心电图特征识别系统及方法.pdf

本发明提出一种提出综合领域知识和模式识别的心电图特征识别方法，首先对经过预处理后的ECG信号进行前处理，然后对前处理后的信号使用模式识别分出属于P波、T波或QRS波的特征点，之后再对模式识别产生的结果进行后处理，目的是找到P波、T波或QRS波的大概范围，最后在P波、T波或QRS波的范围内利用领域知识确定真正的P波、T波或QRS波的起止点和峰值点。可以有效地提高P波、T波或QRS波的特征提取准确率。本发明另外提供一种心电图特征识别系统。

1.  一种心电图特征识别系统，用于对ECG信号中的P波、T波或QRS波进行特征识别，所述ECG信号已经经过滤波和基线调整，且已经提取到其中QRS波和Ｔ波的起止点，其特征在于，包括：
前处理模块，其包括基线替代单元和数据组织单元，其中：
对所述ECG信号中的P波进行特征识别时，所述基线替代单元用基线替换QRS波及T波；
对所述ECG信号中的T波进行特征识别时，所述基线替代单元用基线替换QRS波；
对所述ECG信号中的QRS波进行特征识别时，所述基线替代单元不对所述EGC信号进行处理；
所述数据组织单元对所述基线替代单元处理后的初步数据进行数据组织，获得训练数据和测试数据；
分类模块，其包括模式识别单元，所述模式识别单元对所述训练数据和所述测试数据进行训练和分类，并输出分类结果；
后处理模块，其包括合并单元和范围确定单元，所述合并单元对所述分类结果进行合并，获得合并数据，所述范围确定单元对所述合并数据进行处理，获得预选的P波范围、T波范围或QRS波范围；
规则推理模块，其对所述P波范围、所述T波范围或所述QRS波范围进行处理，并输出P波起止点和峰值点、T波起止点和峰值点或QRS波起止点和峰值点。

2.  如权利要求1所述的心电图特征识别系统，其特征在于，所述基线替代单元从起始点到终止点用基线替换QRS波与/或T波。

3.  如权利要求1所述的心电图特征识别系统，其特征在于，所述训练数据为M*（lead+1）的矩阵，所述测试数据为M*lead的矩阵，其中M代表样本数，每一个样本代表一个采样点，lead表示导联数。

4.  如权利要求1所述的心电图特征识别系统，其特征在于，所述模式识别单元为支持向量机。

5.  一种心电图特征识别方法，其特征在于，包括如下步骤：
S101、对ECG信号进行前处理，包括基线替换和数据组织，所述基线替换获得初步数据，所述数据组织获得训练数据和测试数据，所述ECG信号已经经过滤波和基线调整，且已经提取到其中QRS波和Ｔ波的起止点；
S103、对所述训练数据和所述测试数据进行训练和分类，并输出分类结果；
S105、根据脉搏周期确定ECG信号中的P波、T波或QRS波的范围；
S107、使用领域知识在所述P波范围、所述T波范围或所述QRS波范围内提取P波起止点和峰值点、T波起止点和峰值点或QRS波起止点和峰值点。

6.  如权利要求5所述的心电图特征识别方法，其特征在于，步骤S101中，所述基线替换包括：
对所述ECG信号中的P波进行特征识别时，用基线替换QRS波及T波；
对所述ECG信号中的T波进行特征识别时，用基线替换QRS波；
对所述ECG信号中的QRS波进行特征识别时，不对所述EGC信号进行基线替换。

7.  如权利要求5所述的心电图特征识别方法，其特征在于，步骤S101中，按照采样点对所述初步数据进行数据组织。

8.  如权利要求5所述的心电图特征识别方法，其特征在于，步骤S103中，采用支持向量机进行训练和分类。

9.  如权利要求5所述的心电图特征识别方法，其特征在于，对所述 ECG信号中的P波进行特征识别时，步骤S105中，提取出所述分类结果中标志为1的起始点和终止点，作为暂时的P波范围，其中如果两个P波特别近，则认为属于一个P波，完成结果的合并；
在合并后的P波范围中，根据QRS波确定心拍周期。

10.  如权利要求5所述的心电图特征识别方法，其特征在于，对所述ECG信号中的P波进行特征识别时，步骤S107中，包括：
首先判断形态是否倒置、双相、直立；
然后在P波起止点范围内找到极值点，如果双向则找到一个极大值和一个极小值，直立找到一个极大值，倒置则找到一个极小值。

