短时经验模态分解实时识别生猪心电QRS波群

贾桂锋，王自唱，向兴发，武 墩，高 云，黎 煊，冯耀泽※

（1. 华中农业大学工学院，武汉 430070；2. 农业部长江中下游农业装备重点实验室，武汉 430070）

0 引 言

生猪养殖是中国畜牧业的重要部分，国家统计局数据显示全国近5 a生猪年均存栏量约45 712万头，出栏量约70 402万头。其养殖模式正向大规模工厂化方向发展，但由于养殖福利水平和健康监测技术等发展滞后，降低了其生产效率[1]。因此研究猪的健康监测技术对提高养殖福利水平与疾病预防能力具有重要价值，如对猪的采食量[2-3]、体质量[4]、异常行为[5-6]等生理指标监测可提高养殖福利，保障生猪生产安全和猪肉品质[7-8]。心率是猪的重要生命体征，不仅直接反映其健康状态[9-10]，还与环境因素密切相关[11]，对猪的心率监测可进行早期疾病筛查和改善生存环境。心率通常根据心电信号提取，心电信号是伴随心房除极、心室除极和复极等周期性活动而产生的，主要由P波、QRS复波和T波构成。在猪的典型心电信号中，QRS波群的幅值特征最为突出，电压约(75.48 ± 34.00) mV，持续时间达(55.27 ± 7.02) ms[12]。因其特征显著而易于提取，故将相邻QRS波之间的RR间期(RR interval, RRI)作为心动周期，以反映心脏活动的节律，且RRI的变化可表征心率的变异性[13]。

无论人或动物，实时、准确地监测心率及其变异性等重要生理参数对快速评估健康状况是非常必要的[14-16]，但基于生猪心电信号的QRS波群实时处理算法研究鲜有报道。张宏等[17]基于BMD101心电传感器及无线射频模块 CC2430研制出猪的心电测量装置，并通过动物试验说明该设计方案能够正确采集心电信号并计算心率。余明等[18]结合经验模态分解和独立成分分析算法对猪的心电进行抑制伪迹研究，可显著提高心肺复苏过程中除颤节律辨识的准确性，相关研究未提及心电信号处理的实时性。此外，由于猪的依从性差，心电检测过程中的随机活动导致电极接触不稳，同时产生大量的肌电信号，造成心电信号的基线起伏较大，含有大量噪声，部分研究在麻醉的状态下进行采集[18-19]。因此，猪在正常活动时采集的心电信号是一种非平稳信号，给QRS波群实时处理造成困难。针对生猪心电处理的实时性问题，本文根据其心电信号的特征提出一种 QRS波群识别的实时处理算法。

经验模态分解算法(empirical mode decomposition,EMD)是一种非线性、非平稳信号分解算法，具有自适应性、完备性等特点[20]，自提出以来已应用于多种领域研究，如机械故障诊断、人的心电信号处理等[21-22]。心电信号处理主要是QRS波识别应用中研究较多，研究结果表明EMD算法对QRS波群具有较高识别正确率[23-26]。然而EMD算法是一种非实时的信号处理方法，难以满足实时处理信号的需求[27]。

为实现对QRS波群的实时检测，本文在EMD算法基础上提出一种短时经验模态分解处理方法。其思路是对心电信号进行实时分段，然后对每段数据进行EMD分解，再根据分解得到的本征模函数(intrinsic mode function,IMF)提取QRS波群的特征参数，以准确地识别R波的位置，继而提取RR间期，计算心率数据。最后通过动物试验验证ST-EMD算法的实时性和有效性。

1 短时经验模态的分解方法

1.1 EMD算法

EMD算法是希尔伯特-黄变换(hilbert-huang transform,HT)的核心部分，目的是将复杂信号 x(t)分解成不同特征尺度的 IMF，满足停止条件时即停止分解，剩余信号称为残余分量r(t)，x(t)、imfk(t)和r(t)之间的关系如式（1）所示。

