心电图是评价心脏功能的重要依据，但其不能记录窦房结电位波，因而无法反映窦房结的电活动，窦房结电图SNE（Sinus Node Electrogram）是可直接记录窦房结电位的高分辨率心电图，是评价心脏窦房结功能、诊断窦房结病变的主要依据。窦房结电位是位于P波起始点之前的低幅、低频信号，其波形形状类似低幅的指数曲线，由于其位于P波的前部，临床上称其为P前波[1-3]。P前波的持续时间称为窦房传导时间（SACT），它是SNE中窦房结电位的起点到P波起点的时间间隔，是判断窦房结功能的直接依据，P前波的识别对于窦房结功能的测定具有重要价值。目前，心电图中各个特征波形的识别已实现了自动化，P前波是窦房结电图中最为重要的特征波形，它的识别目前由人工完成，影响了诊断效率的提高，因此，P前波的自动识别对于临床心电诊断学的发展有着重要价值。
1 基本原理
    SNE与ECG具有相似的波形结构，除P前波之外，特征波形是相同的，因此，SNE特征波形的识别方法可借鉴ECG特征波形的识别方法。由于在记录SNE的过程中，会引入多种干扰波形，包括肌电干扰、工频干扰以及由电极接触与呼吸引起的基线漂移等。自动识别的前提是记录波形中不含有干扰波形，否则必然导致误识别。为此波形自动识别分为两个步骤，首先进行波形信号预处理，消除干扰波形，然后再由算法进行波形识别。


    由于干扰波形及SNE信号的各特征波形的频谱不同，将SNE信号进行多尺度小波分解后，干扰及不同的特征波形处于不同尺度的分解信号上，通过对干扰所处的尺度进行阈值设置可消除干扰，从而重构后分离出有效的 SNE信号，实现信号预处理。
    P前波识别的基本思路是：首先对同步采集的ECG进行多尺度小波分解，然后根据QRS波群的能量在各层的分布，选取能量最大的所在层的小波系数进行重构，定位R波；然后在R波的前部搜索并检测定位出P波，最后根据P波的位置，在其前部检测定位出P前波。
2 P前波的自动识别

    如前所述，肌电干扰、工频干扰以及由电极接触与呼吸引起的基线漂移是特征波形误识别的主要原因，为此，P前波的自动识别分两个步骤进行,第一步进行波形信号预处理，消除干扰波形，特别是基线漂移；第二步进行P前波的波形识别。
2.1 信号预处理
    信号预处理的目的是消除肌电干扰、工频干扰以及基线漂移。肌电干扰相对心电信号属于高频干扰，采用低通滤波器即可消除，工频干扰采用50 Hz陷波器消除，两种滤波器既可采用硬件电路实现也可由软件数字滤波算法实现，前者是实时滤波，后者是后处理方法，没有实时性，为了保证实时性，在本设计中采用硬件电路实现两种滤波，即在前置放大器中设置低通滤波器与50 Hz陷波器，实际效果较好。
    基线漂移是缓慢变化的低频信号，在心电图中由于前置电路的增益较低，经放大后的基线漂移很小，对波形识别的影响不大，一般采用硬件高通滤波器实现基线漂移的抑制。但在SNE记录中由于前置放大器的增益远高于心电图放大器的增益，基线漂移的幅度较大，对波形识别特别是对P前波的识别造成较大干扰，因此基线漂移的抑制是SNE波形识别中最为关键的预处理技术。实际记录表明采用常规的高通硬件滤波抑制SNE中基线漂移无法收到预期的效果，因而基于数字滤波的基线漂移抑制技术成为抑制SNE中基线漂移的主要方法。
    基于小波的数字滤波原理是利用多分辨率理论将含噪信号进行多尺度的小波分解，得到各个信号在各个频谱范围内的特性，然后利用信号和噪声在能量分布上的不同，直接将含有噪声的那部分频率的细节去除，再利用小波逆变换进行重构，达到消噪之目的，具体处理流程图见图1。

    小波滤波器的消噪效果与选择的小波基及不同尺度下小波基的通频带有着密切的关联。小波基的选择并不唯一，不同的小波基对信号滤波的效果影响较大，实际中往往只能通过经验或不断试验确定小波基函数。分别用 Coif函数、db函数以及sym函数作为小波基函数，对实际采集的含有基线漂移的SNE信号进行对比性多尺度分解与重构，结果表明，采用由Daubechies构造的Coiflet小波函数作为小波基，抑制SNE基线漂移的效果最佳。Coiflet小波函数具有CoifN(N=1,2,3,4,5)系列，经仿真实验确定采用Coif4作为小波基，它的支撑长度为6N-1，具有近似对称性；消失矩阶数为2N，相应的尺度函数的消失矩的阶数为2N-1，具有很好的正则性，且与QRS波有极大的相似性，频域的局域化能力较强。
    小波分解的尺度需要依据信号与噪声的频带及小波基的通频带确定，由于SNE与ECG具有相似的波形结构，除P前波外，其频谱范围是一致的，即QRS波的频率范围为3 Hz～45 Hz，P波、T波的频率范围为0.5 Hz～10 Hz，基线漂移的频率范围为0.05 Hz～2 Hz,而P前波根据实际测定及文献介绍其频带为0.3 Hz～30 Hz[1，4]。
    小波基的通频带在ECG自动分析中依据MIT-BIH心电数据库得到，但是一方面由于MIT-BIH心电数据库采样频率为360 Hz，其采样频率较之目前的数字心电图采样频率国家标准500 Hz低，另一方面数据库中没有包含SNE样本，因此无法直接根据MIT-BIH心电数据库数据得到SNE的小波基通频带。本文通过对近8 000例实际采集的SNE数据，利用Coif4小波基进行9个尺度的小波分解，得到了表1所示的SNE的Coif4小波基通频带，采样频率分为500 Hz与1 kHz两种，其中dn表示小波在n尺度下的小波系数，an代表小波多尺度分解下的尺度系数。

