QRS波检测方法的回顾与新进展

中国医疗器械杂志 1999年第6期第23卷 综合述评

作者：邱庆军　蒋景英　虞启琏

单位：天津大学　(300072)

Review and New Development of QRS Complexes Detection Met hods

Qiu Qingjun　Jiang Jingying　Yu Qilian

　　Tianjin Uni versity

　　应用计算机分析心电信号，已经越来越广泛的用于心脏功能检查(如Holter系统)、心电监护等方面，而心电分析中的首要的关键问题是QRS波的检测，可靠的检测不仅是诊断心律失常的重要依据，而且只有在QRS波确定之后，才有可能计算心率并进行心率变异分析，才能检测ST段的参数和分析心电的其它细节信息。

　　QRS波检测包括QRS波位置、宽度、面积的检测，各参量检测方法已有不少研究成果发表(见参考文献)，但是各种方法均有其不足之处，因为心电信号波形的复杂性和各种类型噪声(如肌电干扰、基线漂移等)的存在以及生理上的变异性，都使QRS波的精确检测有很大困难。目前的方法既有硬件方法也有软件方法，有的研究者将软、硬件结合起来，不仅提高了检测速度，同时也提高了检测正确率。

　　下面简要介绍各种检测方法。

　　1　QRS波检测方法

　　1.1　软、硬件检测方法的比较

　　采用硬件实现QRS波检测具有处理速度快、结构相对简单的优点，但是方法上不如软件实现灵活，对于复杂的情况应付能力比较差；而且它处理的参数比较少，一般仅检测QRS波的位置，很难提取QRS波宽度和面积等参量。QRS波硬件检测主要是依据QRS波与P、T波和噪声的频率特性的差异来实现的。典型的QRS波检测由滤波电路、整合处理电路和判别电路等部分组成。

　　采用软件实现QRS波检测可以灵活选择调节各类参数，对复杂情况进行判断处理，能够方便地增加检测的参数，虽然它的速度与硬件相比较慢而且软件结构相对复杂，但用软件方法可以方便地进行数字滤波、线性和非线性变换以及判定处理等，显示出许多优越性，这也正是用软件方法提取的处理过程。

　　通过比较软硬件方法，我们发现软件方法应用范围比较广泛，同时，为了加快运行速度可以适当的增加硬件，软硬件结合对于QRS波检测广泛应用于临床更加有意义。

　　1.2　滤波

　　无论是用软件方法还是用硬件方法检测QRS波，都涉及到滤波问题。滤波的作用是提高信号(QRS波)对噪声(P、T波、肌电干扰和基线漂移等)的比率，这样更有助于下一步的提取工作。

　　硬件滤波一般采用带通滤波器，Thakor等人^［1］在研究中提出了一种最优的QRS滤波器理论，并且给出一种中心频率为17Hz、Q值为4的带通滤波器。杨纪成^［10］认为利用微机做成带通滤波器虽然可行，但速度、成本及难度都比模拟电路差，因此他用硬件电子电路做作成带通滤波器。该滤波器滤去了基线漂移也抑制了肌电干扰，但ECG信号通过后，R波成为心电信号的主要成分，形态改变，Q、S点也消失了。

　　软件滤波方法很多，但都是基于数字滤波器。Thakor等人^［1］在硬件滤波基础上又设计了巴特沃斯型带通滤波器，分析心电信号的频谱特性分布；后来他又提出一种自适应线性滤波器，可以进一步提高信噪比。Yu等人^［2］提出了一种非线性滤波器，92年Xue等人^［3］采用的基于神经网络的非线性自适应滤波器可以较好地免除基线漂移和伪迹的影响，但是这种算法的运算量较大，对于心电信号分析的临床应用存在很大的局限性。近年来，将小波变换用于ECG的滤波不仅能够很好地去除基线漂移，而且能够在很大程度上滤掉肌电干扰以及尖脉冲，这种滤波方法有很大的发展前途^［4］。

