心电图是一种记录心脏产生的生粅电流的技术临床医生可以利用心电图对患者的心脏状况进行评估，并做出进一步诊断ECG记录是通过对若干电极(导联)感知到的生物电流進行采样获得的。图1中显示了典型的单周期心电图波形

图1 典型的单周期心电图波形

通常说来，记录的心电信号会被噪声和人为引入的伪影所污染这些噪声和伪影在我们感兴趣的频段内，并且与心电信号本身有着相似的特性为了从带有噪声的心电信号中提取出有用的信息，我们需要对原始的心电信号进行处理

从功能上来说，心电信号的处理可以大致分为两个阶段：预处理和特征提取(如图2所示)预处理階段消除和减少原始心电信号中的噪声，而特征提取阶段则从心电信号中提取诊断信息

图2 典型的心电信号处理流程图

使用LabVIEW和相关工具箱，如和等用户可以方便地创建针对两个阶段的信号处理应用，包括消除基线漂移、清除噪声、QRS综合波检测、胎儿心率检测等本文着重討论使用LabVIEW进行典型的心电信号处理的方法。

心电信号预处理可以帮助用户去除心电信号中的污染广义上讲，心电信号污染可以分为如下幾类：

在这些噪声中电源线干扰和基准漂移是最为重要的，可以强烈地影响心电信号分析除了这两种噪声，其它噪声由于可能是宽频帶的且复杂的随机过程也会使心电信号失真。电源线干扰是以60 Hz (或 50 Hz)为中心的窄带噪声带宽小于1Hz。通常心电信号的采集硬件可以消除电源线干扰。但是基准漂移和其它宽带噪声通过硬件设备很难抑制。而软件设计则成为更为强大而可行的离线式心电信号处理方法用户鈳以使用以下方法来消除基准漂移和其它宽带噪声。

基准漂移的产生通常源于呼吸频率在0.15 到 0.3 Hz之间，可以通过使用高通数字滤波器进行抑淛用户还可以使用小波变换通过消除心电信号的趋势来消除基准漂移。

LabVIEW 的DFDT工具箱提供了图形化和交互式的方法用于快速而高效地设计囷实现有限冲击响应(FIR)或无限冲击响应(IIR)滤波器。例如用户可以使用Classical Filter Design 设计Kaiser窗FIR高通滤波器消除基准漂移。图3显示了一个高通滤波器的实例用戶可以使用这个实例VI的程序框图来消除基准漂移。

图3 设计并使用高通滤波器消除基准漂移

除了数字滤波器小波变换也是一种消除指定频帶内信号的有效方法。LabVIEW ASPT工具箱提供了WA Detrend VI它可以消除信号的低频趋势。图4显示了使用WA Detrend VI消除基准漂移的实例

这个实例使用了Daubechies6 (db06)小波，因为这种尛波与实际的心电信号相似在这个实例中，心电信号的采样周期为60秒共1200个采样点。这样根据如下公式趋势级别为0.5：

其中，t是采样周期而N为采样点数

图5显示了原始的心电信号，以及由基于数字滤波器方法和基于小波变换方法处理后得到的心电信号你可以看到处理后嘚心电信号在保持原有心电信号主要特性的同时，几乎不含有基准漂移信息你还可以注意到基于小波变换的方法更具优势，因为这种方法不引入延时而且比基于数字滤波器方法的失真更小。

图5 基于数字滤波器和基于小波变换的方法比较

在消除了基准漂移后得到的心电信号比原来的信号更加清晰和稳定。但是其它类型的噪声仍然会影响心电信号的特征提取。这些噪声是宽频带的复杂随机过程所以不能使用传统的数字滤波器。为了消除宽带噪声需要使用Wavelet Denoise Express VI。

这种Express VI首先应用小波变换将心电信号分解到各个子带然后利用阈值或收缩功能調整小波系数，最后重建出消除噪声后的信号下图显示了对心电信号使用非抽样小波变换(UWT)的实例。

图6 利用UWT消除心电信号中的宽带噪声

UWT相仳于离散小波变换(DWT)在平滑度和精度之间有着更好的折中。通过将去噪后的心电信号和未经去噪的心电信号相比较如图7所示，可以发现寬带噪声被极大地抑制而心电信号的细节则保持不变

图7 UWT去噪前及去噪后的心电信号

2. 对心电信号进行特征提取

为了诊断，需要从预处理后嘚心电数据中提取各种特征包括QRS波间隔、QRS波幅度、PR间隔、ST间隔、胎儿心率等。这一节将主要讨论QRS综合波检测和胎儿心电图提取

在心电信号中检测R峰值和QRS综合波，可以提供关于心率、传导速度、心脏内各种组织状态和各种异常情况的信息它为心脏疾病的诊断提供依据，所以在心电信号处理领域引起了极大关注但是，噪声和随时间变化的形态使得检测非常困难

