熊 鹏 刘学朋 杜海曼 刘 明 侯增广 王洪瑞* 刘秀玲

①(河北大学电子信息工程学院河北省数字医疗工程重点实验室 保定071002)

②(中国科学院自动化研究所 北京100190)

1 引言

心电图(ElectroCardioGram,ECG)作为心血管疾病诊断的有效手段，其P,T波代表了心室的复极化，精准的P,T波检测可以对心室颤动和心源性猝死等重大心脏疾病进行有效预测[1,2]。但是由于P,T波所在位置低频成分较多[3]，噪声较大，加之P,T波形态多变。因此，P, T波检测成为目前的研究难点。

目前，针对ECG信号P,T波的自动检测，研究工作者提出了多种方法，包括基于滤波器的检测算法、基于神经网络的检测算法和基于小波变换的检测算法等。

Elgendi等人[4]通过0.5～10 Hz的2阶巴特沃斯滤波器(Butterworth filter)剔除与P,T波检测无关的基线漂移和QRS波群，利用差分法对P,T波进行识别。通过P,T波频域特性滤除的基线漂移和QRS波群，得到P,T波的待检测段，待检测波段的光滑程度是影响其峰值检测的关键。但是，光滑的仅包含P,T波的待检测段的获得是十分困难的，由于在ECG信号在采集过程中受到外界各种噪声以及工频干扰[5]，因此ECG信号的特征波的波峰附近会有细小的毛刺，这些毛刺的频段与P,T波频段重叠[6]，因此仅通过频域特性对信号滤波并不能去除这种毛刺，从而无法获得光滑的P,T波待检测段，导致峰值点的判断不准确。

Peimankar等人[7]利用已有的小波法获得P波和T波位置，根据P波和T波位置选取附近的采样点作为神经网络的输入，构建训练模型。但是在训练集构建过程中，该类算法对训练集样本的广泛性有一定的要求，因此全面丰富的训练集对提高该类算法的精度是十分重要的，但实际临床中P波和T波形态变化复杂，仅依靠训练集得到的检测模型的适用性低。……