简介一份面向医学信号处理初学者、生物医学工程学生及Python开发者的ECG信号处理脚本用于对原始心电信号进行噪声抑制并自动估算降噪后的QRS波群峰值与心跳次数。压缩包共包含7个文件大小约211KB除Python主脚本外还提供CSV格式的原始心电数据、4张处理结果图心率趋势图、时域与频域滤波对比图等以及README说明文档结构轻量、目录清晰便于对照代码与输出逐模块学习。目前已有273人学习下载。脚本完整覆盖了数据读取、低通滤波去噪、峰值阈值检测、基于导联规则的心跳计数与结果可视化这一处理链综合运用numpy、scipy和matplotlib等常用科学计算库针对基线漂移、高频噪声等常见干扰给出了可复现的解决方案相关参数也便于根据信号特点调整。借助可视化输出读者可以直观比较滤波前后的时频差异快速验证算法效果。对于希望入门生物信号处理、开展心率变异性研究或构建健康监测原型的工程人员这是一套可直接运行并二次扩展的实用参考代码。1. ECG信号处理脚本先降噪再数心跳这活儿没那么玄拿到一份毛刺比波形还高的原始ECG信号第一反应别是调阈值而是先想清楚怎么把噪声按下去。这份压缩包里的Python脚本做的就是“原始ECG读入 → 噪声抑制 → R峰检测 → 心跳估算 → 结果可视化”这条完整链路最难得的是它把每一步的中间产物都落成了图片你能看到滤波前后的时域波形、频域对比和最终的峰值标记图而不是扔给你一个黑匣子心率数字。我觉得它适合三类人正在做毕业设计、需要给心电数据做预处理的学生做可穿戴设备数据分析、想把R峰检测跑通的工程师以及想快速理解“滤波参数到底怎么影响检测结果”的入门者。它不适合拿来当临床诊断工具定位是信号处理学习与工程验证这一点从源码结构和结果图的组织方式就能看出来。2. 跑通脚本与数据流从noise.csv到result.png的完整链路先把资源里的文件结构理清楚比直接双击py文件重要得多。这个压缩包里的核心是ECG-Signal-Processing-master目录内部包含主脚本ECG.py、原始数据noise.csv、说明文档README.md以及images目录下几张已经生成好的结果图heart-rate.PNG、result.png、freq-d.PNG、time-d.PNG。这几张图就是脚本运行后的输出物也可以理解为作者留给你的“标准答案”。2.1 解压后先确认文件结构与生成物我拿到任何信号处理资源第一件事不是读代码而是看目录和文件名——文件名能透露出作者的设计意图。这个项目的命名习惯比较直白time-d.PNG大概率是时域波形图freq-d.PNG大概率是频域频谱图result.png应该叠加了检测出的R峰位置heart-rate.PNG则是心跳数或心率的可视化。建议先用表格盘一下文件角色方便后面跑通时对照文件名推测作用我重点关注什么ECG.py主处理脚本读取方式、滤波参数、检测逻辑noise.csv原始含噪信号数据采样率、数据列格式、是否有空值time-d.PNG时域滤波前后对比图滤波后波形是否平滑、幅值是否合理freq-d.PNG频域频谱对比图工频噪声是否被削弱、截止频率是否合适result.pngR峰检测结果图峰值标记是否落在QRS波群顶点heart-rate.PNG心跳/心率趋势图心率数值是否在合理生理范围这个资源的设计思路是“数据 脚本 输出图”三者闭环noise.csv是原料ECG.py是加工线images里的PNG是质检报告。你先运行脚本如果输出图和原图长得差不多说明环境没问题如果差了十万八千里那就是某个环节的参数没对上。2.2 环境准备与最小依赖numpy、scipy、matplotlib就够了这类ECG处理脚本的依赖通常很收敛不会拉一堆深度学习框架。按我的经验核心就四个库numpy做数组运算scipy.signal做滤波和峰值检测matplotlib画图pandas方便读CSV。版本上只要不是太老的Python 3.6以下基本都能跑我建议直接用Python 3.8到3.11之间的版本避免某些旧库的兼容性问题。在干净的虚拟环境里安装依赖是避免“我机器上有库但脚本还是报错”这类问题的第一步python -m venv ecg_env source ecg_env/bin/activate # Windows下使用 ecg_env\Scripts\activate pip install numpy scipy matplotlib pandas这段命令做的事情是创建一个独立的Python虚拟环境然后把四个依赖装进去。