第 1 章 绪论
1.1 引言
目前，心血管疾病是常见多发慢性主要疾病之一，而且死亡率一直处于高位，已成为世界性的公共卫生问题。根据世界卫生组织的报告中，全球每年死亡人数中有近三分之一是由于心血管疾病而致死的；在中国，自 1990 年起此疾病就开始持续位居死亡原因之首位，根据《中国心血管病 2012 年报告》指出，我国心血管病患病人数仍呈快速增长的态势，据估计每年约有 350 万人死于心血管疾病，占死亡原因的 41%，并且，随着我国老龄化人口的加剧，还有逐年上升的趋势。心血管疾病的防治和实时诊断以及实现远程报警急救已经成为了当今医学界面临的首要问题。心电信号作为人类最早研究并应用的临床医学生物信号之一，相对于其它生物电信号更易于检测，而且具有较直观的规律性。ECG 信号是心脏在每个心动周期，有规律的收缩和舒张过程中大量的心肌细胞产生生物电位的变化，并通过体表表现多种形式电位变化的图形信号。ECG 信号不仅对于掌握心脏的节律变化和传导情况有肯定价值，以及对诊断心房、心室增大及心肌方面的异常，如心肌梗塞，心肌缺血、心肌劳损、心率不齐等也都有较大的研究意义。心电图(Electrocardiograph，ECG)检测方法是当前最普及的一种诊断心血管疾病的主要技术，同时也是最普及临床各科的基础检查方法之一。目前，我国无论从农村基层诊所到中心城市超大型的医院都有心电图检查项目，心电图检查已经成为普遍的检查技术，因此能够熟练的阅读、识别并解释常见的心电图现象成为几乎所有的临床医生必须具备的基本功。1903 年荷兰莱顿大学的 Enthoven 教授采用弦线式电流计首次在人体描记测出心电图[1]，20 世纪 30 年代开始创建了临床心电图学。100 多年后的今天，心血管领域内有各种无创检查技术也在不断的改进完善、这种无创检查技术不但没有消弱心电信号的地位，反而使心电信号采集与处理理论进一步的深化，在原来的基础上提出了更多的信号信息，更能及时准确做出相关诊断。
…………
1.2 国内外研究现状
随着计算机发展，电子信息科学技术在现实生活中各个领域的得到了广泛应用,特别是在医学领域的应用也越来越广泛,这为研究各类医学信号处理算法，包括对检测信号的波形特征点算法提供了研究的平台。心电信号分析诊断技术流程图，如图 1.2所示。心电信号预处理技术主要是指对心电信号进行去噪的技术。由于在记录心电数据时常含有基线漂移、工频干扰和肌电干扰等多种噪声。心电信号预处理一般采用硬件电路来优化 ECG 信号采集，在此基础上，通过去噪算法对采集后记录的信号数据进行预处理研究。目前，心电信号去噪部分的软件实现算法比较成熟，主要有自适应滤波[3-5]、数学形态学滤波法[6、7]、FIR数字滤波算法[8]、小波变换[9、10、11、12]等。现有算法中，自适应滤波算法，通常最常见的是最小二乘法,该算法简单,计算量小，但是自适应算法除原始信号外,还需要补充参考信号，而QRS波群的变化直接影响这个参考信号，因此该算法受到了一定的限制。从硬件上来讲这不仅增加了硬件成本,而且也降低了设备的可靠性。为了克服自适应线性滤波需要补充参考输入通道的缺点，李刚等人提出其改进算法的自适应相干模板法[13、14、15]，就是先在原始信号中提取噪声信号作为参考信号，再与原始信号进行作差运算，此算法虽然可以滤除基线漂移以及抑制较强的工频干扰，算法相对简单，但是对于如何选择、确定参考信号合适的各参数需要进一步地研究。
………..
第 2 章 信号分析基础理论简介
本文主要对心电信号预处理以及基于小波滤波器、多分辨率原理及 Mallat 算法、Hilbert 变换原理对心电信号特征波 R 波的识别的内容进行研究。本章主要介绍小波理论基础、希尔伯特理论基础、心电信号的特点。同时本章节对心电信号可能存在的各频段上的噪声分布特点进行分析以及对 MIT-BIH 心率失常数据库进行概述。通过其在对心电信号有关数学理论以及实验数据的来源等相关知识有一定了解的基础上，为后期对信号进行预处理以及特征点提取打下夯实的理论基础。
2.1 小波理论基础
20 世纪初期小波分析的概念就已经在不同的领域内以不同的形式表现出来，新的领域仍在不断的探索之中。其受欢迎的主要原因是小波能够有效地表示非平稳信号（即瞬变信号），与傅里叶分析相比，小波分析是利用小波基函数可以通过在时间域和频率域局部化来表示非平稳信号，表示更加简洁更容易实现，并且根据有效的多分辨分析，可用于分解信号的低频部分，在处于低频时，频率分辨率较高，而处于高频时，则具有较低的频率分辨率[41]，同时也可以说通过有限个分量的和来表示每一层小波分解，不同层次的分解所包含的分量也有所不同，根据此特点通过寻找合适的分辨率再次进行自适应阈值等方式处理。在偏微分方程的数值解法方面来看，未知解能够用不同的分辨率小波来表示，从而导致多网格表示方法，利用小波基的阈值能够将积分算子稠密矩阵进行稀疏化任意精度。
………..
