一种T波电交替检测方法

摘要

本发明公开了一种T波电交替检测方法，通过对原始ECG信号预处理后得到的ST‑T波段添加白噪声来形成复合信号，并采用了一种自适应互补集合经验模式分解方法对该复合信号进行分解，即在互补集合经验模式分解算法的基础上自适应地获取能够使复合信号分解效果最优的白噪声幅值和集合平均数来对复合信号进行分解，然后通过趋势估计的方法来对ST‑T波段进行有效的趋势估计，以进行后续的T波电交替检测，相对于现有技术中对原始ECG信号进行线性滤波去噪效果比较粗糙使得难以检测出T波电交替来说，有效提高了T波电交替的检测精度。

说明书

技术领域

本发明涉及生物医学领域，特别是涉及一种T波电交替检测方法。

背景技术

在临床上，心电图(ECG)是一个被用于诊断心脏病变的最重要的工具。ECG信号所表现的是心脏的电活动状态，它由连续重复的心脏活动周期所组成，每个周期即为一次心跳。每个心跳都包含了若干个与心脏活动状态相关的波动(波形)。心脏的电活动由去极化和复极化两个状态组成，心室的复极化相当于心机层收缩过程的放松状态，ECG信号中的T波段就描述了这一过程。复极化的电交替(也被称为T波电交替)与许多严重的心脏疾病有关。T波电交替现象即为ECG中的T波段在幅值、波形与持续时间上的逐波的变化现象。近期主要采用了信号处理的方法来对T波电交替进行检测。

基于经验模式分解的方法是一种有效的时频分析方法，能有效的应对非线性、非平稳信号的分析，非常适合ECG信号的分析与处理。能将信号自适应成为若干个本征模态函数与一个残余分量。虽然传统的经验模式分解方法能有效的对非线性、非平稳的信号进行分析，但却不可避免的受到模态混叠现象的干扰。采用一种互补集合经验模式分解(CEEMD)方法，在集合经验模式分解的基础上，将每次信号分解所加入的白噪声改为加入正、负发白噪声对，最终互补集合经验模式分解方法不仅有效的解决了模态混叠的问题，同时又有效的降低了重构误差。但对于添加白噪声的幅值以及集合平均次数这两个参数的确定一直是研究者通过经验来人为设定，无法根据信号本身自适应选取，这在一定程度上制约了CEEMD方法在各领域中的应用。

因此，如何实现自适应地选取相应的信号分量进行趋势的重构，最终提高T波电交替的检测精度，是本领域技术人员目前需要解决的技术问题。

发明内容

本发明的目的是提供一种T波电交替检测方法，可以实现自适应地选取相应的信号分量进行趋势的重构，最终提高T波电交替的检测精度。

为解决上述技术问题，本发明提供了如下技术方案：

一种T波电交替检测方法，包括：

获取一组包括M个心跳周期的原始ECG信号，M为大于1的整数；

对所述原始ECG信号进行预处理，以将所述ECG信号中各完整的心跳周期对应的ST-T波段信号分离出来作为输入信号；

通过互补集合经验模式分解算法，分别在所述输入信号中添加白噪声幅值相异的若干组白噪声形成对应的复合信号，并分别对各复合信号进行分解，并获取各复合信号经分解得到的对应的m个目标本征模态函数分量和一个目标残余分量；

根据各复合信号对应的m个目标本征模态函数分量和一个目标残余分量，筛选出分解效果最优的复合信号对应的白噪声幅值和相应的集合平均数作为最优参数值；

对所述最优参数值对应的复合信号分解所得到的m个目标本征模态函数分量和一个目标残余分量进行趋势估计，得到一组M段的估计趋势；

对所述估计趋势进行T波电交替检测，并获取对应的检测结果。

优选地，所述对所述原始ECG信号进行预处理，以将所述ECG信号中各完整的心跳周期对应的ST-T波段信号分离出来作为输入信号，包括：

对所述原始ECG信号进行预处理，将所述ECG信号中各完整的心跳周期对应的ST-T波段信号进行分离和对齐；

将各所述ST-T波段信号进行矩阵化，获得矩阵X，其中，X＝[χ₀，χ₁，...，χ_M-1]，χ_i表示第i+1段的ST-T波段信号，0≤i≤M-1，N为每段ST-T波段信号的采样点的个数，N为大于0的整数。

