移动心电信号QRS波实时波检测方法及装置

摘要

本发明公开了一种移动心电信号QRS波实时波检测方法及装置。该方法包括步骤：对心电信号数据做4点平滑处理，将平滑处理后的数据减去基线，完成后再做平方处理得到数据序列S；对数据序列S分别做一阶差分和二阶差分运算分别得到数据序列D和E；在D和E中取一定量的数据分别计算初始阈值，并且定时更新阈值；计算出满足阈值条件的二阶差分极小值点记为类R波点；在类R波点附近检测类Q波和类S波，并根据QRS波的波形特征排除误检的QRS波；在心电信号数据中寻找到真正R波点。本发明能够在移动设备上快速、有效、实时地检测QRS波。

说明书

技术领域

本发明涉及移动心电信号的传输与处理，尤其涉及一种移动心电信号QRS波实时波检测方法及装置。

背景技术

心血管疾病已成为危害人类健康的主要疾病之一,心血管疾病具有病情隐蔽、发展缓慢、发病危险性高、无规律性和不可预见性等特点。传统的心电检测设备大都为医疗机构所有，它们具有操作复杂、设备昂贵、灵活度低等缺陷，已经不能完全满足现代心电信号检测的多种需求。近年来，使用便携式设备如PDA、移动电话等移动平台进行心电信号实时处理的技术逐渐普及，但是现有的移动平台的心电检测，其检测精准度还不能满足临床需求。

在一个正常心动周期中，一个典型的ECG波形是由一个P波、一个QRS波群、一个T波和U波组成，其中QRS波群反映了左右心室的快速去极化过程。由于左右心室的肌肉组织比心房发达，所以QRS波群比P波的振幅高出很多。QRS波是心电图ECG信号的主要特征，因此在心电信号检测中最重要的是检测QRS波。

目前QRS波检测方法主要包括以下几种：基于滤波和阈值检测的方法、基于数学模型的方法、基于模板匹配的方法、基于图形识别的方法、基于小波变换的方法，以及基于神经网络的方法。其中模板匹配法原理简单，但对高频噪声和基线漂移很敏感；小波变换法具有良好的时频局域化特性，检测准确度高，但计算量较大，不适于移动领域实时处理；神经网络法能够实现很好的判别效果，但训练时间较长，实际上很难应用。

发明内容

为了解决上述技术问题，本发明提供了一种移动心电信号QRS波实时检测方法及装置，能够准确、快速、实时、有效地检测心电信号，尤其是心电信号中的QRS波。

本发明通过以下技术方案来解决上述问题：

一种移动心电信号QRS波实时检测方法,包括步骤：（1）移动设备接收原始心电信号数据，并对该数据进行预处理；（2）对预处理后的数据做4点平滑处理，将平滑处理后的数据减去基线，完成后再做平方处理得到数据序列S；（3）对数据序列S分别做一阶差分和二阶差分运算得到数据序列D和E；（4）在D和E中取一定量的数据分别计算初始阈值th_A0和th_B0，并且定时更新阈值；（5）计算出满足阈值条件的二阶差分极小值点并且记录其位置到数据序列E1min中，把这些点记为类R波点；（6）在类R波点附近检测类Q波和类S波，分别记录其位置到数据序列DQ和数据序列DS中，并根据QRS波的波形特征排除误检的QRS波；（7）在预处理后的数据中从检测到的类R波位置附近寻找到真正R波位置。

优选地，所述预处理包括数据解析和数据滤波，其中数据滤波是通过低通滤波和中值滤波将原始心电信号数据中的噪声干扰剔除

优选地，所述中值滤波使用以采样频率fs*0.1*2+1的103位中值滤波器。

优选地，所述步骤（3）还包括步骤：对数据序列D和E做4点平滑处理分别得到数据序列D1和E1；所述步骤（4）对D1和E1中的数据进一步处理。

优选地，所述步骤（4）的计算初始阈值的具体步骤为：把数据序列E1中的初始6秒内的数据序列以0.75倍的采样频率fs进行区间分段，根据所划分的区间计算得到一个初始阈值th_A0=0.5*SumE1min/E1len，其中SumE1min为初始数据被划分区间内二阶差分极小值点累加和，E1len为区间个数。

利用数据序列S计算得到另一个初始阈值th_B0=(Summaxth_B0-Summinth_B0)/E1len，其中Summaxth_B0为数据序列S在上述所划分的区间内的最大值累加和，Summinth_B0为数据序列S在上述所划分的区间内的最小值累加和。

优选地，所述步骤（4）的更新阈值的间隔为每3秒更新一次。所述步骤（4）的更新阈值是按照下面的公式更新：

th_An=0.15*0.5*SumE1min/E1len+0.85*th_An-1，

th_Bn=0.25*Sumth_Bn/E1len+0.75*th_Bn-1;

