深入浅出：ECG信号质量评估的6把尺子（s_sqi/k_sqi/p_sqi...）到底在量什么？
深入浅出：ECG信号质量评估的6把尺子（s_sqi/k_sqi/p_sqi...）到底在量什么？
当你在凌晨三点盯着监护仪上跳动的ECG波形时，是否想过这些曲线背后隐藏着怎样的质量密码？在可穿戴设备普及的今天，我们比任何时候都更需要一双"火眼金睛"来辨别信号的真伪。本文将带你拆解6种信号质量指标(SQI)的数学语言，看看它们如何像经验丰富的医生一样，从不同维度为ECG信号开出"体检报告"。
1. 信号质量的"体检套餐"：六维度评估体系
ECG信号质量评估就像给心电图做全面体检，需要多指标联合诊断。这6种SQI指标可分为三大类：
| 评估维度 | 核心指标 | 诊断目标 |
|---|---|---|
| 信号分布形态 | s_sqi（偏度） | 检测信号不对称性 |
| k_sqi（峰度） | 识别异常尖峰 | |
| 频谱能量分布 | p_sqi（QRS功率谱） | 评估QRS波能量集中度 |
| bas_sqi（基线功率） | 检测基线漂移 | |
| 节律稳定性 | q_sqi（R波检测一致性） | 验证R波识别可靠性 |
| c_sqi（RR间期变异） | 分析心率变异性 |
临床研究表明，联合使用多维度SQI可使信号质量判断准确率提升至92%以上（李桥等，2007）
2. 形态学侦探：s_sqi与k_sqi的数学解剖
2.1 s_sqi：信号分布的"歪脖子"检测器
偏度(s_sqi)量化了信号分布的不对称程度。想象把ECG信号的幅值分布画成山峰：
- 理想状态：健康ECG的幅值分布近似对称（s_sqi≈0）
- 左偏状态：当存在肌电干扰时，负向波增多（s_sqi<0）
- 右偏状态：基线漂移常导致正向偏移（s_sqi>0）
def ssqi(ecg_signal): """计算信号偏度的核心代码""" num = np.mean((ecg_signal - np.mean(ecg_signal))**3) denom = np.std(ecg_signal, ddof=1)**3 return round(num/denom, 3)2.2 k_sqi：异常尖峰的"温度计"
峰度(k_sqi)测量的是分布曲线的"尖瘦"程度：
- 正常范围：健康ECG的峰度通常在3左右（经过-5校正后≈-2）
- 尖峰警报：当k_sqi显著增大时，可能提示：
- 工频干扰（50/60Hz窄带噪声）
- 电极接触不良导致的瞬态尖峰
- 运动伪迹引起的突发性波动
def ksqi(ecg_signal): """峰度计算中的Fisher校正""" kurtosis = np.mean((ecg_signal - np.mean(ecg_signal))**4) / np.std(ecg_signal, ddof=1)**4 return round(kurtosis - 3.0, 3) # 注意原始公式中的-5应为-3实际应用中，建议将s_sqi和k_sqi结合使用。当两者同时异常时，信号质量可信度会显著降低。
3. 频谱分析双雄：p_sqi与bas_sqi的频域探秘
3.1 p_sqi：QRS波的"能量雷达"
p_sqi通过计算5-15Hz（QRS主频带）与5-40Hz（全频带）的功率比，评估QRS波的显著性：
def psqi(ecg_signal, fs): n = len(ecg_signal) yf = np.fft.fft(ecg_signal) xf = np.linspace(0.0, 1.0/(2.0*(1/fs)), n//2) # QRS频带(5-15Hz)功率 pds_num = [np.abs(yf[i]) for i in range(len(xf)) if 5<=xf[i]<=15] # 全频带(5-40Hz)功率 pds_denom = [np.abs(yf[i]) for i in range(len(xf)) if 5<=xf[i]<=40] return round(sum(pds_num)/sum(pds_denom), 3)典型场景分析：
- 优质信号：p_sqi > 0.7（QRS能量高度集中）
- 运动伪影：p_sqi ≈ 0.3-0.5（能量分散到高频）
- 电极脱落：p_sqi < 0.1（无显著QRS能量）
3.2 bas_sqi：基线稳定的"守门员"
bas_sqi检测0-1Hz频段的功率占比，专门捕捉基线漂移：
def bassqi(ecg_signal, fs): n = len(ecg_signal) yf = np.fft.fft(ecg_signal) xf = np.linspace(0.0, 1.0/(2.0*(1/fs)), n//2) # 基线频带(0-1Hz)功率 pds_num = [np.abs(yf[i]) for i in range(len(xf)) if 0<=xf[i]<=1] # 全频带(0-40Hz)功率 pds_denom = [np.abs(yf[i]) for i in range(len(xf)) if 0<=xf[i]<=40] return round(1 - sum(pds_num)/sum(pds_denom), 3) # 值越小基线越差临床经验表明，当bas_sqi低于0.85时，建议：
- 检查电极接触阻抗
- 确认患者是否在移动
- 考虑启用数字滤波
4. 节律稳定性双因子：q_sqi与c_sqi的时域智慧
4.1 q_sqi：R波检测的"裁判员"
q_sqi采用两种R波检测算法（如Hamilton与SWT），通过交叉验证提升可靠性：
def qsqi(ecg_signal, fs): detectors = Detectors(fs) # 两种R波检测算法 qrs_swt = detectors.swt_detector(ecg_signal) qrs_hamilton = bsp_ecg.hamilton_segmenter(np.array(ecg_signal), fs)[0] # 计算匹配度 matching = 0 i = j = 0 while i<len(qrs_hamilton) and j<len(qrs_swt): if abs(qrs_swt[j]-qrs_hamilton[i]) < 50*(fs/1000): # 50ms容忍窗口 matching += 1 i += 1 j += 1 elif qrs_hamilton[i] < qrs_swt[j]: i += 1 else: j += 1 return round(2*matching/(len(qrs_hamilton)+len(qrs_swt)), 3)4.2 c_sqi：心率变异性的"显微镜"
c_sqi通过RR间期的变异系数(CV)反映节律稳定性：
def csqi(ecg_signal, fs): try: rri = bsp_ecg.hamilton_segmenter(np.array(ecg_signal), fs)[0] cv = np.std(rri, ddof=1)/np.mean(rri) return round(cv, 3) except: return 0.0 # 检测失败时返回最低分典型阈值参考：
| 临床状态 | c_sqi范围 | 可能原因 |
|---|---|---|
| 正常窦性心律 | 0.01-0.05 | 健康生理变异 |
| 房颤发作 | >0.15 | RR间期极度不规律 |
| 信号严重失真 | ≈0 | 检测算法失效 |
5. 实战中的组合拳：多指标联合决策
在Aura-healthcare的ecg_qc实现中，最终决策采用机器学习模型整合6种SQI。但我们可以通过简单规则实现基础判断：
def is_high_quality(s_sqi, k_sqi, p_sqi, bas_sqi, q_sqi, c_sqi): conditions = [ abs(s_sqi) < 0.5, # 偏度正常 -2.5 < k_sqi < 2.5, # 峰度合理 p_sqi > 0.6, # QRS能量集中 bas_sqi > 0.9, # 基线稳定 q_sqi > 0.8, # R波检测一致 0.01 < c_sqi < 0.1 # 适当心率变异 ] return sum(conditions) >= 5可穿戴设备中的典型优化策略：
- 动态权重调整：运动状态下提高p_sqi权重
- 级联检测：先检查bas_sqi排除基线问题
- 上下文感知：睡眠时放宽c_sqi阈值