Electrocardiogram (ECG) is widely used by physicians to detect heart ailments. The multi-resolution analysis offered by the Discrete Wavelet Transform (DWT) coupled with its noise-removal capability makes it a suitable tool for ECG signal analysis. In this paper, a DWT-based approach is presented for ECG signal decomposition and noise removal. The algorithm is tested on two ECG signals acquired using dry electrodes and a low-power on-chip amplifier designed in a standard 130-nm CMOS process. It is also tested on four ECG signals acquired from the MIT-BIH database; these measure the subject both at rest and in motion. For the ECG signal acquired using the dry electrode, the DWT-based denoising algorithm shows a 53.1% higher SNR compared to the Savitzky Golay de-noising algorithm. It outperforms the same algorithm and is effective in motion-artifact removal for ECG signals while walking, jogging, and exercising by 33%, 25%, and 16.1%. The proposed DWT-based feature extraction algorithm augmented with a minimum R-R interval threshold check feature enhances the performance and improves the feature extraction by 36.5%. The peak values of P, Q, R, S, and T, as well as the average RR, QRS, PP, and TT intervals of the ECG signals, are extracted and compared with the typical values for healthy adults. In case of any abnormalities in the detected features, the subject is recommended to consult the physician for further diagnosis. Comparison between the DWT and the Pan-Tompkins algorithm yields F1 score metric to be equal to one for both methodologies.

心电图 (ECG) 被医生广泛用于检测心脏疾病。离散小波变换 (DWT) 提供的多分辨率分析与其噪声去除能力相结合，使其成为 ECG 信号分析的合适工具。在本文中，提出了一种基于 DWT 的方法来进行 ECG 信号分解和噪声去除。该算法在使用干电极和以标准 130 纳米 CMOS 工艺设计的低功耗片上放大器采集的两个 ECG 信号上进行测试。它还对从 MIT-BIH 数据库获取的四个 ECG 信号进行了测试；这些测量静止和运动中的对象。对于使用干电极获取的 ECG 信号，基于 DWT 的去噪算法与 Savitzky Golay 去噪算法相比，SNR 提高了 53.1%。它优于相同的算法，并且在步行、慢跑和锻炼时对 ECG 信号的运动伪影去除效果提高了 33%、25% 和 16.1%。提出的基于 DWT 的特征提取算法增加了最小 RR 间隔阈值检查特征，提高了性能，并将特征提取提高了 36.5%。提取心电图信号的 P、Q、R、S 和 T 的峰值以及平均 RR、QRS、PP 和 TT 间期，并与健康成人的典型值进行比较。如果检测到的特征有任何异常，建议受试者咨询医生以进行进一步诊断。DWT 和 Pan-Tompkins 算法之间的比较使两种方法的 F1 分数指标都等于 1。和 16.1%。提出的基于 DWT 的特征提取算法增加了最小 RR 间隔阈值检查特征，提高了性能，并将特征提取提高了 36.5%。提取心电图信号的 P、Q、R、S 和 T 的峰值以及平均 RR、QRS、PP 和 TT 间期，并与健康成人的典型值进行比较。如果检测到的特征有任何异常，建议受试者咨询医生以进行进一步诊断。DWT 和 Pan-Tompkins 算法之间的比较使两种方法的 F1 分数指标都等于 1。和 16.1%。提出的基于 DWT 的特征提取算法增加了最小 RR 间隔阈值检查特征，提高了性能，并将特征提取提高了 36.5%。提取心电图信号的 P、Q、R、S 和 T 的峰值以及平均 RR、QRS、PP 和 TT 间期，并与健康成人的典型值进行比较。如果检测到的特征有任何异常，建议受试者咨询医生以进行进一步诊断。DWT 和 Pan-Tompkins 算法之间的比较使两种方法的 F1 分数指标都等于 1。以及 ECG 信号的平均 RR、QRS、PP 和 TT 间期，被提取出来并与健康成人的典型值进行比较。如果检测到的特征有任何异常，建议受试者咨询医生以进行进一步诊断。DWT 和 Pan-Tompkins 算法之间的比较使两种方法的 F1 分数指标都等于 1。以及 ECG 信号的平均 RR、QRS、PP 和 TT 间期，被提取出来并与健康成人的典型值进行比较。如果检测到的特征有任何异常，建议受试者咨询医生以进行进一步诊断。DWT 和 Pan-Tompkins 算法之间的比较使两种方法的 F1 分数指标都等于 1。