优选地，所述通过互补集合经验模式分解算法，分别在所述输入信号中添加白噪声幅值相异的若干组白噪声形成对应的复合信号，并分别对各复合信号进行分解，并获取各复合信号经分解得到的对应的m个目标本征模态函数分量和一个目标残余分量，包括：

预先获取所要添加入所述输入信号中的白噪声的幅值阈值以及所述白噪声的幅值和对应的集合平均数的关系，其中，白噪声的幅值ε＝a*SD，SD表示输入信号幅值的标准差，a表示倍数，且0.15≤a≤0.45，所述白噪声幅值的集合平均数为

对参数(ε，n)进行初始化，并选取预设的步进值对a进行赋值，获取若干组(ε，n)参数各异的目标白噪声；

将所得的各组目标白噪声分别添加入所述输入信号中，以形成对应的复合信号；

通过互补集合经验模式分解算法，对各所述复合信号进行分解，获取各复合信号经分解得到的对应的m个目标本征模态函数分量和一个目标残余分量。

优选地，所述将所得的各组目标白噪声分别添加入所述输入信号中，以形成对应的复合信号，包括：

通过互补集合经验模式分解算法，分别将每组所得的目标白噪声构造成n'/2次白噪声对，n'为大于0的偶数；

对所述输入信号添加对应的n'/2次白噪声对，以形成对应的复合信号。

优选地，所述对所述输入信号添加对应的n'/2次白噪声对，以形成对应的复合信号，包括：

通过互补集合经验模式分解算法，分别将每组所得的目标白噪声构造成n'次白噪声；

在所述输入信号中分别添加各目标白噪声对应的n'次白噪声，其中奇数次添加正的白噪声，偶数次添加负的白噪声，对应各目标白噪声分别进行n'组并行实验。

优选地，所述通过互补集合经验模式分解算法，对各所述复合信号进行分解，获取各复合信号经分解得到的对应的m个目标本征模态函数分量和一个目标残余分量，包括：

对于各所述目标白噪声对应的n'组并行实验，在每组实验中对各复合信号采用经验模式分解进行分解，获取m个本征模态函数分量和一个残余分量；

对于每一个目标白噪声，将每个层级的信号分量求平均值，计算获得各所述目标白噪声各自对应的m个目标本征模态函数分量和一个目标残余分量。

优选地，所述根据各复合信号对应的m个目标本征模态函数分量和一个目标残余分量，筛选出分解效果最优的复合信号对应的白噪声幅值和相应的集合平均数作为最优参数值，包括：

分别获取各目标白噪声对应的m个目标本征模态函数分量中与所述输入信号相关度最大的本征模态函数分量，并记为C_max；

计算所述输入信号与各所述C_max的相对均方根误差，记为RRMSE；

选取最小的RRMSE对应的目标白噪声的幅度和对应的集合平均数为最优参数值。

优选地，所述对所述最优参数值对应的复合信号分解所得到的m个目标本征模态函数分量和一个目标残余分量进行趋势估计，得到一组M段的估计趋势，包括：

分别对所述最优参数值对应的复合信号分解所得到的各个目标本征模态函数分量进行希尔伯特变换，并获得对应的希尔伯特边缘谱；

按照预设的策略将对应的各希尔伯特边缘谱的频率区域分成若干种低频区域、高频区域和中频区域的频率划分范围；

在每种频率划分范围内，分别计算各对应的目标本征模态函数分量在低频区域、高频区域和中频区域的能量权重；

筛选出低频区域的归一化权重因子大于预设阈值的目标本征模态函数分量作为符合条件的目标本征模态函数分量；

根据所述符合条件的目标本征模态函数分量对各段信号进行趋势估计；

选取频率最高的目标本征模态函数分量作为噪声干扰成分计算与对应的被分析的趋势的相关系数，记为f2，-1≤f2≤1；

计算所述输入信号的各段ST-T波段信号和对应的被分析的趋势的相关系数，记为f1，-1≤f1≤1；

获取各所述被分析的趋势的加权相关系数f，其中，f＝|f1-1|*0.5+|f2+1|*0.5；

