Java实现ECG信号处理：滤波、QRS检测与心率计算实践

简介：本资源是一套基于Java语言实现的ECG信号处理系统源码，面向医疗健康领域的软件开发者、生物医学工程学生及数字信号处理研究者，解决心电信号滤波去噪、特征提取与波形识别等核心问题，适用于远程监护系统开发、教学实验及算法验证场景。压缩包共91个文件，含84个Java源文件（涵盖滤波器设计、基线漂移校正、QRS波检测等关键逻辑）、2份Markdown文档（含使用说明与开发指南）、1个YAML配置文件、1个XML构建配置（pom.xml）及配套gitignore等，整体仅165KB，轻量易部署。已有241人学习下载，资源结构清晰：src目录组织主逻辑，test目录支持单元验证，.gitignore与README等保障可维护性，Maven配置确保跨平台编译运行。读者可直接复用算法模块、调试信号处理流程、拓展云平台对接能力，或深入研究Java在实时生理信号分析中的工程实践路径。 做ECG信号处理这件事，我平时见得最多的是MATLAB和Python的版本，Java写的相对少。但真到工程落地、部署到服务端、跟医院信息化系统对接的时候，Java反而是最顺手的——不用额外起Python服务，直接嵌到现有后端里就能跑。这篇就聊聊我用手头这套基于Java的ECG信号处理源码做心电波形分析时，从滤波、特征检测到可视化的完整思路和踩坑记录。

这套源码的核心是：读入原始心电数据，经过预处理滤掉噪声和基线漂移，再通过算法检测QRS波群（也就是R波位置），最后计算出心率、RR间期等关键指标。适合做医疗信息化、健康监测后端、或者课程设计里需要完整信号处理链路的同学参考。Java生态里没有太多现成的心电处理库，大部分逻辑需要自己写，这也是这套源码的价值所在。

1. 项目概述与整体设计

1.1 为什么要用Java做ECG信号处理

先说个很现实的问题：ECG信号处理为什么值得用Java做一遍？

心电信号处理本身是典型的数字信号处理问题，MATLAB当然最方便，Python的numpy、scipy也成熟。但这两者都有一个共同问题：部署环境重、并发能力弱。如果是做一个单机分析脚本，选哪个都行；但如果你要做的是Web服务，比如用户上传一段心电数据，后台算完返回心率变异性和异常报警，那Java就舒服多了——直接Spring Boot起服务，信号处理算法作为核心模块嵌进去，打包成JAR扔服务器上就能跑。

另一个好处是内存管理和数据结构清晰。ECG信号说白了就是一组double数组，Java对数组和基本类型的处理效率很高，配合JIT优化，实时性完全够。我这套源码里核心处理逻辑全部用原生数组操作，没有引入重量级框架，单线程处理一段10秒钟、采样率250Hz的心电数据，整个流水线跑下来不超过50ms，放到Web服务里绰绰余。

1.2 模块划分与架构思路

这套源码的设计参考了实际工程项目的分层方式，没有把算法和界面揉成一团。整体分四层：

如果只在命令行里跑，展示层可以去掉，分析层直接输出JSON结果。这个分层最大的好处是算法逻辑不依赖任何界面组件，后面换Web前端或者做接口对接，处理层和分析层的代码一行都不用改。

2. 信号预处理：从原始波形到干净曲线

2.1 数据读取与格式解析

ECG数据的格式五花八门，最坑的不是算法，而是解析数据。常见的有MIT-BIH格式（16进制二进制+头文件）、CSV（逗号或分号分隔）、还有各种医疗设备自定义的文本格式。

我这套源码的DataLoader设计思路是：先定义一个统一的内部数据结构，再为每种格式写对应的Reader。内部结构很简单：

public class ECGSignal { private double[] data; // 信号幅值，单位mV private double sampleRate; // 采样率，单位Hz private int leadCount; // 导联数 private long startTime; // 起始时间戳 }

解析CSV的时候有个细节很值得注意：有些文件头部有几十行注释，有些没有；有些用逗号分隔，有些用分号。处理方式是先读前几行做嗅探——检测第一行是不是数字开头，如果是文本就跳过；检测分隔符的时候，统计行里逗号和分号哪个出现次数多就用哪个。

