「ECG信号处理——（29）基于分层分类的ECG心律失常检测系统设计与实现」2025年12月16日

摘要：本文提出了一种基于分层分类架构的心电信号（ECG）心律失常检测系统。系统采用大类-小类的双层分类策略，结合多种机器学习算法与先进的信号处理技术，实现了对34种ECG心律失常的高精度检测。系统包含QRS波群检测、心率变异性（HRV）分析、时频域特征提取（17维特征）等核心模块，并通过随机森林、逻辑回归和支持向量机构建分类模型。实验结果表明，系统对的"室性心律失常"大类（示例数据）的检测准确率达到79.22%，对"5个早搏"小类（示例数据）的识别准确率为77.96%，显示出良好的分类性能。检测结果与真实标签匹配，验证了系统的有效性与实用性。

关键词：ECG分析；心律失常检测；分层分类；机器学习；信号处理

1. 引言

1.1 研究背景

心电信号（Electrocardiogram, ECG）是记录心脏电活动的重要生理信号，其分析在心血管疾病诊断中具有关键作用。心律失常作为常见的心血管疾病，其早期准确检测对临床诊疗具有重要意义。传统的心律失常诊断依赖医生经验，存在主观性强、效率低等局限。随着人工智能技术的发展，基于机器学习的心律失常自动检测系统成为研究热点。

1.2 研究现状

近年来，ECG心律失常检测方法主要分为三类：

传统信号处理方法：基于阈值和规则的方法，简单但泛化能力差
机器学习方法：提取特征后使用分类器，平衡了准确率和效率
深度学习方法：端到端学习，精度高但需要大量数据和计算资源

1.3 本文贡献

本文提出了一种基于分层分类的ECG心律失常检测系统，主要创新点包括：

构建了四级疾病分类体系，包含4个大类、34个小类
完成了相位校正的QRS检测算法，提高了R波定位精度
实现了多模态特征融合，结合时域、频域和HRV特征
开发了增量学习机制，支持模型在线更新

2. 系统架构与原理

2.1 整体系统架构

系统采用分层处理架构，如图1所示，包含五个层级：

图1：整体系统架构图

2.2 数据预处理

2.2.1 信号滤波

ECG信号常包含基线漂移、肌电干扰和工频噪声。采用零相位滤波技术保证信号不失真：

预处理流程：

基线漂移去除：采用2阶高通巴特沃斯滤波器，截止频率0.5Hz
带通滤波：频率范围2-45Hz，消除高频干扰
工频陷波：50Hz陷波滤波器消除电源干扰

2.3 QRS波群检测算法

2.3.1 算法原理

采用改进的Pan-Tompkins算法，增加相位校正模块：

检测流程：

带通滤波：5-15Hz带通滤波器增强QRS成分
微分增强：5点差分算子提取R波斜率
平方运算：放大R波幅度差异
移动平均：150ms窗口平滑
相位校正：在检测位置前后50ms窗口内搜索最大峰值
阈值自适应更新：采用动态双阈值机制

2.4 特征提取体系

该ECG心律失常检测系统共提取了17个特征，分为三大类别：基础统计特征、频域特征和心率变异性（HRV）特征。

2.4.1 基础统计特征（6个）

序号	特征名称	物理意义
1	平均振幅	ECG信号的平均幅度
2	振幅标准差	ECG信号的变异程度
3	最大最小差	ECG信号的动态范围
4	峰度	ECG信号分布的尖锐程度
5	偏度	ECG信号分布的不对称性
6	过零率	ECG信号通过零点的频率

2.4.2 频域特征（5个）

序号	特征名称	物理意义
7	主频率	功率谱密度最大的频率
8	低频功率	低频带（0.04-0.15Hz）能量
9	高频功率	高频带（0.15-0.4Hz）能量
10	低频/高频比	交感-副交感神经平衡指标
11	总功率	整个频段的能量总和

2.4.3 心率变异性（HRV）特征（6个）

序号	特征名称	物理意义
12	平均RR间期	平均心跳间隔
13	RR间期标准差	心率整体变异性
14	RMSSD	相邻RR间期差值的均方根
15	pNN50	相邻RR间期差值>50ms的百分比
16	VLF功率	超低频带（0.0005-0.04Hz）能量
17	LF/HF比率	HRV频域分析的交感-副交感平衡

