由于P波一般为低频低幅波,容易受到基线漂移,肌电干扰等噪声影响,且不是每个心拍都包含P波,确定某一心拍有无P波也是一难题,针对小波-幅值-斜率的方法对多样形态P波适应的局限性,以及小波变换结合神经网络检测方法中选取伪P波样本的局限性,本文提出了基于小波-幅值阈值并以多特征作为神经网络的输入的P波检测方法,该方法首先利用小波变换对心电(ECG)信号进行去噪,然后利用小波变换求模极大值对的方法确定候选P波的位置,接下来利用幅值阈值初步判断有无P波,最后利用神经网络确定心拍有无P波。本文经由专家注释的QT心电数据库对该算法和传统的小波阈值法及基于小波-幅值-斜率的方法检测ECG信号P波的效果进行了对比,验证了本文提出的算法的可行性,对医院心电科记录的ECG信号进行了检测,其结果与医生的标注基本相同,并对QT数据库中的13份且每份15 min的ECG信号进行了检测验证,P波正确检测率达到了99.911%。
引用本文： 宋立新, 关丽丽, 王乾, 王宇虹. 一种基于多特征的P波检测方法. 生物医学工程学杂志, 2014, 31(2): 283-287. doi: 10.7507/1001-5515.20140053 复制
引言
心电(ECG)疾病已经成为威胁人类健康的头号杀手，因此对ECG疾病的早期发现和治疗是刻不容缓的，传统的对ECG疾病的诊断主要依赖于医生对ECG的判断，具有费时费力，不客观等缺点，所以计算机自动分析ECG的方法应运而生。典型的ECG波形主要包括P波、QRS波、T波等，而ECG的正常与否与上述波形的幅值和间隔等参数有关，因此对ECG特征参数的准确提取是自动诊断的关键，ECG自动诊断主要分为以下三步：① ECG信号的预处理；② ECG信号波形的检测；③ ECG特征的提取及诊断技术的研究。本文主要研究ECG信号的P波检测，以往的ECG信号的P波检测大多采用小波变换的方法[1]，但由于一般P波是低频低幅波，容易受到基线漂移和Q波的干扰，所以单纯应用小波变换检测P波的效果并不理想，文献[2]提出了基于小波-幅值-斜率的方法，该方法结合幅值和斜率判据，剔除干扰，检测P波的峰点，而对于形态各异的ECG波形很难确定适合每个待检心拍的幅值和斜率判据，而神经网络的引入解决了这一问题，文献[3]也提出了神经网络和小波变换相结合的方法，该方法选取的神经网络的输入为P波峰值附近的采样点，这种方法的缺点是其对训练样本的选取有一定要求，样本需要包括标准P峰和经常与P波波峰容易混淆的典型伪P波波峰，而典型的伪P波样本的选取存在困难，本文针对这些问题，提出了基于多特征的P波检测方法，该方法结合了小波变换和神经网络，小波变换是用来确定候选P波的峰值点，神经网络的输入为选取的三个特征，选取的特征结合了P波的生理特性，训练样本的要求是只需包含含有P波的心拍和不含P波的心拍的两类样本，因此解决了文献[3]在选取伪P波训练样本方面的困难。
1 P波检测方法
本文提出的算法是结合神经网络和小波变换的多特征P波检测方法，本算法主要分为以下几部分：
(1) ECG信号预处理；(2) 确定P波的检测区间；(3) 确定候选P波峰值点的位置；(4) 确定该心拍是否有P波，设定P波的检测区间是为了消除R波及T波对P波检测的干扰，在确定P波有无方面本文选取了P波的多个特征作为神经网络的输入，选取的特征包括P波的幅值，P波的斜率，P波极值点的斜率以及P波的相关系数，选取的多个特征是与P波的生理特性相关的，这些特征更加能表征ECG信号的P波特性，能够得到更好的检测效果。