其中，SumE1min为数据序列E1在当前区间内的极小值点累加和，Sumth_Bn为数据序列S在当前区间内的最大最小值差的累加和，th_An、th_Bn为更新后的阈值，th_An-1、th_Bn-1为更新前的阈值,n=0，1，……，N。N为阈值更新次数。

优选地，步骤（5）中，能够根据有效不应期原理直接跳过部分点数据，即在检测到类R波位置后可以在其后的200-300毫秒内不再检测是否有新R波出现。

优选地，所述步骤（6）和（7）之间还包括漏检回溯步骤。

优选地，所述移动设备设有前台线程和后台线程，前台线程一边接收原始心电信号数据并对该数据进行预处理，一边把预处理后的数据发送到后台线程处理，其中后台线程采用多线程技术实时计算，而且前台线程和后台线程可以并行运行。

与前述方法相应地，本发明还提供一种移动心电信号QRS波实时波检测装置，该装置包括：接收原始心电信号数据，并对该数据进行预处理的单元；对预处理后的数据做4点平滑处理，将平滑处理后的数据减去基线，完成后再做平方处理得到数据序列S的单元；对数据序列S分别做一阶差分和二阶差分运算得到数据序列D和E的单元；在D和E中取一定量的数据分别计算初始阈值th_A0和th_B0，并且定时更新阈值的单元；计算出满足阈值条件的二阶差分极小值点并且记录其位置到数据序列E1min中，把这些点记为类R波点的单元；在类R波点附近检测类Q波和类S波，分别记录其位置到数据序列DQ和数据序列DS中，并根据QRS波的波形特征排除误检的QRS波的单元；在预处理后的数据中从检测到的类R波点附近寻找到真正R波点的单元。

本发明的有益效果如下：

(1)本发明适用于移动医疗领域，特别是智能移动设备终端的应用。

(2)本发明可以实时不间断检测心电信号，克服了传统心电检测设备不能灵活操作、不能实时检测分析，成本高，操作复杂等缺点。

(3)本发明可以有效减少噪声干扰，自适应阈值调整。可在特殊心电信号中准确检测，具有算法复杂度小，执行速度快，QRS波检测精准度高，资源占用率低等特点，并且可移植到众多移动平台中实现。

附图说明

图1为本发明的心电信号滤波前后效果频谱对比图；

图2为本发明的心电信号QRS波实时检测系统示意图；

图3为本发明的心电信号QRS波实时检测方法流程图。

具体实施方式

下面结合附图对本发明改进的移动心电信号QRS波实时检测方法作进一步具体详细描述，但是本发明的实施方式不限于此。

参见图2，本发明的移动心电信号采集系统包括心电信号采集设备3、下位机4(包括蓝牙模块41)和移动设备终端5。一个或多个心电信号采集设备3分别与下位机4上的一个或多个端口连接，下位机4通过蓝牙模块41与移动设备终端通过无线网络6进行通信。其中移动设备终端5优选采用安卓系统的终端。

在进行移动心电信号采集之前，首先确认心电信号采集设备正常工作。通常做法是，打开移动设备终端，通过无线传输搜索下位机的蓝牙模块的蓝牙MAC地址，并且与之配对。如果配对不成功，则报警或者重复上述操作直至配对成功。

配对成功后，检查移动终端设备与下位机之间的连接是否成功，如果不成功，则重新进行连接设置，如果成功，则开始通过心电信号采集设备采集人体心电信号。

在本实施方式中，心电信号采集设备采集心电快速去极化过程中产生的电位差，并把电位差数字化处理得到一个与电位差相关的数据集，然后将处理后得到的数据集传送到下位机。下位机将每一个数据分别在头和尾加入一个数据帧进行标识，并且以蓝牙传输协议将标识后的数据发送到移动设备终端。移动设备终端接收到下位机发送来的心电信号数据（即滤波前的原始心电信号数据1，如图1所示）后，对心电信号进行预处理，即先对心电信号数据进行解析，然后对解析后的数据进行滤波。

在本实施方式中，滤波过程通过滤波模块来实现，滤波模块包括低通滤波器、中值滤波器。移动设备终端发来的原始心电信号1依次通过低通滤波器、中值滤波器，从而对原始心电信号1中的噪声干扰加以剔除，得到滤波后的心电数据2。参见图1，原始心电信号1在经过数字滤波器处理后得到滤波后的心电信号2，从图中可以看出噪声干扰被基本剔除，滤波效果十分显著。