为什么不用全局环境因为ECG脚本涉及滤波、插值、绘图等操作对scipy和numpy的版本比较敏感虚拟环境能让资源脚本和你的日常项目互不干扰。我用source而不是直接pip install就是先把运行环境隔离开后面出问题也好定位是脚本问题还是系统环境问题。如果你在公司内网机器上装不了包可以考虑用镜像源或者用Anaconda自带科学计算栈效果一样。装完依赖后用VS Code打开项目目录即可不需要额外配置什么只要解释器选中ecg_env就行。2.3 执行脚本与常见入口确保在正确目录下运行运行脚本最容易翻车的地方不是代码本身而是工作目录。很多人把zip解压后直接双击ECG.py或者在解释器里运行导致脚本里相对路径./noise.csv找不到文件报一堆FileNotFoundError。先把目录切换到位再跑脚本cd ECG-Signal-Processing-master python ECG.py第一行cd是为了把命令行的工作目录切到脚本所在目录这样脚本里所有相对路径都能正确解析。第二行才是真正启动处理流程。如果脚本设计成读取命令行参数也可以尝试python ECG.py noise.csv这种传参方式具体看README.md里怎么写。我一般跑之前还会先看一眼noise.csv的头部数据确认文件确实存在且能被读取head -n 5 noise.csv python -c import pandas as pd; dpd.read_csv(noise.csv); print(d.shape, d.columns)这两条命令分别检查CSV前几行内容以及解析后的行列数和列名。这么做是因为CSV的编码格式、是否有表头、数据分隔符是逗号还是分号都会直接影响脚本读取结果。如果第一步读取就错了后面滤波、检测都是白算。跑通之后images目录下应该会刷新出新的PNG文件。如果你运行后图片没变化大概率是脚本直接覆盖写入了同名文件这时候要去看文件修改时间而不是肉眼比对。3. 信号预处理先除工频噪声再处理基线漂移顺序不能反ECG信号处理里预处理顺序决定了后面检测的天花板。如果你先做峰值检测再做滤波那检测结果会被噪声带着跑如果你先滤掉基线漂移再做低通滤波也可能把QRS波群的低频成分一起削掉。这个资源的脚本把噪声抑制放在最前面我认为是符合工程实践的而且它同时保留了滤波前后的对比图说明作者也希望大家能看到预处理的实际效果。3.1 为什么噪声抑制要放在峰值检测之前原始ECG信号里的噪声大致分三类一是50Hz工频干扰来自市电和周边设备二是肌电噪声频带比较宽通常在20Hz到几百Hz之间三是基线漂移频率很低多由电极移动或呼吸引起。如果带着这些噪声直接算峰值结果就是一堆假阳性。比如工频干扰的每个周期都可能被当成一个峰实际心率可能只有72检测结果却报了300多这在心率计算里是完全不可接受的。先加载数据、看一眼原始波形是预处理的第一步也是判断噪声类型的最好方法import pandas as pd import matplotlib.pyplot as plt df pd.read_csv(noise.csv, headerNone) sig df.iloc[:, 0].values.astype(float) plt.figure(figsize(12, 4)) plt.plot(sig[:2000]) plt.title(Raw ECG Signal - First 2000 Samples) plt.xlabel(Sample Index) plt.ylabel(Amplitude (mV)) plt.show()这段代码把CSV第一列当作信号序列取前2000个采样点画出来。headerNone表示CSV没有表头iloc[:, 0]取第一列如果你的CSV是多列布局比如第一列是时间戳第二列是电压就需要改成对应列。画出来之后你就能直观分辨噪声类型高频毛刺密集多半是肌电或工频波形整体上下飘动则是基线漂移。这个“先看再算”的习惯能帮你少走一半弯路。3.2 巴特沃斯低通滤波order与Wn怎么互相妥协滤波器的选择上巴特沃斯是ECG处理里最常见的方案它的优点是通带内纹波小、设计简单适合做离线批处理。脚本里如果用到scipy.signal.butter基本就是这条路。低通截止频率通常设在40Hz左右因为QRS波群的主要能量集中在5到25Hz而50Hz工频正好在通带之外。