由于P波一般為低頻低幅波,容易受到基線漂移,肌電干擾等噪聲影響,且不是每個心拍都包含P波,確定某一心拍有無P波也是一難題,針對小波-幅值-斜率的方法對多樣形態P波適應的局限性,以及小波變換結合神經網絡檢測方法中選取偽P波樣本的局限性,本文提出了基于小波-幅值閾值并以多特征作為神經網絡的輸入的P波檢測方法,該方法首先利用小波變換對心電(ECG)信號進行去噪,然后利用小波變換求模極大值對的方法確定候選P波的位置,接下來利用幅值閾值初步判斷有無P波,最后利用神經網絡確定心拍有無P波。本文經由專家注釋的QT心電數據庫對該算法和傳統的小波閾值法及基于小波-幅值-斜率的方法檢測ECG信號P波的效果進行了對比,驗證了本文提出的算法的可行性,對醫院心電科記錄的ECG信號進行了檢測,其結果與醫生的標注基本相同,并對QT數據庫中的13份且每份15 min的ECG信號進行了檢測驗證,P波正確檢測率達到了99.911%。
引用本文： 宋立新, 關麗麗, 王乾, 王宇虹. 一種基于多特征的P波檢測方法. 生物醫學工程學雜志, 2014, 31(2): 283-287. doi: 10.7507/1001-5515.20140053 復制
引言
心電(ECG)疾病已經成為威脅人類健康的頭號殺手，因此對ECG疾病的早期發現和治療是刻不容緩的，傳統的對ECG疾病的診斷主要依賴于醫生對ECG的判斷，具有費時費力，不客觀等缺點，所以計算機自動分析ECG的方法應運而生。典型的ECG波形主要包括P波、QRS波、T波等，而ECG的正常與否與上述波形的幅值和間隔等參數有關，因此對ECG特征參數的準確提取是自動診斷的關鍵，ECG自動診斷主要分為以下三步：① ECG信號的預處理；② ECG信號波形的檢測；③ ECG特征的提取及診斷技術的研究。本文主要研究ECG信號的P波檢測，以往的ECG信號的P波檢測大多采用小波變換的方法[1]，但由于一般P波是低頻低幅波，容易受到基線漂移和Q波的干擾，所以單純應用小波變換檢測P波的效果并不理想，文獻[2]提出了基于小波-幅值-斜率的方法，該方法結合幅值和斜率判據，剔除干擾，檢測P波的峰點，而對于形態各異的ECG波形很難確定適合每個待檢心拍的幅值和斜率判據，而神經網絡的引入解決了這一問題，文獻[3]也提出了神經網絡和小波變換相結合的方法，該方法選取的神經網絡的輸入為P波峰值附近的采樣點，這種方法的缺點是其對訓練樣本的選取有一定要求，樣本需要包括標準P峰和經常與P波波峰容易混淆的典型偽P波波峰，而典型的偽P波樣本的選取存在困難，本文針對這些問題，提出了基于多特征的P波檢測方法，該方法結合了小波變換和神經網絡，小波變換是用來確定候選P波的峰值點，神經網絡的輸入為選取的三個特征，選取的特征結合了P波的生理特性，訓練樣本的要求是只需包含含有P波的心拍和不含P波的心拍的兩類樣本，因此解決了文獻[3]在選取偽P波訓練樣本方面的困難。
1 P波檢測方法
本文提出的算法是結合神經網絡和小波變換的多特征P波檢測方法，本算法主要分為以下幾部分：
(1) ECG信號預處理；(2) 確定P波的檢測區間；(3) 確定候選P波峰值點的位置；(4) 確定該心拍是否有P波，設定P波的檢測區間是為了消除R波及T波對P波檢測的干擾，在確定P波有無方面本文選取了P波的多個特征作為神經網絡的輸入，選取的特征包括P波的幅值，P波的斜率，P波極值點的斜率以及P波的相關系數，選取的多個特征是與P波的生理特性相關的，這些特征更加能表征ECG信號的P波特性，能夠得到更好的檢測效果。