MIT-BIH格式稍微麻烦一点，它是三字节存储一个12-bit采样值，需要用位运算拆出来。实测这个解析过程不能偷懒，建议直接用Java的DataInputStream按字节读，然后手工拼装。示例代码：

public double[] parseMITBIH(byte[] rawData, int sampleCount) { double[] result = new double[sampleCount]; int byteIndex = 0; for (int i = 0; i < sampleCount; i++) { int b0 = rawData[byteIndex++] & 0xFF; int b1 = rawData[byteIndex++] & 0xFF; int b2 = rawData[byteIndex++] & 0xFF; // 12-bit signed value stored in 3 bytes int value = ((b0 << 4) | (b1 >> 4)) & 0x0FFF; if ((value & 0x0800) != 0) { value |= 0xF000; // sign extend } result[i] = value / 200.0; // convert to mV byteIndex++; } return result; }

2.2 带通滤波与工频陷波

原始的ECG信号里噪声很杂，大致分三类：

• 基线漂移：频率极低（低于0.5Hz），通常是呼吸或电极移动造成的
• 工频干扰：50Hz（国内）或60Hz（部分国家），来自电源
• 肌电噪声：频率范围宽（20-500Hz），幅度随机

预处理的核心手段是带通滤波。ECG信号的有效能量集中在0.5Hz到45Hz之间，所以一个0.5~45Hz的带通滤波器能干掉大部分噪声。我用的是Butterworth二阶IIR滤波器，级联高通和低通两部分。

这里要特别提醒：FIR还是IIR？FIR线性相位好，但同样截止频率下阶数高、计算量大。IIR计算量小，但有相位失真问题。对于ECG检测，相位失真对R波位置的影响可以通过后续算法补偿（比如反向滤波），所以优先选IIR。实测在250Hz采样率下，二阶Butterworth带通已经够用，没必要上更高阶。

IIR滤波器的实现很简单，差分方程直接迭代：

public class BandpassFilter { private double[] xBuffer; // 输入历史 private double[] yBuffer; // 输出历史 private double[] b; // 分子系数 private double[] a; // 分母系数 public double filter(double input) { // shift buffer System.arraycopy(xBuffer, 0, xBuffer, 1, xBuffer.length - 1); System.arraycopy(yBuffer, 0, yBuffer, 1, yBuffer.length - 1); xBuffer[0] = input; double output = b[0] * xBuffer[0]; for (int i = 1; i < b.length; i++) { output += b[i] * xBuffer[i]; } for (int i = 1; i < a.length; i++) { output -= a[i] * yBuffer[i - 1]; } yBuffer[0] = output; return output; } }

系数计算我用的是先在外头用滤波器设计工具算好，然后硬编码到源码里。这样运行时不需要解方程，性能最好。

2.3 基线漂移的消除

带通滤波其实已经顺带处理了大部分基线漂移，因为0.5Hz高通就把极低频给滤了。但如果你要保留ST段分析（心肌缺血判断需要看ST段），滤得太狠会影响ST段的真实性。

我的做法是：先做带通滤波得到干净的ECG用于R波检测，同时保留一份只去掉工频干扰的数据用于ST段分析。两条处理链路互不干扰，检测和诊断分开做。

如果数据里基线漂移特别严重（比如运动状态下采集的），单纯高通滤波不够，我会用中值滤波估算基线再减去。中值滤波窗口设1秒左右（比如250Hz采样率下窗口大小设为250个点），原理是：ECG波形在1秒窗口内的中值基本等于基线水平，减掉这个基线就能把漂移拉平。

public double[] removeBaseline(double[] signal, int windowSize) { double[] baseline = medianFilter(signal, windowSize); double[] result = new double[signal.length]; for (int i = 0; i < signal.length; i++) { result[i] = signal[i] - baseline[i]; } return result; }

