基于FPGA的心电图信号分析设计

可在www.sciencedirect.com上在线ScienceDirect电气系统与信息技术学报3（2016）513基于FPGA的最小二乘线性相位FIR滤波穆罕默德·G.作者：Eddie A.放大图片作者：Adel E.埃尔-亨一路走来，哈米德河阿迈勒？扎基？a埃及开罗电子研究所微电子系b埃及开罗Mentor Graphics公司c埃及开罗Ain Shams大学通信和电子系接收日期：2015年4月20日;接收日期：2015年6月16日;接受日期：2015年7月9日2016年4月2日在线发布摘要本文提出了一种用于分析心电图（ECG）信号的设计。该方法采用高通最小二乘线性相位有限脉冲响应（FIR）滤波技术滤除嵌入在输入ECG信号中的基线漂移噪声利用离散小波变换（DWT）作为特征提取方法，从输入ECG信号中提取约简特征集该设计采用反向传播神经网络分类器对输入的心电信号进行该系统在Xilinx 3AN-XC 3S 700 AN现场可编程门阵列（FPGA）板上实现。进行了系统仿真。该设计与其他一些设计相比，实现了97.8%的总精度，并实现减少利用FPGA实现的资源。© 2016 电 子 研 究 所 （ ERI ） 。 Elsevier B. V. 制 作 和 托 管 这 是 CC BY-NC-ND 许 可 证 下 的 开 放 获 取 文 章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：心电图;离散小波变换; FPGA; DSP;生物医学应用1. 介绍近年来，心血管疾病，包括心脏病和中风，仍然是世界各地死亡的主要原因然而，如果能够提供某种预先监测和预先诊断的方法，大多数心脏病发作和中风是可以预防的特别是，心脏功能异常的早期检测对临床医生来说是有价值研究心电图（ECG）信号可以深入了解危及生命的心脏疾病。这通常集中在心律失常的研究上，心律失常可以是心率、规律性和部位的任何干扰。*通讯作者。联系电话：+20 233310503。电子邮件地址：genmado@hotmail.com（M.G. Egila）。电子研究所（ERI）负责同行评审http://dx.doi.org/10.1016/j.jesit.2015.07.0012314-7172/© 2016电子研究所（ERI）。Elsevier B. V.制作和托管这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。514M.G. Egila等人/Journal of Electrical Systems and Information Technology 3（2016）513心脏电脉冲的起源或传导。并非所有的心律失常都是异常或危险的，但有些确实需要立即治疗以防止进一步的问题。可以使用由受试者佩戴的便携式Holter监测器来记录受试者的ECG信息。Holter监测器通常采用几个电极，并存储受试者在24-48小时内进行日常活动时的心律记录然后将Holter监测仪返回给心脏病专家，由其检查记录并确定诊断。检查这些记录是耗时的，因此辅助心脏病专家确定诊断的ECG的任何自动化处理将是有帮助的。ECG分析自动化的基本问题来自ECG信号的非线性和不同患者的ECG形态的大变化而且在大多数情况下，心电信号中会受到背景噪声的污染，如电极运动伪影和肌电信号引起的噪声，这也增加了心电信号模式自动识别的难度。许多研究依赖于数字信号处理（DSP）技术作为一种方法来设计自动化的心电信号分析系统。大多数DSP系统使用典型的主要阶段来分析ECG信号，这些主要阶段包括去噪阶段、特征提取阶段和分类阶段。本文讨论了心电信号的分析问题。介绍了一种新的心电分析系统该系统采用最小二乘线性相位FIR滤波器（LLFE）的方法来克服以前的方法的局限性。LLFE采用离散小波变换方法，因为时域分析不能确定频率分量相对于时间的位置（Gothwal等人，2011;Maniewski等人，1996年;Clayton和Murray，1993年）。短时傅立叶变换（STFT）（Uchaipichat和Inban，2010）在分析ECG信号时具有非最佳时频精度的缺点。最小二乘线性相位FIR滤波器（LLFE）采用最小二乘FIR滤波作为一种方法来去除嵌入在心电信号中的低频噪声。本文的组织结构如下。第二部分介绍了心电信号分析系统的设计方法第3节讨论了仿真和实现结果，第4节给出了结论。2. 心电信号分析系统2.1. LLFE设计所提出的设计的框图如图1所示。该框图由三个主要块组成：去噪块、特征提取块和分类器块。