1.1 ECG信號預處理
在檢測P波前本文首先采用小波變換的方法對ECG信號進行預處理，利用二次樣條小波對ECG信號進行二進小波變換，人體ECG信號主要頻率范圍是0.05~100 Hz,而其能量大部分集中在0.5~45 Hz，而肌電干擾的頻率在5~2 kHz之間，基線漂移頻率范圍一般在0.05~2 Hz，本文采用的ECG信號采樣頻率為250 Hz，對各尺度小波變換的系數進行分析，可知肌電干擾等高頻噪聲的主要能量集中在尺度21和22上，而基線漂移主要集中在尺度27上，所以本文對小波分解1、2上的小波系數進行閾值處理，以去除高頻噪聲，將尺度7上的小波系數置零，以去除基線漂移，然后利用小波逆變換重構ECG信號，所得的ECG信號基本去除了基線漂移和肌電干擾等噪聲，利用重構后的ECG信號進行P波檢測能夠得到更加準確的檢測結果。
1.2 確定P波的檢測區間
由于P波的檢測是在QRS波檢測之后，因此可以根據QRS波的位置確定P波的檢測區間，其中R波檢測采用的是利用小波變換求模極大值對的方法[4]，Q波檢測采用文獻[5]的方法，由ECG的基本常識可知，P波是在Q波之前，其寬度不超過0.2*RR[6]，其中RR為相鄰兩心拍的間隔，所以本文確定P波的檢測區域在Q波之前的0.25*RR間隔內。
1.3 確定候選P波峰值點的位置
利用小波變換的方法確定候選P波的位置，本文是對去噪后的ECG信號進行小波變換，選取的小波基為二次樣條小波，本文所采用的ECG信號的采樣頻率為250 Hz，由文獻[7]可知，P波的能量主要集中在3~12 Hz，對各尺度小波變換的系數進行分析，可知P波的主要能量集中在尺度24和25上，所以本文選取尺度24的小波系數進行P波的檢測，具體步驟為：首先對去噪后的心電信號進行小波變換，然后在檢測區間內尋找模極大值對，并確定模極大值對之間的過零點，將所得的過零點時移(2j-1)/2即為候選P波峰值點，可能一個心拍中候選P波不止一個，這里我們取幅值最大的點作為最終的候選P波的峰值點。
1.4 多特征的提取
本文選取與P波生理特性相關的多個特征作為候選P波的特征，選取的特征包括：候選P波的幅值，候選P波的斜率，候選P波模極大值對的斜率以及候選P波的相關系數，具體構造過程如下：
(1) P波的幅值： 本文選取重構后的ECG信號P波峰值點處的幅值作為候選P波的幅值。
(2) P波的斜率： 本文選取重構后的ECG信號候選P波峰值點左右各5個點與其前一點的斜率的均值作為候選P波的斜率。
| $k=1/10*\sum\limits_{i=-5}^{5}{\left[ f\left( p+i \right)-f\left( p+i-1 \right) \right]},$ |
其中k為候選P波的斜率，p為候選P波峰值點，f(p)為去噪后的ECG信號在候選P波峰值點處的幅值。
(3) P波模極大值對的斜率：,其中slope為候選P波模極大值對的斜率，VA,VB分別為P波的極大值和極小值，PA、PB為極大值和極小值的位置[2]。
(4 P波的相關系數： 本文根據P波峰值點和起始點定義了一個折線P波，計算P波與折線P波的相關系數，其中P波起始點的檢測采用了文獻[8]的方法，采用重構后的ECG信號，折線P波的構造過程為：① 連接P波起點A和頂點P,得到直線AP；② 求出P波AP曲線段上到直線AP距離最大的點，該點就是折線的交點；③ 同樣方法得到曲線BP的折線交點F；④ 連接AE、EP、PF、FB，就是折線P波如圖 1所示。
圖1
折線P波示意圖
Figure1.
