王树恒， 于鸿彬， 侯立国

（1.天津工业大学　机械工程学院， 天津　300387； 2.北京飞机维修工程有限公司， 北京　100621）

引言

心电信号是反应人体生理健康状况的重要参数，其能够反映心肌受损程度，对心律失常、心肌梗死、心肌缺血等病症检查具有重要的参考价值[1]。很多研究表明，一半以上的猝死患者在死前数周有过心电图失常的症状，但这种症状很少出现，当病人去医院诊断时，异常病症可能已经消失，从而出现误检和漏检现象。在心电信号中QRS波的特征提取对心率检测和心脏疾病的检测提供了重要依据，但是人体心电信号是一种微弱的生物电信号，容易受到噪声的干扰，例如工频干扰、肌电干扰、基线漂移及电极接触噪声等，这些噪声对心电信号的特征提取造成困难。陈嘉绪[1]、王奇武[2]等在LabView开发环境下采用小波滤波方法对心电信号进行了采集处理。卢潭城[3]等通过蓝牙通信技术实现了手机上心电信号的显示。

基于以上背景，本研究开发了一套便携式且易于用户操作的心电信号检测系统。本系统通过WiFi通信技术完成心电信号的采集，并通过VB2012完成心电信号的实时显示，心电数据存储及处理。

1　心电检测系统架构

心电检测系统的总体设计框图如图1所示。

图1　心电检测系统的总体设计框图

采用无纺布Ag/AgCl贴片电极采集心电信号；采用ADI公司的AD8232芯片作为心电信号的调理模块，该模块尺寸小、功耗低，其内部集成了运算放大器、仪表放大器、右腿驱动放大器，而且具有导联脱落电路和快速恢复功能[3-4]，AD8232的外围电路如图2所示；将ATmega8A作为检测系统的微处理器，用其自带的10位A/D转换器对心电信号进行采样处理，经过采样处理的心电数据通过WiFi模块实时上传存储至云端服务器中。测量过程中，将贴片电极分别贴于左胸、右胸和左下腹部位，采集频率为400 Hz，数据传输速率为19 200 bit/s，测量的结果在平板电脑上显示。图3为未经软件滤波处理所采集到的原始心电信号。

图2　AD8232外围电路

图3　原始心电信号

由图3可以看出通过硬件采集电路采集到的原始心电信号含有外部干扰，QRS波群存在类似白噪声的干扰，且具有明显的基线漂移，因此ECG信号经过硬件采集和预处理之后，还需进行进一步的软件滤波。本系统采用小波滤波去除信号中基线漂移和其他外部噪声干扰。小波分析在信号滤波、特征提取、图像压缩等方面具有明显优势[2]。

2　小波去噪分析

系统采集到的心电信号干扰包括：由人体肌肉收缩引起的肌电干扰；由呼吸引起的心电基线漂移和幅度变化；测量电极接触和电极晃动噪声；工频干扰以及电子设备引起的噪声[5]。这些噪声都会对心电信号的检测造成影响。

2.1　离散小波变换定义

系统采集的心电信号为数字量，因此要对所采集的数据进行离散小波处理，在L2（R）信号空间中的任意函数 x（t）离散小波变换（DWT）为:

x

（t）经过小波变换后的重构变换公式为：

其中

由于小波基ψ（t）生成的小波ψa，b（t）在小波变换中对被分析的信号起观测窗的作用，所以ψ（t）还应满足一般函数约束条件：

为了实现重构信号在数值上是稳定的，还需要小波ψ（t）的傅里叶变换满足稳定性条件：

2.2　心电信号多尺度小波分析

本系统首先使用Matlab2013对采集的信号进行二次滤波和基线漂移的消除，然后再与VB2012进行混合编程实现最终想要的效果。Matlab集数学计算、可视化编程于一体，应用领域广泛；同样在信号分析处理领域也具有得天独厚的优势。如图4所示为信号小波多尺度分解结构示意图。

心电信号中的有用信号通常比较平稳有规律，而噪声信号通常是随机非平稳的。利用小波树对含噪心电信号分解后，含噪部分主要集中在高频小波系数中，心电信号中的基线漂移集中在低频小波系数中。本系统通过门限阈值法处理小波分解后的低频和高频系数，即对较大的小波系数进行保留或削弱处理，对较小的小波系数进行置零处理。如图5所示为心电信号小波去噪流程图。

图4　小波多尺度分解结构示意图

图5　心电信号小波去噪流程图

系统采用Symlets（SymN）小波系对采集的原始心电信号进行多尺度分析，Symlets小波函数是由Daubechies提出的近似对称小波函数，其是对dbN小波系的一种改进。该小波与dbN小波相比，具有更好的对称性，一定程度上能够减少对信号进行分析和重构时的相位失真。通过对采集的心电信号进行7层小波分解，下页图6为对采集到的心电信号进行小波多尺度分解的系数图。从图6中可以看出基线漂移信号主要存在于低频信号中，肌电干扰等其他干扰主要存在于高频系数中。通过对各层系数进行阈值选取确定，最终得到如下页图7所示的心电信号滤波前后波形图，从图中可以看出，经过滤波处理后的心电信号更加平稳，QRS波特征更加明显。

对采集的原始心电信号完成滤波之后，进行QRS波的提取。QRS检测的方法主要包括：阈值检测法[6]、小波分析法[7-8]、神经网络法[9]等。系统在完成小波滤波后，采用阈值检测的方法进行QRS波的检测，这样既利用了小波分析后的结果，又降低了单纯使用阈值检测法的误检率。具体实现方法如下：