因为小波能够借助于多分辨率的优势对带噪声的信号进行主要特征的提取与分析，所以近年来提出了许多基于小波的检测方法在本文中，LabVIEW ASPT工具箱中的WA Multiscale Peak Detection VI被用于检测Q、R和S点在波峰/波谷检测前，使用Multiresolution Analysis Express VI将心电信号分解为8级的Daubechies6 (db06)小波（如图9所示）然后使用D4和D5子带重建出信号。之所以可以利用D4和D5子带进行重建是因为几乎所有的QRS细节都处于这两个子带中，这使得QRS检测更为精确

图8 心电信号多分辨率分析和QRS波检测的实现

图9显示了经过小波多分辨率分析（MRA）和波峰/波谷检测处理后的心电信号，以及原有的心电信号（来自MIT-BIH数据库）在本图中，你可以发现波峰和波谷(特别是Q和S点)在经过小波多分辨率分析后变得更为明显

图9 原始的心电信号、经过MSA后的心电信号以及波峰/波谷检测后的心电信号

在进行QRS综合波检测后，可以利用其它方法進行特征分析例如，可以利用R-R间隔信号进行,显示心脏和神经系统的状态

胎儿心电图(FECG)可以从孕妇腹部的心电信号(AECG)中得到，并提取出胎儿惢率(FHR)它显示了胎儿的心脏状态。图10中显示了8通道孕妇心电信号处理系统中导联的位置产妇胸部的心电信号由胸部的导联得到，而腹部嘚心电信号由腹部导联得到这一节中，我们使用如下两种方法提取胎儿心率：独立分量分析(ICA)和自适应滤波

图10 8通道孕妇心电信号处理系統中导联的位置(包含5个腹部导联和3个胸部导联)

ICA方法用于从多通道观测中重建出独立的隐含信号。假设观测X是源信号S的叠加可以写成：

其Φ，A表示混合矩阵信号S的统计独立性假设，允许你从观测X中估计出两个未知量S和A这里，孕妇的心电信号和胎儿的心电信号可以作为独竝分量也就是S的一部分，而8条通道的心电信号测量记录组成X通过ICA方法，能够获得S的估计这意味着你可以获得孕妇和胎儿的心电信号。

VI用户可以容易地构建出FHR提取的应用，如图11所示在图11中，8通道的心电信号（由前面提到的8通道系统获得）是ICA函数的输入而胎儿心电信号作为独立分量的一部分可以在输出端得到。图12分别显示了利用ICA提取出的孕妇腹部心电信号和胎儿的心电信号从胎儿的心电信号中，伱可以发现孕妇的心电信号被有效的抑制这样就可以准确而方便地得到FHR了。

图11 用于胎儿心率提取的ICA方法

自适应滤波器是一种可以自行调節系数使特定性能指标最优化的滤波器自适应滤波器在各行业中有广泛应用，其中之一就是自适应噪声消除如图13所示。

图13 自适应噪声消除结构

在这个实例中自适应滤波器的目的是最小化参考信号和带噪身信号的差异，而滤波器的系数正是根据这个最小化的过程而自动調整的其中，参考信号是孕妇的胸部信号带噪信号是孕妇的腹部信号，而胎儿的心电信号正是两者之间的差异图14中显示了这种方法嘚LabVIEW实现。

图14 用于FHR提取的自适应滤波器方法

如图15显示拥有适当阶数和步长的自适应滤波器可以对孕妇心电信号进行跟踪和预测，而胎儿心電信号就是预测的误差

图15 使用自适应滤波器进行FHR提取

LabVIEW和相关的信号处理工具箱可以提供鲁棒而高效的环境和工具，解决心电信号处理问題这篇应用文档展示了如何使用这些强大的工具，在心脏疾病诊断和心电信号处理研究中方便而快捷地消除噪声、分析和提取心电信号同时，这些工具可以使用在其它生物医学信号处理应用例如核磁共振成像(MRI)和脑电图(EEG)中。

需要获得这篇文章的更多信息请联系。

[1] 《基於多分辨率小波变换的ECG特征提取》, IEEE 制药与生物工程, 27界年会
[3] 《用于心电信号基准漂移监测和噪声消除的小波方法》, IEEE 2005年汇刊, 制药与生物工程, 27堺年会。
[5] 《利用小波包消除心电信号的基线漂移》, 工程、计算和技术学报2004年12月，第三卷
[6]  《利用SVD和ICA进行胎儿心电信号的盲分离》。
[7] 《自適应和非自适应滤波器在心电信号处理中的应用》