在以下小节中描述了不同的块所提出的设计LLFE依赖于将输入的ECG信号在通过三个电路主要模块之后分类为正常或异常ECG信号，该诊断的结果可以进一步发送到医疗保健专业人员或远程医疗保健中心，以提供所需的帮助。LLFE采用典型模式识别系统的基本模块Fig. 1.拟议LLFE设计的框图。M.G. Egila等人/Journal of Electrical Systems and Information Technology 3（2016）513515−表1MIT-BIH DB根据正常/异常记录分类类别记录编号正常（24）100-101-102-105-106-111-112-113-115-116-117-121 -121- 122-201-201-205-209-212-215-219-220-221-234异常（21）103-108-109-111-118-119-123-200-202-207-208-210-211-213-217-221-222-228-230-231-2322.2. 输入ECG信号采集从标准MIT-BIH心律失常数据库（Moody和Mark，2001）中提取所提出设计的输入ECG信号。 在表1（Rai和Trivedi，2012）中，基于所考虑的MIT-BIH数据库的正常/异常ECG搏动被分类，这样的搏动被认为使用离散小波变换块来处理。通过选择目标数据库（MIT-BIH）从MIT-BIH数据库引用表中的每个信号心律失常数据库（MITDB）），其中包含所选记录。记录以每通道每秒360个样本的速度进行数字化，分辨率为11位，范围为10 mV这些记录被馈送到去噪块以开始处理所采集的ECG信号。2.3. 去噪块该ECG信号遭受两种主要类型的噪声：（1）以基线漂移噪声表示的低频噪声，（2）诸如电力线干扰噪声和肌肉收缩的高频噪声。在LLFE中，通过丢弃由特征提取块中的小波变换分解产生的第一细节分量来去除高频噪声，低频噪声由基线漂移噪声表示。在游走基线时，等电位线位置改变。基线漂移噪声的主要可能原因是读取期间电缆移动、患者移动、肮脏的导联线/电极、松动的电极，此外其他次要来源。在LLFE设计中采用最小二乘线性相位FIR高通滤波器消除基线漂移噪声。LLFE中使用的高通滤波器类型是截止频率为0.5 Hz的最小二乘线性相位FIR高通滤波器，以去除嵌入在输入ECG信号中的低频基线漂移噪声去噪模块在Matlab Simulink中使用Xilinx System Generator模块进行建模和实现最小二乘线性相位FIR滤波器结构的建模和实现使用Xilinx系统发生器FIR滤波器块。2.4. 特征提取LLFE特征提取模块使用离散小波变换方法。它具有如图2所示的过滤器结构。输入信号由低通（LP）和高通（HP）滤波器滤波。来自低通滤波器的输出被称为近似系数，而来自高通滤波器的输出被称为细节系数。然后，每个滤波器的输出以因子2进行下采样LP输出被进一步滤波，并且该过程继续，直到达到足够的分解步骤。在LLFE中，输入信号通过三级滤波，得到四个信号（d1、d2、d3和a3）。特征提取是通过小波变换分解完成的。在该步骤中，连续ECG信号被转换成单独的ECG搏动。各个搏动的宽度近似于300个样本数据，并且所提取的搏动以R峰为中心。对于每个R峰，在R 150位置处开始的每个搏动的连续信号被截止直到R + 149位置，因此实现了宽度为300个样本数据的搏动（Jatmiko等人， 2011年）。在该分解中，Daubechies阶3被用作母小波。 在这种方法中，输入信号被分解为3个级别，如图所示。二、具有300个样本的输入信号将在每一级中以因子2被下采样，在第三级（d3，a3）中仅达到38个样本。细节d1通常是噪声信号并且必须被消除。另一方面，d2和d3表示信号的高频系数。由于由38个样本表示的a3表示信号的近似，并且包含信号的主要特征，因此a3被认为是在分类器的后续阶段中使用的简化特征向量。516M.G. Egila等人/Journal of Electrical Systems and Information Technology 3（2016）513图二.小波变换滤波器结构框图。滤波器组使用Xilinx System Generator FIR编译器模块实现，以实现低通和高通滤波器。2.5. 分类块在LFEE中实现的分类器基于前馈反向传播神经网络;神经网络输出指示在设计的输入中提供的样本是否表示正常ECG搏动或异常ECG搏动。根据输入x、神经元权重w、偏置b和激活函数g的神经网络的每个神经元的输出y如下所示，如（1）中所示：y=g（xi wi+b）（1）神经网络的基本模块是：乘法器模块、加法器模块和激活函数模块。所提出的LLFE设计中的神经网络具有一个包含3个隐藏神经元的隐藏层和一个输出层。神经网络的框图如图所示。 