　　1.3　以硬件为主的方法实现QRS波的检测

　　用硬件方法实现QRS波的检测，经过滤波电路之后的ECG一般采用一阶差分、二阶差分、平方、平滑等的其中一些技术来对信号进行整合，从而加强QRS波的分量同时减小各种噪声的影响。整合得到的信号再进行判别分析，判别方面的技术有许多，诸如：自动增益控制(AGC)以及带回滞的比较器，快速反应的峰值检测及阈值调整电路和自动灵敏度控制调整阈值等等。

　　通过对心电信号波形特点进行分析，杨纪成^［10］认为QRS波的特点是上升和下降速率较快，且占了心电频谱的高端，对任一导联QRS复合波主要分布在5-30Hz的范围内，可以用带通滤波器和微分法提取。首先，他用硬件电子电路设计的带通滤波器检测出R波(用峰值检出器输出的方波表示)后，为了得到QRS波的宽度，将所得的方波和ECG信号一起送入微机，以R点为基点，用软件寻找Q、S点，从而求出该宽度。其次，还用运算放大器作成一阶、二阶、三阶微分，平滑、整流电路，速度快、精度高，虽然在进行微分之前，加了一个T形网络滤波器，滤去微分电路十分敏感的电流干扰。由于心电信号波形的复杂性，还提取了QRS波的面积来纠正误判，增加了判别准确率。

　　1.4　以软件为主的方法实现QRS波的检测

　　软件方法是：滤波之后的信号一般经过一些变换以提高QRS波的份量，进而采用一系列阈值进行判别，这些阈值有固定阈值法，也有可变阈值法。前者由于可能的干扰或高P、高T波的存在，若其滤波后超过其阈值便会产生假阳性(FP，falsepositive)结果；另外，当心律失常或QRS波幅度变小，阈值设置过高，会导致漏检产生假阴性(FN，falsenegative)结果。由于固定阈值的这些缺点，有研究者提出了用可变阈值检测，以提高检测的精确率，所采用的可变阈值包括幅度阈值、斜率阈值和时间间隔阈值等。

　　在可变阈值检测方法中，Pan等人^［5］的工作很具有代表性。他们提出的实时算法包括以下环节：采样的心电信号经过数字带通滤波器(通带为5-15Hz)；微分后再平方，平方过程可突出微分后的频响曲线的斜率，并有助于减少由于T波具有更多高频分量而引起 的假阳性；再做移动窗口(150ms)积分，积分所得的结果既包含QRS波群的斜率，又包含QRS波群的宽度的信息，然后应用两种阈值进行检测，一是滤波后信号的阈值，另一是由窗口积分后的阈值。阈值的大小随信号的波动不断调整，这样可提高检测的可靠性，特别可以防止噪声引起的假阳性。此外，该算法还利用双重阈值法来寻找丢失的QRS波，以减少假阴性，其方法是对上述每种阈值均设两个阈值电平，其中一个是另一个的一半，当发现可能丢失QRS波时，就用较低的那个阈值去重新检测。阈值的大小是自适应的。这种方法经过美国MIT/BIH各种心律失常心电图录音带信号进行实测检验，信号总计长达24小时，48个病人，116173个心拍数，假阳性为507，假阴性为277，检测的正确率为99.3%，其中波形形态变化较大者易导致假阴性和假阳性结果。胡小林^［11］在其研究中采用的是自适应差分阈值的方法检测QRS波，得到的结果正确率较高。

　　邵庆余^［12］设计了一个简单而有效的心电QRS波探测程序，利用斜率阈值的方法来寻找最大斜率，也即R波峰值，并形成一样板波，在此过程中RR间期是随时进行调整的。探测到R峰后，分别计算样板波和与样板波时间间隔相对应的QRS波的面积at与a，其面积差用da表示，实验表明当da＞at且da＜0.75a时可认为是正常波；da＞2a时为噪音干扰；其他情况为室性早搏等异常波，因此在区分噪音干扰波方面显得很有效。他用QRSSe(探测灵敏度)和QRS+P(正探测率)来评价探测结果，对美国MIT-BIH异常心电数据库中48个资料进行探测分析，平均探测灵敏度为98.15%，正探测率平均为99.21%。但对个别复杂的心电波，这两个指标偏低，这是因为在实际应用中还存在许多问题尚待解决。