选取加权相关系数最小值对应的趋势作为对应段的信号的趋势，得到一组M段的估计趋势。

优选地，所述对所述估计趋势进行T波电交替检测，并获取对应的检测结果，包括：

计算各段信号对应的趋势的平均功率谱；

根据所述各段信号对应的趋势的平均功率谱，计算所述输入信号T波电交替的统计值；

判断所述统计值是否大于预设的有效性检测阈值；

若是，则判定所述原始ECG信号存在T波电交替现象。

与现有技术相比，上述技术方案具有以下优点：

本发明实施例所提供的一种T波电交替检测方法，包括：获取一组包括M个心跳周期的原始ECG信号，M为大于1的整数；对原始ECG信号进行预处理，以将ECG信号中各完整的心跳周期对应的ST-T波段信号分离出来作为输入信号；通过互补集合经验模式分解算法，分别在输入信号中添加白噪声幅值相异的若干组白噪声形成对应的复合信号，并分别对各复合信号进行分解，并获取各复合信号经分解得到的对应的m个目标本征模态函数分量和一个目标残余分量；根据各复合信号对应的m个目标本征模态函数分量和一个目标残余分量，筛选出分解效果最优的复合信号对应的白噪声幅值和相应的集合平均数作为最优参数值；对最优参数值对应的复合信号分解所得到的m个目标本征模态函数分量和一个目标残余分量进行趋势估计，得到一组M段的估计趋势；对估计趋势进行T波电交替检测，并获取对应的检测结果。通过一种自适应的互补集合经验模式分解方法来对T波信号进行分解，对白噪声幅值和相应的集合平均数进行了优化选择，改进了原始CEEMD在参数上无法自适应的缺点，实现了自适应地选取相应的信号分量进行趋势的重构，最终提高T波电交替的检测精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一种具体实施方式所提供的T波电交替检测方法流程图；

图2为本发明一种具体实施方式所提供的一个完整心跳周期的ECG信号示意图；

图3为本发明一种具体实施方式所提供的自适应互补集合经验模式分解方法流程图；

图4为本发明一种具体实施方式所提供的互补集合经验模式分解算法的框图。

具体实施方式

本发明的核心是提供一种T波电交替检测方法，可以实现自适应地选取相应的信号分量进行趋势的重构，最终提高T波电交替的检测精度。

为了使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。

在以下描述中阐述了具体细节以便于充分理解本发明。但是本发明能够以多种不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广。因此本发明不受下面公开的具体实施方式的限制。

请参考图1至图4，图1为本发明一种具体实施方式所提供的T波电交替检测方法流程图；图2为本发明一种具体实施方式所提供的一个完整心跳周期的ECG信号示意图；图3为本发明一种具体实施方式所提供的自适应互补集合经验模式分解方法流程图；图4为本发明一种具体实施方式所提供的互补集合经验模式分解算法的框图。

本发明的一种具体实施方式提供了一种T波电交替检测方法，包括：

S11：获取一组包括M个心跳周期的原始ECG信号，M为大于1的整数。

S12：对原始ECG信号进行预处理，以将ECG信号中各完整的心跳周期对应的ST-T波段信号分离出来作为输入信号。

在本实施方式中，如图2所示，给出了一个完整心跳周期的ECG信号，由于T波电交替是一个局部的现象，并主要存在于心室复极化阶段中，因此，在对原始ECG信号进行预处理的过程中，将每个完整的心跳周期中的ST-T波段信号给分离出来，用ST-T波段信号来替代整段的原始ECG信号去检测T波电交替，以提高效率和准确性。