3、利用Matlab Simulink对Xilinx System Generator模块进行了神经网络的实现。图三.神经网络电路框图。M.G. Egila等人/Journal of Electrical Systems and Information Technology 3（2016）513517见图4。LLFE神经网络激活函数在Xilinx系统发生器块方面。神经网络的输入是从特征提取块输出的近似信号（a3）（输入X），以及权重向量IW和LW，以及偏置值b1和b2，而神经网络分类器的输出是表示诊断的ECG信号的所提出的神经网络分类器使用newff Matlab函数创建前馈反向传播网络。通过使用traingd Matlab函数，使用监督学习算法来训练神经网络。traingd是根据梯度下降更新权重和偏置值的网络训练函数，在训练阶段期间使用100，000个训练完成后，计算相关权重，以及计算的偏差值，这些值被馈送到Matlab Simulink中的Xilinx System Generator模块，以实现神经网络模型。2.6. LLFE激活函数LLFE中使用的激活函数是（tansig）激活函数。（tansig）激活函数可以用近似于x的5次方的麦克劳林幂级数的形式表示，如（2）中所示，X3tansig（x）=x−3+2x3第十五章（二）使用Matlab Simulink实现的激活功能的框图在Xilinx系统发生器块方面如图所示。 四、 神经网络经历两个阶段：训练阶段和测试阶段。在训练阶段，使用90个训练集，其中48个正常ECG集和42个异常ECG集，每个集分为38个样本测试阶段用于验证所实现的神经网络的功能使用了45个测试集，其中24个正常心搏和21个异常心搏518M.G. Egila等人/Journal of Electrical Systems and Information Technology 3（2016）513图五. Xilinx系统发电机模块的完整电路模块。2.7. LLFE完整电路框图图5显示了Xilinx系统发生器模块的完整电路框图，其中完整电路分为3个主要模块。这些模块包括去噪模块、离散小波变换特征提取模块和神经网络分类器模块。该模块的输入是来自MIT-BIH DB的原始R峰中心（300个样本长度）ECG信号，该信号作为输入输入到去噪模块，以产生无基线漂移噪声的ECG信号。去噪块的输出然后将这样的特征向量输入到神经网络分类器以产生诊断的ECG，以确定输入的ECG信号是表示正常的ECG搏动还是异常的ECG搏动。3. 模拟和实施结果在本节中，将介绍主要模块和完整LLFE设计的不同仿真结果。通过Matlab和Xilinx ISIM仿真器对VHDL代码进行了仿真。最后给出了完整的系统实现的FPGA实现。FPGA实现在Xilinx 3AN-XC 3S 700 AN板上完成。3.1. 去噪块去噪模块的仿真结果由Matlab和Xilinx ISIM仿真器完成。图图6和图7表示针对去噪模块的Matlab仿真，针对来自M.G. Egila等人/Journal of Electrical Systems and Information Technology 3（2016）513519见图6。ECG出现基线漂移（记录115）。MIT-BIH DB（记录115），持续40 s。图6表示在输入到去噪块之前遭受基线漂移的ECG信号，而在使用LLFE去除基线漂移之后的ECG信号在图6中示出。7.第一次会议。如图所示。 7，等电位线（0V）几乎是直的，这表明去噪后的心电信号可以进入特征提取阶段完成处理。 图 8表示去噪块的ISIM仿真结果。其中，输入ECG信号是从MIT-BIH DB库中提取的具有基线漂移噪声的输入ECG信号，去噪ECG信号是无基线漂移的ECG信号。输出信号值（去噪ECG信号）与从图1中的Matlab去噪块仿真提取的去噪ECG信号输出的值相同。7.第一次会议。3.2. 特征提取块（离散小波变换块）在图9中示出了MIT-BIH记录231的每个级处的离散小波变换滤波器组的输出（信号d1、d2、d3和a3）的Matlab仿真如上述模拟所示，每个阶段的样本数量（x轴）减少到一半对于信号（d1），样本的数量从离散小波变换块（去噪ECG信号）的输入中的300个样本减少到第一阶段结束时的150个样本然后，样本的数量在第二次采样时达到75个样本。见图7。使用LLFE消除基线漂移后的ECG（记录115）。520M.G. Egila等人/Journal of Electrical Systems and Information Technology 3（2016）513见图8。去噪块的ISIM仿真结果。阶段，用于信号（d2）。