IMF函数需要满足2个条件，即极值与过0点的个数相等或最多相差为 1个，且在任意一点由信号极大值和极小值构成包络线的均值为0。因此IMF是一个窄带信号，具有相应的物理意义。由此可见，EMD算法实质是一种筛选方法，从复杂信号x(t)中筛选出一系列具有一定物理意义的窄带信号IMF，其分解过程可参考文献[20]，在此不再赘述。

1.2 ST-EMD算法流程

由于EMD算法不具有实时性，针对此问题，通过对数据分段提出 ST-EMD算法，使其能准确、实时处识别QRS波群。ST-EMD算法主要步骤有数据分段、EMD分解、QRS波特征提取和识别等部分。

1.2.1 对心电信号进行分段

在数学上表达为信号x(t)与宽度为N矩形窗相乘，如公式（2）所示。

窗宽N即为数据段的长度，其决定了信号处理的实时性，当采样频率 Ts一定时，信号处理结果输出时刻相对数据采集时刻的延迟时间td可由式（3）表示。其中，tEMD表示长度为N的数据段进行EMD分解所需的时间。

可见，数据段长度N越短，实时性越强，但在EMD分解信号时会产生端点效应，即在信号的两端会产生发散，逐渐向内“污染”整个数据样本，使得分解结果严重失真[20,28]。因此数据段越短，受端点效应的影响越严重。为缓解端点效应同时又保证实时性，在数据分段时可与上一段的部分数据重叠。

另外，数据段分段时需要避免截断QRS复波，否则破坏其在IMF中表现出的特征，降低识别正确率，导致QRS波漏检。因此需要数据段的起点和终点均要选择恰当，避免截断QRS复波。

经上述分析，ST-EMD的分段方法如图1所示。首先搜索当前数据段Xi最新QRS复波的位置QRS(k)，在此基础上再向前取α倍的RRI对应的数据点作为下一个数据段 Xi+1的起点。同样地，以 Xi的最新 QRS复波位置QRS(k)为基础向后取1+β倍的RRI对应的数据点为Xi+1的终点。α、β可取0.5，即数据段的起点和终点均位于心电信号R波之间的中心点。这样既保证Xi+1与Xi有一定的重叠，减缓端点效应，又避免两端点截断QRS波群。同时也保证下一个数据段 Xi+1中至少包含一个 QRS波群，有利于提高算法的稳定性。一般RRI具有变异性，所以数据段的长度也随之做自适应地调整。

1.2.2 对分段数据进行EMD分解

根据 EMD算法对分段数据进行分解，得到一系列IMF。为了减少EMD计算时间，提高实时性，在筛选IMF过程中降低迭代次数，且当选择出具有QRS波群特征的IMF时立即停止分解。

图1 心电数据分段方法Fig.1 Segmenting method of electrocardiogram signal

1.2.3 基于IMF函数提取QRS波群特征

正确识别QRS波群需要基于IMF提取其特征参数，因此需要分析QRS波与IMF函数的内在联系，确定其特征表现在哪些IMF中及其提取方法。对一段猪的心电信号经EMD分解后得到的IMF如图2所示。分析可见，第一IMF分量的能量随着时间的变化趋势与QRS波群呈一一对应关系，而第二IMF中这种对应关系显著减弱，其余的IMF则未反映出明显的特征。所以，QRS波群的特征应从第一IMF分量中提取。

由于第一IMF能量分布与QRS波有显著对应关系，因此适合采用能量窗变换法提取其特征参数[29]，该方法计算流程如下。

1）计算第一IMF的差分信号，记为D；

2）对D平方运算即得瞬时功率P；

3）在一定宽度的时间窗内对 P积分，窗宽的选择较为关键，与猪的 QRS波宽度相关[30]。经分析心电信号得其平均持续时间为0.033 s，则窗口的宽度为该时间段内的采样点数，约 17个数据点，积分后得到能量信号E。

