基于Context模型和矢量—標(biāo)量量化器的ECG信號(hào)壓縮.pdf

1、心電圖(ECG)是單位時(shí)間內(nèi)心臟電生理活動(dòng)在體表的綜合表示，是醫(yī)生診斷心臟疾病的重要依據(jù)。由于診斷過程無損傷、廉價(jià)及實(shí)時(shí)性強(qiáng)，多導(dǎo)聯(lián)ECG記錄系統(tǒng)已經(jīng)廣泛應(yīng)用于動(dòng)態(tài)監(jiān)護(hù)、臨床診斷和遠(yuǎn)程醫(yī)療。其數(shù)據(jù)量的大小往往隨著采樣率、采樣分辨率、記錄時(shí)間、導(dǎo)聯(lián)數(shù)量和病人數(shù)量的增加而增加。當(dāng)存儲(chǔ)空間或傳輸帶寬受到嚴(yán)格限制時(shí)，有必要在保證信號(hào)質(zhì)量的情況下進(jìn)行數(shù)據(jù)壓縮。目前常用的數(shù)據(jù)壓縮方法包括：直接壓縮法、變換壓縮法以及參量壓縮法。其中，基于小波變換的數(shù)

2、據(jù)壓縮方法取得了顯著的結(jié)果。
　　多導(dǎo)聯(lián)ECG信號(hào)作為偽周期信號(hào)同時(shí)具有采樣點(diǎn)之間、心動(dòng)周期之間和導(dǎo)聯(lián)之間的相關(guān)性。本論文從如何有效去除相關(guān)性的角度出發(fā)，研究了基于Context模型和矢量-標(biāo)量量化器的壓縮方案，主要包括以下幾個(gè)方面內(nèi)容：
　　第一部分重點(diǎn)討論三種多導(dǎo)聯(lián)ECG信號(hào)的QRS檢測(cè)方法，解決了單導(dǎo)聯(lián)ECG信號(hào)因電極接觸不良或噪聲干擾所帶來的低檢測(cè)率問題，同時(shí)為后續(xù)的數(shù)據(jù)壓縮方法提供可靠的心動(dòng)周期信息。
　　針

3、對(duì)雙導(dǎo)聯(lián)ECG信號(hào)，提出一種基于聯(lián)合小波熵的QRS檢測(cè)算法。利用連續(xù)小波變換提取QRS波群頻率范圍內(nèi)的小波系數(shù)，有效避免噪聲干擾。然后采用基于小波熵的方法對(duì)單導(dǎo)聯(lián)ECG信號(hào)進(jìn)行門限判別。當(dāng)檢測(cè)的RR間期與平均RR間期差距明顯時(shí)，采用基于聯(lián)合小波熵的方法融合雙導(dǎo)聯(lián)ECG信號(hào)的QRS信息，以增強(qiáng)檢測(cè)結(jié)果。
　　針對(duì)12導(dǎo)聯(lián)ECG信號(hào)，分別提出兩種基于盲源分離的QRS檢測(cè)算法。方法一采用主元分析(PCA)分離多導(dǎo)聯(lián)ECG信號(hào)的心室、心房

4、以及噪聲成分，然后采用偽周期排序法將心室信號(hào)排在前列，以便計(jì)算聯(lián)合小波熵檢測(cè)QRS信息。方法二采用獨(dú)立元分析(ICA)分離多導(dǎo)聯(lián)ECG信號(hào)的獨(dú)立成分，對(duì)各成分進(jìn)行連續(xù)小波變換，重構(gòu)小波系數(shù)的相空間，根據(jù)相空間的QRS信息排序獨(dú)立元，最后計(jì)算聯(lián)合小波熵檢測(cè)QRS信息。
　　第二部分重點(diǎn)討論ECG信號(hào)的壓縮算法，分別從無損壓縮與有損壓縮、標(biāo)量量化與矢量量化、一維壓縮與二維壓縮，以及單導(dǎo)聯(lián)壓縮與雙導(dǎo)聯(lián)壓縮的角度出發(fā)，充分研究了基于Con

5、text模型的熵編碼算法。
　　針對(duì)ECG信號(hào)的無損壓縮，首先采用9/7小波對(duì)信號(hào)進(jìn)行基于提升方案的整數(shù)變換，然后將小波系數(shù)分解為重要位置圖、符號(hào)流、二進(jìn)制最高位位置流及剩余比特流，再結(jié)合Context模型對(duì)各系數(shù)流進(jìn)行熵編碼。
　　針對(duì)單導(dǎo)聯(lián)ECG信號(hào)的有損壓縮，本文分別提出了兩種壓縮方案。方法一為基于標(biāo)量量化的二維壓縮，首先利用QRS信息將一維ECG信號(hào)切割并排列成二維圖像。經(jīng)過周期排序與均值去除，對(duì)圖像進(jìn)行一維小波變換

6、，并對(duì)小波系數(shù)進(jìn)行帶截止區(qū)的標(biāo)量量化。最后分解小波系數(shù)，并結(jié)合Context模型對(duì)各系數(shù)流進(jìn)行熵編碼。該壓縮算法每次編碼前需要收集心動(dòng)周期形成圖像，存在時(shí)間延遲。方法二為基于矢量-標(biāo)量量化的一維壓縮，首先按照離散小波變換等級(jí)樹的結(jié)構(gòu)提取ECG信號(hào)的小波系數(shù)樹矢量，然后利用矢量-標(biāo)量量化器量化樹矢量。量化器由動(dòng)態(tài)學(xué)習(xí)矢量量化器與帶截止區(qū)的標(biāo)量量化器組成。對(duì)標(biāo)量量化系數(shù)進(jìn)行分解之后，結(jié)合Context模型對(duì)各系數(shù)流進(jìn)行熵編碼。該方案可進(jìn)行在

7、線編碼。
　　針對(duì)多導(dǎo)聯(lián)ECG信號(hào)的有損壓縮，本文以雙導(dǎo)聯(lián)ECG信號(hào)為特例，在基于矢量-標(biāo)量量化器的壓縮算法基礎(chǔ)上，將各導(dǎo)聯(lián)ECG信號(hào)小波系數(shù)樹矢量的矢量量化系數(shù)組成一個(gè)新矢量，并對(duì)其進(jìn)行無損矢量量化。同時(shí)，將原算法中碼書的動(dòng)態(tài)學(xué)習(xí)規(guī)則改進(jìn)為靜態(tài)學(xué)習(xí)規(guī)則。在合理利用導(dǎo)聯(lián)之間相關(guān)性的基礎(chǔ)上，提高算法的壓縮性能。
　　由于有效利用了采樣點(diǎn)之間、心動(dòng)周期之間和導(dǎo)聯(lián)之間的相關(guān)性，本文提出的各種算法和基于JPEG2000或SPIHT的