心电图特征识别系统及方法
技术领域
本发明涉及一种心电图特征识别系统及方法，尤其涉及一种基于领域知识与模式识别融合的心电图特征识别系统及方法。
背景技术
心电图（electrocardiogram，ECG）作为心血管疾病诊断的必要手段已经毋庸置疑，ECG中P波、QRS波和T（U）波等的自动识别也越来越被重视，其中P波由于形态和类别十分繁杂，目前P波的识别准确率较低。
现有P波的识别主要有两大类，一类是基于模式识别，即用某种模式识别进行处理；另一类是根据P波形态通过斜率阈值或者基于各种变化（小波变化）后根据领域知识提取P波。其中，前一类方法对P波的有无和范围区间的寻找有优势，但对具体的P波峰值点、起止点不能准确定位。而后一类方法则可以准确定位峰值点和起止点，但是对于P波不明显或者稍有异常的则很难定位。
发明内容
针对上述问题，本发明的目的是提供一种基于领域知识和模式识别融合的、可以有效地提高P波、T波或QRS波的特征提取准确率的心电图特征识别系统和心电图特征识别方法。
一种心电图特征识别系统，用于对ECG信号中的P波、T波或QRS波进行特征识别，所述ECG信号已经经过滤波和基线调整，且已经提取到其中QRS波和Ｔ波的起止点，其包括：
前处理模块，其包括基线替代单元和数据组织单元，其中：
对所述ECG信号中的P波进行特征识别时，所述基线替代单元用基线替换QRS波及T波；
对所述ECG信号中的T波进行特征识别时，所述基线替代单元用基线替换QRS波；
对所述ECG信号中的QRS波进行特征识别时，所述基线替代单元不对所述EGC信号进行处理；
所述数据组织单元对所述基线替代单元处理后的初步数据进行数据组织，获得训练数据和测试数据；
分类模块，其包括模式识别单元，所述模式识别单元对所述训练数据和所述测试数据进行训练和分类，并输出分类结果；
后处理模块，其包括合并单元和范围确定单元，所述合并单元对所述分类结果进行合并，获得合并数据，所述范围确定单元对所述合并数据进行处理，获得预选的P波范围、T波范围或QRS波范围；
规则推理模块，其对所述P波范围、所述T波范围或所述QRS波范围进行处理，并输出P波起止点和峰值点、T波起止点和峰值点或QRS波起止点和峰值点。
本发明一较佳实施方式中，所述基线替代单元从起始点到终止点用基线替换QRS波与/或T波。
本发明一较佳实施方式中，所述训练数据为M*（lead+1）的矩阵，所述测试数据为M*lead的矩阵，其中M代表样本数，每一个样本代表一个采样点，lead表示导联数。
本发明一较佳实施方式中，所述模式识别单元为支持向量机。
本发明另外提供一种心电图特征识别方法，其包括如下步骤：
S101、对ECG信号进行前处理，包括基线替换和数据组织，所述基线替换获得初步数据，所述数据组织获得训练数据和测试数据，所述ECG信号已经经过滤波和基线调整，且已经提取到其中QRS波和Ｔ波 的起止点；
S103、对所述训练数据和所述测试数据进行训练和分类，并输出分类结果；
S105、根据脉搏周期确定ECG信号中的P波、T波或QRS波的范围；
S107、使用领域知识在所述P波范围、所述T波范围或所述QRS波范围内提取P波起止点和峰值点、T波起止点和峰值点或QRS波起止点和峰值点。
本发明一较佳实施方式中，步骤S101中，所述基线替换包括：
对所述ECG信号中的P波进行特征识别时，用基线替换QRS波及T波；
对所述ECG信号中的T波进行特征识别时，用基线替换QRS波；
对所述ECG信号中的QRS波进行特征识别时，不对所述EGC信号进行基线替换。
本发明一较佳实施方式中，步骤S101中，按照采样点对所述初步数据进行数据组织。
本发明一较佳实施方式中，步骤S103中，采用支持向量机进行训练和分类。
本发明一较佳实施方式中，对所述ECG信号中的P波进行特征识别时，步骤S105中，提取出所述分类结果中标志为1的起始点和终止点，作为暂时的P波范围，其中如果两个P波特别近，则认为属于一个P波，完成结果的合并；
在合并后的P波范围中，根据QRS波确定心拍周期。
本发明一较佳实施方式中，对所述ECG信号中的P波进行特征识别时，步骤S107中，包括：
首先判断形态是否倒置、双相、直立；