Line-P-wave schematic diagram
1.5 確定是否有P波
本文提出利用P波的多個特征的基于神經網絡的方法來檢測P波是否存在，具體步驟如下：
1.5.1 利用P波幅值進行初步篩選
由于偽P波多為低頻低幅波，所以本文選取一個較大的幅值閾值，如果候選P波的幅值大于此閾值則確定該候選P波是真正的P波，如果小于此閾值則利用神經網絡繼續判斷，利用幅值閾值進行初步篩選的好處是對于一些幅值較大的候選P波，可以通過此方法確定其為真正的P波，無須利用神經網絡進行判斷，節省了檢測的時間。
1.5.2 建立神經網絡
以往的基于神經網絡的ECG特征檢測都是將原信號的一部分采樣點作為神經網絡的輸入[3, 9]，這種檢測只是將ECG信號看成一個時間序列，并沒有考慮ECG信號各波形的特點，本文選取候選P波的斜率 ，候選P波的模極大值對斜率，候選P波的相關系數這三個特征作為神經網絡的輸入，神經網絡采用三層BP網絡[10],輸入層單元數為3 ,中間層單元數為4 ,輸出層單元數為1,選取50個心拍作為訓練樣本，其中35個含有P波,15個不含P波，將這些心拍的上述三個特征作為神經網絡的輸入，令含有P波的輸出為1，不含P波的輸出為0，然后利用已經訓練好的網絡對待檢測的心拍進行P波識別，若輸出為0則該候選P波為偽P波，若輸出為1，則該候選P波峰值點即為真實的P波峰值點。
2 實驗結果
本文利用QT數據庫中的ECG信號驗證所提出算法的可行性，因為QT數據庫包含醫生標注的P波位置。本文對比了所提出的算法和小波閾值法[1]及文獻[2]中的方法檢測P波的效果，上述三種方法的檢測結果如圖 2所示。
圖2
本文算法和小波變換閾值法及文獻[2]的方法檢測結果對比
(a) 104號ECG信號專家標注的結果；(b) 104號ECG信號小波變換閾值法的檢測結果；(c) 104號ECG信號利用文獻[2]的方法的檢測結果；(d) 104號ECG信號本文算法的檢測結果；(e) 221號(不含P波) ECG信號專家標注的結果；(f) 221號ECG信號小波變換閾值法的檢測結果；(g) 221號ECG信號利用文獻[2]的方法的檢測結果；(h) 221號ECG信號本文提出算法的檢測結果；(i) 16273號ECG信號專家標注的結果; (j) 16273號ECG信號小波變換閾值法的檢測結果; (k)16273號ECG信號利用文獻[2]的方法的檢測結果; (l) 16273號ECG信號本文算法的檢測結果
Figure2. A comparison of detection results between the proposed method,the wavelet thresholding method and the algorithm mentioned in Literature 2(a) is the result of NO.104 ECG signal with manual labels made by a physician; (b) is the result of NO.104 ECG signal by using wavlet thresholding method ; (c)is the result of NO.104 ECG signal by using the method in literature2; (d) is the result of NO.104 ECG signal by using the method which is developed in this paper; (e) is the result of NO.221(excluding P wave) ECG signal with manual labels made by a physician ;(f) is the result of NO.221 ECG signal by using wavlet thresholding method; (g) is the result of NO.221 ECG signal by using the method in literature2; (h) is the result of NO.221 ECG signal by using the method which is developed in this paper ;(i) is the result of NO.16273 ECG signal with manual labels made by a physician; (j) is the result of NO.16273 ECG signal by using wavlet thresholding method; (k) is the result of NO.16273 ECG signal by using the method in literature2; (l) is the result of NO.16273 ECG signal by using the method which is developed in this paper