对原始ECG信号进行预处理，将ECG信号中各完整的心跳周期对应的ST-T波段信号进行分离和对齐；将各ST-T波段信号进行矩阵化，获得矩阵X，其中，X＝[χ₀，χ₁，...，χ_M-1]，χ_i表示第i+1段的ST-T波段信号，0≤i≤M-1，N为每段ST-T波段信号的采样点的个数，N为大于0的整数。矩阵X即为得到的一组经分离并对齐的ST-T波段信号的集合，包含了M段的ST-T波段，其中每段ST-T波段信号具有N个采样点(数字信号)。一般完成一次检测需要128段有效的ST-T波段，因此在本实施方式中优选M＝128。对于获取得到的ST-T波段信号，进行定性的分析，可认为其包含了有用的信号成分及其他的诸如干扰噪声等不相关的成分。因此有

X＝S″+N″........(1)

其中S″表示有用的信号成分，N″表示不相关的干扰成分。

S13：通过互补集合经验模式分解算法，分别在输入信号中添加白噪声幅值相异的若干组白噪声形成对应的复合信号，并分别对各复合信号进行分解，并获取各复合信号经分解得到的对应的m个目标本征模态函数分量和一个目标残余分量。

S14：根据各复合信号对应的m个目标本征模态函数分量和一个目标残余分量，筛选出分解效果最优的复合信号对应的白噪声幅值和相应的集合平均数作为最优参数值，m为大于0的整数。

具体地步骤S14，包括：分别获取各目标白噪声对应的m个目标本征模态函数分量中与输入信号相关度最大的本征模态函数分量，并记为C_max；计算输入信号与各C_max的相对均方根误差，记为RRMSE；选取最小的RRMSE对应的目标白噪声的幅度和对应的集合平均数为最优参数值。

S15：对最优参数值对应的复合信号分解所得到的m个目标本征模态函数分量和一个目标残余分量进行趋势估计，得到一组M段的估计趋势。

在本实施方式中，步骤S11和步骤S12作为T波电交替检测方法的第一阶段，分离出ST-T波段信号来替代整段的原始ECG信号去检测T波电交替。

步骤S13至步骤S15即作为T波电交替检测方法的第二阶段，在第二阶段本实施方式提供了一种改进的趋势估计方法，从X中把S(趋势)给精确地估计出来，以为步骤S16的有效性检测做准备。在第二阶段，矩阵X包含了M段的ST-T波段信号，由于每次的趋势估计只能对一段ST-T波段信号进行，因此需要循环进行M次。最终实现由输入信号得到一组共M段的关于X的估计趋势在本实施方式中，上述的一种改进的趋势估计方法包含了两大部分，第一部分为自适应互补集合经验模式分解方法(ACEEMD)，通过此方法输入的信号能够被分解成为若干个本征模态函数(IMF分量)和一个残余分量。随后利用第二部分所提出的基于加权能量分布的希尔伯特边缘谱分析方法对每个IMF分量进行分析，选取复合条件的IMF分量，最后将这些符合条件的IMF分量和残余分量累加起来做为信号趋势。

其中，自适应互补集合经验模式分解方法(ACEEMD)是在互补集合经验模式分解(CEEMD)方法的基础上，利用输入信号与C_max的相对均方根误差(RRMSE)来优化CEEMD中两个必要的输入参数，即添加白噪声的幅值以及集合平均数，以改进原始CEEMD在参数选择上无法自适应的缺点。

在本实施方式中，步骤S13具体包括：预先获取所要添加入输入信号中的白噪声的幅值阈值以及白噪声的幅值和对应的集合平均数的关系，其中，白噪声的幅值ε＝a*SD，SD表示输入信号幅值的标准差，a表示倍数，且0.15≤a≤0.45，白噪声幅值的集合平均数为对参数(ε，n)进行初始化，并选取预设的步进值对a进行赋值，获取若干组(ε，n)参数各异的目标白噪声；将所得的各组目标白噪声分别添加入输入信号中，以形成对应的复合信号；通过互补集合经验模式分解算法，对各复合信号进行分解，获取各复合信号经分解得到的对应的m个目标本征模态函数分量和一个目标残余分量。