1.1 ECG信号预处理
在检测P波前本文首先采用小波变换的方法对ECG信号进行预处理，利用二次样条小波对ECG信号进行二进小波变换，人体ECG信号主要频率范围是0.05~100 Hz,而其能量大部分集中在0.5~45 Hz，而肌电干扰的频率在5~2 kHz之间，基线漂移频率范围一般在0.05~2 Hz，本文采用的ECG信号采样频率为250 Hz，对各尺度小波变换的系数进行分析，可知肌电干扰等高频噪声的主要能量集中在尺度21和22上，而基线漂移主要集中在尺度27上，所以本文对小波分解1、2上的小波系数进行阈值处理，以去除高频噪声，将尺度7上的小波系数置零，以去除基线漂移，然后利用小波逆变换重构ECG信号，所得的ECG信号基本去除了基线漂移和肌电干扰等噪声，利用重构后的ECG信号进行P波检测能够得到更加准确的检测结果。
1.2 确定P波的检测区间
由于P波的检测是在QRS波检测之后，因此可以根据QRS波的位置确定P波的检测区间，其中R波检测采用的是利用小波变换求模极大值对的方法[4]，Q波检测采用文献[5]的方法，由ECG的基本常识可知，P波是在Q波之前，其宽度不超过0.2*RR[6]，其中RR为相邻两心拍的间隔，所以本文确定P波的检测区域在Q波之前的0.25*RR间隔内。
1.3 确定候选P波峰值点的位置
利用小波变换的方法确定候选P波的位置，本文是对去噪后的ECG信号进行小波变换，选取的小波基为二次样条小波，本文所采用的ECG信号的采样频率为250 Hz，由文献[7]可知，P波的能量主要集中在3~12 Hz，对各尺度小波变换的系数进行分析，可知P波的主要能量集中在尺度24和25上，所以本文选取尺度24的小波系数进行P波的检测，具体步骤为：首先对去噪后的心电信号进行小波变换，然后在检测区间内寻找模极大值对，并确定模极大值对之间的过零点，将所得的过零点时移(2j-1)/2即为候选P波峰值点，可能一个心拍中候选P波不止一个，这里我们取幅值最大的点作为最终的候选P波的峰值点。
1.4 多特征的提取
本文选取与P波生理特性相关的多个特征作为候选P波的特征，选取的特征包括：候选P波的幅值，候选P波的斜率，候选P波模极大值对的斜率以及候选P波的相关系数，具体构造过程如下：
(1) P波的幅值： 本文选取重构后的ECG信号P波峰值点处的幅值作为候选P波的幅值。
(2) P波的斜率： 本文选取重构后的ECG信号候选P波峰值点左右各5个点与其前一点的斜率的均值作为候选P波的斜率。
| $k=1/10*\sum\limits_{i=-5}^{5}{\left[ f\left( p+i \right)-f\left( p+i-1 \right) \right]},$ |
其中k为候选P波的斜率，p为候选P波峰值点，f(p)为去噪后的ECG信号在候选P波峰值点处的幅值。
(3) P波模极大值对的斜率：,其中slope为候选P波模极大值对的斜率，VA,VB分别为P波的极大值和极小值，PA、PB为极大值和极小值的位置[2]。
(4 P波的相关系数： 本文根据P波峰值点和起始点定义了一个折线P波，计算P波与折线P波的相关系数，其中P波起始点的检测采用了文献[8]的方法，采用重构后的ECG信号，折线P波的构造过程为：① 连接P波起点A和顶点P,得到直线AP；② 求出P波AP曲线段上到直线AP距离最大的点，该点就是折线的交点；③ 同样方法得到曲线BP的折线交点F；④ 连接AE、EP、PF、FB，就是折线P波如图 1所示。
图1
折线P波示意图
Figure1.
