【心电图处理】基于MIT-BIH心律失常数据库心电图信号去噪、R峰检测和心率变异性HRV分析Matlab实现
✅作者简介：热爱科研的Matlab仿真开发者，擅长毕业设计辅导、数学建模、数据处理、程序设计科研仿真。
🍎完整代码获取 定制创新 论文复现点击：Matlab科研工作室
👇 关注我领取海量matlab电子书和数学建模资料
🍊个人信条：做科研，博学之、审问之、慎思之、明辨之、笃行之，是为：博学慎思，明辨笃行。
🔥 内容介绍
一、引言
心电图（ECG）信号包含了丰富的心脏生理信息，对其准确分析有助于诊断各种心脏疾病。然而，实际采集的 ECG 信号常受到噪声干扰，影响后续分析。MIT - BIH 心律失常数据库包含了大量临床 ECG 记录，为研究提供了良好的数据基础。本文将基于该数据库，探讨 ECG 信号去噪、R 峰检测及心率变异性（HRV）分析的方法与实现。
二、ECG 信号去噪
噪声来源
- 工频干扰
：由电力系统产生，频率通常为 50Hz 或 60Hz，会在 ECG 信号上叠加周期性干扰，使波形产生畸变。
- 肌电干扰
：人体肌肉活动产生的电信号，其频率范围较宽，一般在几 Hz 到几百 Hz 之间，表现为不规则的高频噪声，使 ECG 信号变得模糊。
- 基线漂移
：由于呼吸运动、电极与皮肤接触不良等原因，导致 ECG 信号的基线发生缓慢变化，影响信号的准确分析。
去噪方法
- 带通滤波
：设计合适的带通滤波器，如巴特沃斯带通滤波器，以去除工频干扰和部分肌电干扰。对于以 1000Hz 采样的 ECG 信号，可设置通带范围为 0.5 - 40Hz，有效滤除 50Hz 的工频干扰及高频肌电干扰，同时保留 ECG 信号的主要频率成分。
- 小波变换去噪
：小波变换能将信号分解到不同频率子带，通过对小波系数进行处理实现去噪。具体步骤为：对含噪 ECG 信号进行小波分解，得到不同尺度的小波系数；根据噪声特性，采用阈值量化方法处理小波系数，如软阈值法，将小于阈值的系数置零，大于阈值的系数进行收缩处理；最后通过小波逆变换重构去噪后的 ECG 信号。小波基的选择很关键，如 db4 小波在 ECG 信号去噪中常能取得较好效果。
三、R 峰检测
常用算法原理
- 基于阈值的检测方法
：利用 R 峰幅值相对较高的特点，设定一个幅值阈值。当 ECG 信号幅值超过该阈值且满足一定的斜率条件（如信号上升沿斜率较大）时，判定为 R 峰。然而，该方法对噪声敏感，在噪声较大时易产生误判。
- Pan - Tompkins 算法
：是一种经典的 R 峰检测算法。首先对去噪后的 ECG 信号进行差分运算，增强 R 峰的特征；然后通过积分器进行平滑处理，进一步突出 R 峰；接着设定动态阈值来检测 R 峰，该阈值会根据信号的统计特性实时调整，有效提高了检测的准确性和鲁棒性。
实现步骤
- 数据预处理
：对去噪后的 ECG 信号进行归一化处理，将信号幅值映射到 [0, 1] 区间，方便后续算法处理。
- 特征提取与检测
：以 Pan - Tompkins 算法为例，先对归一化后的信号进行差分运算，得到信号的变化率；再通过积分器对变化率信号进行积分，得到平滑后的信号；根据平滑后信号的统计特性，如均值和标准差，动态调整阈值；当平滑后的信号超过阈值时，判定为 R 峰。
- 验证与校正
：对检测到的 R 峰进行验证，如检查 R 峰之间的时间间隔是否在合理范围内（正常心率范围对应的时间间隔），若出现异常，采用邻近搜索等方法进行校正，提高检测精度。
四、心率变异性（HRV）分析
HRV 基本概念
HRV 指逐次心跳周期之间的微小差异，反映了心脏自主神经系统对心脏调节的动态变化。HRV 分析能为心血管疾病的诊断、治疗及预后评估提供重要信息。
分析方法
- 时域分析
：计算 RR 间期（相邻 R 峰之间的时间间隔）的统计参数，如均值、标准差（SDNN）、相邻 RR 间期差值的均方根（RMSSD）等。SDNN 反映了 HRV 的总体变化，RMSSD 主要反映迷走神经对心脏的调节作用。例如，在一组 ECG 数据中，计算得到的 SDNN 值越大，说明 HRV 越大，心脏自主神经系统的调节能力越强。
- 频域分析
：通过快速傅里叶变换（FFT）或 Welch 方法等将 RR 间期序列转换到频域，得到功率谱密度。主要关注低频（LF，0.04 - 0.15Hz）和高频（HF，0.15 - 0.4Hz）频段的功率。LF 频段反映交感和迷走神经的共同作用，HF 频段主要反映迷走神经的活动。LF/HF 比值可用于评估交感神经与迷走神经的平衡状态。
五、基于 MIT - BIH 数据库的实验验证
实验设置
从 MIT - BIH 心律失常数据库中选取若干条 ECG 记录，按照上述去噪、R 峰检测和 HRV 分析方法进行处理。将处理结果与数据库提供的标注信息进行对比验证。
结果分析
- 去噪效果
：通过对比去噪前后的 ECG 信号波形，直观观察到噪声明显减少，信号更加清晰。采用信噪比（SNR）等指标定量评估，去噪后信号的 SNR 显著提高，表明去噪方法有效。
- R 峰检测精度
：将检测到的 R 峰位置与数据库标注的 R 峰位置进行比较，计算检测准确率。结果显示，Pan - Tompkins 算法在该数据库上的检测准确率较高，误检率和漏检率较低，能满足临床分析的基本要求。
- HRV 分析结果
：通过时域和频域分析得到的 HRV 参数，与正常生理状态及不同心律失常情况下的参考值进行对比。例如，对于患有心律失常的 ECG 记录，其 SDNN 值可能低于正常范围，LF/HF 比值可能出现异常，为心律失常的诊断提供了有力依据。
⛳️ 运行结果
📣 部分代码
function [ecg_dc, ecg_hp, ecg_notch, ecg_filt] = preprocess_ecg(ecg, fs)
%dc offset
ecg_dc = ecg - mean(ecg);
%high pass filtering of 0.5Hz
[b_hp,a_hp] = butter(4, 0.5/(fs/2), 'high');
ecg_hp = filtfilt(b_hp,a_hp,ecg_dc);
%notch filtering of 60Hz powerline intereference
wo = 60/(fs/2);
bw = wo/30;
[b_notch,a_notch] = iirnotch(wo,bw);
ecg_notch = filtfilt(b_notch,a_notch,ecg_hp);
%bandpass filtering(5 to 40Hz)
[b_bp,a_bp] = butter(4, [5 45]/(fs/2), 'bandpass');
ecg_filt = filtfilt(b_bp,a_bp,ecg_notch);
end
🔗 参考文献
[1]李羽翠.基于LabVIEW的心电采集分析系统设计[D].兰州理工大学,2015.DOI:10.7666/d.D01027970.