使用LabVIEW进行心电信号的采集与分析-电源网

引言

生物医电信号，如心电信号、血压信号、脑电信号等等，都表征了一定的病理特征，以心电为例，通常以心电图来记录心脏产生的生物电流，临床医生可以利用心电图对患者的心脏状况进行评估，并做出进一步诊断。而对于一些家用或者医用仪器厂商来说，则需要开发特定的信号处理算法并部署到嵌入式处理器上，完成医电特征的提取。通常整套心电监测产品的研发过程，由心电数据采集、心电信号分析、人机显示、文件存储等几部分组成，通过NI提供的图形化系统设计平台，可以覆盖数据采集、信号读取、心电分析以及报表生成等一系列产品开发的流程，完成整套系统的开发，提高开发效率。而在整个开发过程中，信号分析部分往往是重点，也是各厂商的软件核心技术所在。本文将重点就心电采集与分析展开讨论，介绍如何通过LabVIEW高效实现心电信号的采集及分析算法开发。

图1 典型的单周期心电图波形

心电信号的数据采集

通常来说，ECG信号是通过对若干电极（导联）感知生物电流，并通过数据采集设备将导联产生的模拟电信号转化为数字信号进行计算机分析。导联产生的模拟信号往往较为微弱，幅值在mV左右，需要通过动态信号采集设备进行采集，或者通过前置预放大之后采集。无论是独立的ECG导联或者集成医用式ECG设备，都可以通过NI设备进行数据采集。通过30多年的发展，美国国家仪器(NI)在测试测量领域奠定了领导地位，从便携式USB设备到高精度PXIe同步采样设备，可以实现从8位到24位的分辨率，以及48kHz到2GHz的采样率。同时NI设备将增益误差、偏移误差、不确定噪声等各种误差值综合考量之后，提供了绝对精度值，以确保最终测量的准确性。一般来说ECG信号的频率在几百赫兹左右，可以通过1k到5k左右的采样率进行采样，另外，根据应用的精度区别，可以选择14～16bit采样精度，基本上NI任何平台的数据采集设备均可以满足ECG的采样需求。可以根据应用的不同，选择合适的设备，如在便携式设备中选择USB数据采集，在远程医疗的应用中选择无线采集等。

图2 从USB到无线的NI数据采集方案

无论使用何种NI硬件平台，都可以通过同一种编程平台——NI图形化编程软件LabVIEW实现开发。自1986年诞生以来，LabVIEW图形化开发平台一直致力于简化编程的复杂性，在所有涉及到数据采集和控制的领域里，LabVIEW图形化编程方式都已经成为标准的开发工具。对于医疗电子设备的开发团队来说，LabVIEW提供了将硬件I/O引入算法设计的快捷方式，无缝结合从数据采集、算法分析、数据存储以及人机交互等全方面流程，同时不同NI硬件可通过代码重用，发布到不同商业化、嵌入式平台，简化构建原型系统的复杂性。通过LabVIEW以及NI采集设备，ECG信号可以快速的被采集并显示。图1显示了一个典型的心电波形周期。当然，过程中，心电信号会被噪声和人为引入的伪影所污染，这些噪声和伪影在我们感兴趣的频段内，并且与心电信号本身有着相似的特性。为了从带有噪声的心电信号中提取出有用的信息，我们需要对原始的心电信号进行处理。从功能上来说，心电信号的处理可以大致分为两个阶段：预处理和特征提取(如图3所示)。预处理阶段消除和减少原始心电信号中的噪声，而特征提取阶段则从心电信号中提取诊断信息。

图3 典型的心电信号处理流程图

通过LabVIEW中的信号处理功能，用户可以方便地创建针对两个阶段的信号处理应用，包括消除基线漂移、清除噪声、QRS综合波检测、胎儿心率检测等。接下来将着重讨论使用LabVIEW进行典型的心电信号处理的方法。

心电信号预处理

心电信号预处理可以帮助用户去除心电信号中的污染。广义上讲，心电信号污染可以分为如下几类：

• 电源线干扰

• 电极分离或接触噪声

• 病人电极移动过程中人为引入的伪影

• 肌电（EMG）噪声

• 基准漂移

在这些噪声中，电源线干扰和基准漂移是最为重要的，可以强烈地影响心电信号分析。除了这两种噪声，其它噪声由于可能是宽频带的且复杂的随机过程，也会使心电信号失真。电源线干扰是以60 Hz (或 50 Hz)为中心的窄带噪声，带宽小于1Hz。通常，心电信号的采集硬件或者通过软件陷波滤波器可以消除电源线干扰。但是，基准漂移和其它宽带噪声通过硬件设备很难抑制。而软件设计则成为更为强大而可行的心电信号处理方法。用户可以使用以下方法来消除基准漂移和其它宽带噪声。