Line-P-wave schematic diagram
1.5 确定是否有P波
本文提出利用P波的多个特征的基于神经网络的方法来检测P波是否存在，具体步骤如下：
1.5.1 利用P波幅值进行初步筛选
由于伪P波多为低频低幅波，所以本文选取一个较大的幅值阈值，如果候选P波的幅值大于此阈值则确定该候选P波是真正的P波，如果小于此阈值则利用神经网络继续判断，利用幅值阈值进行初步筛选的好处是对于一些幅值较大的候选P波，可以通过此方法确定其为真正的P波，无须利用神经网络进行判断，节省了检测的时间。
1.5.2 建立神经网络
以往的基于神经网络的ECG特征检测都是将原信号的一部分采样点作为神经网络的输入[3, 9]，这种检测只是将ECG信号看成一个时间序列，并没有考虑ECG信号各波形的特点，本文选取候选P波的斜率 ，候选P波的模极大值对斜率，候选P波的相关系数这三个特征作为神经网络的输入，神经网络采用三层BP网络[10],输入层单元数为3 ,中间层单元数为4 ,输出层单元数为1,选取50个心拍作为训练样本，其中35个含有P波,15个不含P波，将这些心拍的上述三个特征作为神经网络的输入，令含有P波的输出为1，不含P波的输出为0，然后利用已经训练好的网络对待检测的心拍进行P波识别，若输出为0则该候选P波为伪P波，若输出为1，则该候选P波峰值点即为真实的P波峰值点。
2 实验结果
本文利用QT数据库中的ECG信号验证所提出算法的可行性，因为QT数据库包含医生标注的P波位置。本文对比了所提出的算法和小波阈值法[1]及文献[2]中的方法检测P波的效果，上述三种方法的检测结果如图 2所示。
图2
本文算法和小波变换阈值法及文献[2]的方法检测结果对比
(a) 104号ECG信号专家标注的结果；(b) 104号ECG信号小波变换阈值法的检测结果；(c) 104号ECG信号利用文献[2]的方法的检测结果；(d) 104号ECG信号本文算法的检测结果；(e) 221号(不含P波) ECG信号专家标注的结果；(f) 221号ECG信号小波变换阈值法的检测结果；(g) 221号ECG信号利用文献[2]的方法的检测结果；(h) 221号ECG信号本文提出算法的检测结果；(i) 16273号ECG信号专家标注的结果; (j) 16273号ECG信号小波变换阈值法的检测结果; (k)16273号ECG信号利用文献[2]的方法的检测结果; (l) 16273号ECG信号本文算法的检测结果
Figure2. A comparison of detection results between the proposed method,the wavelet thresholding method and the algorithm mentioned in Literature 2(a) is the result of NO.104 ECG signal with manual labels made by a physician; (b) is the result of NO.104 ECG signal by using wavlet thresholding method ; (c)is the result of NO.104 ECG signal by using the method in literature2; (d) is the result of NO.104 ECG signal by using the method which is developed in this paper; (e) is the result of NO.221(excluding P wave) ECG signal with manual labels made by a physician ;(f) is the result of NO.221 ECG signal by using wavlet thresholding method; (g) is the result of NO.221 ECG signal by using the method in literature2; (h) is the result of NO.221 ECG signal by using the method which is developed in this paper ;(i) is the result of NO.16273 ECG signal with manual labels made by a physician; (j) is the result of NO.16273 ECG signal by using wavlet thresholding method; (k) is the result of NO.16273 ECG signal by using the method in literature2; (l) is the result of NO.16273 ECG signal by using the method which is developed in this paper
由图 2可知，对于104号ECG信号如果阈值选取过大则一些真正的P波被剔除了，检测效果不理想，文献[2]的方法也因为没有选取合适的斜率阈值使得检测结果存在偏差，而本文提出的方法能够很好的去除伪P波，并且能很好的检测出真正的P波，221号ECG信号并不存在P波，但由于阈值选取过小的原因，使得小波变换的检测结果中存在一部分伪P波，文献[2]的方法也因为斜率阈值选取过小而存在伪P波，16273号ECG信号为P波幅度较小的ECG信号，小波变换由于阈值选取过大使得一部分P波被错误的剔除了，而文献[2]的方法和本文的方法都得到了很好的检测结果。
本文还对医院心电科记录的ECG信号进行了P波检测，该ECG信号P波位置有医生标注，检测结果如图 3所示。
图3
医院心电科记录的ECG信号利用本文算法的P波检测效果
(a)患者A医生标注的P波位置；(b) 患者A利用本文算法的检测结果；(c)患者B医生标注的P波位置；(d) 患者B利用本文算法的检测结果
Figure3. The detection results of the proposed method of ECG signal which is provided by the ECG division in the hospital(a) the position of P wave of patient A which is with manual labels made by a doctor; (b) the detection result of patient A by using the method which is developed in this paper; (c) the position of P wave of patient B which is with manual labels made by a doctor; (d) the detection result of patient B by using the method which is developed in this paper
从图 3中可以看出利用本文算法检测到的P波与医生标注的结果基本相同，由此可知本文的算法在检测实际的ECG信号P波时也能得到很好的检测结果。
采用本文提出的方法对QT数据库中的13份每份15 min的ECG数据进行P波检测，表 1列出了该方法的P波检测结果，准确率达到了99.911%。
表1
QT数据库中P波的检测结果
Table1.
