心电信号处理方法及装置与流程

本发明涉及医疗信号处理
技术领域：
，尤其涉及一种低功耗低硬件开销的心电信号处理方法。
背景技术：
：经研究，约一定比例(例如30％)的人一生中至少经历一次晕厥。在所有晕厥患者中，约三分之一的患者会反复发作，医生对相当比例患者(约17％)的晕厥病因无法做出清晰的诊断。晕厥的反复发作严重影响患者的生活方式，威胁着患者的生命健康。在各种晕厥病症中，心源性晕厥是晕厥最主要、最严重的类型(约占晕厥的75-85％)，其是由心脏疾病等原因造成的。严重者在晕厥发作时可导致猝死。而心律失常是导致心源性晕厥的主要原因。心电图(electrocardiogram，ecg)显示出的曲线图形一般分为p、q、r、s、t、u波等。其中最主要的搏动节律信息在ecg信号的r波峰值，即心电信号的主峰上，它是检测各类心律失常最重要的手段。晕厥患者的ecg具有三个特点：一是心率异常偶发难以捕捉，二是短时间间歇无规律性阵发，三是心率异常能够自发性完全恢复。因此，为心源性晕厥患者提供ecg监护，必须长时间、持续、不间断监测。心电异常节律监护系统最为关键的组成部分为超低功耗、超低硬件开销、高性能的心电信号处理单元。其主要结构包括数据接口、信号处理、循环缓存、寄存器堆等。考虑到人体心电监护系统要求长时间、连续工作，尤其是植入式监护系统甚至要求能够不间断工作2-3年(即约20000小时)，而根据商用的小型化用于植入式应用的锂氟化碳电池的性能，其电池电量估计约160mah，进而系统平均电流只能有数个微安。同时监护设备应该能够在偶发的异常出现时，能够缓存一段较长(通常几到几十分钟)时间内的ecg波形，以便监护和分析其特征的变化。也就是说，数据缓存必须可以缓存足够长时间，待异常出现需要写入或下载时，再写非易失存储器。既然需要根据异常是否存在再决定是否写数据到非易失性存储器，则必须准确识别和检测节律的异常。因晕厥患者ecg异常节律出现的特点是偶发、难以预料和自发恢复，以及系统应用情景要求报警时存储一段时间的数据，该存储的数据待需要分析时再进行下载。这意味着异常节律检测时应该至少满足以下需求，即实时检测出偶发的ecg信号节律异常，准确率高且低误判，同时硬件开销低、运算资源占用小。商用典型的微处理器msp430，其工作模式下的典型电流为2ma。很显然，这类微处理器并不适宜用作超低功耗心电信号异常节律处理。同时，虽然ecg识别算法经过数十年的发展已经非常成熟，但诸如小波变换、人工神经网络、支持向量机识别等算法硬件开销巨大，不适用于偶发异常心电异常监护应用。而二阶微分检测、简单阈值判断等低开销算法又因为对噪声、环境和不同受试者ecg波形差异的鲁棒性差难以适应实际应用。技术实现要素：有鉴于此，有必要提供一种低功耗兼顾极低硬件开销，并能实现准确识别异常的心电信号处理方法及装置。一种心电信号处理方法，至少包括ecg异常节律检测方法，所述ecg异常节律检测方法包括：(a0)接收经过模数转换器量化的心电信号流；(a1)对所述心电信号流逐点求梯度；(a2)将前m个梯度中的最大值作为阈值；(a3)向后搜索第一邻域内逐差大于所述阈值的k倍的点；(a4)在获得的所有大于阈值的k倍的点中，分别将每个点以第二邻域寻找极大值和极小值；(a5)获得每一所述第二邻域内极大值和极小值的极值差，并将所述极值差分别与其对应的第二邻域内的极小值点与所述极小值点的前一个点的差值进行比较，以判断所述极值差是否大于所述极小值点与所述极小值点的前一个点的差值；(a6)当所述极值差大于或等于所述极小值点与所述极小值点的前一个点的差值时，将所述第二邻域中的极大值点作为峰值，并记录其峰值位置及时间；(a7)将检出的峰值与所述阈值进行比较，以自适应更新所述阈值，再返回步骤(a3)；(a8)依据上述步骤(a2)至(a7)，检测所述峰值是否异常。