　　以上的方法是基于经验判断基础上的，都没有明确的数学模型。有学者应用ECG数学模型的检测方法，一般均比较复杂而不适合检测。LinKP等人^［6］提出用线性预测(LP，Linearprediction)方法联合中心剪取变换(用TTL电路实现)检测QRS波，其基本原理是ECG的每个采样点可以用其前面P个采样点经过一定的线性组合来构成，也即可以表达成一个自回归线性模型(AR模型)，利用线性预测值与实际ECG采样值的差，也即残差信号(residualerrorsignal)来判断异常心律。这种方法的重要性表现在其精确给出参数估计的能力和计算速度方面，但该方法对噪声较敏感。

　　有研究者^［13］提出了基于数学形态学的QRS波检测新方法。该方法每次使用一 个通道的信号。QRS波群则利用对ECG信号所作的形态运算检测出来。这个运算是信号峰谷提取运算。被提取信号成分(波峰、波谷)的形态由结构元素决定，零振幅的水平线段集合被作 为结构元素。QRS波，由于它包含陡峭的正的或负的波峰，且其周围区域不包含B(数学形态学上的一个参数)，因此能够被有效地识别出来。该方法构成的QRS波检测体系具有数学上的严谨性、精确性和鲁棒性，并且，这种方法计算过程简单，仅需做形态运算(开/关)，这只要用比较即可(最大/最小运算)，同时抗噪声能力强。Coast等人^［7］还提出一种采用隐式Markov模型分析作为一个随机序列，每个波和线段作为隐式Markov链的隐形状态，根据先验知识(已知ECG的状态与采样值)，计算各种状态相应于采样点的概率，而后把这种概率分布与待处理的ECG信号结合，识别出信号中的QRS波。这种方法对高P和高T波有一定区分能力，但计算量很大，实际应用困难。

　　由于心电波形的复杂性，其特征和推理都具有多变性和不确定性，仅依靠数学运算的信号处理方法和符号逻辑运算的模式分析方法分析心电图，已不能得到令人满意的解。具有自学习，自组织、自适应和并行处理等特点的神经网络为解决上述问题提供了一个有效的方法。Xue Q.Z等人^［3］开发的基于人工神经网络的自适应匹配滤波器用于心电图的QRS复合波的检测，其检测率高达99.5%。LinK.P.和Chang W.H.^［8］用联想记忆模型 实现了QRS复合波的模式分类。王继成、吕维雪^［14］在进行回归神经网络心电图分析时，根据具有不同特点的心电图波形，自动调整回归神经网络的结构参数，由心电图波形动态变化的信息实现心电图模式分类，结果表明该系统在提取ECG中动态变化的波形信息、抑噪等方面较其他方法有很大的改进，并且提高了ECG分析的正确率。但均因为计算的难度较大，无法得到广泛应用。

　　Collins^［9］利用相关法来进行QRS波提取，其原理是把ECG信号采样点与预先存储的ECG波形模板逐点比较，当待处理信号与模板耦合时相关值最大。常用的比较方法有平均平方法、最小二乘法和面积差分法等方法。所存储的信号可以是正常和非正常的QRS信号。这种方法不仅可以检测QRS波，而且可以提取心律失常下的QRS波，但它对高频噪声和基漂很敏感。

　　除了以上介绍的参数检测方法外，还必须提到一种属于非参数法的QRS波检测方法，即句法分析方法。其根据是心电信号的病理特征不仅与波形的各种参数有关，而且与其波形形态有直接关系。句法方法处理心电信号一般不对信号作变换，处理过的信号以及为识别QRS波建立的模式还可以进一步识别P、T波和其他成分，这是句法的长处。句法方法存在的问题是：(1)它对噪声较敏感；(2)由于要建立ECG的模式，采用一系列数值特征判别，处理速度较慢；(3)在进一步的心律失常分析下不便沿用医生传统分析方法与步骤。总的说来，句法方法检测到的检测结果不比非句法的好，而且存在以上问题，使得句法较少获得实际应用。