对于信号（d3和a3），第三级在离散小波变换块的输出处达到38个样本离散小波变换（DWT）模块的VHDL代码由Xilinx ISIM模拟器模拟，如图所示。 10个。 信号dwt输入是到DWT块的输入去噪信号，在去噪阶段之外。信号dwt out a3是来自第三分解级处的DWT块的近似信号。信号dwt_out d1、dwt_out d2和dwt_out d3是来自每个分解级处的离散小波变换块的细节信号。见图9。每一级滤波器组的输出（信号d1、d2、d3和a3）。M.G. Egila等人/Journal of Electrical Systems and Information Technology 3（2016）513521−−见图10。ISIM仿真结果的DWT块。对记录231进行该模拟，该模拟运行300个时钟周期。从仿真结果中可以看出，由于小波变换模块中的下采样电路，每个分解级的周期都增加了一倍来自离散小波变换块的感兴趣的输出信号是dwt_out_a3，其表示近似信号，其被用作简化特征向量38个样本。然后，将该减少的特征向量输入到下一阶段的神经网络分类器。3.3. 分类模块（神经网络模块）对记录105（作为正常ECG信号的样本）和记录104（作为异常ECG信号的样本来自前一级的DWT块输出的a3特征向量（38个样本）被馈送到两个记录的神经网络分类器输入，并且针对两种情况测量分类器输出。该神经网络被训练为在正常ECG样本的情况下在神经网络输出处产生值神经网络模块的Matlab仿真通过运行神经网络的Matlab Simulink模型完成，并从Matlab工作空间读取输出数据记录105的神经网络输出的Matlab仿真结果给出值对于记录104，神经网络输出（从Matlab工作空间读取）是值用Xilinx ISIM仿真器对实现的神经网络进行了VHDL代码仿真。该模拟是针对来自MIT-BIH DB的记录105（其表示正常ECG样本（图11））和针对记录104（其表示异常ECG样本（图12））完成的。模拟信号是神经的，其中神经输入是神经网络的输入数据，来自离散小波变换（DWT）块的输出（信号a3），（w1，w2和w3）表示输入的计算的神经网络权重向量，神经输出是神经网络的输出。522M.G. Egila等人/Journal of Electrical Systems and Information Technology 3（2016）513见图11。神经网络分类器块的ISIM模拟结果（记录105）。见图12。神经网络分类器块的ISIM模拟结果（记录104）。M.G. Egila等人/Journal of Electrical Systems and Information Technology 3（2016）513523−−−图十三.完整电路的ISIM仿真结果（记录114）。对于记录105，神经网络的输出是二进制“111111”，其被转换为值“1”，这指示输入信号是正常ECG信号，如预期的这表明神经网络的输入值表示预期的异常ECG样本。3.4. 完整的电路仿真和实现通过运行图中完整电路的Simulink模型，完成完整电路的Matlab仿真。 5、并从Matlab工作空间中读取输出数据用于电路输出（神经网络分类器输出）。对记录114（作为正常ECG信号的样本）和记录207（作为异常ECG信号的样本对于对应于正常ECG信号的记录114，来自Matlab工作空间的结果是完整电路输出的值该值是正常ECG信号的预期值。对于对应于异常ECG信号的记录207，完整电路输出（神经网络分类器输出）给出来自Matlab工作空间的值对记录114进行完整电路的ISIM模拟，作为正常ECG信号的样本如图13所示。图14中示出了作为异常ECG信号的样本的记录207的模拟。信号“输入ECG信号”从MIT-BIH DB库输入到第一级中的去噪块。信号“去噪ECG信号”是来自去噪块的输出信号。信号（信号信号 如图114所示， 13、神经网络的输出“neuralnetworkout”信号结果为“1”，表明其为预期的正常ECG信号。对于图14的记录207，完整的电路输出（神经网络分类器输出）给出值524M.G. Egila等人/Journal of Electrical Systems and Information Technology 3（2016）513见图14。完整电路的ISIM仿真结果（记录207）。3.5. 完整电路完整电路的完整布局由XILINX ISE工具完成，如图所示。 十五岁 物理设计规则检查（DRC）是一系列测试，用于发现设计中的逻辑和物理错误。在LLFE完整电路完全放置和布线后，DRC完成，DRC阶段返回完整电路的“未发现错误”，如图所示。 