一种心电信号处理装置，包括ecg异常节律检测模块，所述ecg异常节律检测模块包括求梯度单元、峰值检测单元及异常峰值检测单元，所述求梯度单元用以对心电信号流逐点求梯度，所述峰值检测单元及异常峰值检测单元用以按照上述步骤检测峰值及判别异常峰值。本发明的心电信号处理方法及装置至少具有以下优点：1.硬件开销小，仅有移位、加法、乘法和比较运算，可大大降低处理电路硬件实现的功耗。2.能够达到兼顾硬件开销和识别准确性的效果，具有良好的抗基线漂移能力，可以依据不同的受试者和局部特性变化自适应调整，减少了误判，因而鲁棒性较强。3.采用多路降采样取中位数的方式，可有效降低高频抖动、摩擦等噪声的影响。附图说明图1为本发明较佳实施例心电处理方法中基于动态阈值梯度比较的ecg异常节律检测方法流程图。图2为图1所示ecg异常节律检测方法中各序列的变化示意图。图3为本发明较佳实施例心电处理方法中基于两级压缩的分层存储缓存方法的示意图。图4为图3所示基于两级压缩的分层存储缓存方法的流程图。图5为本发明较佳实施例采用的旋转轴门压缩变换方法的原理示意图。图6为采用图5所示旋转轴门压缩变换方法的流程图。图7为本发明较佳实施例心电处理装置的功能框图。图8为一例本发明所述的ecg异常节律检测方法对ecg信号的检测结果图。图9为一例ecg信号中叠加高频抖动噪声的测试结果图。图10a与图10b分别为本发明利用所述自适应旋转门变换方法压缩前和解压后的数据图。主要元件符号说明心电信号处理装置200ecg异常节律检测模块21求梯度单元211降采样单元212峰值检测单元213计数单元214异常峰值检测单元215缓存阵列22第一缓存单元221第二缓存单元222第三缓存单元223地址译码选择接口单元224寄存器堆23控制接口24数据接口25如下具体实施方式将结合上述附图进一步说明本发明。具体实施方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。需要说明的是，当一个元件被称为“电连接”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“电连接”另一个元件，它可以是接触连接，例如，可以是导线连接的方式，也可以是非接触式连接，例如，可以是非接触式耦合的方式。除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的
技术领域：
的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。下面结合附图，对本发明的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。可以理解，目前典型的非易失性存储器和收发机芯片功耗过大，工作电流可达毫安量级。这决定了植入式设备内既不可能持续写非易失性存储器，又不可能边采集边发射数据。也就是说，循环缓存的工作特点有二：一是循环写入并且不掉电，二是数据更新周期极长，可缓存数据量很大。如果按商用产品的256sps，12-16bit等指标估算，若循环逐点缓存总时长十几分钟的数据，则约需2-3mbit的缓存空间。这意味着每个存储单元的单位漏电只能有几pa/bit。而基于诸如静态随机存取存储器(staticrandomaccessmemory，sram)、动态随机存取存储器(dynamicrandomaccessmemory，dram)、触发器、锁存器这些传统存储单元，其单位漏电达到几个pa到几十个pa已经接近现有工艺的理论极限了。这说明，数据逐点缓存是难以实现的。