用一个4阶巴特沃斯低通滤波来平滑信号是最稳的组合from scipy.signal import butter, filtfilt fs 360 # 采样率示例值以你的数据为准 cutoff 40 # 截止频率低于50Hz即可避开工频 order 4 b, a butter(order, cutoff / (fs / 2), btypelow) filtered filtfilt(b, a, sig)这里的butter函数设计滤波器cutoff / (fs / 2)是关键它把40Hz换算成数字角频率的归一化值范围在0到1之间。如果fs写错整个滤波频带都会偏移这是最隐蔽也最致命的错误。filtfilt做零相位滤波它先正向滤波再反向滤波能消除普通lfilter带来的相位延迟保证R峰位置不发生偏移——这对后续峰值检测至关重要。order参数的取舍4阶通常够用提高到5阶或6阶时过渡带更窄、对工频衰减更彻底但阶数过高会导致幅频响应在截止频率附近出现过冲也就是吉布斯现象滤波后的波形会出现振铃反而干扰检测。我一般先从order4开始试如果频谱图显示50Hz还没压下去再提到5阶如果波形出现异常毛刺就降回4阶并微调截止频率。3.3 去除基线漂移多项式拟合或高通滤波的取舍低通滤波之后高频噪声基本没了但低频的基线漂移还留在信号里。这时候最常见的手段是拟合一条低频趋势线然后减掉它让信号回到零基线附近。用7阶多项式拟合基线并去除是ECG预处理里常用的快速方案import numpy as np t np.arange(len(sig)) p np.polyfit(t, filtered, 7) baseline np.polyval(p, t) detrended filtered - baselinenp.polyfit在整段信号上拟合一条7阶多项式曲线它抓的是信号的长期漂移趋势而不是心跳细节。减掉这条曲线后信号就稳定在零线附近。多项式阶数不宜太高阶数过高会把部分ST段和T波的低频成分也拟合进去导致波形失真也不宜太低太低拟合不出漂移趋势典型的取值是5到9阶。另一种替代方案是用高通滤波截止频率设在0.5Hz到1Hz之间能直接滤掉低于这个频率的漂移成分。但高通滤波会改变波形的低频形态如果你的关注点是ST段分析就需要谨慎用。这个脚本的场景是噪声抑制和峰值检测不是ST段分析所以用高通滤波问题也不大。真正讲究的做法是低通、高通分开做先低通除高频再高通除低频顺序不能反反了的话低通阶段会把基线漂移和QRS波一起平滑掉高通阶段又可能放大残余高频最后波形面目全非。预处理做完后我习惯把滤波前后的波形都画出来对比一遍确认QRS波群没有被削平、T波没有被放大再进入峰值检测。4. R峰检测与心跳估算阈值、自适应与不应期预处理只是把路修平真正的重头戏是R峰检测。R峰对应的是QRS波群中最尖锐的那个转折点也是ECG里最稳定的特征。检测思路大致有三种固定阈值法、自适应阈值法、模板匹配法。固定阈值最简单但碰上幅值变化大的信号就翻车模板匹配精度高但需要先有个标准模板不适合未知数据。工程上用得最多的是自适应阈值法它能跟随信号幅值的变化动态调整检测灵敏度。4.1 峰值检测的三种做法先看懂再动手先讲一个概念对比不同方法的核心区别在于“用什么标准认定一个点是R峰”。方法核心逻辑优点典型风险固定阈值幅值超过设定值即判定为峰实现简单、速度快信号幅值波动时漏检或误检自适应阈值阈值随着局部信号幅值变化抗幅值漂移能力强参数需要根据数据微调模板匹配用标准QRS模板做相似度计算抗干扰能力强需要足够的模板样本scipy.signal.find_peaks是最省事的峰值检测入口它把“找局部极大值”这件事封装好了from scipy.signal import find_peaks peaks, props find_peaks( detrended, heightnp.percentile(detrended, 90), distanceint(0.25 * fs) )height参数限制了峰的最小高度这里用的是第90百分位数意思是只保留信号中排名前10%的高幅值点。distance参数限制两个峰之间的最小采样点间隔0.25 * fs对应0.25秒这在心电领域叫“不应期”——正常情况下两个R峰不可能靠得比这个还近。如果心率超过240bpm0.25秒确实偏短但对绝大多数成人数据来说这个值合适。