具体地，如图3所示，信号的分解过程每次都依赖于在信号分解过程中加入到信号中的白噪声的幅度以及集合平均的次数这两个参数。根据白噪声的幅值以及集合平均数的代数关系，在把信号的重构误差控制在0.01％以内的情况下，对于特定白噪声幅值的集合平均数为当a在[0.15，0.45]的范围内以0.01为步进取值时，对应的就有若干组参数组合(ε，n)，这若干组参数组合中，存在着一组最优的参数组合使得信号的分解效果最好。信号的分解效果采用输入信号与C_max的相对均方根误差(RRMSE)来评价，其中C_max是一个信号经分解后得到的IMF分量中与该信号的原信号相关度最大的那个IMF分量。最终，在得到的最小RRMSE所对应的参数组合(ε，n)就是最优的参数组合，记为(ε_opt,n_opt)，在此参数组合的信号分解效果最优。

具体地，通过自适应互补集合经验模式分解方法获取最优参数组合的方法包括：

S31：输入一个原信号x(t)，并初始化参数ε＝0.15SD，

S32：即通过互补集合经验模式分解方法对原信号x(t)进行分解。

S33：找出C_max(t)，即找出原信号x(t)经分解后得到的IMF分量中与该信号x(t)的相关度最大的IMF分量。

S34：计算x(t)和C_max(t)的相对均方根误差RRMSE。

S35：ε＝ε+0.01SD，即以0.01为步进值，计算各白噪声的幅值。

S36：判断当前的白噪声的幅值ε是否大于0.45SD；若否，则返回步骤S32；若是，则执行步骤S37。

S37：找出最小的RRMSE，记对应的参数为最优参数组合(ε_opt,n_opt)。

S38：即通过CEEMD方法在参数为(ε_opt,n_opt)时对原信号x(t)进行分解。

其中，对于给定的两个变量x和y，两者的相关度可用公式(2)来计算，结算结果在[-1，1]内取值，数值越靠近1，表明两者的相关度越大，反之则越小。对于给定的原信号x(t)与C_max的相对均方根误差(RRMSE)可用公式(3)来计算。

进一步地，将所得的各组目标白噪声分别添加入输入信号中，以形成对应的复合信号，包括：

通过互补集合经验模式分解算法，分别将每组所得的目标白噪声构造成n'/2次白噪声对，n'为大于0的偶数；对输入信号添加对应的n'/2次白噪声对，以形成对应的复合信号。

其中，对输入信号添加对应的n'/2次白噪声对，以形成对应的复合信号，包括：通过互补集合经验模式分解算法，分别将每组所得的目标白噪声构造成n'次白噪声；在输入信号中分别添加各目标白噪声对应的n'次白噪声，其中奇数次添加正的白噪声，偶数次添加负的白噪声，对应各目标白噪声分别进行n'组并行实验。

更进一步地，通过互补集合经验模式分解算法，对各复合信号进行分解，获取各复合信号经分解得到的对应的m个目标本征模态函数分量和一个目标残余分量，包括：对于各目标白噪声对应的n'组并行实验，在每组实验中对各复合信号采用经验模式分解进行分解，获取m个本征模态函数分量和一个残余分量；对于每一个目标白噪声，将每个层级的信号分量求平均值，计算获得各目标白噪声各自对应的m个目标本征模态函数分量和一个目标残余分量。