因此，本发明实施例涉及一种低硬件开销的心电信号处理方法，可针对长期持续、不间断低功耗工作的需求，克服硬件开销的局限性，以及缓存空间巨大又无法随时写非易失性存储器和随时发射的限制，实现以动态梯度阈值的方式检测异常节律。所述心电信号处理方法可用于人体心电信号异常节律的检测和识别，具备长时间连续不间断检测、低功耗、低硬件开销和准确识别异常节律的优势。可以理解，所述心电信号处理方法可面向植入式的心电图(electrocardiogram，ecg)监护系统，亦可应用至可穿戴式或其他应用环境的ecg监护系统。可以理解，所述心电信号处理方法可通过嵌入式算法模块的形式实现，也可以在现场可编程门阵列(fieldprogrammablegate-array，fpga)硬件平台或通过全定制数字专用集成电路(applicationspecificintegratedcircuit，asic)等方式实现。在本实施例中，以所述心电信号处理方法通过全定制数字asic的方式实现为例加以说明。可以理解，本发明实施例的心电信号处理方法主要包括两部分，即低硬件开销的基于动态阈值梯度比较的ecg异常节律检测方法及基于两级压缩的分层存储缓存方法。以下将分别对这两部分进行详细描述。图1为基于动态阈值梯度比较的ecg异常节律检测方法的流程图。图2为图1所示ecg异常节律检测方法中各序列的变化示意图。其中，所述基于动态阈值梯度比较的ecg异常节律检测方法的输入为经过模数转换器(analog-to-digitalconverter，adc)量化的无符号整型心电信号流，输出为心电信号流的峰值位置和峰值大小，同时输出检出峰值的时钟信号(即峰值标记时钟)，以及是否存在异常峰值等。一旦检测到异常峰值，即存在异常标记，则可通过或触发数据接口向外传输所缓存的所有心电数据。可以理解，在本实施例中，所述ecg异常节律检测方法主要分为两个部分，即节律(即峰值)检测和异常节律检测或识别。一般地，ecg节律检测主要依赖的参数来自时域、频域、熵域、小波域等。考虑到本发明所述的心电信号处理方法在植入式心电监测系统的实际应用要求极低的硬件开销，因此本实施例中采用时域参数识别算法时域算法。再者，根据ecg实际波形的特点，出现峰值附近的导数局部极大，而求导运算本质上是减法运算，因只比较大小，而无需了解导数的具体大小。因此，在本实施例中，可将求导运算简化为求梯度运算。在本实施例中，所述心电信号处理方法中的节律检测部分主要基于动态阈值梯度比较。而异常节律检测或识别的方式与节律检测的方式类似，其实际上只需要两次搜索异常梯度值即可。因此，在本实施例中，主要以节律检测方法为例，对ecg异常节律检测方法进行说明。具体地，请一并参阅图1，所述基于动态阈值梯度比较的ecg异常节律检测方法主要包括以下步骤：步骤s10，接收所述adc量化的心电信号流，即数据点序列(参图2)。其中，所述数据点序列至少包括数值及时间等参数。可以理解，在本实施例中，在接收所述adc量化的心电信号流时，还可对所述心电信号流进行符号调整，例如调整成无符号整型心电信号流。步骤s11，对所述心电信号流，即数据点序列逐点求梯度。步骤s12，将前m个梯度中的最大值作为阈值t。步骤s13，向后搜索第一窗口(window)大小的第一邻域内逐差(即梯度或导数)大于阈值t的k倍(即kt)的点。其中，在本实施例中，所述第一窗口长度可以与m值相同或不同。例如，可以将第一个m个梯度之后的第二个m个梯度作为第一邻域进行分析，以于所述第一邻域内搜索逐差大于阈值t的k倍的所有点。步骤s14，在获得的所有大于阈值t的k倍的点中，分别将每个点以第二窗口大小的第二邻域寻找极大值和极小值。例如，在本实施例中，假设在步骤s13中，可获得5个逐差大于阈值t的k倍的点。