此外，在本实施方式中，可以使用采样频率fs*0.1*2+1的103位中值滤波器，这样可以在有效解决心电信号噪声问题的同时，使得QRS波群特征不失真。

然后，移动设备终端对心电信号2执行如图3所示的后继运算处理，最终获得心电信号QRS波。

下面将参考图3具体描述本发明的移动心电信号QRS波实时波检测方法。

步骤1，前后台数据交换。在本实施方式中，移动设备终端设有前台线程和后台线程，其中后台线程采用多线程技术实时计算，而且前台线程和后台线程可以并行运行。移动设备终端的前台线程一边接收下位机发送来的原始心电信号，一边把所接收的原始心电信号以数据包格式发送到后台线程进行计算分析。这样，移动设备终端就可以把耗时、耗资源的计算放到后台计算，而且可以实时处理心电信号，从而达到实时检测目的。同时，整个移动心电信号波实时波检测程序可以不间断的运行，从而实现7*24小时的实时检测。

步骤2，数字滤波。移动设备终端的前台线程接收到下位机发送来的原始心电信号之后，先通过滤波模块剔除噪声干扰，得到滤波后的心电数据。采用这种滤波方式进行滤波的心电数据在滤波前后的效果频谱对比如图1所示。

移动设备终端在前台线程完成滤波工作后再把滤波后的心电信号以数据包格式发送到后台线程进行计算分析。

步骤3，4点平滑处理和基线差平方处理。后台线程对前台线程发送过来的数据包内的数据进行4点平滑处理，将平滑处理后的数据减去基线（baseline）,并对减去基线后的数据做平方处理得到数据序列S=Math.sq。

由于早搏或束支传导阻滞等疾病发生时候P波或者T波会发生异常，不完全具有正常心电信号的特征，常规方法很可能会对此造成误检或者漏检，所以检测前要先对数据进行基线差平方处理，这样可以突出心电信号主要特征，就可以有效检测心电信号。

步骤4，一阶差分处理和二阶差分处理。对数据序列S做一阶差分运算得到数据序列D=S[i+1]-S[i]，再把得到的数据序列D做二阶差分运算得到数据序列E=D[i+1]-D[i]。

在本实施方式中，优选的是，可以对上述差分运算结束后再分别对数据序列D和数据序列E做4点平滑处理得到数据序列D1和数据序列E1。其中i=1，2，……，M-1。M为数据序列中的数据数量。

通过步骤4的处理，可以进一步突出R波特征，有效检测心电信号，而且还可以剔除所形成波形中的毛刺。

步骤5，计算初始阈值。把数据序列E1中的初始6秒内的数据序列（共3072个数据）以0.75倍的采样频率fs进行区间分段，根据所划分的区间计算得到一个初始阈值th_A0=0.5*SumE1min/E1len，其中SumE1min为初始数据被划分区间内二阶差分极小值点累加和，E1len为区间个数。利用数据序列S计算得到另一个初始阈值th_B0=(Summaxth_B0-Summinth_B0)/E1len，其中Summaxth_B0为数据序列S在上述所划分的区间内的最大值累加和，Summinth_B0为数据序列S在上述所划分的区间内的最小值累加和。

本发明的阈值有两个，即第一阈值th_An和第二阈值th_Bn，其中n=0，1，……，N。N为阈值更新次数。

第一阈值th_An是数据序列E1的二阶差分极小值的阈值，用于检测类R波点。因为，一个波形如果它的突起越尖锐那么其二阶差分值就会越小，根据这个理论可以找到那些特别突出的R波点。

第二阈值th_Bn表示QRS波的幅度阈值条件，用于判断R波的误检。即根据数据序列S本身的幅度大小来判断，由于心电数据的大小有一定的界限，有一些干扰它和R波的形态非常相似，都非常尖锐，这时如果只用第一阈值判断很有可以会照成误检，但是一般的噪声的幅度阈值相对R波的幅度会显得特别大或者特别小，这样如果我们取一个阈值这些就可以被排除了。

步骤6，更新阈值。上述两个阈值每3秒更新一次。即在初始6秒之后，逐次根据数据序列S中的后继3秒内的数据序列（共1536个数据）对初始阈值以及更新后的阈值进行更新，从而实现阈值的自适应动态调整。

在本实施方式中，阈值更新的计算公式如下：

th_An=0.15*0.5*SumE1min/E1len+0.85*th_An-1，

th_Bn=0.25*Sumth_Bn/E1len+0.75*th_Bn-1;

其中，SumE1min为数据序列E1在当前区间内的极小值点累加和，Sumth_Bn为数据序列S在当前区间内的最大最小值差的累加和，th_An、th_Bn为更新后的阈值，th_An-1、th_Bn-1为更新前的阈值。

