心電圖是評價心臟功能的重要依據(jù)，但其不能記錄竇房結(jié)電位波，因而無法反映竇房結(jié)的電活動，竇房結(jié)電圖SNE（Sinus Node Electrogram）是可直接記錄竇房結(jié)電位的高分辨率心電圖，是評價心臟竇房結(jié)功能、診斷竇房結(jié)病變的主要依據(jù)。竇房結(jié)電位是位于P波起始點之前的低幅、低頻信號，其波形形狀類似低幅的指數(shù)曲線，由于其位于P波的前部，臨床上稱其為P前波[1-3]。P前波的持續(xù)時間稱為竇房傳導(dǎo)時間（SACT），它是SNE中竇房結(jié)電位的起點到P波起點的時間間隔，是判斷竇房結(jié)功能的直接依據(jù)，P前波的識別對于竇房結(jié)功能的測定具有重要價值。目前，心電圖中各個特征波形的識別已實現(xiàn)了自動化，P前波是竇房結(jié)電圖中最為重要的特征波形，它的識別目前由人工完成，影響了診斷效率的提高，因此，P前波的自動識別對于臨床心電診斷學(xué)的發(fā)展有著重要價值。
1 基本原理
    SNE與ECG具有相似的波形結(jié)構(gòu)，除P前波之外，特征波形是相同的，因此，SNE特征波形的識別方法可借鑒ECG特征波形的識別方法。由于在記錄SNE的過程中，會引入多種干擾波形，包括肌電干擾、工頻干擾以及由電極接觸與呼吸引起的基線漂移等。自動識別的前提是記錄波形中不含有干擾波形，否則必然導(dǎo)致誤識別。為此波形自動識別分為兩個步驟，首先進行波形信號預(yù)處理，消除干擾波形，然后再由算法進行波形識別。


    由于干擾波形及SNE信號的各特征波形的頻譜不同，將SNE信號進行多尺度小波分解后，干擾及不同的特征波形處于不同尺度的分解信號上，通過對干擾所處的尺度進行閾值設(shè)置可消除干擾，從而重構(gòu)后分離出有效的 SNE信號，實現(xiàn)信號預(yù)處理。
    P前波識別的基本思路是：首先對同步采集的ECG進行多尺度小波分解，然后根據(jù)QRS波群的能量在各層的分布，選取能量最大的所在層的小波系數(shù)進行重構(gòu)，定位R波；然后在R波的前部搜索并檢測定位出P波，最后根據(jù)P波的位置，在其前部檢測定位出P前波。
2 P前波的自動識別

    如前所述，肌電干擾、工頻干擾以及由電極接觸與呼吸引起的基線漂移是特征波形誤識別的主要原因，為此，P前波的自動識別分兩個步驟進行,第一步進行波形信號預(yù)處理，消除干擾波形，特別是基線漂移；第二步進行P前波的波形識別。
2.1 信號預(yù)處理
    信號預(yù)處理的目的是消除肌電干擾、工頻干擾以及基線漂移。肌電干擾相對心電信號屬于高頻干擾，采用低通濾波器即可消除，工頻干擾采用50 Hz陷波器消除，兩種濾波器既可采用硬件電路實現(xiàn)也可由軟件數(shù)字濾波算法實現(xiàn)，前者是實時濾波，后者是后處理方法，沒有實時性，為了保證實時性，在本設(shè)計中采用硬件電路實現(xiàn)兩種濾波，即在前置放大器中設(shè)置低通濾波器與50 Hz陷波器，實際效果較好。
    基線漂移是緩慢變化的低頻信號，在心電圖中由于前置電路的增益較低，經(jīng)放大后的基線漂移很小，對波形識別的影響不大，一般采用硬件高通濾波器實現(xiàn)基線漂移的抑制。但在SNE記錄中由于前置放大器的增益遠高于心電圖放大器的增益，基線漂移的幅度較大，對波形識別特別是對P前波的識別造成較大干擾，因此基線漂移的抑制是SNE波形識別中最為關(guān)鍵的預(yù)處理技術(shù)。實際記錄表明采用常規(guī)的高通硬件濾波抑制SNE中基線漂移無法收到預(yù)期的效果，因而基于數(shù)字濾波的基線漂移抑制技術(shù)成為抑制SNE中基線漂移的主要方法。
    基于小波的數(shù)字濾波原理是利用多分辨率理論將含噪信號進行多尺度的小波分解，得到各個信號在各個頻譜范圍內(nèi)的特性，然后利用信號和噪聲在能量分布上的不同，直接將含有噪聲的那部分頻率的細節(jié)去除，再利用小波逆變換進行重構(gòu)，達到消噪之目的，具體處理流程圖見圖1。