则以这5个点分别建立所述第二邻域，并于每一所述第二邻域内分别寻找极大值和极小值。可以理解，在本实施例中，所述第二窗口长度亦可与m值相同或不同。步骤s15，获得每一所述第二邻域内中极大值和极小值的极值差，并将所述极值差分别与其对应的第二邻域内的极小值点与所述极小值点的前一个点的差值进行比较，以判断所述极值差是否大于所述极小值点与所述极小值点的前一个点的差值。可以理解，在步骤s15中，当所述极值差不大于所述极小值点与所述极小值点的前一个点的差值时，说明所述极值差对应的第二邻域内不存在峰值。当所述极值差大于或等于所述极小值点与所述极小值点的前一个点的差值时，执行步骤s16。步骤s16，将所述第二邻域中的极大值点作为峰值，并记录其峰值位置及时间。步骤s17，将步骤s16中检出的峰值与所述阈值t进行比较，以自适应调整或更新所述阈值t。其中，当所述峰值小于所述阈值t时，将所述峰值更新为新的阈值t，并返回步骤s13。而当所述峰值大于所述阈值t时，不更新所述阈值t。如此，可根据上述步骤s12-s17获得一相应的峰值点序列(参图2)，即执行峰值检测。所述峰值点序列至少包括峰值序号、峰值大小及峰值间隔等参数。步骤s18，依据上述步骤s12-s17，即采用与峰值检测类似的方法检测峰值是否异常，以执行异常峰值检测。可以理解，由于峰值异常处实际上就是时间间隔出现了一个峰值，因此采用上述类似的方法可以检测出峰值异常的位置。当检测出异常峰值时，可对所述异常峰值进行标记，即产生异常标记，并获得一异常峰值序列(参图2)。例如，当检测为异常峰值，可将所述异常峰值标记为逻辑″1″、逻辑″0″或其他符号。所述异常峰值数列至少包括数值及时间等参数，即异常峰值大小及异常峰值时刻。另外，一旦检测出异常峰值，可触发将所有心电数据进行缓存。可以理解，当采用上述方法进行异常节律检测时，若存在高频抖动噪声，将可能造成错判。因此，在本实施例中，所述基于动态阈值梯度比较的ecg异常节律检测方法中步骤s11可进一步改进为：将所述心电信号流，即数据点序列等步长(例如步长为四)降采样为若干路序列，再对每一路序列中的数据点求梯度，并获取每一路序列对应位置导数(梯度)的中位数，即每一路序列求梯度后再取其中位数，以形成一中位数序列，接着执行步骤s12。显然，上述步骤仅增加移位操作(例如两个数取中位数右移1位，四个数取中位数右移2位)，而加法器依据时钟复用即可。可以理解，上述步骤通过对数据点序列进行降采样处理，可实现取低维信号子空间，而高频噪声在峰值邻域内剧烈变化，分段处理可削弱其变化，降低误判。可以理解，请一并参阅图3及图4，其中图3为本发明的心电信号处理方法中基于两级压缩的分层存储缓存方法的示意图。图4为所述基于两级压缩的分层存储缓存方法的流程图。可以理解，考虑到ecg信号信息分布不均匀，且考虑到对于晕厥患者来说，ecg的异常均为偶发，故信号的峰值和间隔变化很小，差值则变化更小。据此，可以保留关键信息，将传统的串行逐点数据缓存变为分层缓存方式。具体地，本发明提出的基于两级压缩的分层存储方法采用三层分级缓存结构。其中，所述基于两级压缩的分层存储缓存方法主要包括以下步骤：步骤s30，将所述心电信号流进行第一级缓存。在本实施例中，所述第一级缓存是指直接缓存数秒数据，其反映的是ecg信号瞬时的变化。例如，在其中一实施例中，所述第一级缓存可直接缓存2秒(s)的数据。可以理解，在本实施例中，所述第一级缓存的数据同时还可作为所述ecg异常节律检测方法的数据来源。即当所述第一级缓存的数据经过符号调整，例如调整为无符号整型心电信号流后，所述ecg异常节律检测方法可对其进行处理运算，以获得峰值信息。所述峰值信息是指前面所述的峰值点序列信息，其包括，但不局限于，峰值序号、峰值大小及峰值间隔。