杨淑莹 桂彬彬 陈胜勇

(天津理工大学计算机科学与工程学院 天津 300384)

(计算机视觉与系统教育部重点实验室 天津 300384)

1 引言

影响人类生命健康的各种疾病中，心血管病是最主要的疾病之一，据国家心血管病中心报告，心血管病死亡率在各种疾病中居首位，占居民疾病死亡构成的40%以上[1]。在心血管疾病的早期发作中，心律失常的症状已在临床实践和病理学研究中广泛报道。心律失常的临床诊断主要依靠心电图(Electro Cardio Graph,ECG)。许多心脏结构或电生理异常在ECG上都有对应，对其进行识别可以帮助诊断心脏疾病。在获得患者的ECG后，往往需要专业的心脏病医生结合大量的专业知识和临床经验才能做出合理的诊断，这需要投入相当大的人力和精力。随着计算机科学的不断发展，心律失常自动检测任务已成为研究热点，它为医生提供了越来越有效和可靠的诊断依据，缓解了医生的人力投入。

传统上，ECG信号的自动检测任务通常需要3个步骤，即信号预处理、特征提取和模式分类[2]。ECG信号通常是经过专用的心电记录仪获取的，因此原始信号中混杂了各种无效信号和噪声信号。ECG信号中主要的噪声包括心肌噪声、基线漂移、工频干扰、信道噪声和运动伪影[3,4]。针对 ECG信号比较典型的去噪方法包括低通滤波器、自适应滤波器[5,6]。在最近的报道中，研究人员在去噪方法算法上做了新的研究，提出了如经验模态分解(Empirical Mode Decomposition,EMD)、自适应傅里叶分解和基于人工神经网络(Artificial Neural Network,ANN)的去噪方法[7–9]。……