手把手教你学Simulink——信号处理场景：基于小波变换的心电信号分析与异常检测

心电图（Electrocardiogram, ECG）是评估心脏健康状况的重要工具。ECG信号包含了丰富的关于心脏电活动的信息，然而，由于噪声干扰和个体差异，直接从原始ECG信号中提取有用信息并不容易。小波变换作为一种时频分析方法，在信号去噪、特征提取及异常检测方面具有独特优势。本文将详细介绍如何使用 Simulink + Wavelet Toolbox 实现一个基于小波变换的心电信号分析与异常检测系统。

二、系统结构设计

整个系统的结构包括以下几个关键模块：

模块	功能说明
心电信号输入	读取或生成模拟心电信号
噪声添加模块	模拟真实环境中的噪声干扰
小波去噪模块	使用小波变换去除噪声
特征提取模块	提取心电信号的关键特征（如R波位置、RR间隔等）
异常检测模块	根据提取的特征进行异常检测
可视化显示	显示原始心电、加噪后的心电、去噪后的心电及其特征

三、建模过程详解

第一步：创建新Simulink项目

打开MATLAB命令行窗口，输入以下代码新建一个Simulink模型文件：

matlab

深色版本

modelName = 'ECGAnalysisUsingWavelets';
new_system(modelName);
open_system(modelName);

这将打开一个新的空白Simulink模型窗口。

第二步：添加主要模块

从Simulink Library Browser中选择以下模块（需安装Wavelet Toolbox和DSP System Toolbox）：

1. 心电信号输入模块

Signal From Workspace
- 路径：DSP System Toolbox > Sources > Signal From Workspace
- 可以使用内置的心电数据库（如MIT-BIH Arrhythmia Database）加载数据。

或者使用 Sine Wave 或其他信号源生成模拟心电信号。

2. 噪声添加模块

Random Source（生成白噪声）
- 路径：DSP System Toolbox > Sources > Random Source
Add 模块（将噪声叠加到心电信号上）

3. 小波去噪模块

Wavelet Denoising
- 路径：Wavelet Toolbox > Utilities > Wavelet Denoising
- 选择合适的小波基函数（如db4）和分解层数

4. 特征提取模块

Peak Detection（用于检测R波位置）
- 路径：DSP System Toolbox > Signal Operations > Peak Detector
Buffer 和 MATLAB Function Block（用于计算RR间隔和其他特征）

5. 异常检测模块

可以使用简单的阈值法来初步检测异常，也可以利用机器学习算法（需要Deep Learning Toolbox）进行更复杂的分类任务。

6. 测量与显示模块

Scope：观察原始、加噪、去噪后的心电信号及其特征
To Workspace：保存数据供后续分析

第三步：搭建主电路拓扑

按照如下顺序连接模块：

深色版本

Signal From Workspace → Add (Noise) → Wavelet Denoising → Feature Extraction → Anomaly Detection → Scope / To Workspace

确保所有电气连接正确，并加入必要的测量点。

第四步：配置各组件参数

1. Signal From Workspace 配置

如果你打算使用实际的心电信号数据，请确保数据格式为列向量，并将其加载到工作区变量中。

例如，假设你的数据存储在名为 ecgData 的变量中：

matlab

深色版本

% 示例代码：加载MIT-BIH数据库中的心电信号
% 请根据实际情况调整路径
load('mit-bih-arrhythmia-database-1.0.0/100.dat')
ecgData = record(1:1000); % 取前1000个采样点作为示例

然后在 Signal From Workspace 模块中设置：

Signal: ecgData
Sample Time: 1/fs, 其中 fs 是采样频率（通常为360Hz）

2. Random Source 配置

Distribution: Gaussian
Mean Value: 0
Variance: 0.1（控制噪声强度）

3. Wavelet Denoising 配置

Wavelet Family: db4
Decomposition Level: 5
Threshold Selection Rule: Minimax

4. Peak Detection 配置

Peak Threshold: 设置合适的阈值来识别R波
Peak Direction: Up（因为R波通常是正向峰值）

四、实现特征提取与异常检测（MATLAB Function Block）

1. RR间隔计算

可以在 MATLAB Function Block 中编写如下代码来计算RR间隔：

matlab

深色版本

function rrIntervals = fcn(peaks)
% peaks: R波位置索引

rrIntervals = diff(peaks) / fs; % 计算RR间隔，单位为秒
end

其中 fs 是采样率，应事先定义好并传入该函数。

2. 简单异常检测（基于RR间隔）

可以设定一个合理的RR间隔范围（例如正常成人静息心率对应的RR间隔范围），超出此范围则认为是异常心跳。

matlab

深色版本

function isAbnormal = fcn(rrIntervals)
% 定义正常RR间隔范围（单位：秒）
lowerBound = 0.6; % 对应100bpm
upperBound = 1.5; % 对应40bpm

isAbnormal = any(rrIntervals < lowerBound | rrIntervals > upperBound);
end

五、仿真与结果分析

1. 设置仿真时间

根据心电信号长度设定仿真时间，如10秒。
求解器：固定步长（Fixed-step），步长设为 1/fs，如 1/360

2. 运行仿真

点击Simulink界面中的“Run”按钮开始仿真。

3. 观察关键信号

使用Scope模块观察以下信号：

原始心电信号
加噪后的心电信号
去噪后的心电信号
R波位置
RR间隔 vs 时间
异常检测结果

4. 结果分析

去噪效果：通过视觉对比原始心电、加噪心电和去噪心电，评估是否有效抑制了噪声。
特征准确性：检查提取的R波位置和RR间隔是否准确反映了心电活动。
异常检测性能：评估异常检测模块的灵敏度和特异性，是否存在误报或漏报现象。

六、优化与改进建议

改进方向	描述
引入深度学习模型	使用LSTM、CNN等网络进行更精确的异常检测（需配合Deep Learning Toolbox）
多导联ECG分析	同时分析多个导联的心电信号，提高诊断准确性
实时监测集成	开发实时心电监测系统，结合嵌入式硬件实现实时异常预警
数据库扩展	利用更多的公开心电数据库训练模型，增强鲁棒性