- 研究背景及意义
自从人类迈入21世纪的大门，生活节奏加快、工作压力增大，心脏病病患数量的增加和患病程度日益严重，心脏病已经成为严重威胁人类健康的疾病之一。从我国看，据2018年的最新统计，我国心脏病患者已超过2.9亿人，每年有200万患者突发心脏病意外，70万患者发生中风，死亡病例高达300万人。另一项统计显示，我国每年新增的先天心脏病患儿有15-20万例，但每年进行的先天性心脏病外科手术仅6-7万例，不到每年新发生先天性心脏病病人的一半。随着人口老龄化加重，未来二十年，心血管疾病发病率还将持续走高。从全球看，它是危害人类健康、造成人类死亡的三大疾病（心脏病，脑血管病和癌症）之一，每年夺走1200万人的生命，接近世界人口总死亡的1/4。尽管近30年来，除东欧各国外的大多数国家的心血管病死亡率都有不同程度的下降，但其仍是多数国家45岁以上男性的第一死亡原因，而对女性而言，则是仅次于肿瘤的第二死因，严重影响着人类的健康和寿命。
心电图(electrocardiogram,ECG)的检测与分析，是临床了解心脏功能状况、辅助诊断心血管疾病、评估各种治疗方法的重要手段。而体表EXG信号具有较大的随机性和背景噪声，是一种非线性、不平稳的微弱信号。心电图波形比较复杂，数据量又大，耗费大量人力精力，可能导致人工误判，还有高昂的检测治疗费用。因此实现心脏病自动诊断功能已可不容缓，那样可以及早诊断心脏病的成因并且进行治疗，节省大量人力，从而大幅度降低医疗诊断费用。
心脏病的早期发现主要靠心电图得到相关的信息，人们可以通过顶起到医院进行体检来了解自己的心脏健康情况，或者在家通过心电图远程服务系统向医生及时反馈自己的心电信息，以便于及时获取相关的准确指导。
动态心电图的出现解决了这一问题，并且广泛应用于临床诊断。动态心电图机可以随时随地长时间记录病人的心电信息，这样医生就可以了解病人心脏活动情况、疾病发作时间和周期等信息。但是发展动态心电图的一个问题，其心电信息远远大于常规心电图，这将极大地增加医务人员的工作量。动态心电图机发展的最大问题就是心电信号噪声干扰的处理。由于动态心电图一般是在移动状态下，或者周围环境可能嘈杂的情况下进行测量的。因此，这种情况下获得的心电信号噪声干扰远远大于临床测量的，而心电信号本身就是一种比较微弱的生理信号，因此这就增加了信号预处理的难度与高度。此外，异常心电图种类繁多，不同患者同一病理的心电图，甚至同患者不同时刻的心电图都是有细微差别的，这就要求医务专家具有丰富的理论知识以及大量的临床实战经验才能做出准确的诊断。
ECG心电信号预处理和波形自动识别技术很好的解决了动态心电图所面临的这些问题，不仅极大的减少了医务人员的工作量，而且提高了诊断速度，进而降低心脏疾病诊断的医疗费用。这一改进受到了广大医务人员的极大欢迎，从而使许多科学研究院、学校、企业投身于心电自动诊断系统的研究中。然而，目前的心电信号处理和波形自动识别系统只是用来辅助心电专家进行诊断，并不能完全取代人工分析，主要是因为目前的心电自动诊断技术准确度和处理速度未能达到临床实验的要求，并且计算机自动诊断缺乏统一的标准，从而降低了其识别的可靠性。因此，提高心电信号预处理和波形自动识别系统的准确性和实用性，对于提高心电图临床诊断的质量，实现自动化诊断具有非常重要的现实意义。
- 国内外研究概况
- 心电信号去噪算法的研究现状
从实际测量信号中准确获取真实的信号时至今日仍然是心电信号处理和统计分析中颇具挑战性的问题，人们希望能够在去噪的同时相对完整保留所需信号的重要特征。
而人体心电信号十分微弱，一般都是毫伏（mV）级别，频带范围在0.05~100Hz，是一种低幅值、低频率、低信噪比的生理信号，所以在心电信号的采集过程中，常常会引入噪声，其中主要受到以下三种噪声干扰：基线漂移、工频噪声和肌电噪声，以及其他一些诸如白噪声等偶发噪声。针对三种主要噪声，国内外的许多学者做了大量的研究工作。