由圖 2可知，對于104號ECG信號如果閾值選取過大則一些真正的P波被剔除了，檢測效果不理想，文獻[2]的方法也因為沒有選取合適的斜率閾值使得檢測結果存在偏差，而本文提出的方法能夠很好的去除偽P波，并且能很好的檢測出真正的P波，221號ECG信號并不存在P波，但由于閾值選取過小的原因，使得小波變換的檢測結果中存在一部分偽P波，文獻[2]的方法也因為斜率閾值選取過小而存在偽P波，16273號ECG信號為P波幅度較小的ECG信號，小波變換由于閾值選取過大使得一部分P波被錯誤的剔除了，而文獻[2]的方法和本文的方法都得到了很好的檢測結果。
本文還對醫院心電科記錄的ECG信號進行了P波檢測，該ECG信號P波位置有醫生標注，檢測結果如圖 3所示。
圖3
醫院心電科記錄的ECG信號利用本文算法的P波檢測效果
(a)患者A醫生標注的P波位置；(b) 患者A利用本文算法的檢測結果；(c)患者B醫生標注的P波位置；(d) 患者B利用本文算法的檢測結果
Figure3. The detection results of the proposed method of ECG signal which is provided by the ECG division in the hospital(a) the position of P wave of patient A which is with manual labels made by a doctor; (b) the detection result of patient A by using the method which is developed in this paper; (c) the position of P wave of patient B which is with manual labels made by a doctor; (d) the detection result of patient B by using the method which is developed in this paper
從圖 3中可以看出利用本文算法檢測到的P波與醫生標注的結果基本相同，由此可知本文的算法在檢測實際的ECG信號P波時也能得到很好的檢測結果。
采用本文提出的方法對QT數據庫中的13份每份15 min的ECG數據進行P波檢測，表 1列出了該方法的P波檢測結果，準確率達到了99.911%。
表1
QT數據庫中P波的檢測結果
Table1.
The detection result of QT database
3 結論
本文基于P波的多個特征結合神經網絡與小波變換相結合的方法檢測P波，其中神經網絡用來判斷待檢心拍有無P波，這種方法由于引入了神經網絡解決了基于小波-幅值-斜率[2]方法無法選取適合形態多樣的P波的幅值和斜率判據的問題，并且對原有的神經網絡用于ECG檢測的方法進行了改進，提出了利用P波的特征作為神經網絡輸入的新方法，該方法更好的考慮到ECG信號的生理特性使得檢測結果更為準確，而且本算法對訓練樣本的要求較低，只需包含存在P波的心拍和不存在P波的心拍的兩類樣本，解決了文獻[3]中神經網絡在選取典型的易與P波混淆的偽P波樣本方面的困難，并通過對比本文的算法和小波閾值法及文獻[2]的方法的P波檢測效果對比證明了本算法具有更有效的檢測結果，還利用本文的算法對醫院心電科記錄的ECG信號進行了P波檢測，得到的結果與醫生標注的結果基本相同。
引言