步骤s31，对所述第一级缓存的数据进行一级压缩后进行第二级缓存。可以理解，在本实施例中，所述第二级缓存属于短时缓存，例如缓存数分钟的数据，其反映的是ecg信号在一段时间内的形态变化。例如，在其中一个实施例中，所述第二级可压缩存储256个压缩块。步骤s32，从所述峰值信息中提取关键特征点，并对所述关键特征点进行二级压缩后进行第三级缓存。可以理解，在本实施例中，所述第三级缓存为长时缓存，即其压缩存储关键特征点，例如峰值及出现峰值的时间间隔的差值。所述第三级缓存可存储1000-2000个心动周期的相应数据，用以反映ecg信号在较长的时间内的节律信息的变化趋势。例如，在其中一个实施例中，所述第三级缓存可压缩缓存心电信号峰值及出现峰值的时间间隔差值，缓存64个心动周期的峰值和出现峰值的时间间隔压缩块(约1500个心动周期)。可以理解，在本实施例中，所述步骤s31及步骤s32均可采用旋转门压缩变换方法进行所述一级压缩及所述二级压缩。其中，所述一级压缩是压缩信号数据点本身。所述二级压缩是压缩ecg信号的关键特征值(例如峰值和出现峰值的时刻)的数据点(即关键特征点)的差值。请一并参阅图5及图6，其中图5为本发明采用的旋转轴门压缩变换方法的原理示意图。图6为采用旋转轴门压缩变换方法的流程图。其中，首先确定起始点和误差容限ε(参步骤s40)。接着由起始点在坐标系中沿纵轴方向确认误差上下限的对应点，即门宽。随着时间向后推移，后面的点逐个朝误差上下限对应点作连线(参步骤s41)。一旦连线角度发生增大，则更新连线(参步骤s42)。如果两条连线的延长线从某一点处变得不相交，则更新这个点为新的起始点(参步骤s43)，并缓存原有的起始点、新的起始点和两个点之间的距离(参步骤s44)。显然，采用所述旋转轴门压缩变换方法后，其最终压缩的结果为三个数值为一组的压缩块。其中，第一个数值是块首数据值，第二个数值是块尾数据值，第三个数值是压缩块的长度。另外，后续需要解压时，可通过插值的方式对所述压缩数据进行解压。可以理解，为了适应被压缩的数据具有周期性和信息集中的特点，本发明还提出了基于自适应调整的旋转门压缩变换策略。具体地，针对所述一级压缩，可根据ecg波形周期性增加旋转门压缩的自适应性。即初始更新阈值t后，保存ecg节律周期。也就是说，ecg峰值出现后，将其周期保存，但本级压缩(即所述一级压缩)并不需要顾及峰值的大小和是否存在异常。在峰值标记(即峰值标记时钟)出现时，向后推四分之一个心率周期(即节律周期)，这段时间内的数据点采用较小的误差容限e进行旋转门压缩。经过四分之一个心率周期后，改用较大的误差容限ε进行旋转门压缩。再经过二分之一个心率周期后，恢复较小的误差容限ε进行旋转门压缩，并持续四分之一个心率周期。可以理解，一般地，当误差容限变大，则压缩损失增加。而通常在心率周期的前段时间及后段时间中，例如四分之一个心率周期，其信号抖动较大，而中间时间段的信号抖动较小。如此，可采用上述方式，于心率周期的前段时间及后段时间中采用较小的误差容限，以防止压缩损失。而中间时间段采用较大的误差容限，以使得缓存信息损失和硬件开销取得合理的折中。可以理解，在本实施例中，所述较小一般指小于信号最大幅度的二十分之一。所述较大一般指大于信号最大幅度的十分之一。同样，针对所述二级压缩，首先设置一寄存器参数阈值n，在峰值差的绝对值小于误差容限ε持续超过n个周期时，减小所述峰值差的误差容限，例如将所述误差容限ε自动减半。同样，在时间差的绝对值小于误差容限ε持续超过n个周期时，减小所述时间差的误差容限，例如将所述误差容限ε自动减半，以使得缓存信息损失和硬件开销取得合理的折中。可以理解，在本实施例中，图7为所述心电信号处理方法以asic形式实现的结构框图。