algorithm - 如何检测(心电图)波中的模式？

Question

我正在尝试从心电图中读取图像并检测其中的每个主要波(P 波、QRS 复合波和 T 波)。我可以读取图像并获取矢量(如 (4.2; 4.4; 4.9; 4.7; ...))。我需要一种算法，可以遍历这个向量并检测这些波中的每一个何时开始和结束。一个例子:

如果它们始终具有相同的大小，或者如果我提前知道 ECG 有多少波，就会很容易。鉴于浪潮:

我提取向量:

[0; 0; 20; 20; 20; 19; 18; 17; 17; 17; 17; 17; 16; 16; 16; 16; 16; 16; 16; 17; 17; 18; 19; 20; 21; 22; 23; 23; 23; 25; 25; 23; 22; 20; 19; 17; 16; 16; 14; 13; 14; 13; 13; 12; 12; 12; 12; 12; 11; 11; 10; 12; 16; 22; 31; 38; 45; 51; 47; 41; 33; 26; 21; 17; 17; 16; 16; 15; 16; 17; 17; 18; 18; 17; 18; 18; 18; 18; 18; 18; 18; 17; 17; 18; 19; 18; 18; 19; 19; 19; 19; 20; 20; 19; 20; 22; 24; 24; 25; 26; 27; 28; 29; 30; 31; 31; 31; 32; 32; 32; 31; 29; 28; 26; 24; 22; 20; 20; 19; 18; 18; 17; 17; 16; 16; 15; 15; 16; 15; 15; 15; 15; 15; 15; 15; 15; 15; 14; 15; 16; 16; 16; 16; 16; 16; 16; 16; 16; 15; 16; 15; 15; 15; 16; 16; 16; 16; 16; 16; 16; 16; 15; 16; 16; 16; 16; 16; 15; 15; 15; 15; 15; 16; 16; 17; 18; 18; 19; 19; 19; 20; 21; 22; 22; 22; 22; 21; 20; 18; 17; 17; 15; 15; 14; 14; 13; 13; 14; 13; 13; 13; 12; 12; 12; 12; 13; 18; 23; 30; 38; 47; 51; 44; 39; 31; 24; 18; 16; 15; 15; 15; 15; 15; 15; 16; 16; 16; 17; 16; 16; 17; 17; 16; 17; 17; 17; 17; 18; 18; 18; 18; 19; 19; 20; 20; 20; 20; 21; 22; 22; 24; 25; 26; 27; 28; 29; 30; 31; 32; 33; 32; 33; 33; 33; 32; 30; 28; 26; 24; 23; 23; 22; 20; 19; 19; 18; 17; 17; 18; 17; 18; 18; 17; 18; 17; 18; 18; 17; 17; 17; 17; 16; 17; 17; 17; 18; 18; 17; 17; 18; 18; 18; 19; 18; 18; 17; 18; 18; 17; 17; 17; 17; 17; 18; 17; 17; 18; 17; 17; 17; 17; 17; 17; 17; 18; 17; 17; 18; 18; 18; 20; 20; 21; 21; 22; 23; 24; 23; 23; 21; 21; 20; 18; 18; 17; 16; 14; 13; 13; 13; 13; 13; 13; 13; 13; 13; 12; 12; 12; 16; 19; 28; 36; 47; 51; 46; 40; 32; 24; 20; 18; 16; 16; 16; 16; 15; 16; 16; 16; 17; 17; 17; 18; 17; 17; 18; 18; 18; 18; 19; 18; 18; 19; 20; 20; 20; 20; 20; 21; 21; 22; 22; 23; 25; 26; 27; 29; 29; 30; 31; 32; 33; 33; 33; 34; 35; 35; 35; 0; 0; 0; 0;]

我想检测，例如:

• [19 - 37] 中的 P 波。
• [51 - 64] 中的 QRS 复合波。
• 等等

Answer 1

我要做的第一件事是看看那里已经有什么。事实上，这个具体问题已经得到了大量研究。以下是一些非常简单的方法的简要概述:link .

我也必须回应另一个答案。我从事信号处理和音乐信息检索方面的研究。从表面上看，这个问题确实和onset detection很相似，但问题上下文并不相同。这种类型的生物信号处理，即 P、QRS 和 T 相位的检测，可以利用这些波形中的每一个的特定时域特征的知识。 MIR 中的起始检测实际上没有。 (至少不可靠。)

一种适用于 QRS 检测(但不一定适用于音符起始检测)的方法是动态时间扭曲。当时域特性保持不变时，DTW 可以非常好地工作。这是一篇使用 DTW 解决此问题的简短 IEEE 论文:link .

这是一篇很好的 IEEE 杂志文章，比较了许多方法:link .您会看到已经尝试了许多常见的信号处理模型。浏览论文，然后尝试阅读您在基本水平上理解的论文。

编辑:浏览这些文章后，基于小波的方法对我来说似乎是最直观的。 DTW 也能很好地工作，并且存在 DTW 模块，但小波方法对我来说似乎是最好的。其他人通过利用信号的导数来回答。我的第一个链接检查了 1990 年之前的方法，但我怀疑它们不如更现代的方法那么稳健。

编辑:有机会时我会尝试给出一个简单的解决方案，但为什么我认为小波适合这里的原因是因为它们在参数化各种形状方面很有用，无论时间或幅度缩放。换句话说，如果您有一个具有相同重复时间形状但时间尺度和振幅不同的信号，小波分析仍然可以将这些形状识别为相似(粗略地说)。另请注意，我有点将滤波器组归为此类。类似的东西。