心電(ECG)疾病已經成為威脅人類健康的頭號殺手，因此對ECG疾病的早期發現和治療是刻不容緩的，傳統的對ECG疾病的診斷主要依賴于醫生對ECG的判斷，具有費時費力，不客觀等缺點，所以計算機自動分析ECG的方法應運而生。典型的ECG波形主要包括P波、QRS波、T波等，而ECG的正常與否與上述波形的幅值和間隔等參數有關，因此對ECG特征參數的準確提取是自動診斷的關鍵，ECG自動診斷主要分為以下三步：① ECG信號的預處理；② ECG信號波形的檢測；③ ECG特征的提取及診斷技術的研究。本文主要研究ECG信號的P波檢測，以往的ECG信號的P波檢測大多采用小波變換的方法[1]，但由于一般P波是低頻低幅波，容易受到基線漂移和Q波的干擾，所以單純應用小波變換檢測P波的效果并不理想，文獻[2]提出了基于小波-幅值-斜率的方法，該方法結合幅值和斜率判據，剔除干擾，檢測P波的峰點，而對于形態各異的ECG波形很難確定適合每個待檢心拍的幅值和斜率判據，而神經網絡的引入解決了這一問題，文獻[3]也提出了神經網絡和小波變換相結合的方法，該方法選取的神經網絡的輸入為P波峰值附近的采樣點，這種方法的缺點是其對訓練樣本的選取有一定要求，樣本需要包括標準P峰和經常與P波波峰容易混淆的典型偽P波波峰，而典型的偽P波樣本的選取存在困難，本文針對這些問題，提出了基于多特征的P波檢測方法，該方法結合了小波變換和神經網絡，小波變換是用來確定候選P波的峰值點，神經網絡的輸入為選取的三個特征，選取的特征結合了P波的生理特性，訓練樣本的要求是只需包含含有P波的心拍和不含P波的心拍的兩類樣本，因此解決了文獻[3]在選取偽P波訓練樣本方面的困難。
1 P波檢測方法
本文提出的算法是結合神經網絡和小波變換的多特征P波檢測方法，本算法主要分為以下幾部分：
(1) ECG信號預處理；(2) 確定P波的檢測區間；(3) 確定候選P波峰值點的位置；(4) 確定該心拍是否有P波，設定P波的檢測區間是為了消除R波及T波對P波檢測的干擾，在確定P波有無方面本文選取了P波的多個特征作為神經網絡的輸入，選取的特征包括P波的幅值，P波的斜率，P波極值點的斜率以及P波的相關系數，選取的多個特征是與P波的生理特性相關的，這些特征更加能表征ECG信號的P波特性，能夠得到更好的檢測效果。
1.1 ECG信號預處理
在檢測P波前本文首先采用小波變換的方法對ECG信號進行預處理，利用二次樣條小波對ECG信號進行二進小波變換，人體ECG信號主要頻率范圍是0.05~100 Hz,而其能量大部分集中在0.5~45 Hz，而肌電干擾的頻率在5~2 kHz之間，基線漂移頻率范圍一般在0.05~2 Hz，本文采用的ECG信號采樣頻率為250 Hz，對各尺度小波變換的系數進行分析，可知肌電干擾等高頻噪聲的主要能量集中在尺度21和22上，而基線漂移主要集中在尺度27上，所以本文對小波分解1、2上的小波系數進行閾值處理，以去除高頻噪聲，將尺度7上的小波系數置零，以去除基線漂移，然后利用小波逆變換重構ECG信號，所得的ECG信號基本去除了基線漂移和肌電干擾等噪聲，利用重構后的ECG信號進行P波檢測能夠得到更加準確的檢測結果。
1.2 確定P波的檢測區間
由于P波的檢測是在QRS波檢測之后，因此可以根據QRS波的位置確定P波的檢測區間，其中R波檢測采用的是利用小波變換求模極大值對的方法[4]，Q波檢測采用文獻[5]的方法，由ECG的基本常識可知，P波是在Q波之前，其寬度不超過0.2*RR[6]，其中RR為相鄰兩心拍的間隔，所以本文確定P波的檢測區域在Q波之前的0.25*RR間隔內。
1.3 確定候選P波峰值點的位置
利用小波變換的方法確定候選P波的位置，本文是對去噪后的ECG信號進行小波變換，選取的小波基為二次樣條小波，本文所采用的ECG信號的采樣頻率為250 Hz，由文獻[7]可知，P波的能量主要集中在3~12 Hz，對各尺度小波變換的系數進行分析，可知P波的主要能量集中在尺度24和25上，所以本文選取尺度24的小波系數進行P波的檢測，具體步驟為：首先對去噪后的心電信號進行小波變換，然后在檢測區間內尋找模極大值對，并確定模極大值對之間的過零點，將所得的過零點時移(2j-1)/2即為候選P波峰值點，可能一個心拍中候選P波不止一個，這里我們取幅值最大的點作為最終的候選P波的峰值點。
1.4 多特征的提取
本文選取與P波生理特性相關的多個特征作為候選P波的特征，選取的特征包括：候選P波的幅值，候選P波的斜率，候選P波模極大值對的斜率以及候選P波的相關系數，具體構造過程如下：
(1) P波的幅值： 本文選取重構后的ECG信號P波峰值點處的幅值作為候選P波的幅值。
(2) P波的斜率： 本文選取重構后的ECG信號候選P波峰值點左右各5個點與其前一點的斜率的均值作為候選P波的斜率。
| $k=1/10*\sum\limits_{i=-5}^{5}{\left[ f\left( p+i \right)-f\left( p+i-1 \right) \right]},$ |
其中k為候選P波的斜率，p為候選P波峰值點，f(p)為去噪后的ECG信號在候選P波峰值點處的幅值。
(3) P波模極大值對的斜率：,其中slope為候選P波模極大值對的斜率，VA,VB分別為P波的極大值和極小值，PA、PB為極大值和極小值的位置[2]。
