基于建模和时频表示方法的穿戴式心电信号处理理论与技术研究

Wearable mobile medicine is in the ascendant level. As a research hotspot, wearable ECG monitoring will change the existing mythology of heart disease treatment. However, the wearable ECG signal with strong noise cannot clearly reflect the heart state, which bring great difficulties for diagnosing. Therefore, the theory and methods for ECG signal processing has become a very important topic in wearable ECG monitoring research. This project will focused on the following points: First, Study the factors of signal quality in the wearable ECG signal link, the optimal ergonomic wearable number of leads, electrode placement and clinically applicable disease. Establish wearable ECG signal model based on engineering and clinical analysis methods. Second, study a new method for signal time-frequency representation called adaptive frequency slice model; the detail of wearable ECG signal pre-processing also will be investigated. Finally, the method of abnormal heart event detection will be explored. The project aims to propose a precise wearable ECG signal model and a series signal processing method based on time-frequency representation. It will provide theoretical and technical supports for wearable ECG monitoring application in home and hospital.

穿戴式移动医疗的研究方兴未艾。穿戴式心电监护作为研究热点将改变现有心脏病监护与诊疗模式，但穿戴条件下监测到的心电信号不能清晰反映心脏活动状态，给医生诊断带来很大困难。心电信号处理理论与技术研究成为穿戴式心电监护与诊疗的核心问题。本项目重点研究内容：首先，研究心电信号链路中各因素对心电信号的影响规律，确定符合人体工程学的最优穿戴式导联数、电极放置位置以及临床适用症，采用工程和临床结合分析方法建立穿戴式心电信号模型；其次，将信号在时频域展开，研究自适应频率切片模型用于信号时频表示，在时频域上研究基于熵的信号质量评估理论和先验时频模板滤波理论；最后，研究时频谱特征稀疏表示对异常心电事件进行检测。通过本项目的研究，提出完整的穿戴式心电信号模型和基于时频表示方法的信号处理方法，为家庭和医院对心血管病人的监护与诊疗提供有力的支撑。

全球心血管疾病广泛肆虐，已成为危及人类生命健康的“头号杀手”。穿戴式心电监护系统是解决心血管疾病早期筛查以及实时监护的有效技术手段，可以显著降低心血管病的病死/病残率，减少社会经济损失。然而，穿戴式心电监护系统要真正实现应用，在穿戴式心电信号建模、生理信号时频表示以及异常心电事件检测等方面依然存在挑战。项目针对性的研究了：(1)心电干性电极测试及导联优化研究，(2)生理信号时频表示方法研究，(3)时频谱特征稀疏表示和机器学习的异常心电事件检测。取得进展包括了：研究了干性电极特性对皮肤-电极阻抗的影响，确定了干性电极的设计方案；基于心脏建模分析了导联选择和优化配置方案，确定了针对不同部位心肌梗死导联配置；提出了基于小波多分辨率分析的信号增强和特征提取方法，并用于R波检测，R波识别准确率达到99%以上，计算时间降低了30%；给出了维度可调的特征提取框架，可根据信号特点和分类要求选取合适的特征维度并用于异常心拍识别，对四类心拍的总体识别率达到70%以上。论文研究成果进一步丰富了心电监护领域信号感知技术和处理方法等方面的研究，从技术层面为心电信号感知、心血管疾病连续监测、疾病早期预防、智能诊断评估等提供技术参考。