十五岁3.6. LLFE设备利用率在XILINX Spartan-3A DSP XC 3SD 3400 A板上实现了LLFE设计。LLFE设计与Jatmiko等人（2011）的设计之间的器械利用率比较见表2。 Jatmiko et al. （2011）使用XILINX Spartan 3AN-XC 3S 700 AN实现。根据表2，表2LLFE和Jatmiko等人之间的器械利用率比较（2011年）。逻辑利用率利用LLFEJatmiko等人（2011年）片触发器389373014个输入LUT395376544个输入LUT43218832绑定的IOB14014BUFGMUX数量44M.G. Egila等人/Journal of Electrical Systems and Information Technology 3（2016）513525图15.完整电路的FPGA布局。结果表明，与Jatmiko等人相比，所提出的LLFE设计实现了FPGA实现所利用的资源的减少。（2011年）。3.7. 混淆矩阵对LLFE的完整电路进行测试，以评估电路的精度。测试阶段用于验证所实现的神经网络的功能。此外，在测试阶段使用了45个测试集，其中24个正常心搏和21个异常心搏。分类或混淆矩阵的检查见下表3。 混淆矩阵表明，所有24个正常样本测试集都被正确诊断，对正常样本的识别准确率为100%。在21个样本中，只有1个异常测试样本被错误地识别为正常样本，识别异常样本的准确率为95.23%。整个电路的总精度为97.8%。Jatmiko等人（2011）设计的准确度范围为90%至100%。在Rai和Trivedi（2012）中，达到了97.8%的准确率，但是在Rai和Trivedi（2012）中，设计没有部署在硬件平台上，因此很难评估其资源利用效率。从这个比较，它表明，LLFE具有良好的准确性，在分析ECG信号，并实现减少资源利用FPGA实现。表3神经网络分类器的混淆矩阵类别分类数量的输入正常上课异常类准确度（%）普通类（24）240100异常类（21）120九十五。23总计：97.8526M.G. Egila等人/Journal of Electrical Systems and Information Technology 3（2016）5134. 结论本文提出了一种用于心电信号分析的最小二乘线性相位FIR滤波器。LLFE采用最小二乘FIR滤波作为去除嵌入在ECG信号中的低频噪声的方法。LLFE使用离散小波变换方法来克服以前方法的局限性。使用时域分析的设计方法无法确定频率分量相对于时间的位置，而使用短时傅立叶变换（STFT）的设计在分析ECG信号时具有非最佳时频精度的缺点。提出的工作采用反向传播神经网络作为分类器来诊断输入到系统的心电信号。该系统在Xilinx 3AN-XC 3S 700 AN板上实现。仿真结果表明，该系统实现了良好的准确性为97.8%的总精度，并实现了减少FPGA实现的资源引用克莱顿河，Murray，A.，一九九三年 用快速傅里叶变换和最大熵方法估计室颤时的心电信号频谱。在：心脏病学计算机，会议记录，9月5日至8日，pp。867-870Gothwal，H.，Kedawat，S.，库马尔河，巴西-地2011年4月。 使用快速傅立叶变换和人工神经网络检测ECG搏动信号中的心律失常。4.科学研究出版社，pp。289-296。Jatmiko，W.，Mursanto，P.，Febrian，A.，Fajar，M.，W.T. Anggoro，Rambe，R.S.，Tawakal，M. I.，Jovan，F. F.，Eka，S.，2011年。FGPA波形特征对心律失常的分类在：IEEE国际研讨会上微纳米机电一体化和人类科学，没有，名护市，日本，pp. 349-354.Maniewski河，Lewandowski，P.，Nowinska，M.，Mroczka，T.，1996. 用于高分辨率ECG分析的时频方法。在：第18届IEEE医学和生物学工程学会桥接生物医学学科国际会议论文集，卷。3，31October-3 No v，pp. 1266-1267年。穆迪，G.B.，马克，RG，2001年 MIT-BIH心律失常数据库的影响。 IEEE工程师 Med. Biol. 麦格 20（3），45 -50，May-June。荷伊H.M. Trivedi，A.，2012. 基于小波变换和BP神经网络的心电信号分类。在：IEEE国际会议计算机和通信设备，12月，加尔各答，印度，pp。一比四Uchaipichat，N.，Inban，S.，2010年。 基于短时傅里叶变换的QRS波检测技术的发展 Int. J. Comput. Appl. 1，7-10（计算机辅助成像和生物医学应用的软计算技术特刊）。