(4 P波的相關系數： 本文根據P波峰值點和起始點定義了一個折線P波，計算P波與折線P波的相關系數，其中P波起始點的檢測采用了文獻[8]的方法，采用重構后的ECG信號，折線P波的構造過程為：① 連接P波起點A和頂點P,得到直線AP；② 求出P波AP曲線段上到直線AP距離最大的點，該點就是折線的交點；③ 同樣方法得到曲線BP的折線交點F；④ 連接AE、EP、PF、FB，就是折線P波如圖 1所示。
圖1
折線P波示意圖
Figure1.
Line-P-wave schematic diagram
1.5 確定是否有P波
本文提出利用P波的多個特征的基于神經網絡的方法來檢測P波是否存在，具體步驟如下：
1.5.1 利用P波幅值進行初步篩選
由于偽P波多為低頻低幅波，所以本文選取一個較大的幅值閾值，如果候選P波的幅值大于此閾值則確定該候選P波是真正的P波，如果小于此閾值則利用神經網絡繼續判斷，利用幅值閾值進行初步篩選的好處是對于一些幅值較大的候選P波，可以通過此方法確定其為真正的P波，無須利用神經網絡進行判斷，節省了檢測的時間。
1.5.2 建立神經網絡
以往的基于神經網絡的ECG特征檢測都是將原信號的一部分采樣點作為神經網絡的輸入[3, 9]，這種檢測只是將ECG信號看成一個時間序列，并沒有考慮ECG信號各波形的特點，本文選取候選P波的斜率 ，候選P波的模極大值對斜率，候選P波的相關系數這三個特征作為神經網絡的輸入，神經網絡采用三層BP網絡[10],輸入層單元數為3 ,中間層單元數為4 ,輸出層單元數為1,選取50個心拍作為訓練樣本，其中35個含有P波,15個不含P波，將這些心拍的上述三個特征作為神經網絡的輸入，令含有P波的輸出為1，不含P波的輸出為0，然后利用已經訓練好的網絡對待檢測的心拍進行P波識別，若輸出為0則該候選P波為偽P波，若輸出為1，則該候選P波峰值點即為真實的P波峰值點。
2 實驗結果
本文利用QT數據庫中的ECG信號驗證所提出算法的可行性，因為QT數據庫包含醫生標注的P波位置。本文對比了所提出的算法和小波閾值法[1]及文獻[2]中的方法檢測P波的效果，上述三種方法的檢測結果如圖 2所示。
圖2
本文算法和小波變換閾值法及文獻[2]的方法檢測結果對比
(a) 104號ECG信號專家標注的結果；(b) 104號ECG信號小波變換閾值法的檢測結果；(c) 104號ECG信號利用文獻[2]的方法的檢測結果；(d) 104號ECG信號本文算法的檢測結果；(e) 221號(不含P波) ECG信號專家標注的結果；(f) 221號ECG信號小波變換閾值法的檢測結果；(g) 221號ECG信號利用文獻[2]的方法的檢測結果；(h) 221號ECG信號本文提出算法的檢測結果；(i) 16273號ECG信號專家標注的結果; (j) 16273號ECG信號小波變換閾值法的檢測結果; (k)16273號ECG信號利用文獻[2]的方法的檢測結果; (l) 16273號ECG信號本文算法的檢測結果
Figure2. A comparison of detection results between the proposed method,the wavelet thresholding method and the algorithm mentioned in Literature 2(a) is the result of NO.104 ECG signal with manual labels made by a physician; (b) is the result of NO.104 ECG signal by using wavlet thresholding method ; (c)is the result of NO.104 ECG signal by using the method in literature2; (d) is the result of NO.104 ECG signal by using the method which is developed in this paper; (e) is the result of NO.221(excluding P wave) ECG signal with manual labels made by a physician ;(f) is the result of NO.221 ECG signal by using wavlet thresholding method; (g) is the result