М.С. Дахва – аспирант, 
Марийский государственный университет
E-mail: eng_dahwah@yahoo.com

Постановка проблемы. В электрокардиографии для обнаружения компонент ЭКГ применяются различные методы обработки цифровых сигналов. Работа практически всех алгоритмов классификации ЭКГ начинается с обнаружения QRSкомплекса. Создание и разработка программного обеспечения для его исследования и анализа – важнейшая научная задача, над решением которой ученые трудятся уже более 30 лет.
Цель. Разработать алгоритм с адаптивным обнаружением признаков QRS-комплекса ЭКГ-сигнала на основе вейвлетпреобразования.
Результаты. Проведен анализ существующих алгоритмов обработки ЭКГ, основанных на вейвлет-преобразовании с целью усовершенствования алгоритма обнаружения QRS-комплексов. Разработан и экспериментально исследован алгоритм обнаружения QRS-комплексов ЭКГ-сигнала, который может быть использован для выделения признаков сигнала ЭКГ и позволит повысить достоверность полученных результатов классификации ЭКГ. Работа предложенного алгоритма оценена с помощью сигналов ЭКГ из базы данных PhysioNet Challenge 2017.
Практическая значимость. Результаты тестирования алгоритма показывают, что разработанное решение имеет высокую чувствительность, равную 99,98%, и специфичность, равную 100%.

Дахва М.С. Адаптивный алгоритм обнаружения признаков QRS-комплекса, основанный на вейвлет-преобразовании // Электромагнитные волны и электронные системы. 2020. Т. 25. № 4. С. 37−45. DOI: 10.18127/j15604128-202004-05

1. Vanisree K., Singaraju J. Decision support system for congenital heart disease diagnosis based on signs and symptoms using neural networks // International Journal of Computer Applications. 2011. V. 19. № 6. P. 6−12.
2. Kadish H., Buxton A.E., Kennedy H.L., Knight B.P., Mason J.W., Schuger C.D., Tracy C.M., W.L. Winters Jr, Boone A.W., Elnicki M., J.W. Hirshfeld Jr, Lorell B.H., Rodgers G.P., Tracy C.M., Weitz H.H. ACC/AHA clinical competence statement on electrocardiography and ambulatory electrocardiography // Journal of the American College of Cardiology. 2001. V. 38. № 7. P. 3169−3178.
3. Lakhan Dev Sharma, Ramesh Kumar Sunkaria. A robust QRS detection using novel pre-processing techniques and kurtosis based enhanced efficiency // Measurement. 2016. V. 87. № 7. P. 194−204.
4. Chavan M.S., Agarwala R.A., Uplane M.D. Suppression of baseline wander and ower line interference in ECG using digital IIR filter // International Journal of Circuits, Systems and Signal Processing. 2008. V. 2. № 2. P. 356−365.
5. Chazal P. de, Heneghan C., Sheridan E., Reilly R., Nolan P., O'Malley M. Automated processing of the single-lead electrocardiogram for the detection of obstructive sleep apnoea // IEEE Transactions on Biomedical Engineering. 2003. V. 50. № 6. P. 686−696.
6. Meyer R., Keiser H.N. Electrocardiogram baseline noise estimation and removal using cubic splines and state-space computation techniques // Computers and biomedical research. 1977. V. 10. № 5. P. 459−470.
7. Khawaja A. Automatic ECG Analysis Using Principal Component Analysis and Wavelet Transformation // Karlsruhe transactions on biomedical engineering. Karlsruhe. 2007.
8. Snehal T., Dhananjay U. Various techniques for removal of power line interference from ECG signal // International journal of scientific & engineering research. 2013. V. 4. № 12. P. 12−23.
9. Aswathy V., Soniya P. Noise Analysis and Different Denoising Techniques of ECG Signal - A Survey // IOSR journal of electronics and communication engineering. 2016. P. 40−44.
10. Chandrakar C., Kowar M.K. Denoising ECG signals using adaptive filter algorithm // International Journal of Soft Computing and Engineering. 2012. V. 2. № 1. P. 120−123.
11. Sayadi M.B. Shamsollahi. ECG Denoising with Adaptive Bionic Wavelet Transform // International Conference of the IEEE Engineering in Medicine and Biology Society. New York. 2006. P. 6597−600.
12. Weng B., Velasco M.B., Barner K.E. ECG denoising based on the empirical mode decomposition // International Conference of the IEEE Engineering in Medicine and Biology Society. New York. 2006. P. 1−4.
13. Hashemi A., Rahimpour M., Merati M.R. Dynamic Gaussian filter for muscle noise reduction in ECG signal // 23rd Iranian Conference on Electrical Engineering. Tehran. 2015. P. 120−24.
14. Blanco-Velasco M., Weng B., Barner K.E. ECG signal denoising and baseline wander correction based on the empirical mode decomposition // Computers in biology and medicine. 2008. V. 38. P. 1−13.
15. Mukhopadhyay S., Biswas S., Roy A.B., Dey N. Wavelet Based QRS Complex Detection of ECG Signal // Journal of Engineering Research and Applications. 2012. V. 2. № 3. P. 2361−2365.
16. Martinez J.P., Almeida R., Olmos S., Rocha A.P., Laguna P. A wavelet-based ECG delineator: evaluation on standard databases // IEEE Transactions on Biomedical Engineering. 2004. V. 51. № 4. P. 570−581.
17. Bahoura M., Hassani M. Hubin. DSP implementation of wavelet transform for real time ECG wave forms detection and heart rate analysis // Computer Methods and Programs in Biomedicine. 1997. V. 52. P. 35−44.
18. Keselbrener L., Keselbrener M., Akselrod S. Nonlinear high pass filter for R-wave detection in ECG signal // Medical Engineering & Physics. 1997. V. 19. № 5. P. 738−741.
19. Virgilio C., Francaiancia S., Lino S. Cerutti. ECG fiducial points detection through wavelet transform // 17th International Conference of the Engineering in Medicine and Biology Society. Montreal. 1997. P. 1051−1052.
20. Kadambe S., Murray R., Bartels G.F. Wavelet transform-based QRS complex detector // IEEE Transactions on Biomedical Engineering. 1999. V. 46. № 7. P. 838−848.
21. Li C. Zheng, C. Tai. Detection of ECG characteristic points using wavelet transforms // IEEE Transactions on Biomedical Engineering. 1995. V. 42. № 1. P. 21−28.