然后在P波起止点范围内找到极值点，如果双向则找到一个极大值和一个极小值，直立找到一个极大值，倒置则找到一个极小值。
相对于现有技术，本发明提出综合领域知识和模式识别的心电图特征识别系统和心电图特征识别方法，首先对经过预处理后的ECG信号进行前处理，然后对前处理后的信号使用模式识别分出属于P波、T波或QRS波的特征点，之后再对模式识别产生的结果进行后处理，目的是找到P波、T波或QRS波的大概范围，最后在P波、T波或QRS波的范围内利用领域知识确定真正的P波、T波或QRS波的起止点和峰值点。可以有效地提高P波、T波或QRS波的特征提取准确率。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举实施例，并配合附图，详细说明如下。
附图说明
图1为本发明第一实施例提供的心电图特征识别系统的示意图；
图2为本发明第二实施例提供的心电图特征识别方法的流程图；
图3为图1所示心电图特征识别系统进行P波特征识别时的示意图；
图4为图1所示心电图特征识别系统进行T波特征识别时的示意图；
图5为图1所示心电图特征识别系统进行QRS波特征识别时的示意图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细的说明。
请参阅图1，本发明提供一种心电图特征识别系统100，用于对ECG信号中的P波、T波或QRS波进行特征识别，所述ECG信号已经经过 滤波和基线调整，且已经提取到其中QRS波和Ｔ波的起止点，所述心电图特征识别系统100包括前处理模块10、分类模块20、后处理模块30及规则推理模块40。
所述前处理模块10包括基线替代单元11和数据组织单元13，所述基线替代单元11用于对所述ECG信号中的QRS波与/或T波进行基线（Basicline）替换，并输出初步数据。具体地：对所述ECG信号中的P波进行特征识别时，所述基线替代单元11用基线替换QRS波及T波；对所述ECG信号中的T波进行特征识别时，所述基线替代单元11用基线替换QRS波；对所述ECG信号中的QRS波进行特征识别时，所述基线替代单元11不对所述EGC信号进行处理，即此时所述心电图特征识别系统100可以没有所述基线替代单元11。本实施例中，所述基线替代单元11从起始点到终止点用基线替换QRS波与/或T波，基线Basicline=0。所述数据组织单元13对所述基线替代单元11处理后的初步数据进行数据组织，获得训练数据和测试数据。本实施例中，所述训练数据为M*（lead+1）的矩阵，所述测试数据为M*lead的矩阵，其中M代表样本数，每一个样本代表一个采样点，lead表示导联数。具体地，所述数据组织单元13将所述初步数据组织成M*（lead+1）的矩阵和M*lead的矩阵，其中，M代表样本数，具有实施中每一个采样点可以看成是一个样本；lead表示导联数，具体实施中是基于12个导联的ECG，所以lead=12；公式中的“1”表示标签类别，其值为0或者1，0的意义为不属于P波、T波或QRS波范围，1的意义为属于P波、T波或QRS波范围。
可以理解的是，所述测试数据（M*lead阵列）不包括标签类别。
可以理解的是，所述基线替代单元11和所述数据组织单元13之间相互数据连接。
所述分类模块20包括模式识别单元，所述模式识别单元对所述训 练数据和所述测试数据进行训练和分类，并输出分类结果。本实施例中，所述分类模块20包括训练和测试。具体地，首先是训练过程：将所述数据组织单元13组织好的训练数据输入所述模式识别单元中，训练好模型后，将所述数据组织单元13组织好的测试数据输入所述模式识别单元，得出测试数据的分类结果。
优选地，所述模式识别单元为支持向量机（libsvm）。
可以理解的是，所述分类模块20和所述前处理模块10数据连接。
所述后处理模块30包括合并单元31和范围确定单元33，所述合并单元31对所述分类结果进行合并，获得合并数据，所述范围确定单元33对所述合并数据进行处理，获得预选的P波范围、T波范围或QRS波范围。