4）计算能量的均值作为阈值，当E中有数据大于阈值时，即此数据段内存在QRS波群，再根据R波极大值的特征可准确确定其位置。

图2 基于EMD算法的猪心电信号分解Fig.2 Results of pig’s electrocardiogram processing by EMD

2 ST-EMD算法实现与动物试验验证

2.1 ST-EMD算法的实现

根据提出的 ST-EMD算法在计算机上编程实现，算法流程图如图 3所示。主要有算法初始化、数据分段参数确定、信号采集、EMD分解、特征提取和QRS波检验等步骤。

图3 ST-EMD算法的实现流程Fig.3 Flow of ST-EMD for algorithm implementing

2.2 动物试验与数据处理

试验动物为同一窝出生的3头仔猪，猪龄为50 d，平均体重18.2 kg。试验时间为2017年8月22日，地点在安徽省临泉县老集镇徐庄村生猪养殖户。心电信号由基于BMD101传感器设计的穿戴式无线采集系统实时采集[17]，电极放置在猪的前腹两侧，采样频率为512 Hz。采集后的心电数据经蓝牙通信传输至计算机，由ST-EMD算法处理。每头猪的采集时间为120 s，共采集184 320点数据，其中一头猪的前35 s心电信号及其处理结果如图4所示，算法将识别出的QRS波用黑点标记。

图4 ST-EMD算法对猪的QRS波识别结果Fig.4 Result of pig’s QRS identified by ST-EMD algorithm

由图4可知ST-EMD算法能够准确识别心电信号中的QRS波，同时可看出心电波形存在随机性的基线漂移，特别在第5~10和25~33 s时间段内由于猪的活动导致的电极接触不稳或肌电干扰等因素造成基线漂移和干扰，证实猪在正常活动状态下检测的心电是一种非平稳信号。ST-EMD算法在受干扰的情况下仍能正确识别出信号中QRS波，说明该算法具有较好的适应性和抗干扰能力，但当基线漂移过于急剧时会超出算法的抗干扰能力而可能导致QRS波识别错误。

3个样本信号的QRS波群识别结果和与实时性相关的延迟时间参数见表1。由处理结果可知算法对信号的平均分段长度为0.69 s（不包括数据重叠部分），数据段的平均处理时间为0.03 s，即平均总滞后时间为0.72 s。说明对于猪的心电信号，ST-EMD算法在数据采集后0.72 s即可识别出QRS复波，输出实时心率数据。在滞后的这段时间内，95.8%的时间用于等待数据采集，而信号处理只占用4.2%的时间，即算法计算时间对信号处理的实时性影响不大，ST-EMD的实时性还是得益于对数据的分段。

将ST-EMD算法识别的QRS波与实际QRS波（由人工识别和标记）数据对比，3个样本信号的识别正确率分别为100%，98.9%和100%，平均正确率为99.6%，即该方法对QRS波群具有较强的辨识能力。

虽然 ST-EMD算法具有一定的自适应性和抗干扰能力，但当受环境显著影响或猪的突然剧烈运动时，会造成心电信号的基线突变、信噪比降低，继而增加 QRS波群识别错误率。为确保算法正确提取心率，在算法校验阶段采用滑动中值滤波器以剔除因算法识别错误而产生的异常值[31-32]。经7点滑动中值滤波后，3个样本信号实时心率的均值分别为（137.47±6.47）、（133.01±9.80）和（128.00±6.51） bmp，均处在正常范围82~172 bmp之内[12]。

由上述试验结果可知，ST-EMD算法不仅具备实时处理能力，且对QRS波群的识别正确率较高。为确保实时心率正确提取，采用滑动中值滤波算法进一步剔除错误心率值。因此，该算法的设计是合理有效的，适用于生猪心电信号实时处理。