    由表1中数据可知对SNE信号进行9尺度小波分解后，基线漂移处于第8、9层，高频的噪声干扰则处于第1层，对8、9层运用小波阈值消除基线漂移，得到基线稳定的SNE信号，方便后续处理，实际的处理效果见图2。

2.2 P前波的识别
　P前波位于A波（对应ECG的P波）的前部，根据P前波的定义及所在的位置,可以确定P前波的识别思路：首先借助ECG的P波识别技术，在同步记录的ECG中识别并定位P波的起始位置，然后在SNE中对应位置处定位A波的起点，最后依据A波的起始位置由软件向前搜索基线位置从而定位P前波，并判断P前波是否存在。上述识别思路见图3的识别流程。

    由于ECG有12个记录导联，不同的导联中各特征波形的位置并不相同，因此，必须选择特征波形与SNE特征波形位置相同的ECG记录导联定位P波，才能够确保P前波定位的准确。SNE的记录电极的位置与ECG的V1导联的记录位置非常接近，大量实际同步记录表明，两个记录波形的特征波形位置重合，因此，为了识别A波起点，采用V1导联作为P波识别的基准信号。
    在为检测R波峰值而选取小波分解的系数时，通过ECG信号的功率谱图，QRS波的能量大部分集中在第3、4、5层，故选取第3、4、5层的小波系数进行重构。为了更明显和精确地定位R波峰值，在检测R波峰值时进行了如下的算法设计：

其中d3、d4、d5分别为小波分解后第3、4、5层的小波系数，n为小波分解的层数，绘出信号D后，可以明显地发现V1导联中R波峰值点的位置均处于一个周期内的最大值位置，非常易于检测，保证了R波峰检测的精确性，为后面的P波精确检测提供前提，如图4(a)所示，图中的圆圈位置表示R波峰值点。

    检测出R波峰后算出R-R平均间期，利用窗口搜索法检测P波峰值点， 搜索区间为[前一个R波峰位置+0.4 R-R平均间期，后一个R波峰位置-0.2 R-R平均间期]，在此区间内搜索最大值点（正向P波）或最小值点（反向P波），即为P波峰值点，如图4(b)所示，图中的圆圈位置表示P波峰值点。检测出P波峰值点后，根据医学上P波时限从峰值点向前定义搜索窗口，对于正向P波，当检测到某点与前一点的幅值之差是后一点与此点幅值之差的0.25倍时，即达到P波起点；对于反向P波，当检测到某点与前一点的幅值差的绝对值是后一点与此点幅值差绝对值的0.25倍时，即为P波起点[7]，该点位对应至SNE采集通道的点位即是A波的起始点。
      定位A波起点后，从A波的起点向前搜索，如果连续有36~60 ms的数据逐级小于A波起点的幅值，并在基线之上，便可确定P前波的存在。根据这一思路利用Matlab工具对实际人体采集的SNE信号进行算法实现，采样频率为500 Hz，选取了其中4.8 s采集的数据进行处理，算法处理效果如图5、图6所示。

3 分析与结论
    本文在采用超微心电图仪记录采集的体表窦房结电图数据的基础上，提出了基于小波变换的多尺度分解与重构,抑制SNE基线漂移及进行P前波自动识别的算法。采用Matlab工具对100多例实际人体采集的 SNE信号进行算法实现，将自动识别的结果与人工识别结果进行了比较，结果表明自动识别的检出率达到了76%，验证了所提出算法的可行性，为后续P前波自动检测的进一步研究奠定了良好的基础。
    本文进行的窦房结电图P前波自动识别研究，是在 ECG特征波形自动识别研究的基础上进行的探索性研究，所采用的样本数据均是实际采自人体的SNE数据，由于基线漂移抑制技术并未达到理想的水准，尽管采取了基线稳定措施，但实际采集发现，呼吸、心脏搏动仍然引起基线不稳定，导致P前波不是每一个心动周期中均清晰出现，增加了自动识别的难度，引起漏检，降低了P前波的检出率。对这一问题将进一步深入研究，以不断提高自动识别的检出率。
参考文献
[1] CRAMER M, HARIMAN R J. Electrograms from the canine sinoatrial pacemaker recorded in  vitro and in situ[M].New York:  The American of CARDIOLOGY, 1978:939-946.
[2] REIFFEL J A. The human sinus  node electrograms: A transvenous catheter technique and a comparison of directly and indirectly estimated sinoatrial conduction time in Adults.New York: Circulation, 1980:1324-1334.
[3] Ding Shifang, Ma Dabo,Guo Chi. A noninvasive transesophageal signal averaging technique for detection of sinus node electrogram[J]. Journal of Interventional Cardiac  Electrophysiology,2000(4):225-230.
[4] 李澈,窦房结[M]. 北京：北京医科大学出版社，2001.
[5] PAL S, MITRA M. Detection of ECG characteristic points using multiresolution wavelet analysis based selective coefficient method[J]. Measurement,2010(43):255-261.
[6] 张翔，周严. 基于自适应滤波的心电图中呼吸干扰的抑制[J].生物医学工程学杂志, 2011,28(2):58-62.
[7] 万相奎，秦树人，梁小容，等.基于“小波—幅值—斜率”的P波检测新方法[J].生物医学工程学杂志，2006,23(4):722-725.