peaks返回R峰在信号中的索引位置props返回每个峰对应的幅值等属性。4.2 自适应阈值与不应期避免把T波当成R峰find_peaks的height参数是全局的能解决大部分问题但如果你处理的信号前半段幅值高、后半段幅值低固定阈值就可能在低幅值段漏检。自适应阈值的思路是每个时刻只看着它前后一段窗口内的幅值动态决定阈值。window int(0.5 * fs) adaptive_threshold np.zeros_like(detrended) for i in range(window, len(detrended) - window): adaptive_threshold[i] np.mean(detrended[i - window:i window]) 1.5 * np.std(detrended[i - window:i window])这段代码用滑动窗口计算每个点局部的“均值 1.5倍标准差”作为该点的阈值。1.5是经验系数系数太小会把T波等小幅波形误判成峰系数太大又可能漏掉真正的R峰。我一般先画出一小段信号把阈值曲线叠上去看阈值是否在QRS波群下方、T波上方再决定要不要调整系数。加了自适应阈值后还要配合不应期检查把距离过近的伪峰剔除valid_peaks [] last_peak -int(0.25 * fs) for p in peaks: if detrended[p] adaptive_threshold[p] and (p - last_peak) int(0.25 * fs): valid_peaks.append(p) last_peak p这段代码做的事情是遍历所有候选峰只有幅值超过局部阈值、且与前一个有效峰之间隔了至少0.25秒的才被保留。这个“幅值条件 时间条件”的组合能挡住两类典型错误幅值达标的T波被误判为R峰以及噪声毛刺造成的一连串密集假峰。4.3 从R峰数到每分钟心跳单位换算最容易错R峰检测完成后心跳数的单位换算是个容易翻车的地方。R峰位置是采样点索引要先把索引转成时间再算心率。rr_intervals np.diff(valid_peaks) / fs # 单位秒 heart_rate_bpm 60 / np.mean(rr_intervals) print(fDetected {len(valid_peaks)} beats, average HR: {heart_rate_bpm:.1f} bpm)np.diff(valid_peaks)计算相邻R峰之间的采样点间隔除以采样率fs后得到秒数这就是R-R间期。60 / np.mean(rr_intervals)把平均R-R间期换算成每分钟心跳数。最容易出的错是把采样点间隔直接当成毫秒去算如果fs实际是360而代码里写成1000心率会从72bpm变成200bpm左右数值完全不在生理范围内。拿到心率结果后先做一个合理性检查——正常静息心率应该在50到100之间超出这个区间先怀疑单位换算或检测质量问题。如果你需要的是每搏心率而不是平均心率可以计算每相邻两搏的即时心率这个对分析心率变异性HRV很有用脚本输出的heart-rate.PNG大概率就是基于这种逐搏心率画的趋势图。5. 常见问题与排查五次实测归纳的五个坑有句话说得好跑通一个信号处理脚本不难难的是让它每次都能稳定跑出正确结果。这个ECG项目我实跑了不止一次归纳了五个高频坑每个都是“看着是代码问题其实是习惯问题”。5.1 现象FileNotFoundError: [Errno 2] File noise.csv does not exist原因在IDE里直接按F5运行工作目录是项目根目录但ECG.py内部用的相对路径是相对于当前工作目录的。解压出来的整个文件夹被套了一层ECG-Signal-Processing-master如果你用的是快捷运行方式Python进程的工作目录往往不在这个子目录里。解决终端里先cd到脚本所在目录再执行python ECG.py。如果用VS Code把launch.json里的cwd改成脚本目录或者在脚本开头加两行固定路径import os os.chdir(os.path.dirname(os.path.abspath(__file__)))这两行会把工作目录强制切到脚本自身所在位置是最省事的“后悔药”不管用什么方式启动都不会再迷路。