表1 ST-EMD算法对猪的QRS波识别的正确率和延迟时间Table 1 Accuracy and delay time of pig’s QRS identified by ST-EMD algorithm

3 结论

猪在健康监测中由于依从性差而造成心电信号呈现非平稳特征，给实时心率计算带来困难。本文针对生猪心电的实时处理需求，并根据信号的非平稳特征提出一种具有实时处理能力的 ST-EMD算法，通过动物试验表明该算法具有如下特性。

1）ST-EMD算法能够正确处理非平稳特性的心电信号并准确识别QRS波，3个样本信号中QRS波的正确识别率分别为100%，98.9%和100%，平均正确率为99.6%，从心电信号采集到识别出QRS波的平均时间为0.72 s。说明本文提出的 ST-EMD算法思路是正确的，且具备实时处理能力。

2）该算法通过对数据分段并根据信号特征自主决定分段的起点及数据段长度，且QRS波的判别阈值由第一IMF的能量均值决定，因此ST-EMD是一种是非监督的、不依赖先验知识的算法，即该算法不仅具备实时性，还具有较好的自适应性。

3）由于ST-EMD对数据进行分段，可使得受干扰的数据段与未受干扰的数据段隔离开来，减小噪声干扰对信号的影响范围，从而使得算法具有一定的抗干扰能力。此外，对计算的实时心率进行滑动中值滤波，可消除因心电基线漂移或噪声等因素而导致的异常值，以确保提取正确的心率信息。

综上所述，ST-EMD算法适用于猪的心电实时健康监护，具有一定的应用价值。因具有实时处理能力，也可推广到其他应用领域，如对实时性要求较高的自动控制系统，通过对系统输出信号的特征识别，再反馈给系统进行下一步控制，以满足控制的实时性。文中提出的ST-EMD算法是以心电QRS识别为应用背景的，若对其他类型的信号处理需要重新分析信号特征，进一步研究与应用背景相吻合的分段和特征提取方法后才能应用于其他领域。

[1] Matthews S G, Miller A L, Clapp J, et al. Early detection of health and welfare compromises through automated detection of behavioural changes in pigs[J]. Veterinary Journal, 2016,217: 43—51.

[2] Kashiha M, Bahr C, Haredasht S A, et al. The automatic monitoring of pigs water use by cameras[J]. Computers and Electronics in Agriculture, 2013, 90: 164—169.

[3] Maselyne J, Van-Nuffel A, De-Ketelaere B, et al. Range measurements of a high frequency radio frequency identification (HF RFID) system for registering feeding patterns of growing-finishing pigs[J]. Computers and Electronics in Agriculture, 2014, 108: 209—220.

[4] Stygar A H, Dolecheck K A, Kristensen A R. Analyses of body weight patterns in growing pigs: a new view on body weight in pigs for frequent monitoring[J]. Animal : An International Journal of Animal Bioscience, 2018, 12(2): 295—302.

[5] Nilsson M, Herlin A H, Ardo H, et al. Development of automatic surveillance of animal behaviour and welfare using image analysis and machine learned segmentation technique[J]. Animal, 2015, 9(11): 1859—1865.

[6] Matthews S G, Miller A L, Plotz T, et al. Automated tracking to measure behavioural changes in pigs for health and welfare monitoring[J]. Scientific Reports, 2017, 7: 1—12.

[7] 漆海霞，张铁民，罗锡文，等. 现代化生猪养殖环境测控技术现状与发展趋势[J]. 家畜生态学报，2015，36(4)：1—5, 14.Qi Haixia, Zhang Tiemin, Luo Xiwen, et al. Advances and prospects of environment monitoring techniques in modern piggery[J]. Journal of Domestic Animal Ecology, 2015, 36(4):1—5, 14. (in Chinese with English abstract)

[8] Rocha L M, Velarde A, Dalmau A, et al. Can the monitoring of animal welfare parameters predict pork meat quality variation through the supply chain (from farm to slaughter)?[J].Journal of Animal Science, 2016, 94(1): 359—376.

