1. 项目概述
作为一名长期从事生物医学信号处理的研究者,我最近在复现一篇关于使用支持向量机(SVM)进行心电图(ECG)心搏检测与分类的论文时,积累了一些实战经验。这个项目看似简单,但实际操作中会遇到不少坑,特别是对于刚入门的小白来说。本文将详细解析整个实现过程,从数据预处理到模型训练,再到性能优化,手把手教你如何用Matlab实现这个项目。
ECG信号分析是医疗诊断中的重要工具,而自动化的心搏分类可以大大提高医生的工作效率。SVM作为一种经典的机器学习算法,在这个领域表现出色。但要让模型真正work起来,需要处理好数据、特征和模型参数这三个关键环节。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 数据准备与预处理
2.1 ECG数据获取
MIT-BIH心律失常数据库是这个领域最常用的基准数据集,包含48条半小时的双导联ECG记录,采样率为360Hz。每条记录都附有专业 cardiologist 标注的心搏类型标签。
注意:在使用这些数据前,务必遵守相应的使用协议和规范。数据可以从PhysioNet官网合法获取。
2.2 数据预处理流程
原始ECG信号通常包含多种噪声,必须经过仔细的预处理:
-
基线漂移去除:
- 使用中值滤波器,窗口长度约200ms
- 或者采用高通滤波器,截止频率0.5Hz
-
高频噪声滤除:
- 采用低通滤波器,截止频率40Hz
- 推荐使用零相位数字滤波器避免相位失真
-
工频干扰消除:
- 50/60Hz陷波滤波器
- 自适应滤波技术效果更好但实现复杂
matlab复制% MATLAB中的预处理示例代码
[b,a] = butter(4,[0.5 40]/(fs/2),'bandpass'); % 带通滤波设计
filtered_ecg = filtfilt(b,a,raw_ecg); % 零相位滤波
2.3 心搏检测
Pan-Tompkins算法是最经典的QRS检测算法,其核心步骤包括:
- 微分处理增强QRS斜率
- 平方运算突出高频成分
- 移动窗口积分平滑信号
- 自适应阈值检测R波位置
matlab复制function [qrs_peaks] = pan_tompkins(ecg, fs)
% 微分
diff_ecg = diff(ecg);
% 平方
squared = diff_ecg .^ 2;
% 移动窗口积分
window_size = round(0.15 * fs);
integrated = movmean(squared, window_size);
% 自适应阈值检测
[~, qrs_peaks] = findpeaks(integrated, 'MinPeakHeight', mean(integrated)*2);
end
3. 特征工程
3.1 时域特征提取
每个心搏周期可以提取以下关键时域特征:
- RR间期:当前R波与前一个R波的时间间隔
- QRS波宽度:从Q波起点到S波终点的时间
- R波振幅:R波峰值幅度
- Q波和S波的深度
matlab复制function features = extract_time_features(ecg, r_peaks, fs)
% 计算RR间期
rr_intervals = diff(r_peaks)/fs;
% 初始化特征矩阵
features = zeros(length(r_peaks)-1, 4);
for i = 2:length(r_peaks)
% 提取当前心搏段
start = r_peaks(i-1);
stop = r_peaks(i);
beat = ecg(start:stop);
% 计算各特征
features(i-1,1) = rr_intervals(i-1);
features(i-1,2) = qrs_width(beat, fs);
features(i-1,3) = max(beat) - min(be
