学术论坛
热事热写真
基于小波变换和多模板匹配的室性早搏识别
龚敬1闫岑2李振新1董兵超1于毅1
(1.新乡医学院生命科学技术学院河南新乡453003；2.新乡医学院人事处河南新乡453003)
摘要：本文提出一种基于小波变换和多模板匹配的室性早搏识别算法，该方法根据提取到的QRS波形特征，分别对正常和PVC信号创建模板库。利用MIT-BIH心电数据库入组数据进行试验，准确率达到99.34%。
关键词：心电图室性早梅小波变模多模板匹配
中图分类号：TP391
文献标识码：A
文章编号：1007-9416(2012)08-0210-01
室性早搏作为一种常见的心律失常，对其准确的判断是研究心率失常的基础-。在对室性早搏的识别方面，通常运用神经网络、支持向量机、模糊技术等多种算法-。本文提出利用小波变换和多模板匹配的PVC识别算法。
1、小波变换与ECG信号去噪
小波分解的方法可以有效的将信号滤波分解到儿个不同的频带中，同时保留信号的时间结构。可以借助于一个含噪声的一维信号的模型：S(n)=F(n)+S*e（n)进行研究.其中S(n)为含噪声信号，F(n)为真实信号，e(n)为噪声信号，5为噪声强度，选择最简单的噪声信号加以说明，假设e(n)为高斯白噪声N(0,1),噪声级5=1，通常表现为高频信号。在实际应用中，有用信号通常表现为低频信号或较平稳的信号。
消噪过程主要分为以下三个步骤：(1)选取合适的小波函数对原始信号进行N层小波分解，获得各尺度上的细节分量和近似分量。一般噪声部分包含在高频中，即细节系数中。(2)对1到N尺度上的每层细节分量选取合适的国值，进行阅值量化处理，得到新的小波系数。(3)根据小波分解的第N层近似分量和经阔值量化处理后的第1到N层细节分量，重构得到去噪的信号。对信号降噪实质上是抑制信号的噪声，在实际信号中恢复真实信号的过程。
阅值的确定是小波去噪过程中关键的一步，阔值的选取质量直接决定去噪效果的好坏。根据ECG信号的非平稳特性，本文采取自
适应国值策略，所选阔值公式为：THR：
V2lnN
，5为噪声估计：
In(i+m)
medianD (k))
其中N为心电信号采样点数，为本级尺度，m
E
0.6745
为常数，Di为小波系数。通过对比心电波形的特征结合小波函数的
波形，本文选取m=1，小波函数为bior5.5，尺度为4。 2、检测算法
由于在QRS波群中，R波峰值点是幅值最大的波峰，所以在 QRS波群中寻找幅值绝对值最大的波峰，即为R波的峰值点。首先设定一个阅值ThI，将大于阅值Thr的点找出。再在得到的点中寻找极值点。如果ECG信号的幅值的绝对值小于Thr，则认为是非R波峰值点，如果其大于阅值Thr，且为波形中的极值点，则表示检测到峰值点。对于阔值的设定方法有很多种，本文阅值设置采取信号标准
Z(H-Ha)
差的倍数算法：Thr=mean(eg)+3*三
Ns1
3、多模板匹配
室性早搏的诊断依据：(1)提早出现一个增宽变形的QRS-T波群，其前无P波，窦性P波可巧合于早搏的任意位置。(2)QRS波时限常>0.125。(3)有完全代偿性间歇(早搏前后两个窦性P波之间的间隔等于正常P-P间隔的两倍）。
*基金项目：*河南省卫生厅项目编号：201203074 210
本文采用相关系数作为衡量模板匹配相似程度的标准。假设 M(n)为模板信号，W(n)为被检测信号，则二者之间的相关系数为
Con(M,W)
、8(M)-8()，其中5（M）为信号的方差(a)=Ea-
r(M,W)=
E(n)P) ,Con(M,W)为二者之间的协方差Con(M,W)=E([ME(M)]I[W-E(W)])。通过计算，r(M，W)与1越接近，可认为二者形态越相似r(M，W)越小,差异越大，当r(M，W)小于0时，则待测心搏与模板形态差异很大。在选取模板时，本文采用以当前心搏的R波峰值位置为中心，向前偏移RR，向后偏移RR，包括一个心搏波形的完整信息的方法。通过心搏波形特征预先选择到得模板，分别
建立正常心搏和室性早搏的模板库。 4、室性早搏的识别
通过与模板库匹配后，基本可以对当前心搏进行判断。为精确识别诊断室性早搏波形，本文根据室性早搏的波形特点，利用RR间期比作为QRS波形早搏的衡量标准。定义RR间期比为Q，Q为当前 RR间期与前5个正常RR间期的平均值的比值。结合上述两个判断因素，本文判断依据如下正常心搏：r,>0.9,Q>0.8,PVC：r,>0.9， Q<0.8。
5、结果与讨论
本文ECG信号去噪，检测及多模板匹配数据均来自MIT-BIH心电数据库中含有PVC心电记录的数据。结果显示算法的对于PVC的检测准确率达到99.34%。此外，在整个实验过程中对不同信号消噪效果的好坏，对于QRS波的检测和PVC的识别有着重要的影响作用。参考文献
[1 JMin Soo Kim,Young Chang Cho,SukTae Seo,et al.Autodetec-tion of R wave in ECG for patchtype ECG remote monitoring system[J]. Biomedica1 Engineering Letters, 2011 :1807.
[2JDe Andre?o RV.Sarcine111Filho M, Premature Ventricular beat classification using a dynamic Bayesian Network[J]. Conf Proc IEEE Eng Med Bio1 Soc, 201 1:49847.
[3JYu Z,wang J.Wavelet modulus maxima of multifractality based analysis of the pathological ECG signals[JJ.Sheng wu Yi Xue Gong Cheng Xue Za Zhi, 2011 :90710.
[4JWu J, wang J. Detection of premature ventricular contraction and atrial premature contraction based on mode entropy[J]. Sheng u Yi Xue Gong Cheng Xue Za Zhi, 2010:5168.
[5JLu M, wang J. Detection of sinuS arrhythmia and atrial ar-rhythmia based on basescale entropy[JJ.Sheng wu Yi Xue Gong Cheng Xue Za Zhi, 2009:12346.
[6JDutta S,Chatterjee A,Munshi S.Corre lation technique and least square support vector machine combine for frequency domain based ECG beat classification[J].Med Eng Phys,201 O:1 1619.