更进一步地，对最优参数值对应的复合信号分解所得到的m个目标本征模态函数分量和一个目标残余分量进行趋势估计，得到一组M段的估计趋势，包括：

分别对最优参数值对应的复合信号分解所得到的各个目标本征模态函数分量进行希尔伯特变换，并获得对应的希尔伯特边缘谱；

按照预设的策略将对应的各希尔伯特边缘谱的频率区域分成若干种低频区域、高频区域和中频区域的频率划分范围；

在每种频率划分范围内，分别计算各对应的目标本征模态函数分量在低频区域、高频区域和中频区域的能量权重；

筛选出低频区域的归一化权重因子大于预设阈值的目标本征模态函数分量作为符合条件的目标本征模态函数分量；

根据符合条件的目标本征模态函数分量对各段信号进行趋势估计；

选取频率最高的目标本征模态函数分量作为噪声干扰成分计算与对应的被分析的趋势的相关系数，记为f2，-1≤f2≤1；

计算输入信号的各段ST-T波段信号和对应的被分析的趋势的相关系数，记为f1，-1≤f1≤1；

获取各被分析的趋势的加权相关系数f，其中，f＝|f1-1|*0.5+|f2+1|*0.5；

选取加权相关系数最小值对应的趋势作为对应段的信号的趋势，得到一组M段的估计趋势。

在本实施方式中，还对本发明改进的互补集合经验模式分解方法进行了说明。如图4所示，图4为互补集合经验模式分解算法的框图。CEEMD对给定的输入信号添加白噪声来形成一个复合信号来进行分解。并且白噪声是成对的添加，在白噪声添加次数为n'的情况下，奇数次添加正的白噪声，偶数次添加负的白噪声。最终进行n'组并行的实验，每组实验对形成的复合信号采用经验模式分解(EMD)进行分解，每组分解的结果均得到m个本征模态函数分量(IMF分量)和一个残余分量。最后把每一层级的信号分量求平均得到最终的目标IMF分量和残余分量。

因此每次趋势估计的循环，对于当前输入的信号χ_i(t)，经过ACEEMD算法就会得到若干个IMF分量和一个残余分量，记为

其中m为IMF分量的总个数，在所得到的IMF分量中，随着阶数的增加，其频率由高到低的递减，第一个IMF分量的频率最高，最后一个IMF分量频率最低。残余分量通常是一个单调变化的分量，因此也是低频分量。由于信号的趋势表征了信号在一定的范围内的总体变化，这种变化通常是缓慢且平滑的。因此可以认为信号的趋势是一个低频的信号。从而可以通过选取若干个符合条件的IMF分量和残余分量来构造信号的趋势。这个条件就是这些被选中的分量是低频分量。因此公式(4)可以写成

进而由公式(1)和(5)可得

其中，S_i(t)即为信号χ_i(t)的趋势，N_i(t)表示信号χ_i(t)的噪声干扰成分。由公式(6)可知，只要找到参数k就可以得到信号的趋势。为达到这一目的，本实施方式提出了一种基于加权能量分布的希尔伯特边缘谱分析方法来对每个IMF分量进行分析，最终确定k的数值。由上述内容可知，残余分量r_i(t)为低频分量，在基于EMD的趋势提取算法中把参与分量当成信号趋势的一部分，因此往下的分析只需针对IMF分量来进行。为此，需要对每个IMF分量进行一系列计算，得到对应IMF分量的希尔伯特边缘谱。

根据下式，分别对每个IMF分量进行希尔伯特变换：

上式中，P表示奇异积分的柯西主值，c(t)表示IMF分量，c_H(t)表示IMF分量c(t)的希尔伯特变换；

根据下式，计算获得每个IMF分量的瞬时幅值、瞬时相位和瞬时频率：

上式中，a(t)表示IMF分量c(t)的瞬时幅值，φ(t)表示IMF分量c(t)的瞬时相位，ω(t)表示IMF分量c(t)的瞬时频率；

根据下式计算获得每个IMF分量的希尔伯特边缘谱：

上式中，H(ω,t)表示IMF分量c(t)的希尔伯特谱，h(ω)表示IMF分量c(t)的希尔伯特边缘谱，T表示积分周期。

所得的希尔伯特边缘谱h(ω)是一个瞬时频率与累积能量的二维分布。接着针对希尔伯特边缘谱h(ω)，首先将对应每个IMF分量的h(ω)的频率区域分成三部分，分割的方法采用以下策略：

