ECG心电信号采集与分析技术综述

心电图（ECG）是记录心脏电活动的一种方法，它可以通过测量心脏产生的电信号来评估心脏功能和心脏健康状况。

心电信号

一个完整的心跳周期是由P波、QRS波群、T波、U波及间期波形组成，每种心电波形及**了不同心脏部位的各种电活动。一个完整的心拍如下：

01. P波：**心房除极，长度约0.08s-0.11s，幅值不超过0.25mV。

02. P-R间期：**房室传导时间，长度一般为0.12s-0.2s。

03. QRS波群：由Q波、R波和S波组成，可用于判断心律失常类型。

04. T波：**心室快速运动复极时的电位波动变化，长度约0.02s-0.25s。

05. QT间期：**心室肌除极和复极的运动全过程，长度约0.43s-0.44s。

06. U波：出现在T波之后，振幅低小，方向一般与T波相同，振幅约为T波的一半。

常见ECG测量方法

采集数据

使用心电图仪器（心电采集器）将患者的心电信号记录下来。这通常通过将电极放置在患者的皮肤上，以测量心脏电活动的信号。

01. 单导联心电图：使用单个电极记录心电信号。虽然不常见，但在特定情况下（例如，对特定导联的关注）可能会使用。

Lead I: I = LA – RA，LA是left-arm电极, RA是right-arm电极。

02. 三导联心电图：通常使用在急诊室、医疗救护车或临床现场等快速诊断场景中，它使用三个电极（一般为左手、右手和左腿）记录心电信号，用于快速评估心率和心律。

Lead I: I = LA - RA；Lead II: II = LL – RA通过Lead I和Lead II可以求出以下导联：Lead III: III = LL - LA；aVR = -(I + II)/2 = RA - (LA + LL)/2；aVL = I - II/2 = LA - (RA + LL)/2；aVF = II - I/2 = LL - (RA + LA)/2

WCT(Wilson Central Terminal) = (RA + LA + LL)/3，五导联中，一般会加一个胸部导联，Lead V1威尔逊中心节点会作为胸部导联的参考电压。胸部导联Lead V1 = V1 – WCT。

03. 标准12导联心电图：使用至少10个电极从不同的角度记录心电信号。这包括4个四肢导联（肢体导联R、L、N、F）和6个胸部导联（胸导联C1、C2、C3、C4、C5、C6），可以提供对心脏电活动在不同方向上的**评估。【专业性医学研究偏多】

• 24小时动态心电图（Holter监测）：患者在24小时内佩戴便携式ECG记录仪，记录正常日常活动和心电活动，以检测不稳定的心律或周期性心电异常。
  （三导联或五导联心电一般用来做24小时的心电信号记录。）
• 运动心电图：在体育活动中或运动测试期间监测心脏活动，以评估心脏对运动的适应性和可能的异常反应。
• 静息心电图：在患者处于静止状态下进行的心电图检查，通常用于初步评估心脏健康状况和检测潜在的心电异常。

信号预处理

对采集到的信号进行预处理，以消除可能存在的噪音或干扰。这可能涉及滤波和放大信号，以使心电信号更清晰和可分析。

01. 滤波：滤波是去除信号中的噪音和干扰的常用方法。常见的滤波器包括低通滤波器、高通滤波器和带通滤波器，它们可以过滤掉不需要的频率成分，保留感兴趣的信号。

02. 基线漂移校正：心电信号可能受到基线漂移的影响，即信号在时间轴上的整体移动。进行基线漂移校正可以将信号调整到正确的基线水平，以便更准确地分析波形特征。

03. 去除肌电干扰：肌电干扰是由肌肉活动引起的电信号，可能会干扰心电信号的准确测量。通过滤波或其他方法，可以尽量去除这种干扰。

04. 去除呼吸运动干扰：呼吸运动也会产生电信号，可能干扰心电图的准确性。去除呼吸运动干扰的方法包括呼吸同步技术和滤波等。

05. 信号放大：在预处理过程中，有时需要对信号进行放大以增强信号的特征，使其更容易识别和分析。

06. 时域和频域分析：对预处理后的信号进行时域和频域分析，以进一步了解信号的特征和结构，例如心率、频率成分和振幅等。

常见脑电信号分析方法

ECG数据分析

对预处理后的心电信号进行分析。这可能包括检测和测量心跳的特定特征，如P波、QRS波群和T波，以及测量心率、心律和其他心电参数。

01. 深度学习

在深度学习中，通常使用的是深度神经网络，其中包括多个神经网络层次（即深度），每个层次都包含多个神经元（或节点）。

这些网络通过在不同层次之间传递和处理数据，逐步提取数据中的高级抽象特征，从而实现对复杂数据模式的识别和理解。

深度学习的关键优势之一是其对大规模数据的高效处理能力。通过大量数据的训练，深度学习模型可以自动学习并提取数据中的规律和特征，从而实现对数据的准确分类和预测。此外，深度学习模型还具有很强的通用性，能够适应各种类型的数据和任务。