这个方案的好处是不改变波形形态，只做平移。相对高通滤波，中值滤波不会引起ST段的假性偏移。

3. 波形特征检测与心拍识别

3.1 QRS波群检测：Pan-Tompkins算法落地

QRS检测是整个ECG信号处理的核心。QRS波群代表心室除极，是心电图上幅度最大、斜率最陡的波形，R波峰值点就是心率计算的基础。

经典的检测算法是Pan-Tompkins算法，流程是：带通滤波 → 微分 → 平方 → 移动窗口积分 → 自适应阈值。

带通滤波已经在前置预处理做过了，检测阶段只需要做后续四步。

微分是为了突出R波的斜率特征。使用五点差分公式：

public double[] differentiate(double[] signal) { double[] result = new double[signal.length]; for (int i = 2; i < signal.length - 2; i++) { result[i] = (2 * signal[i] + signal[i - 1] - signal[i + 1] - 2 * signal[i + 2]) / 8.0; } return result; }

注意这个差分公式的分母是8而不是8.0。如果写成整数除法，结果会全部变成0。这算是我踩过的一个低级坑，但确实容易犯。

平方便是把负向波形也变成正向，同时增强大波形的响应：

for (int i = 0; i < diff.length; i++) { squared[i] = diff[i] * diff[i]; }

移动窗口积分是把一定时间窗口内的信号能量累加，让R波变成一个平滑的峰。Pan-Tompkins原文建议窗口约150ms，在250Hz采样率下就是37个点左右：

public double[] movingWindowIntegration(double[] signal, int windowSize) { double[] result = new double[signal.length]; double sum = 0; // initialize first window for (int i = 0; i < windowSize && i < signal.length; i++) { sum += signal[i]; } result[windowSize / 2] = sum; for (int i = windowSize; i < signal.length; i++) { sum += signal[i] - signal[i - windowSize]; result[i - windowSize / 2] = sum; } return result; }

3.2 自适应阈值与不应期处理

积分波形出来后，关键就是阈值怎么设。固定阈值最省事，但ECG信号的幅度会随着导联位置、皮肤阻抗、运动状态剧烈变化，固定阈值很容易漏检或误检。

我是用自适应阈值：维护一个信号峰值的滑动平均，阈值设为这个平均峰值的0.4~0.5倍。每次检测到一个新的R波，就更新峰值估计：

public class QRSDetector { private double signalPeak = 0; private double noisePeak = 0; private double threshold = 0; private long lastBeatTime = 0; private static final double THRESHOLD_FACTOR = 0.45; private static final long REFRACTORY_PERIOD_MS = 200; public int[] detect(double[] integratedSignal, double sampleRate) { List<Integer> beats = new ArrayList<>(); long refractorySamples = (long)(REFRACTORY_PERIOD_MS * sampleRate / 1000); for (int i = 0; i < integratedSignal.length; i++) { double value = integratedSignal[i]; if (value > threshold && (i - lastBeatTime) > refractorySamples) { beats.add(i); lastBeatTime = i; signalPeak = 0.875 * signalPeak + 0.125 * value; } else if (value > 0) { noisePeak = 0.875 * noisePeak + 0.125 * value; } threshold = THRESHOLD_FACTOR * signalPeak + 0.2 * noisePeak; } return beats.stream().mapToInt(Integer::intValue).toArray(); } }

这里的核心思想是信号峰值和噪声峰值分开估计，阈值是两者的加权组合。即便一段时间内噪声变大导致误检，噪声峰值也会上涨，阈值跟着升高，不会一直误检下去。

不应期的设置也很关键。心电生理上，QRS波群之后有一个不应期，在200ms内不会再有新的QRS波。设置不应期可以避免一个R波被重复检测（比如高尖T波被当成R波）。

3.3 心率与心律参数计算

检测到R波位置后，心率计算就简单了。相邻R波之间的间隔叫RR间期，心率就是60除以RR间期（单位秒）：

public double calculateHeartRate(int[] rPeaks, double sampleRate) { if (rPeaks.length < 2) { return 0; } double totalIntervalSeconds = (rPeaks[rPeaks.length - 1] - rPeaks[0]) / sampleRate; double averageRR = totalIntervalSeconds / (rPeaks.length - 1); return 60.0 / averageRR; }