    小波濾波器的消噪效果與選擇的小波基及不同尺度下小波基的通頻帶有著密切的關(guān)聯(lián)。小波基的選擇并不唯一，不同的小波基對信號濾波的效果影響較大，實際中往往只能通過經(jīng)驗或不斷試驗確定小波基函數(shù)。分別用 Coif函數(shù)、db函數(shù)以及sym函數(shù)作為小波基函數(shù)，對實際采集的含有基線漂移的SNE信號進行對比性多尺度分解與重構(gòu)，結(jié)果表明，采用由Daubechies構(gòu)造的Coiflet小波函數(shù)作為小波基，抑制SNE基線漂移的效果最佳。Coiflet小波函數(shù)具有CoifN(N=1,2,3,4,5)系列，經(jīng)仿真實驗確定采用Coif4作為小波基，它的支撐長度為6N-1，具有近似對稱性；消失矩階數(shù)為2N，相應(yīng)的尺度函數(shù)的消失矩的階數(shù)為2N-1，具有很好的正則性，且與QRS波有極大的相似性，頻域的局域化能力較強。
    小波分解的尺度需要依據(jù)信號與噪聲的頻帶及小波基的通頻帶確定，由于SNE與ECG具有相似的波形結(jié)構(gòu)，除P前波外，其頻譜范圍是一致的，即QRS波的頻率范圍為3 Hz～45 Hz，P波、T波的頻率范圍為0.5 Hz～10 Hz，基線漂移的頻率范圍為0.05 Hz～2 Hz,而P前波根據(jù)實際測定及文獻介紹其頻帶為0.3 Hz～30 Hz[1，4]。
    小波基的通頻帶在ECG自動分析中依據(jù)MIT-BIH心電數(shù)據(jù)庫得到，但是一方面由于MIT-BIH心電數(shù)據(jù)庫采樣頻率為360 Hz，其采樣頻率較之目前的數(shù)字心電圖采樣頻率國家標準500 Hz低，另一方面數(shù)據(jù)庫中沒有包含SNE樣本，因此無法直接根據(jù)MIT-BIH心電數(shù)據(jù)庫數(shù)據(jù)得到SNE的小波基通頻帶。本文通過對近8 000例實際采集的SNE數(shù)據(jù)，利用Coif4小波基進行9個尺度的小波分解，得到了表1所示的SNE的Coif4小波基通頻帶，采樣頻率分為500 Hz與1 kHz兩種，其中dn表示小波在n尺度下的小波系數(shù)，an代表小波多尺度分解下的尺度系數(shù)。

    由表1中數(shù)據(jù)可知對SNE信號進行9尺度小波分解后，基線漂移處于第8、9層，高頻的噪聲干擾則處于第1層，對8、9層運用小波閾值消除基線漂移，得到基線穩(wěn)定的SNE信號，方便后續(xù)處理，實際的處理效果見圖2。

2.2 P前波的識別
　P前波位于A波（對應(yīng)ECG的P波）的前部，根據(jù)P前波的定義及所在的位置,可以確定P前波的識別思路：首先借助ECG的P波識別技術(shù)，在同步記錄的ECG中識別并定位P波的起始位置，然后在SNE中對應(yīng)位置處定位A波的起點，最后依據(jù)A波的起始位置由軟件向前搜索基線位置從而定位P前波，并判斷P前波是否存在。上述識別思路見圖3的識別流程。

    由于ECG有12個記錄導(dǎo)聯(lián)，不同的導(dǎo)聯(lián)中各特征波形的位置并不相同，因此，必須選擇特征波形與SNE特征波形位置相同的ECG記錄導(dǎo)聯(lián)定位P波，才能夠確保P前波定位的準確。SNE的記錄電極的位置與ECG的V1導(dǎo)聯(lián)的記錄位置非常接近，大量實際同步記錄表明，兩個記錄波形的特征波形位置重合，因此，為了識別A波起點，采用V1導(dǎo)聯(lián)作為P波識別的基準信號。
    在為檢測R波峰值而選取小波分解的系數(shù)時，通過ECG信號的功率譜圖，QRS波的能量大部分集中在第3、4、5層，故選取第3、4、5層的小波系數(shù)進行重構(gòu)。為了更明顯和精確地定位R波峰值，在檢測R波峰值時進行了如下的算法設(shè)計：