在本实施方式中，通过设置标志位DT来决定步骤4之后是执行步骤5还是执行步骤6。该标志位DT的初始值为True。当标志位DT为True时，则执行步骤5，即计算初始阈值，而步骤5在计算完初始阈值后或同时将标志位DT设置为DT=False。当标志位为False时，则执行步骤6，即更新阈值。

步骤7，检测二阶差分极小点值。检测各区间内二阶差分极小值点，并且记录其位置。在满足E1[i]<th_An的条件下，查找本区间二阶差分序列E1极小值点，记录其位置到E1min，所记录的数据序列E1min即是所检测到的类R波点。

在本实施方式中，根据有效不应期原理可以直接跳过接下来的fs*0.2个点数据，即在检测到类R波点后可以在其后的200-300毫秒内不需要再检测是否有新R波出现，这样可以提升检测效率达10%-20%，从而大大加快遍历的速度,还可以排除序列E1极小值位置附近的噪声干扰。其中有效不应期在此是指：应用比阈刺激值高出2-4倍强度的刺激，不能引起兴奋反应的时期，称为有效不应期，持续时间为200-300ms。

步骤8，QRS波检测。根据前面记录的E1min位置，在数据序列D1上向前找出第一个满足条件D1[i]*D1[i+1]<=0&&E1[i]<=0的点并且记录位置到数据序列DQ（即类Q波），然后在D1上向后找出第一个满足条件D1[i]*D1[i+1]<=0&&E1[i]<=0的点并且记录位置到数据序列DS（即类S波），最后在数据序列S中比较该位置下的类R波与类Q波的差值、类R波和类S波的差值，把其中较小的差值记录到序列DQS中。将该数据序列DQS与相应的幅度阈值th_Bn进行比较，由此判断此类R波的准确性，剔除掉误检的R波，从而根据QRS波的波形特征排除误检的QRS波。

步骤9，漏检回溯。在本实施方式中，还包括漏检回溯步骤。在漏检回溯步骤中，把检测到的R波间期求平均得到均值，然后令每个R波间期与均值比较，在满足条件时进行漏检回溯机制下的漏检检查，漏检检查时可以适当调整阈值来进行。例如，将阈值th_An调整为0.81*th_An，这样，在满足0.81*th_An的阈值条件下再寻找大于数据序列E1min中每个点的幅值平均值AveF的0.8倍，即AveF*0.8的点，就可以在漏检回溯中检测到漏掉的R波。对于每一个检测到的漏检点都要用QRS波群特征来判断其正确性，完成漏检回溯后要把漏检序列添加到原队列中并按照位置前后进行有效排序Collections.sort（E1min），其中Collections.sort为排列函数。一轮漏检回溯检查结束后还应循环检测直到不能检测出新漏检点为止。

步骤10，滤波数据查找R波点。根据前面步骤中所记录的E1min位置，由于二阶差分数据序列E1与滤波后的数据序列data[]存在4个数据长度位移，因此在数据序列data[]中以E1min+4位置为基准在其前后10点内查找最大值点，该点就是我们查找的R波点。我们把它位置记录到RB序列中用以计算分析心率等生理参数。

与前述方法相应地，本发明还提供一种移动心电信号QRS波实时波检测装置，该装置包括：接收原始心电信号数据，并对该数据进行预处理的单元；对预处理后的数据做4点平滑处理，将平滑处理后的数据减去基线Baseline，完成后再做平方处理得到数据序列S的单元；对数据序列S分别做一阶差分和二阶差分运算分别得到数据序列D和E的单元；在D和E中取一定量的数据分别计算初始阈值th_A0和th_B0，并且定时更新阈值的单元；计算出满足阈值条件的二阶差分极小值点并且记录其位置到数据序列E1min中，把这些点记为类R波点的单元；在类R波点附近检测类Q波和类S波，分别记录其位置到数据序列DQ和数据序列DS中，并根据QRS波的波形特征排除误检的QRS波的单元；在预处理后的数据中从检测到的类R波点附近寻找到真正R波点的单元。

与本发明的特定方面、实施方式或示例协同描述的特征、整体、特点或分组应当被理解为能够应用于这里描述的其他方面、实施方式或示例中，除非与之不可兼容。本说明书（包括任何所附权利要求书、摘要和附图）中披露的所有特征，和/或所披露的任何方法或流程中的全部步骤，都可以以任何组合来合并，除非组合中的至少部分特征和/或步骤是互斥的。本发明不局限于任何前述实施方式的任何细节。本发明扩展到本说明书（包括任何附加权利要求书、摘要和附图）中所披露的任何一个新颖的特征或者新颖的特征组合，或者扩展到所披露的任何方法的任何一个新颖的步骤或者新颖的步骤组合。