2.2 希尔伯特变换
本文对于信号的预处理以及检测算法的相关测试与分析的数据来源于美国麻省理工学院的 MIT-BIH 心率失常数据库。该库包含 48 组数据文件，数据采集时间为 30 mins、采样频率为 360Hz。其中，每一组数据记录文件含有两路导联信号并以 A/D 转换分辨率为 11 Bit 进行数据采集。每组文件包含头文件[. hea]、数据文件[. dat]、注释文件[. atr]三部分，如图 2.1 所示。首先，对于头文件[. hea]是以 ASCII 码的方式进行存储，主要对与之同名的数据文件名以及属性等进行详细描述。其次，数据文件是按二进制方式存储，每三个字节存储两个数，一个数以 12bit 计入，650000 采集点。数据与数据之间是紧凑相连排列的，MIT-BIH 库中统一采用存储格式为 format212，“212”格式是针对记录 2 个信号的数据库，这两个信号数据交替进行存储，每三个字节存储两个数据[46]。最后，注释文件对数据的存储方式为二进制，并以 AHA 和 MIT 两种格式进行存储，其主要记录诊断专家对心跳、节律和信号质量等心电信息分析的结果。如图 2.2 所示
………
第 3 章 心电信号预处理算法的设计 ..........16
3.1 心电信号噪声干扰分析.......16
3.2 本文采用预处理的设计方案.......16
3.3 滤波器的选择.......17
3.4 心电信号小波提升预处理的算法方案 ......20
3.5 小波预处理的评估标准.......24
3.6 实验波形仿真.......24
3.7 本文改进阈值性能对比.......27
3.8 基于 FPGA 去噪系统设计 ..........28
3.9 本章小结.......32
第 4 章 心电信号 R 波检测系统的设计 .....33
4.1 希尔伯特变换理论信号分析.......33
4.2 基于小波函数的多尺度希尔伯特变换对信号的分析 ......33
4.3 小波基的选择.......34
4.4 尺度的分析与选择.......34
4.5 特征信号 R 波的检测 ..........37
4.6 R 波检测仿真实验 .......39
4.7 本章小结.......42
第 5 章 R 波检测系统分析...........43
5.1 R 波测试分析 .......43
5.2 R 波分析系统设计 .......44
5.3 本章小结.......45
第 5 章 R 波检测系统分析
5.1 R 波测试分析
本次测试分析选用的数据库为 MIT-BIH 标准心律失常数据库，采用本文算法进行波形仿真和评估，通过根据二次样条小波以及希尔伯特变换，提取的模极大值对应 R波峰值的检测原理以及改进算法对心电信号进行特征波检测，对心电信号 R 波检测结果，如表 5.1。本文对 MIT-BIH 标准心律失常数据库的样本数据组进行提取 R 波识别的测试，表5.1 中所示，本算法对相对一般标准的心电信号的 R 波错检率可以达到 0%，经统计本测试部分样本库中对 R 波的错检率比文献中的错检率有所降低。本文是基于小波变换的信号数据基础上进行希尔伯特变换，并在心电信号经小波分解后的第三个尺度上检测 R 波，第四章节所采用的检测算法不仅对 R 波倒置情况以及含有的运动伪迹的心电信号 R 波检测有所改善，而且通过第三层系数的极大值点对进行 R 波检测，对查询算法进行多次调试改善，从而有效的降低了检测容易出现的误检和漏检的情况，该算法缩减了逐层检测的运算量以及运算时间，因此在硬件实现中也减少了实现难度。上述表中可以看出，该算法对 R 波识别并不是全部都能有效的识别，分析本设计误差的主要原因是有些心电数据中存在着严重的波形变异，很难在算法中确认特征波；一些含有起搏心跳的心电图中含有高峰数据值，或者当 R 波数据值经过变换后产生的模极值小于静态阈值，也易导致 R 波错检、漏检。
…………
总结
心血管疾病是多发慢性常见的主要疾病之一，随着信息化的发展，人们对生活质量的要求也就更高，随之而来的心电监护实时诊断系统成为了研究的焦点。常见的心电图就是反映心血管疾病重要的诊断依据，也是当前最普及诊断心血管疾病的主要技术之一，同时为心电信号自动分析诊断系统的研究提供了重要的参考依据。由于心电信号是一种非线性的、微弱的信号，而且极易受到人体内外的多种干扰。本文在第一章中通过分析了心电信号产生与特点，及目前在心电信号预处理以及R 波检测已有的算法基础上，本文围绕心电信号去噪算法、特征波 R 波识别的算法进行了研究，并分析其算法运行的可行性。现将主要工作集中如下：本文根据心电信号中的噪声特性，选择滤波器与心电信号相似 DB4 小波作为小波基，并对其进行 6 层小波分解，基于加权阈值的基础上，利用折衷阈值函数对每层小波系数进行软阈值处理。本文所提出的预处理算法对 MIT-BIH 数据库中选取的 9 组典型数据进行了实验分析。实验结果表明，本文提出的小波软阈值的加权阈值处理方法，在保证原心电信号不失真的情况下，可以有效去除工频干扰、肌电干扰等噪声，使得去噪后的信号更光滑。同时本文提出的椭圆滤波器与 DB4 提升小波算法相结合去噪方案在硬件 FPGA 上实现，并验证此算法缩减了计算量，减少了占用的硬件空间。
............
参考文献（略）