心电图峰值识别及条件计数实现方案咨询

• 滑动窗口+局部峰值判定
  放弃全局最大值判定逻辑，采用固定长度的滑动窗口（窗口长度可根据采样率和正常心跳周期设置，比如覆盖1-2个完整心跳的采样点）。在窗口内，当某个采样点的数值大于其前后3-5个相邻点的数值，且该点与窗口内最小值的差值达到设定的比例阈值时，判定为有效峰值。这种方式能过滤高频噪声带来的伪峰值。

• 动态自适应阈值
  摒弃固定幅值阈值（如y>400），改用基于实时数据的动态阈值：

  1. 实时计算最近一段时间（如10秒的采样数据）的基线值（用中位数或加权均值更稳定，避免极端值干扰）；
  2. 将有效峰值阈值设为基线值加上基线波动标准差的2-3倍，或者基线值的1.4-1.6倍，具体比例可根据实际数据校准。
     这种逻辑能自动适配不同个体的心电图幅值差异。

• 基于心率先验的间隔过滤
  结合正常心率范围（60-100次/分钟），换算为采样点间隔：假设采样率为200Hz，两个有效峰值的最小间隔约为120个采样点（60/100*200）。如果连续检测到的峰值间隔小于该最小阈值，直接判定为伪峰值，不执行count++。此方法能快速过滤短时间内的重复噪声峰值。

• 差分法+形态验证
  对原始数据做一阶差分，当差值由正转负时标记为候选峰值；再对候选点进行形态验证：

  • 检查候选点的上升沿差分最大值、下降沿差分最小值是否符合正常QRS波的斜率特征；
  • 确认候选点的幅值超过动态基线阈值。
    双重验证能进一步提升峰值识别的准确性。

内容的提问来源于stack exchange，提问作者Thomas Sooluxe