即本发明还提供一种心电信号处理装置200。所述心电信号处理装置200至少包括ecg异常节律检测模块21、缓存阵列22、寄存器堆23、控制接口24及数据接口25。可以理解，流水线结构是数字电路设计中常用的设计方法，一般通用的流水线结构为五级流水线。而运算资源包括加法器、乘法器、比较器、移位寄存器等电路结构，以实现基本的逻辑运算。流水线可以增加运算资源的使用率，减少运算资源的开销。因此，在本实施例中，所述ecg异常节律检测模块21可通过简化的三级流水线结构复用运算资源。其中，所述ecg异常节律检测模块21用以对所述心电信号流进行求梯度运算，以获得动态阈值，接着基于动态阈值对节律(峰值)进行检测，以生成相应的峰值点序列，最后再根据类似的方式进行异常节律的检测或判别。具体地，所述ecg异常节律检测模块21包括求梯度单元211、峰值检测单元213、计数单元214及异常峰值检测单元215。其中，所述求梯度单元211用以对心电信号流逐点求梯度。所述峰值检测单元213用以按照上述步骤s12-s17进行峰值检测，并形成相应的峰值点序列。所述峰值点序列至少包括峰值序号、峰值大小及峰值间隔等参数。所述计数单元214用以对所述峰值点序列中的峰值间隔进行计数。所述异常峰值检测单元215与所述峰值检测单元213类似，用以检测异常峰值。当检测出异常峰值时，可对所述异常峰值进行标记，并获得一异常峰值序列。例如，当检测为异常峰值，可将所述异常峰值标记为逻辑″1″、逻辑″0″或其他符号。所述异常峰值数列至少包括数值及时间等参数，即异常峰值大小及异常峰值时刻。可以理解，在本实施例中，所述ecg异常节律检测模块21可至少输出峰值大小、峰值时刻、峰值标记时钟、异常标记等信息。可以理解，在本实施例中，所述ecg异常节律检测模块21还包括降采样单元212。所述降采样单元212用以将所述心电信号流，即数据点序列等步长(例如步长为四)降采样为若干路序列，再对每一路序列中的数据点求梯度，并获取每一路序列对应位置导数(梯度)的中位数，即每一路序列求梯度后再取其中位数，以形成一中位数序列，接着输出至所述峰值检测单元213，以进行峰值检测。显然，所述降采样单元212的设置仅增加移位操作(例如两个数取中位数右移1位，四个数取中位数右移2位)，而加法器依据时钟复用即可。可以理解，上述步骤通过对数据点序列进行降采样处理，可实现取低维信号子空间，而高频噪声在峰值邻域内剧烈变化，分段处理可削弱其变化，降低误判。所述缓存阵列22至少包括第一缓存单元221、第二缓存单元222及第三缓存单元223。其中，所述第一缓存单元221用以将所述心电信号流进行第一级缓存。在本实施例中，所述第一级缓存是指直接存储数秒数据，其反映的是ecg信号瞬时的变化。例如，在其中一实施例中，所述第一级缓存可直接缓存2s的数据。可以理解，在本实施例中，所述第一级缓存的数据同时还可作为所述ecg异常节律检测模块21的数据来源。即当所述第一级缓存的数据经过符号调整，例如调整为无符号整型心电信号流后，可由所述ecg异常节律检测模块21中的求梯度单元211或所述降采样单元212接收，并对其进行处理运算。所述第二缓存单元222用以对所述第一级缓存的数据进行一级压缩后进行第二级缓存。在本实施例中，所述第二级缓存属于短时缓存，例如缓存数分钟的数据，其反映的是ecg信号在一段时间内的形态变化。例如，在其中一个实施例中，所述第二级可压缩存储256个压缩块。所述第三缓存单元223用以从所述峰值检测单元213的峰值信息中提取关键特征点，并对所述关键特征点进行二级压缩后进行第三级缓存。可以理解，在本实施例中，所述第三级缓存为长时缓存，即其压缩存储关键特征点，例如峰值及出现峰值的时间间隔的差值。