[9] 马俊领，王成，李章俊，等. 基于PPG的心率和呼吸频率的测量研究[J]. 光学技术，2011，37(3)：309—312.Ma Junling, Wang Cheng, Li Zhangjun, et al. Study of measuring heart rate and respiration rate based on PPG[J].Optical Technique, 2011, 37(3): 309—312. (in Chinese with English abstract)

[10] Van-Dixhoorn I D E, Andre G, Lambooij B, et al.Individualized on-line monitoring tool to analyse the complex physiological signal of heart beat fluctuations in pigs[C]//.Leuven, Belgium: Katholieke Universiteit Leuven, 2013:801—811

[11] 汪开英，苗香雯，崔绍荣，等. 猪舍环境温湿度对育成猪的生理及生产指标的影响[J]. 农业工程学报，2002，18(1)：99—102.Wang Kaiying, Miao Xiangweng, Cui Shaorong, et al.Effects of ambient temperature and relative humidity on physiological parameters and performance of growing pigs[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2002, 18(1): 99—102. (in Chinese with English abstract)

[12] Zhang S B, Guo K N, Xie F, et al. Normal electrocardiogram of bama miniature pigs (sus scrofa domestica)[J]. Journal of the American Association for Laboratory Animal Science,2016, 55(2): 152—154.

[13] Krause A, Tuchscherer A, Puppe B, et al. Interchangeability of electrocardiography and blood pressure measurement for determining heart rate and heart rate variability in free-moving domestic pigs in various behavioral contexts[J].Frontiers in Veterinary Science, 2015, 2: 52—52.

[14] Kim J, Shin H. Simple and robust realtime QRS detection algorithm based on spatiotemporal characteristic of the QRS complex[J]. Plos One, 2016, 11(3): 13.

[15] Bote J M, Recas J, Rincon F, et al. A modular low-complexity ECG delineation algorithm for real-time embedded systems[J]. IEEE Journal of Biomedical and Health Informatics, 2017, 22(2): 429—441.

[16] Suli T, Halas M, Benyeda Z, et al. Body temperature and motion: Evaluation of an online monitoring system in pigs challenged with porcine reproductive & respiratory syndrome virus[J]. Research in Veterinary Science, 2017, 114: 482—488.

[17] 张宏，沈明霞，陆明洲，等. 穿戴式猪用心电监测系统设计[J]. 南京农业大学学报，2016，39(5)：872—879.Zhang Hong, Shen Mingxia, Lu Mingzhou, et al. Design of wearable electrocardiogram monitoring system for pig[J].Journal of Nanjing Agricultural University, 2016, 39(5): 872—879. (in Chinese with English abstract)

[18] 余明，陈锋，张广，等. 基于经验模态分解与独立成分分析的心肺复苏伪迹自适应滤除算法[J]. 生物医学工程学杂志，2016，33(5)：834—841.Yu Ming, Chen Feng, Zhang Guang, et al. Adaptive cardiopulmonary resuscitation artifacts elimination algorithm based on empirical mode decomposition and independent component analysis[J]. Journal of Biomedical Engineering,2016, 33(5): 834—841. (in Chinese with English abstract)

[19] 徐业芬，王震，牛家强，等. 西藏林芝地区藏猪心电图分析[J]. 安徽农业科学，2016，44(4)：143—146.Xu Yefen, Wang Zhen, Niu Jiaqiang, et al. Analysis of electrocardiogram for Tibetan pigs in Linzhi area of Tibet[J].Journal of Anhui Agricultural Sciences, 2016, 44(4): 143—146. (in Chinese with English abstract)

[20] Huang N E, Shen Z, Long S R, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]. Proceedings of the Royal Society of London. Series A: Mathematical, Physical and Engineering Sciences, 1998, 454(1971): 903—995.