(1)以频率区域的前a％定义为低频区域，最后的a％定义为高频区域，中间的(100-2a)％为中频区域；

(2)a的取值范围[10，30]，初始值为10，且每次步进为5，在不考虑计算效率的情况，可将步进宽度进一步缩小；

(3)由(1)(2)即可分割出5种频率划分范围。

在每种频率划分范围内，分别计算低、中、高三个频率区域内的能量权重，具体为：

分别将每个区域中的全部极大值进行累加后作为该区域的权重因子，进而根据下式分别计算每个区域的归一化权重因子：

上式中，M_j,1、M_j,2和M_j,3依次表示第j个IMF分量的低频区域、中频区域和高频区域的归一化权重因子，m_j,1、m_j,2和m_j,3分别表示第j个IMF分量的低频区区域、中频区域和高频区域的权重因子，j为自然数。

然后筛选出低频区域的归一化权重因子大于预设阈值的IMF分量作为符合条件的IMF分量。这里的阈值为0.5。

从而(6)式中的k值即可确定，进而信号的趋势就可以得出，并且每个信号在上述的5种频率划分范围内均可以得出5个对应的趋势。

由于上述的频率区域的划分是一个定性的模糊的划分，因此需要进一步对所得的趋势进行量化评价以得出最优的趋势。

因为信号的趋势做为信号的主要成分占据了原信号大部分且主要的能量，因此理想的趋势应该与原信号具有最大的相关度且与噪声干扰成分具有最小的相关度。对应这两种的相关度可以利用公式(2)来计算，得到两个相关系数，原信号与被分析趋势的相关系数记为f₁，噪声干扰成分与被分析趋势的相关系数记为f₂。另一方面，理想的趋势与原信号具有最大的相关度且与噪声干扰成分具有最小的相关度，因此，可以将这两种相关度做为一种贡献度来辅助最优趋势的选取，并且对于最优的趋势，其对应的这两种贡献度应是均衡的，亦即各占50％。由于信号经过分解后所得到的若干个IMF分量中第一个IMF分量的频率最高，将第一个IMF分量通常被当成噪声干扰成分来处理，因此，采用第一个IMF分量当成原信号的噪声干扰成分来计算被分析趋势的相关系数。

因此可进一步得出对于被分析趋势的加权相关系数f，通过下式计算：

f＝|f1-1|*0.5+|f2+1|*0.5......(11)

从而在得出5种趋势中，对于加权相关系数最小的即为最优的趋势。

综上，输入信号X经过趋势估计后得到了一组共M段的X的估计趋势其中

S16：对估计趋势进行T波电交替检测，并获取对应的检测结果。对估计趋势进行T波电交替检测，并获取对应的检测结果，包括：计算各段信号对应的趋势的平均功率谱；根据各段信号对应的趋势的平均功率谱，计算输入信号T波电交替的统计值；判断统计值是否大于预设的有效性检测阈值；若是，则判定原始ECG信号存在T波电交替现象。

在本实施方式中，步骤S16即作为T波电交替检测方法的第三阶段，具体通过以下步骤完成：

首先通过公式(12)(13)计算每段信号趋势的平均功率谱

其中N为数据的采样点数，FFT{}为对操作对象进行快速傅立叶变换。

接着对于输入信号X是否存在T波电交替现象的一个统计值R_twa可通过下式算出：

其中，ε_0.5为公式(13)的P中位于0.5cpb处的幅值。μ_noise和σ_noise分别为P中特定范围内幅值的均值和标准差，这个特定的范围为[0.33，0.48]cpb，这一范围被认为是噪声成分聚集的范围，而0.5cpb处被认为是T波电交替现象的交替波聚集的地方。

最后，通过将R_twa与预设的有效性检测阈值λ进行对比，当R_twa小于或等于λ时，则表明被检测对象X不存在T波电交替现象，反之则存在。且λ＝3。

综上所述，本发明所提供的一种T波电交替检测方法，通过一种自适应的互补集合经验模式分解方法来对T波信号进行分解，对白噪声幅值和相应的集合平均数进行了优化选择，改进了原始CEEMD在参数上无法自适应的缺点，实现了自适应地选取相应的信号分量进行趋势的重构，最终提高T波电交替的检测精度。

以上对本发明所提供的一种T波电交替检测方法进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。