但实际应用里，我更推荐逐搏计算再取平均，而不是只算总间隔除以搏数。因为如果中间有一次早搏，RR间期突然变短，均摊算法会把这次异常稀释掉，测出来心率反而显得正常。

还有几个指标值得算：

• RR间期标准差（SDNN）：反映心率变异性，值越大说明自主神经调节能力越强
• 相邻RR差值的均方根（RMSSD）：反映副交感神经活性
• 最大/最小心率：监测极端值

如果要做心律不齐判断，核心逻辑是看RR间期的规则性：连续几个RR间期差值超过一定比例（比如15%），就提示房性早搏或室性早搏。这个判断逻辑不算复杂，但阈值要根据年龄段调整，我源码里用的是通用成人标准。

4. 可视化与交互界面

4.1 波形绘制方案选择

Java做波形可视化的方案有Swing、JavaFX、SWT，还有基于JFreeChart的图表库。我的实践经验是：

如果只是简单看一眼波形，JFreeChart最省事——几行代码就能画出X-Y轴图表，缩放、平移自带。但JFreeChart的问题是数据量大时卡顿严重，画10万个点基本就肉眼可见的卡了。

如果要实时刷新波形，建议直接用Swing的自绘组件，重写paintComponent方法，用Graphics2D画Polyline。这样能精细控制渲染逻辑，性能也好得多。我源码里用的是这个方案：

public class ECGWaveformPanel extends JPanel { private double[] data; private int samplesPerPixel = 4; // 每像素采样点数 @Override protected void paintComponent(Graphics g) { super.paintComponent(g); Graphics2D g2 = (Graphics2D) g; g2.setRenderingHint(RenderingHints.KEY_ANTIALIASING, RenderingHints.VALUE_ANTIALIAS_ON); int width = getWidth(); int height = getHeight(); // 绘制网格 drawGrid(g2, width, height); // 计算绘制点数，做抽点 int drawCount = Math.min(data.length, width * samplesPerPixel); int[] xPoints = new int[drawCount]; int[] yPoints = new int[drawCount]; for (int i = 0; i < drawCount; i++) { xPoints[i] = i * samplesPerPixel; double value = data[i * samplesPerPixel]; yPoints[i] = (int)(height / 2 - value * height / 4); } g2.setColor(new Color(0, 180, 0)); // 经典心电图绿 g2.drawPolyline(xPoints, yPoints, drawCount); } }

注意这里有个抽点策略：不是把每个原始点画到屏幕上，而是跳着取点。这么做看起来丢失了细节，但实际显示效果反而更清晰——因为原始数据在低DPI屏幕上本来就画不下。如果遇到高分辨率屏幕或者需要看细节，可以增加samplesPerPixel的值做放大。

4.2 实时刷新与大数据量性能优化

如果要做实时监测，波形画面会持续不断地追加新数据。最简单的做法是repaint()整个面板，但数据量大了之后会闪烁。

更好的做法是只重绘变化区域，配合双缓冲。Swing的JPanel本身默认双缓冲，所以大部分情况只需要控制重绘频率——不要每来一个采样点就重绘一次，而是每50毫秒批量重绘一次，相当于20帧/秒，肉眼看起来就是连续的。

如果信号是连续流式的（比如从串口或蓝牙实时读取），数据结构要用环形缓冲区，避免频繁创建新数组：

public class CircularBuffer { private double[] buffer; private int head = 0; private int count = 0; public CircularBuffer(int capacity) { buffer = new double[capacity]; } public void add(double value) { buffer[head] = value; head = (head + 1) % buffer.length; if (count < buffer.length) { count++; } } public double[] toArray() { double[] result = new double[count]; int start = (head - count + buffer.length) % buffer.length; for (int i = 0; i < count; i++) { result[i] = buffer[(start + i) % buffer.length]; } return result; } }

这里有个细节很多人会忽略：环形缓冲区拷贝数组时，起点不是0，而是head往前数count个位置。这个取模运算在数据量大的时候是性能瓶颈之一，不过对于10秒级别的ECG数据（2500个点），完全无所谓。