　　以上无论是参数检测还是非参数检测方法都各有其局限性，近年来发展起来的小波变换 (WT,Wavelet Transform)技术，在提高QRS波检测算法的抗干扰性方面取得了较好的结果［4］。小波变换的基本思想是用一族函数去表示或逼近一信号或函数，这一族函数称为 小波函数系，它通过一基本小波的平移和伸缩构成。该变换具有以下三个特点：多分辨率；品质因素即相对带宽恒定；适当选择基本小波，可使小波在时、频两域都具有表征信号局部特征的能力。形象地讲，小波变换有“变焦距”的功能，在高频部分，它有“显微”能力，这一特点在处理突变信号时很有用，保证了WT应用于QRS波检测的可行性。该技术利用信号在不同尺度(频段)上的不同分布，来检测QRS波，该方法还可以检测P波和T波等其他参数。李翠微等人^［15］利用二进样条小波对信号按Mallat算法进行变换：从二进小波变换的等效滤波器的角度，分析了信号奇异点(R峰点)与其小波变换模极大值对的零交叉点的关系。在检测中运用了一系列策略以增强算法的抗干扰能力、提高QRS波的检测正确率。经过MIT/BIH标准心电数据库检测验证，QRS波检测正确率高达99.8%。用小波变换方法检测QRS波具有以下一些特点：

　　1.　由于小波变换W₂ⁱf(n)能代表信号不同频道上的分量，在S=2³的尺度上，高频噪声有很大衰减，而基漂、高P波高T波等容易造成误判的低频成分在S=2³尺度上较小，检测该尺度上的小波变换大大提高了QRS波检测率。

　　2.　ECG信号记录中出现伪迹很容易造成误判，在小波变换检测方法中，通过去掉孤立极值点能很好地解决这个问题。

　　2　展望

　　ECG信号各参数的检测一般有两种方式：单导联和多导联。多导联方式由于对病人的约束较大而且信号量很大，不适合做长时间记录，因而在诊断心律失常方面通常不能得到预期结果。而单导联的方式可以连续记录长时间的心电图，其侧重于了解心脏电活动在较长时间里节律和各心拍是否正常，以及发生的时刻、类型、性态和频度等情况，对病人的约束较少。上面所综述的种种QRS波检测方法，都属于单导联的检测方法，比较这些检测方法，小波变换方法拥有不容置疑的优越性，各种类型的噪声不同程度上得到了抑制，但在尺度分解的选择上也是很重要的，因为这影响到检测的正确率。我们相信小波变换技术具有长远的发展前景，是值得深入研究的课题。

　　 参考文献

　　1　Thakor,NV.et al. Estimation of QRS Complex Power Spectra for Design of a QRS Filter. IEEE trans on BME1984;31:7025

　　2　Yu. B C. Med Biol Eng Comput 1985;10:193～201

　　3　Xue Q Z.et al. IEEE trans on BME 1992;39:317～329

　　4　Cuiwei Li Proc IEEE EMBS. 1993;15

　　5　Pan J and Tompkins WJ.A Real time QRS Detection Algorithm. IEEE Trans BME.1985;32:230～6

　　6　Lin K P. et al. IEEE trans Biomed Eng 1989;BME 36(10):1050～ 1055

　　7　Coast D A.et al.IEEE trans on BME 1990;37:826～835

　　8　Lin K P and Chang W H.Classification of QRS Pattern by an as sociative memory model. Proc Ann Int Conf.IEEE Eng. Med .Biol. Soc. 1989:2017～2 018

　　9　Collins S M. Comput Biomed Res 1981；14：381～389

　　10　杨纪成.自动分析心电监护仪的QRS复合波检出方法.生物医学工程学杂志 .1992；8(1)：61～65

　　11　胡晓林等.心电监护中QRS波检测及分类方法.95CBME联合学术会.1995；3 16

　　12　邵庆余.心电QRS波的探测与面积计算的分析.山东医学院学报.1984；22( 3)：1～8

　　13　冯劲松编译.使用数学形态学的QRS复合波检测方法.国外医学生物医学工 程分册.1994；17(6)：345～350

　　14　王继成，吕维雪.基于回归神 经网络的心电图分析.中国生物医学工程学 报.1995；14(3)：211～217

　　15　李翠微等.ECG信号的小波变换检测方法.中国生物医学工程学报.1995；1 4(1)：59～64