ECG信号处理与Pan-Tompkins算法在HRV分析中的应用

1. 心电图信号处理的基本挑战

在医疗健康监测领域，心电图(ECG)信号分析一直是评估心脏功能的重要技术手段。但原始ECG信号往往伴随着各种噪声干扰，包括：

• 基线漂移（通常由呼吸运动引起，频率范围0.05-0.5Hz）
• 工频干扰（50/60Hz的电源干扰）
• 肌电噪声（肌肉活动产生的高频干扰，可达100Hz以上）
• 运动伪影（患者移动导致的低频干扰）

这些噪声会严重影响R波检测的准确性，而R波间隔(RR间期)的精确测量正是心率变异性(HRV)分析的基础。Pan-Tompkins算法作为经典的实时QRS波检测方案，通过一系列信号处理步骤，能够在噪声环境中实现95%以上的R波检测准确率。

实际工程中发现，当信号质量较差时（如运动状态下采集的ECG），传统阈值检测方法会出现大量误检和漏检。这时需要结合信号质量评估(SQA)模块进行动态参数调整。

2. Pan-Tompkins算法核心流程解析

2.1 信号预处理阶段

带通滤波设计（5-15Hz Butterworth滤波器）：

python复制def bandpass_filter(signal, lowcut=5.0, highcut=15.0, fs=250, order=4):
    nyq = 0.5 * fs
    low = lowcut / nyq
    high = highcut / nyq
    b, a = butter(order, [low, high], btype='band')
    return lfilter(b, a, signal)

选择该频段是因为：

1. QRS波的主要能量集中在5-15Hz
2. 能有效抑制基线漂移(<0.5Hz)和肌电噪声(>30Hz)

微分处理采用五点差分法：

python复制diff_signal = np.convolve(signal, [1, 2, 0, -2, -1], mode='same')

这种对称结构能增强QRS波的斜率特征，同时保持相位线性。

2.2 非线性变换与积分窗口

平方运算使所有值变为正数，放大QRS波与其他波形的差异：

python复制squared = filtered_signal ** 2

移动窗口