5.2 现象运行后图像全空白或者滤波后信号全是NaN原因CSV文件里有空行、字母开头的数据行或者数据列数不统一。read_csv虽然能读进来但混入非数值字符后.astype(float)会静默转出NaN滤波计算把NaN传播到整个信号。解决读取后先做一次数据体检python -c import pandas as pd; dpd.read_csv(noise.csv); print(d.isnull().sum().sum(), len(d))如果isnull()总量大于0就用dropna()丢弃缺失行或者用前向填充。我习惯先打印总行数和空值总量再决定用哪种处理方式因为直接删除可能破坏时间对齐信息而填充则可能引入假波形。5.3 现象检测出的R峰数量明显少于实际心跳数原因信号幅值存在长周期漂移比如前10秒幅值0.8mV后10秒幅值0.3mV固定阈值设成0.5mV就把后半段的R峰全漏了。解决换成自适应阈值或者分段处理用detrended减掉基线漂移后再检测。如果依然漏检把阈值系数从1.5降到1.2但不要低于1.0否则T波容易被误判。每调整一次就结合result.png看标记是否正好落在QRS波群的顶部而不是看总数字对不对。5.4 现象心率几乎翻倍或不稳定跳动原因采样率fs写错。比如数据实际采样率是360Hz但代码里按1000Hz算时间R峰间隔偏短心率偏高。另一种可能是R峰检测把部分T波误判成R峰导致R-R间期减半。解决先做单位换算校验打印R-R间期的均值和中位数print(np.median(rr_intervals))正常静息数据的R-R间期中位数应该在0.6到1.2秒之间超出这个范围就回头查采样率和阈值。如果R-R间期忽长忽短、极不稳定优先怀疑T波误检而不是采样率。5.5 现象跑完脚本后输出图片看起来和上次完全一样像“没运行”原因脚本把PNG直接写入images目录文件名不变、覆盖写。你看到的图片可能是上次运行留下的旧文件尤其是当脚本在中间某一环节报错终止时PNG根本没被刷新。解决运行前手动删除旧PNG文件rm -f images/*.PNG python ECG.py这样每次跑完images目录下只会留下本次生成的图片缺失任何一张都说明那一步执行失败。这条习惯救过我很多次不做这步你根本不知道脚本到底跑没跑成功。6. 用输出图验证处理结果从四张PNG里反推处理链是否正常脚本跑完之后别只看控制台打印的心率数四张输出图里藏着整个处理链路是否正常的关键信息。我把这四张图当成“质检报告”来读顺序从“看噪声有没有被压下去”开始。先看time-d.PNG这张图把原始信号和滤波后信号叠在一起。我关注两点一是滤波后的曲线是否明显更平滑高频毛刺是否消失二是R峰的高度有没有被削弱。如果滤波后的QRS波群比原始还矮一大截说明低通截止频率设低了把QRS的部分有效能量也滤掉了这时候把cutoff从40Hz调高到45Hz再看。如果毛刺还在说明order不够补到5阶。再看freq-d.PNG这张图是频域视角。重点看50Hz附近是否出现一个明显的“凹陷”凹陷越深说明工频抑制越到位。如果50Hz处还有一根很粗的谱线要么是滤波器设计频率错了要么是order太低衰减不够。这张图是判断滤波参数是否合适的最客观依据比肉眼看波形靠谱得多。第三张看result.png这张图把检测出的R峰标记在波形上。我一般放大看5秒钟的数据检查两个细节标记是否精确落在QRS波群的最高点而不是落在T波上两个标记之间是否保持间隔均匀有没有间距忽长忽短的情况。前者说明峰值检测的准确性后者说明不应期和阈值配合是否合理。最后看heart-rate.PNG这张图展示逐搏心率或平均心率趋势。正常情况下逐搏心率应该在平均心率附近小幅波动波动幅度大致在正负10bpm以内。如果曲线出现剧烈跳变比如某一搏突然从72变到140再回落到70基本可以断定那一搏检测错了回过去看result.png对应位置是否有异常标记。验证顺序我建议固定成time-d.PNG看滤波是否过度 →freq-d.PNG看噪声是否抑制干净 →result.png看峰值标记是否准确 →heart-rate.PNG看最终数值是否合理。四个环节层层递进任何一步不过关就不进入下一步。这种“用输出图反推处理逻辑”的方式在信号处理项目里是最实用的排错手段。从那以后我不管跑谁的ECG脚本都会强制走一遍这套验证流程先看波形再信数字。毕竟心率数可以是一串漂亮的数据但只有波形能告诉你它是不是算错了。希望帮到你。本文还有配套的精品资源点击获取