合Context模型对各系数流进行熵编码。该压缩算法每次编码前需要收集心动周期形成图像，存在时间延迟。方法二为基于矢量-标量量化的一维压缩，首先按照离散小波变换等级树的结构提取ECG信号的小波系数树矢量，然后利用矢量-标量量化器量化树矢量。量化器由动态学习矢量量化器与带截止区的标量量化器组成。对标量量化系数进行分解之后，结合Context模型对各系数流进行熵编码。该方案可进行在线编码。
　　针对多导联ECG信号的有损压缩，本文以双导联ECG信号为特例，在基于矢量-标量量化器的压缩算法基础上，将各导联ECG信号小波系数树矢量的矢量量化系数组成一个新矢量，并对其进行无损矢量量化。同时，将原算法中码书的动态学习规则改进为静态学习规则。在合理利用导联之间相关性的基础上，提高算法的压缩性能。
　　由于有效利用了采样点之间、心动周期之间和导联之间的相关性，本文提出的各种算法和基于JPEG2000或SPIHT的编码算法相比，在保证ECG信号质量的同时提高了压缩性能。