就目前关于心电信号的去噪处理技术来说，主要包含了两方面：一是采用传统数字滤波器方法；二是运用现代信号处理方法。其中，传统的数字滤波器是无限脉冲响应（IIR）滤波器和有限脉冲响应（FIR）滤波器为代表，而现代信号处理方法则是以自适应滤波、小波变换、数学形态学、希尔伯特-黄变换和人工神经网络等现代高薪滤波技术为代表。
- 基线漂移的去除。基本思想是将心电信号与基线漂移有效分离后利用信号加减法运算滤除基线漂移。万相奎等人通过改进的三次样条插值法提取基线漂移，后做减法滤除干扰。肖倩提出了基于小波变换的自适应滤波器，该方法在有效滤除基线漂移的同时较完整的保留了ST段的信息。不过由于参考信号与输入噪声信号匹配情况不好，一定程度上也会影响滤波效果。Zhang等人采用经验模态分解（EMD）法去除基线漂移噪声，不过该算法存在模态混叠和端点效应，故重构信号时易造成心电信号波形失真。Gholami等人采用了基于神经网络的自适应噪声抵消来滤除基线漂移以及运动轨迹，不过神经网络需要学习训练、计算量大且易受QRS波群影响。Zhang等人设计了一种基于FIR和数学形态学相结合的滤波器，能完整保留原始心电信号特征波形，但数学形态学的关键在于结构元素大小和形状选取，选取的正确也会影响到滤波效果。Verme等人在采用形态学方法时，选取了球形结构元素，并取得了不错的滤波效果。
- 工频噪声的去除。由于传统数字滤波器的截止频率都是固定不变的，而工频噪声的频率通常为50Hz或60Hz，所以在早期研究中，人们一般都是设计低通滤波器来滤除工频噪声。何伶俐等人通过对各种滤除工频干扰方法进行比较，发现LMS自适应效果最佳。Jayant等人利用极小极大值优化IIR滤波器来抑制工频噪声，该方法简单且提高了滤波效率。Wang等人提出了一种并行分数零相位滤波法，该方法虽然缩短了运行时间，且滤波效果较好，但缺乏实时性。伴随着各种现代信号处理方法的涌现，去除工频噪声的道路比过去明朗了很多。张金玲等人采用了平稳小波变换和新阈值函数的方法，Zhang等人采用了经验模态分解（EMD）的方法，郑秀玉等人采用了FIR滤波器和数学形态学相结合的方法，该算法不仅充分利用了FIR滤波的简单、快捷，同时也考虑到了形态学的鲁棒性和严谨性。以上方法皆取得了不错的滤波效果。
- 肌电噪声的去除。一般肌电噪声的频率范围为5~2000Hz，该频段涵盖了部分所需的心电信号的频率，故存在重叠，使得该噪声无法完全滤除，只能尽量抑制，因此滤波效果略差于前两种。不过鉴于各类现代信号处理方法的互相融合以及其与概率统计理论知识的结合，如今去除肌电噪声的问题也已经取得了许多突破。Admindavar等人在利用小波的基础上结合了贝叶斯理论，较好的抑制了肌电噪声；Jensen等人采用了集合经验模态分解（EEMD）和自适应相结合以及小波变换和神经网络相结合的方法，充分考虑到了经验模态分解后产生的模态混叠效应，以及使用神经网络算法去噪的高效性，但该方法计算量大，且缺乏实时性。席朝岭提出了一种改进小波阈值的方法，首先对原始信号进行小波分解，得到个尺度小波系数，然后利用改进阈值对低尺度小波系数进行处理，最后重构获得标准信号，由于阈值设定和小波基函数具有很高技巧性与主观性，滤波效果并不理想。为改善滤波效果，不少学者提出提升小波、小波包函数等方法，其中，Shi等人采用了提升小波包和阈值的方法来滤除肌电噪声。
- 心电信号R波检测算法的研究现状
为了能准确、可靠的获取心脏的生理和病理信息，ECG的波形检测与特征点定位尤为关键，它能帮助医生确认患者心脏病变情况，并影响到医生的最终诊断，甚至涉及到患者的生命安危。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