The detection result of QT database
3 结论
本文基于P波的多个特征结合神经网络与小波变换相结合的方法检测P波，其中神经网络用来判断待检心拍有无P波，这种方法由于引入了神经网络解决了基于小波-幅值-斜率[2]方法无法选取适合形态多样的P波的幅值和斜率判据的问题，并且对原有的神经网络用于ECG检测的方法进行了改进，提出了利用P波的特征作为神经网络输入的新方法，该方法更好的考虑到ECG信号的生理特性使得检测结果更为准确，而且本算法对训练样本的要求较低，只需包含存在P波的心拍和不存在P波的心拍的两类样本，解决了文献[3]中神经网络在选取典型的易与P波混淆的伪P波样本方面的困难，并通过对比本文的算法和小波阈值法及文献[2]的方法的P波检测效果对比证明了本算法具有更有效的检测结果，还利用本文的算法对医院心电科记录的ECG信号进行了P波检测，得到的结果与医生标注的结果基本相同。
引言
心电(ECG)疾病已经成为威胁人类健康的头号杀手，因此对ECG疾病的早期发现和治疗是刻不容缓的，传统的对ECG疾病的诊断主要依赖于医生对ECG的判断，具有费时费力，不客观等缺点，所以计算机自动分析ECG的方法应运而生。典型的ECG波形主要包括P波、QRS波、T波等，而ECG的正常与否与上述波形的幅值和间隔等参数有关，因此对ECG特征参数的准确提取是自动诊断的关键，ECG自动诊断主要分为以下三步：① ECG信号的预处理；② ECG信号波形的检测；③ ECG特征的提取及诊断技术的研究。本文主要研究ECG信号的P波检测，以往的ECG信号的P波检测大多采用小波变换的方法[1]，但由于一般P波是低频低幅波，容易受到基线漂移和Q波的干扰，所以单纯应用小波变换检测P波的效果并不理想，文献[2]提出了基于小波-幅值-斜率的方法，该方法结合幅值和斜率判据，剔除干扰，检测P波的峰点，而对于形态各异的ECG波形很难确定适合每个待检心拍的幅值和斜率判据，而神经网络的引入解决了这一问题，文献[3]也提出了神经网络和小波变换相结合的方法，该方法选取的神经网络的输入为P波峰值附近的采样点，这种方法的缺点是其对训练样本的选取有一定要求，样本需要包括标准P峰和经常与P波波峰容易混淆的典型伪P波波峰，而典型的伪P波样本的选取存在困难，本文针对这些问题，提出了基于多特征的P波检测方法，该方法结合了小波变换和神经网络，小波变换是用来确定候选P波的峰值点，神经网络的输入为选取的三个特征，选取的特征结合了P波的生理特性，训练样本的要求是只需包含含有P波的心拍和不含P波的心拍的两类样本，因此解决了文献[3]在选取伪P波训练样本方面的困难。
1 P波检测方法
本文提出的算法是结合神经网络和小波变换的多特征P波检测方法，本算法主要分为以下几部分：
(1) ECG信号预处理；(2) 确定P波的检测区间；(3) 确定候选P波峰值点的位置；(4) 确定该心拍是否有P波，设定P波的检测区间是为了消除R波及T波对P波检测的干扰，在确定P波有无方面本文选取了P波的多个特征作为神经网络的输入，选取的特征包括P波的幅值，P波的斜率，P波极值点的斜率以及P波的相关系数，选取的多个特征是与P波的生理特性相关的，这些特征更加能表征ECG信号的P波特性，能够得到更好的检测效果。
1.1 ECG信号预处理
在检测P波前本文首先采用小波变换的方法对ECG信号进行预处理，利用二次样条小波对ECG信号进行二进小波变换，人体ECG信号主要频率范围是0.05~100 Hz,而其能量大部分集中在0.5~45 Hz，而肌电干扰的频率在5~2 kHz之间，基线漂移频率范围一般在0.05~2 Hz，本文采用的ECG信号采样频率为250 Hz，对各尺度小波变换的系数进行分析，可知肌电干扰等高频噪声的主要能量集中在尺度21和22上，而基线漂移主要集中在尺度27上，所以本文对小波分解1、2上的小波系数进行阈值处理，以去除高频噪声，将尺度7上的小波系数置零，以去除基线漂移，然后利用小波逆变换重构ECG信号，所得的ECG信号基本去除了基线漂移和肌电干扰等噪声，利用重构后的ECG信号进行P波检测能够得到更加准确的检测结果。
1.2 确定P波的检测区间
由于P波的检测是在QRS波检测之后，因此可以根据QRS波的位置确定P波的检测区间，其中R波检测采用的是利用小波变换求模极大值对的方法[4]，Q波检测采用文献[5]的方法，由ECG的基本常识可知，P波是在Q波之前，其宽度不超过0.2*RR[6]，其中RR为相邻两心拍的间隔，所以本文确定P波的检测区域在Q波之前的0.25*RR间隔内。
1.3 确定候选P波峰值点的位置
利用小波变换的方法确定候选P波的位置，本文是对去噪后的ECG信号进行小波变换，选取的小波基为二次样条小波，本文所采用的ECG信号的采样频率为250 Hz，由文献[7]可知，P波的能量主要集中在3~12 Hz，对各尺度小波变换的系数进行分析，可知P波的主要能量集中在尺度24和25上，所以本文选取尺度24的小波系数进行P波的检测，具体步骤为：首先对去噪后的心电信号进行小波变换，然后在检测区间内寻找模极大值对，并确定模极大值对之间的过零点，将所得的过零点时移(2j-1)/2即为候选P波峰值点，可能一个心拍中候选P波不止一个，这里我们取幅值最大的点作为最终的候选P波的峰值点。
