从0开始学心电信号处理（1）——心电信号的读取

        心律失常是十分常见的心血管疾病，主要表现为心脏搏动频率或节律的异常。心律失常若得不到及时治疗，可发作导致人死亡。正常心率记为（Normal,N），常见的心律失常疾病主要包括：房性期前收缩（ Premature Atrial Contraction,A）、室性期前收缩（ Premature Ventricular Contraction,V）、左束支传导阻滞（ Left bundle branch block,L）和右束支传导阻滞（Right Bundle Branch Block,R）等。

        由于心电信号通常十分微弱，采集过程中容易受到各种因素的干扰，心电信号的噪声种类繁多，所以心电图分类识别的首要步骤就是对信号进行预处理。国内外研究学者针对去噪方面做了很多研究，主要的去噪手段有经典的数字滤波器和基于小波变换的阈值去噪等。经典的数字滤波器根据频率范围的不同对噪声进行去噪：对于基线漂移使用高通滤波器去噪、对于肌电干扰使用低通滤波器去噪、对于工频干扰使用带通滤波器去噪。近年来，小波变换技术的快速发展催生出了一系列基于小波阈值去噪技术。该类技术是根据信号和噪声的频率在不同尺度上的分布，先对信号进行小波变换，再根据阈值对各层小波系数进行处理，最后重构信号实现去噪。小波阈值去噪技术对于非平稳信号具有优秀的处理效果，与传统处理方法相比有显著的优越性。

        在对心电信号进行预处理和特征提取的基础之上，使用深度学习对心电信号进行自动分类识别。深度学习的研究与神经网络有着密不可分的联系。2006年，Hinton提出了深度置信网络，成为了深度学习领域的一个里程碑。如今在大数据、计算机算力大幅度增加的背景下，深度学习已经在图像处理、语音识别和NLP等众多领域的研究中取得了巨大进展。而卷积神经网络模型经历了从最早的LeNet模型到现在的GoogleNet、ResNet等不断的演进，识别率已经十分优秀。在研究心电分类算法时，利用深度学习在大量数据处理方面表现出的优势，使得分类效果有着显著的提升。

一、数据库的获取

        目前，国际上公认的标准数据库包含四个，分别为美国麻省理工学院提供的MIT-BIH（Massachusetts Institute of Technology-Beth Israel Hospital Database, MIT-BIH）数据库、美国心脏学会提供的AHA（ American heart association,AHA）数据库、欧共体CSE（ Common Standards for Quantitative Electrocardiograph,CSE）数据库、欧洲ST-T数据库。

        当前使用最广泛且被学术界普遍认可的据库为MIT-BIH心律失常数据库。此数据库中囊括了所有类型的心电信号并且数量丰富，为本文关于心电信号的自动分类研究提供了实验数据。下面对该数据库作详细的说明。

        MT-BIH心律失常数据库拥有48条心电记录，且每个记录的时长是30分钟。这些记录来自于47名研究对象。这些研究对象包括25名男性和22名女性，其年龄介于23到89岁（其中记录201与202来自于同一个人）。信号的采样率为360赫兹，AD分辨率为11比特。对于每条记录来说，均包含两个通道的信号。第一个通道一般为MLⅡ导联（记录102和104为V5导联）；第二个通道一般为V1导联（有些为V2导联或V5导联，其中记录124号为Ⅴ4导联）。为了保持导联的一致性，往往在研究中采用MLⅡ导联。

        数据库中的每条记录均包括三个文件，即：头文件、数据文件和注释文件。

（1）头文件头文件[.hea] 通过ASCII码存储方式记录信号的采样频率、采样频率、数据格式使用的导联信息、采样频率、研究者的性别、年龄以及疾病种类等

（2）数据文件数据文件[.dat] 通过二进制的方式存储信号，每三个字节存储两个数值（两导联数据交替存储），每个数值大小是12bit

（3）注释文件注释文件[.atr] 是由专家对信号进行人工标注，并且根据二进制格式进行数据的存储

官方网站的可视化工具读取展示MIT-BIH数据：https://archive.physionet.org/cgi-bin/atm/ATM

二、数据读取

        下载数据库到本地后打开，你会发现.dat文件中全部都是乱码，这是由于MIT-BIH数据库采用了自定义的format212格式进行编码。所以在读取心电数据的时候，我们需要用到Python中的一个工具包：wfdb。

pip install wfdb

        在Pycharm中新建工程，并将下载好的心电数据集按如图所示的目录结构进行放置。其中ecg_data为心电数据集的文件夹。

record = wfdb.rdrecord('ecg_data/' + 100, channel_names=['MLII'])

data = record.p_signal.flatten()

        通过record=wfdb.rdrecord来获取心电数据信息，以及通过annotation=wfdb.rdann来获取心拍类型信息。需要注意的是record的类型是一个(65000,1)的二维数组，需要先将其转换成一维数组才可以对其进行预处理。