所述第三级缓存可存储1000-2000个心动周期的相应数据，用以反映ecg信号在较长的时间内的节律信息的变化趋势。例如，在其中一个实施例中，所述第三级缓存可压缩缓存心电信号峰值及出现峰值的时间间隔差值，缓存64个心动周期的峰值和出现峰值的时间间隔压缩块(约1500个心动周期)。可以理解，在本实施例中，所述一级压缩和所述二级压缩均可通过上述所述的旋转门压缩变换方法实现，在此不再赘述。其中，所述一级压缩是压缩信号数据点本身。所述二级压缩是压缩ecg信号的关键特征值(例如峰值和出现峰值的时刻)的数据点(即关键特征点)的差值。可以理解，在本实施例中，每一个缓存单元，例如第一至第三缓存单元221、222、223均使用锁存器，所述锁存器用以实现锁存功能。另外，在设计中，若硬件描述语言不例化锁存器，则可能会导致逻辑锁死等亚稳态。因此，每一缓存单元均采用例化的锁存器。可以理解，在本实施例中，由于使用例化的锁存器，无需读出放大电路，且读出频率很低，缓存入数据后绝大多数时间根本不进行操作，只需要关闭门控脉冲即可。其中，当门控脉冲有效时，其输出等于输入。当脉冲无效时，输出保持不变。另外，若锁存器的门控脉冲和时钟上升沿同时到来，可能会造成写入缓存单元的数据错误。因此，在本实施例中，所述缓存阵列22还可设置锁存脉冲产生与消抖电路(图未示)。该电路可由触发器、与门、缓冲器等电路单元构成，用以保证写脉冲在数据时钟之后到来，且其边沿和数据时钟错开，以防止毛刺。可以理解，在本实施例中，由于所述缓存阵列22包括多个锁存器，例第一缓存单元221、第二缓存单元222及第三缓存单元223。因此，必须根据地址来选择读写哪一个缓存单元，即设置相应的地址译码器。另外，由于读写未必同时，同时为了保证上述方法可便于用户测试，因此所述缓存阵列22还可包括地址译码选择接口单元224。在本实施中，所述地址译码选择接口单元224可至少包括三组地址译码选择接口，其中一组用于实现写功能，一组用于实现异常节律处理的功能模块回溯缓存的历史数据功能，一组实现测试读功能。可以理解，在本实施例中，所述寄存器堆23用于配置检测所用的窗口长度(例如第一窗口长度及第二窗口长度)以及旋转门压缩变换误差容限ε等参数。当然，所述寄存器堆23内还可以存储必要的处理计算参数和控制命令等。可以理解，在本实施例中，所述控制接口24可以为串行外设接口(serialperipheralinterfacebus，spi)接口或其他类似接口，用于实现所述心电信号处理装置200与外界的数据交互。例如，所述心电信号处理装置200可通过所述控制接口24连接至一微控制器，以与所述微控制器实现通信。可以理解，在本实施例中，所述数据接口25也可以由spi接口逻辑或其他接口实现，用以实现所述心电信号处理装置200与外界的数据交互。例如，所述心电信号处理装置200可通过所述数据接口25电连接至非易失性存储器，以与所述非易失性存储器实现数据交互。例如，当存在异常峰值的标记位时，可触发所述数据接口25，以将所缓存的所有心电数据写入所述非易失性存储器。可以理解，在本实施例中，所述心电信号处理方法中的ecg异常节律检测方法、自适应旋转门变换方法以及分层存储缓存方法，既可以行为级代码实现，又可以作为硬件系统中的嵌入式算法模块在单片机中实现。经过rtl硬件描述语言综合后，也可以在fpga硬件平台上实现，还可以全定制数字asic的形式形成一颗专用芯片，其硬件开销相当于o(window)。其中，o(window)表示和window的大小是同量级，如果window是小量，那么o(window)和window是等价无穷小。另外，window为搜索逐差大于kt的点的窗口长度，即第一窗口的区间长度。