因此，深度学习为心电图的识别提供了一种端到端的解决方案，即不需要手工进行滤波和特征提取，直接将心电数据切分后输入到模型中即可进行分类。

02. CNN模型（卷积神经网络）

该论文中只使用了简单的卷积神经网络，达到了94%的准确率。

卷积神经网络是一种用于图像识别和特征提取的深度学习模型。在ECG数据中，每个导联可以被视为一个时间序列的信号。CNN模型通过在时间维度上进行滑动的卷积操作来提取不同时间尺度下的特征。

在ECG数据分析中，CNN模型可以自动学习心电图中的各种特征，如波形形状、幅值变化和频率分布，而无需手动进行特征提取。这种端到端的方法使得模型对于不同心电图信号的变化和异常具有较好的适应性。

03. CNN-LSTM模型（卷积神经网络与长短期记忆网络的结合）

在传统的CNN模型中，没有考虑到信号之间的时间关系。但在ECG数据中，信号的时间序列关系是非常重要的，因为心脏的电活动是随着时间变化的。

因此，为了更**地反映心电信号中包含的信息及提高模型的分类和识别准确性，将卷积神经网络（CNN）和长短期记忆网络（LSTM）相结合，可以提取出信号在空间和时间上的特征【CNN-LSTM模型】。CNN用于提取信号的空间特征，而LSTM用于捕捉信号的时间动态特征。

• 空间特征提取：卷积神经网络（CNN）在空间上具有强大的特征提取能力，能够从心电信号中提取出不同导联的时域和频域特征。这些特征可以帮助模型识别和区分不同类型的心电波形，如P波、QRS波群、T波等。
• 时间动态特征捕捉：长短期记忆网络（LSTM）在时间序列数据中能够捕捉到长期依赖关系，对信号的时间动态特征进行建模。在心电信号中，LSTM可以帮助模型理解心电信号的时间序列关系，如心跳间隔、心率变化等，从而更准确地对心脏状态进行分类和诊断。

通过这些理论，已经有研究人员尝试搭建了CNN+LSTM模型及CNN+GRU模型，*终达到了97%的准确率。

04. SENet-LSTM模型（SENet与长短期记忆网络的结合）

在心电图数据分析中，某些波段可能对识别和分类更重要，而其他波段可能相对影响不大且作用较小。（例如，R波段是判断心脏是否有问题的关键因素，P、Q、S段虽有体现但不是决定性因素。）

因此，如果希望突出某些特征、忽略其他无关特征，并且不希望增加网络深度，那么可以使用SENet（Squeeze-and-Excitation Network）。

SENet是一种注意力机制网络，用于动态调整特征图中不同通道之间的重要性。

具体而言，SENet首先对特征图进行压缩（squeeze）操作，将其转换为全局描述，然后利用这些全局描述来学习每个通道的重要性，**通过激励（excitation）操作来重新加权特征图，放大重要特征、抑制不重要特征。

将SENet与LSTM结合，可以让模型更加关注对识别和分类*为关键的特征，同时抑制那些对识别无关的特征。这种结合可以提高模型对心电图数据的理解和准确性。

ECG数据库

https://physionet.org/

这是一个生物信号开源的网站，专门为research提供生物信号的数据（还包含EEG、PPG等）。主要分三个部分：1）database，即各种信号数据下载；2）读取数据的工具WFDB；3）额外资源。

另外，它还支持数据库可视化（http://archive.physionet.org/c），可以直接从各个数据库提取数据，以折线的方式显示数据的真实变动情况。

参考文献

• [1] Brosnan Yuen; Xiaodai Dong; Tao Lu(2019). Inter-Patient CNN-LSTM for QRS Complex Detection in Noisy ECG Signals
  
• [2]Barbara Mukami Maweu(2021). CEFEs: A CNN Explainable Framework for ECG Signals
• [3]Georgios Petmezas(2021). Atrial Fibrillation Detection using a Hybrid CNN-LSTM Network on Imbalanced ECG Datasets
• [4]Gengjia Zhang(2024). Development of continuous cuffless blood pressure prediction platform using enhanced 1-D SENet–LSTM