目录
1. 引言
1.1 研究背景
1.2 研究现状
1.3 本文贡献
2. 系统架构与原理
2.1 整体系统架构
2.2 数据预处理
2.2.1 信号滤波
2.3 QRS波群检测算法
2.3.1 算法原理
2.4 特征提取体系
2.4.1 基础统计特征（6个）
2.4.2 频域特征（5个）
2.4.3 心率变异性（HRV）特征（6个）
2.5 分类模型设计
2.5.1 分层分类策略
2.5.2 多模型集成策略
2.5.3 模型选择策略
3 实验设计与结果分析
3.1 实验数据
3.2 可视化结果分析
3.2.1 数据预处理与R波检测
3.2.2 训练模型
3.2.3 实验结果
4 结论
参考文献
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
相关内容见我主页的如下链接，👇
「ECG信号处理——（11）心电信号中基线漂移、肌电干扰与工频干扰联合滤除」2025年3月31日_工频干扰与肌电噪声-CSDN博客
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
相关内容见我主页的如下链接，👇
「ECG信号处理——（10）Pan-Tompkins算法（R峰检测）」2025年3月17日-CSDN博客
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！~）