[21] 李常有，徐敏强，郭耸. 基于改进的 Hilbert-Huang变换的滚动轴承故障诊断[J]. 振动与冲击，2007，26(4)：39—41, 50.Li Changyou, Xu Minqiang, Guo Song. A fault diagnosis approach to rolling element bearings based on improved hilbert-huang transformation and linear neural network[J].Journal of Vibration and Shock, 2007, 26 (4): 39—41, 50. (in Chinese with English abstract)

[22] 陈东宁，张运东，姚成玉，等. 基于变分模态分解和多尺度排列熵的故障诊断[J]. 计算机集成制造系统，2017，23(12)：2604—2612.Chen Dongning, Zhang Yundong, Yao Chengyu, et al. Fault diagnosis method based on variational mode decomposition and multi-scale permutation entropy[J]. Computer Integrated Manufacturing Systems, 2017, 23(12): 2604—2612. (in Chinese with English abstract)

[23] Pal S, Mitra M. Empirical mode decomposition based ECG enhancement and QRS detection[J]. Computers in Biology and Medicine, 2012, 42(1): 83—92.

[24] 朱伟芳，赵鹤鸣，俞一彪. 基于经验模态分解和 Hilbert变换的QRS综合波检测算法[J]. 中国生物医学工程学报，2010，29(3)：358—362，372.Zhu Weifang, Zhao Heming, Yu Yibiao. A QRS detector based on empirical mode decomposition and hilbert transform[J]. Chinese Journal of Biomedical Engineering,2010, 29(3): 358—362, 372. (in Chinese with English abstract)

[25] 行鸿彦，黄敏松. 基于Hilbert-Huang变换的QRS波检测算法研究[J]. 仪器仪表学报，2009，30(7)：1469—1475.Xing Hongyan, Huang Minsong. Research on the QRS complex detection algorithm based on Hilbert-Huang transform[J]. Chinese Journal of Scientific Instrument, 2009,30(7): 1469—1475. (in Chinese with English abstract)

[26] Sahoo S, Das T, Sabut S. Adaptive thresholding based EMD for delineation of QRS complex in ECG signal analysis[C].Chennai, India: Presses Polytechniques Et Universitaires Romandes, 2016. 500—504.

[27] 徐晓刚，徐冠雷，王孝通，等. 经验模式分解(EMD)及其应用[J]. 电子学报，2009，37(3)：581—585.Xu Xiaogang, Xu Guanlei, Wang Xiaotong, et al. Empirical mode decomposition and its application[J]. Acta Electronica Sinica, 2009, 37(3): 581—585. (in Chinese with English abstract)

[28] 徐卓飞，刘凯. 基于极值符号序列分析的 EMD端点效应处理方法[J]. 振动、测试与诊断，2015，35(2)：309—315.Xu Zhuofei, Liu Kai. Method of empirical mode decomposition end effect based on analysis of extreme value symbol sequence[J]. Journal of Vibration, Measurement and Diagnosis, 2015, 35(2): 309—315. (in Chinese with English abstract)

[29] Kohler B U, Hennig C, Orglmeister R. The principles of software QRS detection[J]. IEEE Engineering in Medicine &Biology Magazine, 2002, 21(1): 42—57.

[30] 李延军，严洪. QRS波群检测常用算法的比较[J]. 生物医学工程学进展，2008，29(2)：101—107.Li Yanjun, Yan Hong. Comparison of familiar QRS detection approaches[J]. Progress in Biomedical Engineering, 2008,29(2): 101—107. (in Chinese with English abstract)

[31] Li X, Wang C, Wang H, et al. Real-time dynamic data analysis model based on wearable smartband[C]//. Beijing:Springer Verlag, 2018: 442—449

[32] Sharma L D, Sunkaria R K. A robust QRS detection using novel pre-processing techniques and kurtosis based enhanced efficiency[J]. Measurement, 2016, 87: 194—204.