2.5 分类模型设计

2.5.1 分层分类策略

系统采用两阶段分类架构，包含4个大类分类器和34个小类分类器：

（1）大类分类器（第一层）

功能：判断ECG信号属于哪个疾病大类
数量：4个二分类器（对应4个疾病大类）
输入：17维特征向量
输出：每个大类的置信度得分

（2）小类分类器（第二层）

功能：在大类确定后，精确定位具体疾病类型
数量：每个大类下多个二分类器（共34个小类）
输入：与第一层相同的17维特征向量
输出：每个小类的置信度得分

（3）层级决策流程

2.5.2 多模型集成策略

系统实现了三种经典机器学习算法的集成，可根据数据特性选择最优模型。并且系统支持在线学习，可随着新数据积累不断优化模型。

（1）随机森林（Random Forest）。随机森林是一种集成学习方法，通过构建多个决策树并结合它们的预测结果来提高准确性和稳定性。通过基尼不纯度或信息增益衡量特征重要性。

（2）逻辑回归（Logistic Regression）。逻辑回归是一种广义线性模型，通过逻辑函数将线性回归的输出映射到概率空间。

（3）支持向量机（Support Vector Machine）。支持向量机通过寻找最优超平面来实现分类，最大化类别间的间隔。

2.5.3 模型选择策略

系统根据数据集特性自动选择最优模型，选择标准如下：

样本数量：
- 大样本（>1000）：随机森林
- 中等样本（100-1000）：支持向量机
- 小样本（<100）：逻辑回归
特征维度：
- 高维特征：支持向量机（RBF核）
- 中低维特征：随机森林或逻辑回归
类别平衡性：
- 不平衡数据：随机森林（class_weight='balanced'）
- 平衡数据：三种模型均可

3 实验设计与结果分析

3.1 实验数据

实验使用包含4个大类、34个小类的ECG数据集等350条记录，采样频率为500Hz。

图1：数据集样本分布情况a

图2：数据集样本分布情况b

表1：ECG疾病分类体系

疾病大类	疾病小类
传导阻滞	二度房室传导阻滞、三度房室传导阻滞、一度房室传导阻滞、右束支传导阻滞、左束支传导阻滞
房性心律失常	窦性心律失常、房性心动过速、结性心律、漏搏、室上性心动过速、心房扑动、心房纤维颤动：粗颤、心房纤维颤动：细颤
室性心律失常	室早：6 个_分钟、室早：12 个_分钟、室早：24 个_分钟、5 个早搏、11 个早搏、室早二联律、室早三联律、成对早搏、多源性频发室性早搏、室颤：粗型、室颤：细型、室性心动过速、心脏停搏
早搏	Multifocal PVC、PVC1 E LV focus、PVC1 LV focus、PVC2 RV focus、PVC2E RV focus、R on T RV focus、R on T、房室结期前收缩、房性早搏

3.2 可视化结果分析

3.2.1 数据预处理与R波检测

示例数据（5个早搏151.txt）的R波检测结果如下所示：

图3：数据预处理

图4：R波检测图

图5：R波检测输出结果

3.2.2 训练模型

数据集训练的大类/小类模型如下所示：

图6：大类/小类模型训练结果

3.2.3 实验结果

下图展示了ECG模型训练结果分析（大类模型训练准确率、小类模型准确率分布、特征重要性排序、模型性能对比）。

图7：ECG模型训练结果分析

图8：测试数据分类结果展示

4 结论

本文设计并实现了一种基于分层分类的ECG心律失常检测系统。系统通过相位校正QRS检测、多模态特征融合和两层分类架构，实现了对34种心律失常的高精度识别。实验结果表明，系统对"5个早搏"样本的检测准确率达到77.96%，大类识别准确率为79.22%，表现出良好的分类性能。该系统代码已开源，为后续研究提供了可复现的技术框架。未来将进一步扩大数据集规模，优化模型性能，推动心电自动分析技术的临床应用。

参考文献

[1] Pan J, Tompkins W J. A real-time QRS detection algorithm[J]. IEEE transactions on biomedical engineering, 1985 (3): 230-236.
[2] Goldberger A L, et al. PhysioBank, PhysioToolkit, and PhysioNet: components of a new research resource for complex physiologic signals[J]. Circulation, 2000, 101(23): e215-e220.
[3] Breiman L. Random forests[J]. Machine learning, 2001, 45: 5-32.
[4] 陈灏珠, 等. 实用心脏病学[M]. 上海科学技术出版社, 2016.

Tips：下一讲，我们将进一步探讨，心电信号处理与应用的其他部分。

以上就是基于分层分类的ECG心律失常检测系统设计与实现的全部内容啦~

我们下期再见，拜拜(⭐v⭐) ~

（Ps：有代码实现需求，请见下列【微信名片】或【主页信息】，谢谢支持！~）