5. 常见问题与排查技巧实录

5.1 信号滤波后出现明显失真

现象：滤波后波形幅度变小、波形变得圆钝，R波尖峰消失。

原因大概率是滤波器的截止频率设置不当。我一开始把带通设成2~40Hz，想着滤得更干净，结果R波的能量有一部分在2Hz以下和40Hz以上，被滤掉了不少，波形自然就变形了。

经验是：R波检测用的带通滤波，低频截止建议不低于0.5Hz，高频截止不要低于35Hz。如果是用来做ST段分析，低频截止要放到0.05Hz甚至直接用基线校正方案，不能用常规带通。

5.2 QRS检测漏检与误检

漏检最常见的原因是阈值调太高。自适应阈值算法里，THRESHOLD_FACTOR初始值设为0.45，但如果信号信噪比低，建议降到0.35左右。另外要检查移动窗口积分的窗口大小——窗口太窄，R波和T波会混在一起；窗口太宽，会把两个相距很近的R波合并成一个。

误检（把T波当R波）最常见的原因是T波过高。T波在形态上比R波宽、矮、圆滑，但高钾血症等情况下T波会变得又高又尖，很容易触发检测。解决办法是把不应期从200ms适当延长到250ms，同时在检测后做一个形态验证——计算检测点附近的斜率，如果斜率明显低于正常R波斜率，判定为T波并剔除。

5.3 Java实现中的性能瓶颈

处理长程ECG数据（比如24小时Holter记录，有几百万个点）时，性能问题才会暴露出来。

第一个瓶颈是频繁的数组创建。预处理流程里每一步都返回新数组，GC压力很大。优化方式是复用缓冲区，每个处理阶段都写入同一个预分配的数组。这个改动能把内存占用降一半以上。

第二个瓶颈是滤波器系数的重复计算。如果滤波器系数是每次调用时现算的，会非常慢。正确做法是在构造器里算好，或者硬编码。我在源码里已经固定了系数，实测耗时可忽略。

第三个瓶颈是自动装箱。比如用List<Integer>存储R波位置，每个位置都会产生Integer对象。数据量大的时候，建议直接用int[]或IntArrayList（如果项目没引入第三方库，就自己写一个简单的动态数组）。

5.4 采样率不一致导致的结果偏差

这是最隐蔽的坑。不同设备采样率差异很大——有125Hz的、250Hz的、360Hz的、500Hz的甚至1000Hz的。如果你的算法里窗口大小、滤波器截止频率是按250Hz设计的，换到500Hz数据上，所有时间相关的参数都要翻倍调整。

我的处理方式是在DataLoader阶段就统一重采样到250Hz。重采样用线性插值就够了，对ECG这种信号来说，线性插值引入的误差远小于设备本身的测量误差。

public double[] resample(double[] data, double oldRate, double newRate) { double ratio = oldRate / newRate; int newLength = (int)(data.length / ratio); double[] result = new double[newLength]; for (int i = 0; i < newLength; i++) { double position = i * ratio; int idx = (int) position; double frac = position - idx; if (idx + 1 < data.length) { result[i] = data[idx] * (1 - frac) + data[idx + 1] * frac; } else { result[i] = data[idx]; } } return result; }

最后分享一个我调试这套源码时印象最深的坑。有一版滤波代码在处理短数据（比如只有2秒的片段）时，输出的波形开头总有一段异常大的振荡。排查了很久才意识到是IIR滤波器的状态变量初始化为0导致的瞬态响应。滤波器启动时需要一段时间收敛，而数据太短时，整个输出都被瞬态污染了。

解决办法有两个：一是把前200ms的滤波结果丢弃不用（对短数据来说浪费）；二是用数据的前200ms做一次反向滤波预热——先把数据反转，跑一遍滤波器，再反转回来。这样初始状态基本接近稳定值，瞬态问题就消失了。这个方法对离线数据处理特别有效，大家可以直接抄作业。

本文还有配套的精品资源，点击获取