具体地，首先，对所述分类结果进行合并，由于分类中具有以下两种情况：第一种情况是在连续几十个点的范围内有几个不连续的点的结果为0，而其他结果为1；第二种情况是在连续几十个点的范围内有几个不连续的点的结果为1，而其他结果为0。因此，对第一种情况的处理是忽略结果为1的点，将连续的范围作为预选的P波范围、T波范围或QRS波范围；对于第二种情况则直接跳过，不作为P波、T波或QRS波的预选范围。
其后，进行范围确定过程，本实施例中，根据心拍确定真正的P波、T波或QRS波的范围。具体地，判断前一个P波范围、T波或QRS波与后一个P波、T波或QRS波范围之间的间期，确定每一个心拍有一个P波、T波或QRS波范围或者没有，去掉多余的P波、T波或QRS波范围。具体实施中，选择R波与R波之间的距离（RR间期）作为评价的标准。
可以理解的是，R波与R波之间的距离是指前一个周期中R波到下一个周期中R波的时间间隔，其具体值可以根据信号本身来计算。
可以理解的是，所述后处理模块和30和所述分类模块20数据连接。
所述规则推理模块40对所述P波范围、所述T波范围或所述QRS波范围进行处理，并输出P波起止点和峰值点、T波起止点和峰值点或QRS波起止点和峰值点。具体地，所述规则推理模块40先在所述后处理模块30确定的P波、T波或QRS波的范围内，使用领域知识的方法找到P波、T波或QRS波真正的起止点。然后，所述规则推理模块40在P波、T波或QRS波真正的起止点范围内，利用领域知识的方法找到P波、T波或QRS波的峰值点。
可以理解的是，领域知识的方法是指根据医生的经验总结的、便于用计算机操作的诊断规则。同时，领域知识方法中的诊断规则是根据医生的经验制定的，并随着经验的不断丰富而不断修改。本实施例中，领域知识是指根据心电图诊断领域的医学规则及专家的经验而形成的规则，在本发明中，所述规则推理模块40根据心电图诊断领域知识进行规则推理。
可以理解的是，所述规则推理模块40和所述后处理模块30数据连接。
请参阅图2，本发明第二实施例提供一种心电图特征识别方法，其包括如下步骤：
S101、对ECG信号进行前处理，包括基线替换和数据组织，所述基线替换获得初步数据，所述数据组织获得训练数据和测试数据，所述ECG信号已经经过滤波和基线调整，且已经提取到其中QRS波和Ｔ波的起止点。
具体地，所述基线替换包括：对所述ECG信号中的P波进行特征识别时，用基线替换QRS波及T波；对所述ECG信号中的T波进行特征识别时，用基线替换QRS波；对所述ECG信号中的QRS波进行特征识别时，不对所述EGC信号进行基线替换。
本实施例中，本实施例中，利用所述前处理模块10对ECG信号进行前处理，具体地，所述基线替代单元11从起始点到终止点用基线替换QRS波与/或T波，基线Basicline=0。所述数据组织单元13对所述基线替代单元11处理后的初步数据进行数据组织，获得训练数据和测试数据。本实施例中，所述训练数据为M*（lead+1）的矩阵，所述测试数据为M*lead的矩阵，其中M代表样本数，每一个样本代表一个采样点，lead表示导联数。具体地，所述数据组织单元13将所述初步数据组织成M*（lead+1）的矩阵和M*lead的矩阵，其中，M代表样本数，具有实施中每一个采样点可以看成是一个样本；lead表示导联数，具体实施中是基于12个导联的ECG，所以lead=12；公式中的“1”表示标签类别，其值为0或者1，意义为不属于P波范围或者属于P波范围。
可以理解的是，所述测试数据（M*lead阵列）不包括标签类别。
可以理解的是，数据组织时按照采样点对所述初步数据进行。
S103、对所述训练数据和所述测试数据进行训练和分类，并输出分类结果。
本实施例中，利用所述分类模块20对所述训练数据和所述测试数据进行训练和分类。首先是训练过程：将所述数据组织单元13组织好的训练数据输入所述分类模块20的模式识别单元中，训练好模型后，将所述数据组织单元13组织好的测试数据输入所述模式识别单元，得出测试数据的分类结果。
优选地，所述模式识别单元为支持向量机（libsvm），即所述分类模块20采用支持向量机进行训练和分类。
S105、根据脉搏周期确定ECG信号中的P波、T波或QRS波的范围。