图8及图9为本发明利用所述心电信号处理方法对ecg信号进行异常节律检测的效果图。其中，图8为一例本发明所述的ecg异常节律检测方法对ecg信号的检测结果图。其中，标记″*″为检测出的节律(峰值)。标记″.″为异常节律出现的位置。图9为一例ecg信号中叠加高频抖动噪声的测试结果图。图10a与图10b分别为本发明利用所述自适应旋转门变换方法压缩前和解压后的数据图。其中，图10a为一例ecg数据压缩前的示意图。图10b为一例对本发明所述压缩方法的压缩数据进行解压后的示意图。显然，在经过数据定点化(心电数据全部采用12-bitadc转化的整型数)后，可将行为级算法代码转换为rtl硬件描述语言，并进行逻辑验证和仿真。可以理解，在本发明中，所述缓存单元的大小可以根据实际应用需求增减缓存量。可以理解，在本发明中，检测窗口或搜索邻域的长度也可以根据本窗口是否存在峰值进行动态调整，而不一定为一个固定值。可以理解，在本发明中，所述第三级缓存中缓存的数据不局限于峰值差和时间差，其还可以包括心电信号的其他特征参数。可以理解，在本发明中，不局限于采用所述旋转门压缩变换方法进行所述一级及所述二级压缩，其还可采用他低硬件开销的方法实现。可以理解，在本发明中，不局限于对无符号整型数据进行运算，其还可根据不同的精度需要，对其他类型的数据进行运算或处理，例如有符号整型数据、浮点数等。可以理解，在本发明中，可通过更改配置参数等方式，将所述心电信号处理方法及装置应用于其他需要长期观测的人体信号的检测中，即不一定用于对节律信息的检测。同样，所述心电信号处理方法及装置还有可能应用于其他动物的ecg信号监测的临床研究等。显然，本发明中所述心电信号处理方法及装置采用基于动态阈值的梯度检测方式，根据心电信号的一阶导数在峰值附近极大的原理，由初始峰值的一个确定比例，作为初始阈值t，后续依据固定窗口内检出的峰值对阈值自动更新。再根据所检出的峰值点序列，依据同样的原理，判定异常峰值所在的位置。在硬件实现上，将只有比较、加法、乘法和移位运算。再者，所述心电信号处理方法及装置为了处理高频抖动噪声的影响，对输入数字信号流进行降采样，并取中位数作为心电信号差分导数真值，在硬件实现中，将只有比较、加法和移位运算，硬件开销低，大大节省了功耗。第三，本发明的心电信号处理方法及装置采用三级循环缓存结构缓存心电数据，以便在报警时能及时存储异常发生前一段时间的数据。该缓存结构可将第一级缓存数据压缩为第二级缓存，而将节律检测方法输出的峰值数据压缩为第三级缓存。另外，本发明的心电信号处理方法及装置采用改进的旋转门压缩方法进行压缩，根据心电信号是否存在峰值以及峰值差值的变化动态自适应调整旋转门压缩变换的误差容限，并将该误差容限参数缓存在配置寄存器中，进而使得缓存结构使用的缓存单元相比于传统逐点缓存策略可以大大降低，从而大大降低了心电信号处理的功耗。综上，与现有技术方案相比，本发明的心电信号处理方法及装置至少具有以下优点：1.硬件开销小，仅有移位、加法、乘法和比较运算，可大大降低处理电路硬件实现的功耗。2.能够达到兼顾硬件开销和识别准确性的效果，具有良好的抗基线漂移能力，可以依据不同的受试者和局部特性变化自适应调整，减少了误判，因而鲁棒性较强。3.采用多路降采样取中位数的方式，可有效降低高频抖动、摩擦等噪声的影响。4.提出的改进的旋转门压缩方法，可以将存储规模大幅压缩，而硬件开销极小，进而降低系统的面积和漏电，并将信号处理的数据解压部分转移到功耗要求不苛刻的移动终端，更有助于实现长期、连续、不间断医疗监护应用的需求。综上所述，尽管为说明目的已经公开了本发明的优选实施例，然而，本发明不只局限于如上所述的实施例，在不超出本发明基本技术思想的范畴内，相关行业的技术人员可对其进行多种变形及应用。当前第1页12