消除基准漂移

基准漂移的产生通常源于呼吸，频率在0.15 到 0.3 Hz之间，可以通过使用高通数字滤波器进行抑制。用户还可以使用小波变换通过消除心电信号的趋势来消除基准漂移。

1. 数字滤波器方法

通过LabVIEW图形化和交互式的方法，可以高效地设计和实现有限冲击响应(FIR)或无限冲击响应(IIR)滤波器。例如，用户可以使用Classical Filter Design Express VI设计Kaiser窗FIR高通滤波器消除基准漂移。图4显示了使用高通滤波器消除基准漂移的实例。

图4 设计并使用高通滤波器消除基准漂移

2．小波变换方法

除了数字滤波器，小波变换也是一种消除指定频带内信号的有效方法。LabVIEW 高级信号处理工具包提供了小波去趋势(Detrend)的函数，它可以消除信号的低频趋势。图5显示了使用小波消除基准漂移的程序实例。

图5 使用WA Detrend VI消除基准漂移

实例使用了Daubechies6 (db06)小波，因为这种小波与实际的心电信号相似。

图6显示了原始的心电信号，数字滤波和小波变换两种方法处理后得到的心电信号。可以看到处理后的心电信号在保持原有心电信号主要特性的同时，几乎不含基准漂移信息。还可以注意到基于小波变换的方法更具优势，因为这种方法不引入延时，而且比数字滤波器的方法失真更小。

图6 基于数字滤波器和基于小波变换的方法比较

消除宽带噪声

在消除了基准漂移后，得到的心电信号比原来的信号更加清晰和稳定。但是，其它类型的噪声仍然会影响心电信号的特征提取。这些噪声往往是宽频带的复杂随机过程，所以不能使用传统的数字滤波器，但可以利用LabVIEW中小波去噪(Wavelet Denoise)的功能。
通过小波变换将心电信号分解到各个子带，然后利用阈值或收缩功能调整小波系数，最后重建出消除噪声后的信号。下图显示了通过LabVIEW中非抽样小波变换(UWT)，宽带噪声被极大地抑制而心电信号的细节则保持不变。

图7 UWT小波去噪前及去噪后的心电信号

对心电信号进行特征提取

为了诊断，需要从预处理后的心电数据中提取各种特征，包括QRS波间隔、QRS波幅度、PR间隔、ST间隔、胎儿心率等。这里以QRS综合波检测为例。在心电信号中检测R峰值和QRS综合波，可以提供关于心率、传导速度、心脏内各种组织状态和各种异常情况的信息。它为心脏疾病的诊断提供依据，所以在心电信号处理领域引起了极大关注。但是，噪声和随时间变化的形态使得检测非常困难。因为小波能够借助于多分辨率的优势对带噪声的信号进行主要特征的提取与分析，所以近年来提出了许多基于小波的检测方法。在本文中，LabVIEW高级信号处理工具包中的Multiscale Peak Detection函数被用于检测Q、R和S点。在波峰/波谷检测前，使用Multiresolution Analysis Express函数将心电信号分解为8级的Daubechies6 (db06)小波，然后使用D4和D5子带重建出信号。之所以可以利用D4和D5子带进行重建，是因为几乎所有的QRS细节都处于这两个子带中，这使得QRS检测更为精确。

图8 心电信号多分辨率分析和QRS波检测的实现

图9显示了经过小波多分辨率分析（MRA）和波峰/波谷检测处理后的心电信号，以及原有的心电信号（来自MIT-BIH数据库）。在本图中，可以发现波峰和波谷(特别是Q和S点)在经过小波多分辨率分析后变得更为明显。

图9 原始的心电信号、经过MSA后的心电信号以及波峰/波谷检测后的心电信号

在进行QRS综合波检测后，可以利用其它方法进行特征分析。例如，可以利用R-R间隔信号进行心率变化(HRV)分析,显示心脏和神经系统的状态。

LabVIEW生物医电起步工具包

以上介绍了通过LabVIEW中强大的信号处理功能，可以实现各类自定义的ECG分析算法，文中介绍的只是一部分较为成熟有效的算法在LabVIEW上的实现方式，并以此来阐述心电信号的处理流程。除利用LabVIEW自行开发以外， NI也提供了最新的生物医电起步工具包，其中已经集成了ECG特征提取的算法及人机交互界面。参见图10。工具包不仅支持NI数据采集平台实现临床心电信号的采集，也支持MIT-BIH等不同专业数据库的文件格式读取；另外，除了自带小波分析的QRS波、P波和T波检测外，也同时开源并支持用户自定义的算法；最后，ECG特征提取的结果可以导出到TDMS文件中。如需对信号做进一步分析，如心率变异性分析（HRV）等，医电工具包中同样提供了现成的功能，供用户直接调用，参见图11。
除此以外，LabVIEW及生物医电工具包还可以使用在其它生物医学信号处理领域，例如脑电图(EEG)、肌电分析(EMG)以及核磁共振(MRI)3D成像等等应用中。