本实施例中，利用所述后处理模块30确定ECG信号中的P波、T波或QRS波的范围。具体地，首先，对所述分类结果进行合并，由于分 类中具有以下两种情况：第一种情况是在连续几十个点的范围内有几个不连续的点的结果为0，而其他结果为1；第二种情况是在连续几十个点的范围内有几个不连续的点的结果为1，而其他结果为0。因此，对第一种情况的处理是忽略结果为1的点，将连续的范围作为预选的P波范围、T波范围或QRS波范围；对于第二种情况则直接跳过，不作为P波、T波或QRS波的预选范围。
其后，进行范围确定过程，本实施例中，根据心拍确定真正的P波、T波或QRS波的范围。具体地，判断前一个P波范围、T波或QRS波与后一个P波、T波或QRS波范围之间的间期，确定每一个心拍有一个P波、T波或QRS波范围或者没有，去掉多余的P波、T波或QRS波范围。具体实施中，选择R波与R波之间的距离（RR间期）作为评价的标准。
可以理解的是，R波与R波之间的距离是指前一个周期中R波到下一个周期中R波的时间间隔，其具体值可以根据信号本身来计算。
S107、使用领域知识在所述P波范围、所述T波范围或所述QRS波范围内提取P波起止点和峰值点、T波起止点和峰值点或QRS波起止点和峰值点。
本实施例中，利用所述规则推理模块40对所述P波范围、所述T波范围或所述QRS波范围进行处理。具体地，所述规则推理模块40先在所述后处理模块30确定的P波、T波或QRS波的范围内，使用领域知识的方法找到P波、T波或QRS波真正的起止点。然后，所述规则推理模块40在P波、T波或QRS波真正的起止点范围内，利用领域知识的方法找到P波、T波或QRS波的峰值点。
可以理解的是，领域知识的方法是指根据医生的经验总结的便于用计算机操作的诊断规则。同时，领域知识方法中的诊断规则是根据医生的经验制定的，并随着经验的不断丰富而不断修改。本实施例中，领域 知识是指根据心电图诊断领域的医学规则及专家的经验而形成的规则，即在本发明中根据心电图诊断领域知识进行规则推理。
请一并参阅图3，以下本发明通过心电图P波特征的识别来进行说明。
在前处理模块10中，将已经经过滤波和基线调整、且已经提取到其中QRS波和Ｔ波的起止点的ECG信号中的QRS波和Ｔ波从起始点到终止点用基线（BasicLine）进行代替，本实施例中BasicLine=0。
然后对即将输入到分类模块20中模式识别单元的数据进行组织。分类模块有两种形式，一个是训练、另一个是测试。训练数据组织成M*（lead+1）的矩阵，其中M代表样本数，本实施例中，每一个采样点作为一个样本；lead表示导联数，本实施例中，基于12个导联的ECG，所以lead=12，公式中的‘1’表示的是标签类别，值为0或者1，意义为不属于P波范围或者属于P波范围。测试数据组织为M*lead，意义与训练数据相同，但不包括标签类别。
在分类模块20中，首先是训练过程：将组织好的训练数据输入模式识别单元中，训练好模型后，将测试数据输入到模式识别单元，得出测试数据的分类结果。本实施例中，使用的模式识别单元为支持向量机（libsvm）。
在后处理模块30中，先分类模块20输出的分类结果进行合并，主要是因为分类中具有以下两种情况：第一种情况是在连续几十个点的范围内有几个不连续的点的结果为0，而其他结果为1；第二种情况是在连续几十个点的范围内有几个不连续的点的结果为1，而其他结果为0。所以对前者（即第一种情况）的处理是忽略结果为1的点，将连续的范围作为预选的P波的范围；对于后者（即第二种情况）则直接跳过，不作为P波的预选范围。之后进入根据心拍确定真正的P波的范围的过程，具体地，判断前一个P波范围与后一个P波范围之间的间期，确定每一 个心拍有一个P波范围或者没有，去掉多余的P波范围。本实施例中，选择R波与R波之间的距离（RR间期）作为评价的标准。
在规则推理模块40中，在后处理模块30中确定的P波范围内，使用领域知识的方法找到P波真正的起止点。然后在已确定的、真正的起止点范围内，利用领域知识的方法找到P波峰值点。本实施例中，领域知识是指根据心电图诊断领域的医学规则及专家的经验而形成的规则，即规则推理模块40根据心电图诊断领域知识进行规则推理，找到P波真正的起止点。
可以理解的是，领域知识的方法是指根据医生的经验总结的、便于用计算机操作的诊断规则进行判断。
实施例
请一并参阅图3，在前处理模块10中用基线BasicLine=0替换12导联ECG信号中的QRS波及T波范围。
