基于小波变换与CNN的心电信号自动诊断系统

资 源 简 介

本项目开发一个集成化的心电图(ECG)信号处理与分析平台，旨在辅助医生进行心血管疾病的自动检测与分类。系统不仅仅是对信号进行简单的显示，而是包含完整的数据处理流水线。首先，系统能够读取MIT-BIH数据库或自定义采集的原始ECG数据，利用离散小波变换(DWT)和自适应陷波器有效去除基线漂移、工频干扰及肌电噪声，显著提高信号信噪比。接着，采用了改进的Pan-Tompkins算法通过差分、平方和积分操作精确检测QRS波群，定位R波峰值，并计算心率变异性(HRV)的时域和频域指标。核心分析模块结合了短时傅里叶变换(STFT)生成的时频图与卷积神经网络(CNN)，对正常心跳、室性早搏(PVC)、房性早搏(PAC)及心房颤动等心律失常模式进行自动分类。此外，项目利用MATLAB App Designer构建了交互式图形用户界面，支持用户动态加载数据，实时观测原始波形与去噪波形的对比，查看自动标记的特征点（P波、QRS波、T波），并导出包含心率趋势、异常心跳统计及分类置信度的综合诊断报告。该系统适用于生物医学工程教学、算法验证及医疗辅助诊断的原型开发。

详 情 说 明

基于小波变换与深度学习的ECG心电信号自动诊断系统

项目简介

本项目实现了一个基于MATLAB的集成化心电图（ECG）信号处理与分析平台。系统集成了从数据生成、信号预处理、特征提取到自动诊断的完整流程。通过图形用户界面（App Designer），用户可以直观地观察ECG信号在不同处理阶段的变化，查看心率变异性（HRV）指标，并获取基于模拟卷积神经网络（CNN）的诊断分类结果。该系统主要用于生物医学工程算法的教学演示、验证及辅助诊断原型开发。

功能特性

• 交互式GUI界面：基于MATLAB App Designer构建的现代化界面，包含控制面板、参数显示区及三个动态可视化绘图区。
• 信号模拟与生成：内置ECG信号生成器，能够合成包含P波、QRS波、T波以及模拟噪声（基线漂移、工频干扰、白噪声）的仿真信号。
• 高级信号预处理：

* 集成IIR陷波滤波器去除工频干扰。 * 利用离散小波变换（DWT）进行信号去噪。 * 利用小波重构技术去除基线漂移。

• 特征提取与分析：

* 实现Pan-Tompkins算法逻辑进行QRS波群检测及R波定位。 * 自动检测P波与T波位置。 * 计算时频分析图（STFT Spectrogram）。 * 计算心率变异性（HRV）时域和频域指标（SDNN, RMSSD, LF/HF）。

• 智能辅助诊断：集成模拟的CNN推理模块，对心律失常类型（正常、PVC、PAC、AFIB）进行分类概率评估。
• 自动报告导出：支持一键将当前信号波形、核心指标、分类概率与时频图导出为PDF格式的诊断报告。

系统要求

• MATLAB R2020a 或更高版本
• Signal Processing Toolbox（信号处理工具箱）
• Wavelet Toolbox（小波工具箱）
• Deep Learning Toolbox（深度学习工具箱，用于潜在的模型扩展）

使用方法

1. 确保MATLAB路径中包含 main.m 文件。
2. 在MATLAB命令行窗口输入 main 并回车。
3. 系统将启动 "智能ECG心电诊断系统 (Deep-ECG)" 界面。
4. 按照控制面板的数字引导顺序操作：

* 点击 1. 加载/模拟数据 生成带有噪声的仿真ECG信号。 * 点击 2. 信号预处理 执行去噪和滤波算法。 * 点击 3. 特征提取与CNN诊断 进行波形识别、定位与疾病分类。 * 点击 导出的PDF报告 保存分析结果。

代码实现逻辑与算法细节

本项目的所有核心逻辑均封装在 main.m 文件中，主要包含以下模块：

1. 图形用户界面 (GUI) 架构

程序入口为 main 函数，通过调用 run_gui 构建界面。界面布局采用网格管理器 (uigridlayout)，左侧为操作与数据显示区，右侧为三个绘图坐标轴：

• 原始ECG信号：显示加载或生成的含噪信号。
• 去噪后信号：显示经过滤波处理的洁净信号及标注的特征点。
• 时频分析：显示信号的短时傅里叶变换频谱。

2. 数据源 (模拟生成)

虽然界面按钮提示支持MIT-BIH数据，但当前代码实现主要通过 generate_synthetic_ecg 函数生成仿真数据。该算法通过高斯函数叠加模拟P、Q、R、S、T各波段，并人为特定频率的噪声和基线漂移，以验证去噪算法的有效性。

3. 多级信号预处理流水线

点击“预处理”按钮后，系统按顺序执行以下算法：

• 工频干扰去除：使用 designfilt 设计二阶IIR带阻（陷波）滤波器，阻带频率设定在49Hz-51Hz，有效滤除50Hz电源噪声。
• 小波去噪：

* 选用 sym4 小波基，分解层数为5层。 * 采用软阈值处理方法 (wthcoef)，通过Donoho通用阈值公式计算噪声门限，对高频细节系数进行处理，去除高斯白噪声。

• 基线漂移校正：

* 采用 wavedec 进行8层小波分解（使用 db6 小波基）。 * 强制将最低频的逼近系数（第8层）置零。 * 使用 waverec 重构信号，从而去除极低频的基线趋势项。

4. 特征提取与时频分析

在“特征提取与CNN诊断”阶段，代码执行以下操作：

• QRS复合波检测：调用 pan_tompkins 算法（经典差分、平方、积分窗逻辑）检测R波大概位置，并通过 correct_r_peaks 进行局部最大值搜索以精确定位。
• PT波检测：基于R波位置，在特定时间窗口内搜索P波和T波的峰值。
• HRV计算：通过R-R间隔序列，计算平均心率、SDNN（全部窦性心搏RR间期的标准差）、RMSSD（相邻RR间期差值的均方根）以及LF/HF（低频高频比）。
• STFT变换：使用 spectrogram 函数（窗口128，重叠120，NFFT 256）生成信号的时频图，展示信号频率随时间的变化特性。

5. 诊断分类与报告

• 模拟推理：调用 simulate_cnn_inference 函数，输入STFT特征和HRV指标。注意：代码中的CNN是一个模拟推理过程，用于演示深度学习模块在系统中的集成方式，输出针对四类心律失常（正常、室早、房早、房颤）的置信度概率。
• 可视化反馈：通过柱状图 (bar) 实时显示各分类的概率分布。
• PDF导出：利用 exportgraphics 函数，将重组后的波形图、统计文本、分类概率图和时频图合并为一个新的隐藏Figure，并保存为PDF文件。