一、nk2心电预处理库
这是一个用于处理心电信号的 Python 算法。主要功能包括对原始心电图 (ECG) 信号进行去噪、检测各种心电图特征波峰（如 R 波、P 波、Q 波、S 波和 T 波等）以及计算心率等。
具体过程如下：
- 首先对输入的原始心电信号进行预处理，包括数据清洗和去噪。
- 对去噪后的心电信号进行 R 波峰检测，并纠正可能的异常峰值。
- 计算心率，将 R 波峰的位置转换为心率值。
- 评估心电信号的质量。
- 将处理后的信号（包括原始信号、去噪信号、心率和信号质量等）存储到 DataFrame 中。
- 对心电信号进行进一步的分析，提取 P 波、Q 波、S 波和 T 波等特征。
- 计算心脏相位，包括心房相位和心室相位。
- 将以上所有信号合并到一个 DataFrame 中，并将 R 波峰位置和采样率等信息存储到字典中。
下面使用 Python 的 NeuroKit2 库，对心电信号进行快速处理和分析。
二、实验结果
原始信号及干净信号、心率和单周期信号如图1所示。
分割出单周期心电信号如图2所示，黄色背景为异常单周期心电信号。
对分割出单周期心电信号进行归一化，这里使用最小最大归一化。
最小最大归一化（Min-Max Normalization）是一种将原始数据线性缩放到一个指定范围（通常为0到1之间）的数据预处理技术。这种方法有助于在不同尺度的特征之间实现一致性，从而提高某些机器学习算法的性能。
最小最大归一化的公式如下：
x_normalized = (x - x_min) / (x_max - x_min)
其中 x 是要归一化的原始数据值，x_min 和 x_max 分别是数据集中的最小值和最大值，x_normalized 是归一化后的数据值。
归一化结果如图3所示。