本实施例中，才用基线BasicLine=0替换12导联ECG信号中的QRS及T波范围，可以排除对P波识别影响较大的波。
针对在前处理模块10中用基线BasicLine=0替换ECG信号中的QRS波及T波范围后的ECG信号，按照采样点组织数据。训练数据组织成14862*13的矩阵，测试数据组织为14862*12，由于测试数据不包括标签类别，所以为12列。
在分类模块20中使用libSVM进行训练和测试，训练参数为STemp=strcat(′ -s 0 -c 1 -t 2 -g 0.09′)。
在后处理模块30中提取出分类模块测试的结果中标志为1的起始点和终止点，作为暂时的P波范围，其中如果两个P波（即相连两个P波）特别近，亦即前一个P波的终点与现一个P波的起始点小于20采样点时，则认为属于一个P波，完成结果的合并。
在后处理模块30中合并后的P波范围中，根据QRS波确定心拍周期，保证周期范围内找到一个P波范围，具体地，在QRS波前的1/3间期范围内的P波范围确定为预选的P波范围。
在规则推理模块40中，根据P波的诊断规则和预选的P波范围，在每个导联上识别每个心拍的P波起止点。具体地，如果在1个心拍周期内有一个P波预选周期，则在预选周期的两侧根据差分信号找到拐点，以保证起止点处于一个波的边界；如果在1个心拍周期内没有P波预选周期，则在QRS波前的1/3间期范围内，找到一个极值（选择极大值和极小值中绝对值较大的），从极值点开始根据差分信号找到两边的边界点，即为P波的起止点。
在规则推理模块40中确定好P波起止点后，根据规则，首先判断形态是否倒置、双相、直立；然后在P波起止点范围内找到极值点，如果双向则找到一个极大值和一个极小值，直立找到一个极大值，倒置则找到一个极小值。
本实施例中，根据P波的诊断规则和预选的P波范围在每个导联上识别每个心拍的P波起止点。具体地，如果在1个心拍周期内有一个P波预选周期，则在预选周期的两侧根据差分信号找到拐点，以保证起止点处于一个波的边界；如果在1个心拍周期内没有P波预选周期，则在QRS前的1/3间期范围内，找到一个极值（选择极大值和极小值中绝对值较大的），从极值点开始根据差分信号找到两边的边界点，即为P波的起止点。如此做法可通过模式识别单元找到P波范围，如果没找到的情况下，再根据普通的领域知识找到极值点。因为在QRS前的1/3间期范围内肯定能找到极值点，但找到的未必是真正的P波范围，仅在模式识别单元没有找到的心拍中使用此方法，可以从理论上减少误差。
利用本发明提供的所述心电图特征识别系统和所述心电图特征识别方法在中国心血管疾病数据库（http://58.210.56.164/ccdd/）中 CCDDset1中部分数据上判断P波范围和峰值点的准确率分别为99%和56.98%。其中，峰值点的判断是相差在10毫秒以外认为错误。相比较于MIT网站中的ECGpuwave方法在相同的数据、相同的判断规则下P波峰值的提取准确率21.11%，本发明提供的所述心电图特征识别系统和所述心电图特征识别方法进行P波特征提取的准确率可以显著提高。
可以理解的是，对于ECG信号中的QRS波或T波的特征识别，也同样可以利用所述心电图特征识别系统和所述心电图特征识别方法，具体可以参考前述P波特征识别的实施例，此处不再赘述。本实施例中，ECG信号中的QRS波或T波的特征识别与P波特征识别的区别在于：T波特征识别时，前处理仅是将QRS波范围用基线代替，如图4所示；QRS特征波识别时，则不需要用基线代替任何波，如图5所示。
相对于现有技术，本发明提出综合领域知识和模式识别的心电图特征识别系统和心电图特征识别方法，首先对经过预处理后的ECG信号进行前处理，然后对前处理后的信号使用模式识别分出属于P波、T波或QRS波的特征点，之后再对模式识别产生的结果进行后处理，目的是找到P波、T波或QRS波的大概范围，最后在P波、T波或QRS波的范围内利用领域知识确定真正的P波、T波或QRS波的起止点和峰值点。可以有效地提高P波、T波或QRS波的特征提取准确率。
以上所述，仅是本发明的实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。