1.4 多特征的提取
本文选取与P波生理特性相关的多个特征作为候选P波的特征，选取的特征包括：候选P波的幅值，候选P波的斜率，候选P波模极大值对的斜率以及候选P波的相关系数，具体构造过程如下：
(1) P波的幅值： 本文选取重构后的ECG信号P波峰值点处的幅值作为候选P波的幅值。
(2) P波的斜率： 本文选取重构后的ECG信号候选P波峰值点左右各5个点与其前一点的斜率的均值作为候选P波的斜率。
| $k=1/10*\sum\limits_{i=-5}^{5}{\left[ f\left( p+i \right)-f\left( p+i-1 \right) \right]},$ |
其中k为候选P波的斜率，p为候选P波峰值点，f(p)为去噪后的ECG信号在候选P波峰值点处的幅值。
(3) P波模极大值对的斜率：,其中slope为候选P波模极大值对的斜率，VA,VB分别为P波的极大值和极小值，PA、PB为极大值和极小值的位置[2]。
(4 P波的相关系数： 本文根据P波峰值点和起始点定义了一个折线P波，计算P波与折线P波的相关系数，其中P波起始点的检测采用了文献[8]的方法，采用重构后的ECG信号，折线P波的构造过程为：① 连接P波起点A和顶点P,得到直线AP；② 求出P波AP曲线段上到直线AP距离最大的点，该点就是折线的交点；③ 同样方法得到曲线BP的折线交点F；④ 连接AE、EP、PF、FB，就是折线P波如图 1所示。
图1
折线P波示意图
Figure1.
Line-P-wave schematic diagram
1.5 确定是否有P波
本文提出利用P波的多个特征的基于神经网络的方法来检测P波是否存在，具体步骤如下：
1.5.1 利用P波幅值进行初步筛选
由于伪P波多为低频低幅波，所以本文选取一个较大的幅值阈值，如果候选P波的幅值大于此阈值则确定该候选P波是真正的P波，如果小于此阈值则利用神经网络继续判断，利用幅值阈值进行初步筛选的好处是对于一些幅值较大的候选P波，可以通过此方法确定其为真正的P波，无须利用神经网络进行判断，节省了检测的时间。
1.5.2 建立神经网络
以往的基于神经网络的ECG特征检测都是将原信号的一部分采样点作为神经网络的输入[3, 9]，这种检测只是将ECG信号看成一个时间序列，并没有考虑ECG信号各波形的特点，本文选取候选P波的斜率 ，候选P波的模极大值对斜率，候选P波的相关系数这三个特征作为神经网络的输入，神经网络采用三层BP网络[10],输入层单元数为3 ,中间层单元数为4 ,输出层单元数为1,选取50个心拍作为训练样本，其中35个含有P波,15个不含P波，将这些心拍的上述三个特征作为神经网络的输入，令含有P波的输出为1，不含P波的输出为0，然后利用已经训练好的网络对待检测的心拍进行P波识别，若输出为0则该候选P波为伪P波，若输出为1，则该候选P波峰值点即为真实的P波峰值点。
2 实验结果
本文利用QT数据库中的ECG信号验证所提出算法的可行性，因为QT数据库包含医生标注的P波位置。本文对比了所提出的算法和小波阈值法[1]及文献[2]中的方法检测P波的效果，上述三种方法的检测结果如图 2所示。
图2
本文算法和小波变换阈值法及文献[2]的方法检测结果对比
(a) 104号ECG信号专家标注的结果；(b) 104号ECG信号小波变换阈值法的检测结果；(c) 104号ECG信号利用文献[2]的方法的检测结果；(d) 104号ECG信号本文算法的检测结果；(e) 221号(不含P波) ECG信号专家标注的结果；(f) 221号ECG信号小波变换阈值法的检测结果；(g) 221号ECG信号利用文献[2]的方法的检测结果；(h) 221号ECG信号本文提出算法的检测结果；(i) 16273号ECG信号专家标注的结果; (j) 16273号ECG信号小波变换阈值法的检测结果; (k)16273号ECG信号利用文献[2]的方法的检测结果; (l) 16273号ECG信号本文算法的检测结果
Figure2. A comparison of detection results between the proposed method,the wavelet thresholding method and the algorithm mentioned in Literature 2(a) is the result of NO.104 ECG signal with manual labels made by a physician; (b) is the result of NO.104 ECG signal by using wavlet thresholding method ; (c)is the result of NO.104 ECG signal by using the method in literature2; (d) is the result of NO.104 ECG signal by using the method