其中d3、d4、d5分別為小波分解后第3、4、5層的小波系數(shù)，n為小波分解的層數(shù)，繪出信號D后，可以明顯地發(fā)現(xiàn)V1導(dǎo)聯(lián)中R波峰值點的位置均處于一個周期內(nèi)的最大值位置，非常易于檢測，保證了R波峰檢測的精確性，為后面的P波精確檢測提供前提，如圖4(a)所示，圖中的圓圈位置表示R波峰值點。

    檢測出R波峰后算出R-R平均間期，利用窗口搜索法檢測P波峰值點， 搜索區(qū)間為[前一個R波峰位置+0.4 R-R平均間期，后一個R波峰位置-0.2 R-R平均間期]，在此區(qū)間內(nèi)搜索最大值點（正向P波）或最小值點（反向P波），即為P波峰值點，如圖4(b)所示，圖中的圓圈位置表示P波峰值點。檢測出P波峰值點后，根據(jù)醫(yī)學(xué)上P波時限從峰值點向前定義搜索窗口，對于正向P波，當檢測到某點與前一點的幅值之差是后一點與此點幅值之差的0.25倍時，即達到P波起點；對于反向P波，當檢測到某點與前一點的幅值差的絕對值是后一點與此點幅值差絕對值的0.25倍時，即為P波起點[7]，該點位對應(yīng)至SNE采集通道的點位即是A波的起始點。
      定位A波起點后，從A波的起點向前搜索，如果連續(xù)有36~60 ms的數(shù)據(jù)逐級小于A波起點的幅值，并在基線之上，便可確定P前波的存在。根據(jù)這一思路利用Matlab工具對實際人體采集的SNE信號進行算法實現(xiàn)，采樣頻率為500 Hz，選取了其中4.8 s采集的數(shù)據(jù)進行處理，算法處理效果如圖5、圖6所示。

3 分析與結(jié)論
    本文在采用超微心電圖儀記錄采集的體表竇房結(jié)電圖數(shù)據(jù)的基礎(chǔ)上，提出了基于小波變換的多尺度分解與重構(gòu),抑制SNE基線漂移及進行P前波自動識別的算法。采用Matlab工具對100多例實際人體采集的 SNE信號進行算法實現(xiàn)，將自動識別的結(jié)果與人工識別結(jié)果進行了比較，結(jié)果表明自動識別的檢出率達到了76%，驗證了所提出算法的可行性，為后續(xù)P前波自動檢測的進一步研究奠定了良好的基礎(chǔ)。
    本文進行的竇房結(jié)電圖P前波自動識別研究，是在 ECG特征波形自動識別研究的基礎(chǔ)上進行的探索性研究，所采用的樣本數(shù)據(jù)均是實際采自人體的SNE數(shù)據(jù)，由于基線漂移抑制技術(shù)并未達到理想的水準，盡管采取了基線穩(wěn)定措施，但實際采集發(fā)現(xiàn)，呼吸、心臟搏動仍然引起基線不穩(wěn)定，導(dǎo)致P前波不是每一個心動周期中均清晰出現(xiàn)，增加了自動識別的難度，引起漏檢，降低了P前波的檢出率。對這一問題將進一步深入研究，以不斷提高自動識別的檢出率。
參考文獻
[1] CRAMER M, HARIMAN R J. Electrograms from the canine sinoatrial pacemaker recorded in  vitro and in situ[M].New York:  The American of CARDIOLOGY, 1978:939-946.
[2] REIFFEL J A. The human sinus  node electrograms: A transvenous catheter technique and a comparison of directly and indirectly estimated sinoatrial conduction time in Adults.New York: Circulation, 1980:1324-1334.
[3] Ding Shifang, Ma Dabo,Guo Chi. A noninvasive transesophageal signal averaging technique for detection of sinus node electrogram[J]. Journal of Interventional Cardiac  Electrophysiology,2000(4):225-230.
[4] 李澈,竇房結(jié)[M]. 北京：北京醫(yī)科大學(xué)出版社，2001.
[5] PAL S, MITRA M. Detection of ECG characteristic points using multiresolution wavelet analysis based selective coefficient method[J]. Measurement,2010(43):255-261.
[6] 張翔，周嚴. 基于自適應(yīng)濾波的心電圖中呼吸干擾的抑制[J].生物醫(yī)學(xué)工程學(xué)雜志, 2011,28(2):58-62.
[7] 萬相奎，秦樹人，梁小容，等.基于“小波—幅值—斜率”的P波檢測新方法[J].生物醫(yī)學(xué)工程學(xué)雜志，2006,23(4):722-725.