of NO.221 ECG signal by using the method in literature2; (h) is the result of NO.221 ECG signal by using the method which is developed in this paper ;(i) is the result of NO.16273 ECG signal with manual labels made by a physician; (j) is the result of NO.16273 ECG signal by using wavlet thresholding method; (k) is the result of NO.16273 ECG signal by using the method in literature2; (l) is the result of NO.16273 ECG signal by using the method which is developed in this paper
由圖 2可知，對于104號ECG信號如果閾值選取過大則一些真正的P波被剔除了，檢測效果不理想，文獻[2]的方法也因為沒有選取合適的斜率閾值使得檢測結果存在偏差，而本文提出的方法能夠很好的去除偽P波，并且能很好的檢測出真正的P波，221號ECG信號并不存在P波，但由于閾值選取過小的原因，使得小波變換的檢測結果中存在一部分偽P波，文獻[2]的方法也因為斜率閾值選取過小而存在偽P波，16273號ECG信號為P波幅度較小的ECG信號，小波變換由于閾值選取過大使得一部分P波被錯誤的剔除了，而文獻[2]的方法和本文的方法都得到了很好的檢測結果。
本文還對醫院心電科記錄的ECG信號進行了P波檢測，該ECG信號P波位置有醫生標注，檢測結果如圖 3所示。
圖3
醫院心電科記錄的ECG信號利用本文算法的P波檢測效果
(a)患者A醫生標注的P波位置；(b) 患者A利用本文算法的檢測結果；(c)患者B醫生標注的P波位置；(d) 患者B利用本文算法的檢測結果
Figure3. The detection results of the proposed method of ECG signal which is provided by the ECG division in the hospital(a) the position of P wave of patient A which is with manual labels made by a doctor; (b) the detection result of patient A by using the method which is developed in this paper; (c) the position of P wave of patient B which is with manual labels made by a doctor; (d) the detection result of patient B by using the method which is developed in this paper
從圖 3中可以看出利用本文算法檢測到的P波與醫生標注的結果基本相同，由此可知本文的算法在檢測實際的ECG信號P波時也能得到很好的檢測結果。
采用本文提出的方法對QT數據庫中的13份每份15 min的ECG數據進行P波檢測，表 1列出了該方法的P波檢測結果，準確率達到了99.911%。
表1
QT數據庫中P波的檢測結果
Table1.
The detection result of QT database
3 結論
本文基于P波的多個特征結合神經網絡與小波變換相結合的方法檢測P波，其中神經網絡用來判斷待檢心拍有無P波，這種方法由于引入了神經網絡解決了基于小波-幅值-斜率[2]方法無法選取適合形態多樣的P波的幅值和斜率判據的問題，并且對原有的神經網絡用于ECG檢測的方法進行了改進，提出了利用P波的特征作為神經網絡輸入的新方法，該方法更好的考慮到ECG信號的生理特性使得檢測結果更為準確，而且本算法對訓練樣本的要求較低，只需包含存在P波的心拍和不存在P波的心拍的兩類樣本，解決了文獻[3]中神經網絡在選取典型的易與P波混淆的偽P波樣本方面的困難，并通過對比本文的算法和小波閾值法及文獻[2]的方法的P波檢測效果對比證明了本算法具有更有效的檢測結果，還利用本文的算法對醫院心電科記錄的ECG信號進行了P波檢測，得到的結果與醫生標注的結果基本相同。