which is developed in this paper; (e) is the result of NO.221(excluding P wave) ECG signal with manual labels made by a physician ;(f) is the result of NO.221 ECG signal by using wavlet thresholding method; (g) is the result of NO.221 ECG signal by using the method in literature2; (h) is the result of NO.221 ECG signal by using the method which is developed in this paper ;(i) is the result of NO.16273 ECG signal with manual labels made by a physician; (j) is the result of NO.16273 ECG signal by using wavlet thresholding method; (k) is the result of NO.16273 ECG signal by using the method in literature2; (l) is the result of NO.16273 ECG signal by using the method which is developed in this paper
由图 2可知，对于104号ECG信号如果阈值选取过大则一些真正的P波被剔除了，检测效果不理想，文献[2]的方法也因为没有选取合适的斜率阈值使得检测结果存在偏差，而本文提出的方法能够很好的去除伪P波，并且能很好的检测出真正的P波，221号ECG信号并不存在P波，但由于阈值选取过小的原因，使得小波变换的检测结果中存在一部分伪P波，文献[2]的方法也因为斜率阈值选取过小而存在伪P波，16273号ECG信号为P波幅度较小的ECG信号，小波变换由于阈值选取过大使得一部分P波被错误的剔除了，而文献[2]的方法和本文的方法都得到了很好的检测结果。
本文还对医院心电科记录的ECG信号进行了P波检测，该ECG信号P波位置有医生标注，检测结果如图 3所示。
图3
医院心电科记录的ECG信号利用本文算法的P波检测效果
(a)患者A医生标注的P波位置；(b) 患者A利用本文算法的检测结果；(c)患者B医生标注的P波位置；(d) 患者B利用本文算法的检测结果
Figure3. The detection results of the proposed method of ECG signal which is provided by the ECG division in the hospital(a) the position of P wave of patient A which is with manual labels made by a doctor; (b) the detection result of patient A by using the method which is developed in this paper; (c) the position of P wave of patient B which is with manual labels made by a doctor; (d) the detection result of patient B by using the method which is developed in this paper
从图 3中可以看出利用本文算法检测到的P波与医生标注的结果基本相同，由此可知本文的算法在检测实际的ECG信号P波时也能得到很好的检测结果。
采用本文提出的方法对QT数据库中的13份每份15 min的ECG数据进行P波检测，表 1列出了该方法的P波检测结果，准确率达到了99.911%。
表1
QT数据库中P波的检测结果
Table1.
The detection result of QT database
3 结论
本文基于P波的多个特征结合神经网络与小波变换相结合的方法检测P波，其中神经网络用来判断待检心拍有无P波，这种方法由于引入了神经网络解决了基于小波-幅值-斜率[2]方法无法选取适合形态多样的P波的幅值和斜率判据的问题，并且对原有的神经网络用于ECG检测的方法进行了改进，提出了利用P波的特征作为神经网络输入的新方法，该方法更好的考虑到ECG信号的生理特性使得检测结果更为准确，而且本算法对训练样本的要求较低，只需包含存在P波的心拍和不存在P波的心拍的两类样本，解决了文献[3]中神经网络在选取典型的易与P波混淆的伪P波样本方面的困难，并通过对比本文的算法和小波阈值法及文献[2]的方法的P波检测效果对比证明了本算法具有更有效的检测结果，还利用本文的算法对医院心电科记录的ECG信号进行了P波检测，得到的结果与医生标注的结果基本相同。