1）确定阈值。从完成滤波后的心电信号fs（n）取3 600个采样点来确定阈值，首先以900n（n=1，2，3，4）对信号分组，找到极大值 max[n]（n=1，2，3，4），然后根据R波与T波幅值大致关系（R波幅值大约是T波幅值的6倍）设置阈值如下：

th=（max[1]+max[2]+max[3]+max[4]）×3/16

2）阈值比较确定QRS波。将fs（n）0中的各点与设定的阈值进行对比，大于所设置阈值的极值点即为R波的峰值，然后在峰值附近扫描极值点确定Q波的起始点和S波的终点。

如图8所示为采用小波滤波后进行阈值检测得到的QRS波识别图。从图中可以看出，系统能够比较准确地对QRS波进行识别。

图6　心电信号小波多尺度分解系数图

图7　小波滤波前后心电波形

3　心电检测系统的人机交互界面设计

心电检测系统的用户界面使用Visual Basic 2012进行开发，VB2012是微软公司较为流行的VB.NET编程语言，是Visual Studio2012环境支持的几种语言之一。VB.NET是基于.NET框架的完全面向对象的编程语言，其开发界面友好，能够可视化地开发网络应用程序、Windows应用程序和服务器端组件，但其矩阵运算、数学运算等方面的能力很弱。Matlab具有强大的数学运算功能，具有良好的扩展能力和可移植性，但其界面开发能力较弱[10]。相对于Labview，VB.NET开发的界面更美观一些，能给用户带来良好的使用体验。

图8　QRS波识别图

3.1　混合编程实现心电信号滤波

Matlab提供了多种程序语言接口，通过微软的组件对象模型（Component Object Model,COM）可以完成与VB.NET编程环境的链接，这样就能在VB.NET开发环境中利用Matlab程序进行心电信号的滤波处理，图9为采用混合编程得到滤波后的心电波形图。

图9　采用混合编程得到的滤波后的心电波形

3.2　心率值的计算

人体的心率值可以从心电数据中获得，为了提高VB2012程序的运行速率，心率的计算使用.NET语言完成。下页图10为本系统的心电数据的部分采样点，从图10中可以看出QRS波之间的采样点数密集，且没有确定的表达式。本系统采用一种快速准确的计算方法具体步骤如下：

1）对心电数据每隔10 s进行一次截取，然后再数据的前端和后端进行适当的信号延拓。

2）计算经延拓后的数据的极大值ui（i=1，2，3，…，n）。

3）在所有极大值点ui点中寻找满足以下条件的极值点uj（j=1，2，3，…，m；m＜n）为

图10　部分心电数据采样点

其中ut=0.6 mV，此值小于R波与T波的峰值差。满足以上条件的极值点个数jmax即为R波的峰值点。

4）得到R波峰值点的个数之后，通过公式

可计算人体的心率值。其中tj为首、末峰值点的时间间隔。

步骤（1）保证了R波峰值点不被遗漏，步骤（4）保证了所测心率值的准确性。

本系统通过以上方法对心率值进行计算，每隔10 s刷新一次，并存储。系统与欧姆龙HEM-7132电子血压计所测心率值进行测试对比，在测量过程中本系统与电子血压计同时启动测量。通过对比计算得到如表1所示的相对误差，从表中数据可知，本系统所检测的心率值在误差允许范围内，结果可靠、稳定。

表1　心率检测结果对比相对误差

在进行心电检测时，用户界面可以显示生动的心电波形。同时用户也可以通过输入自己的姓名、性别、年龄等基本信息将所测得的数据保存到远程服务器的数据库中，以形成用户的历史健康信息。本系统用户使用的操作界面如图11所示。

图11　用户心电检测界面

4　结语

本文所开发的便携心电采集系统通过一键完成心电信号的检测，能够高效地实现上、下位机的通信，采集的心电信号稳定、准确。利用Matlab进行软件滤波，进一步解决了AD8232外围电路滤波性能不理想的问题。此外，本系统可以判断人体的心率是否正常，绘制心率趋势图；能够进行QRS波的识别与心电数据远程存储，形成健康数据电子档案，作为医护人员的参考依据，有助于对用户可能存在的潜在病情进行预测。通过使用WiFi通信技术，使得所开发的系统既适合个人在家庭WiFi网络环境下直接对心电信号进行检测，也适合WiFi网络覆盖的社区使用。

[1]陈嘉绪，周颖.基于AD8232的心电实时监测及分析系统设计[J].计算机测量与控制，2017（2）：26-31.

[2]王奇武.便携式脉搏与心电监护系统的设计与信号处理方法的研究[D].武汉：武汉科技大学，2015.

[3]卢潭城，刘鹏，高翔，等.基于AD8232芯片的便携式心电监护仪设计[J].实验技术与管理，2015（3）：113-117.

[4]陈妮，黄代政，张国栋.人体生理参数测量系统低功耗设计与实现[J].传感器与微系统，2017（3）：80-83.

[5]刘满晋.抗运动干扰的便携式心电监测仪的研究[D].北京：北京理工大学，2015.

[6]Pan J,Tompkins W J.A real-time QRS detection algorithm[J].Biomedical Engineering,IEEE Transactions on,1985（3）：230-236.

[7]Sasikala P,Wahidabanu R SD.Robust R peak and QRSdetection in electrocardiogramusingwavelet transform[J].International Journal of Advanced Computer Science and Applications-IJACSA，2010（6）：48-53.

[8]Narayana K V L,Rao A B.Wavelet based QRS detection in ECG using MATLAB[J].Innovative Systems Design and Engineering,2011（7）：60-69.

[9]AbibullaevB,SeoH D.A newQRS detection method usingwavelets and artificial neural networks[J].Journal of medical systems,2011,35（4）：683-691.

[10]刘绍清.基于COM技术的Matlab和VB.Net混合编程[J].软件导刊，2012（5）：11-12.