Pan-Tompkins算法是由Pan和Tompkins于1985年提出的一种经典实时QRS波检测算法，发表于《IEEE Transactions on Biomedical Engineering》期刊，核心用于心电图（ECG）信号中R波的精准定位，为心率计算、心律失常检测等临床分析提供关键支撑。其设计理念基于QRS波群的时域特征（幅值、斜率、时间间隔），通过滤波增强特征、动态阈值自适应识别，兼顾检测精度与实时性，广泛应用于医疗监护设备、心电信号分析系统中。
一、算法核心原理与核心步骤
算法整体分为三大模块：信号预处理、动态阈值检测、R波精确定位，通过多步骤协同实现QRS波的高效识别，核心思想是“去噪增强+自适应判别”，既突出QRS波特征，又抑制噪声与干扰波（P波、T波）。
（一）信号预处理：噪声抑制与特征增强
原始ECG信号易受基线漂移、工频干扰（50Hz/60Hz）、肌电干扰等影响，预处理阶段通过系列操作提纯信号，强化QRS波特征。
1.带通滤波：采用汉明窗设计的级联高通+低通滤波器，将信号通带限制在5-15Hz。此频段精准覆盖QRS波群频率范围，可有效滤除低于5Hz的基线漂移（电极移动、呼吸干扰）和高于15Hz的肌电干扰（肌肉收缩产生的高频噪声），同时抑制50Hz工频干扰，为后续处理奠定基础。
2.微分处理：对滤波后信号进行一阶微分运算，提取波形斜率信息。QRS波的R峰具有陡峭的上升沿与下降沿，微分处理可显著增强这一斜率特征，同时削弱斜率平缓的P波、T波，使R波轮廓更突出，常用差分方程实现离散域计算。
3.平方运算：对微分结果进行平方处理，一方面将信号幅值统一转化为正值，避免倒置R波的漏检；另一方面进一步放大R波与干扰波的幅值差异，强化R波特征，同时抑制残留的低频噪声成分。
4.滑动窗口积分：采用固定长度（通常为0.15秒，对应采样率360Hz时约54个样本）的移动窗口对平方信号积分，实现信号平滑。该操作可消除高频噪声的波动影响，将离散的R波特征转化为连续的峰值包络，便于后续阈值检测。
（二）动态阈值检测：自适应判别QRS波
此阶段为算法核心，通过双阈值自适应调整机制，区分QRS波峰值与噪声峰值，降低误检与漏检率，具体流程如下：
1.初始阈值设定：提取预处理后信号（积分后信号C1、滤波后原始信号C2）的峰值，以2秒为统计窗口，取窗口内峰值最大值的1/3作为初始信号阈值（ST1、ST2）及信号水平（SL1、SL2），取峰值平均值的1/2作为初始噪声阈值（NT1、NT2）及噪声水平（NL1、NL2）。
2.峰值判别规则：对每个峰值分别与双阈值比对：①峰值大于信号阈值ST时，直接判定为R波，同时更新信号水平SL；②峰值介于0.5ST与ST之间时，仍判定为R波并更新SL；③峰值小于0.5ST时，判定为噪声，同步更新信号水平SL与噪声水平NL。下次判别前，依据SL与NL动态更新阈值ST。
3.双重验证机制：仅当同一时刻C1与C2信号中的峰值均被判定为R波时，才确认该峰值为有效R波，通过双重校验减少单一信号判别的误检风险。
（三）R波定位：精度校准与后处理
通过阈值检测得到候选R波后，需进一步校准位置、剔除伪峰，确保定位精度：
1.搜索回溯补检：若在平均RR间期1.5-1.66倍的时间内未检测到R波，判定为潜在漏检，回溯该时间段内信号，将高于次级阈值（0.5ST）且位于上一QRS波360ms后的峰值补判为R波。
2.不应期去重：设定200ms不应期，删除已检测R波前后200ms内的其他峰值，避免因噪声或R波分裂导致的多重检测。
3.T波判别剔除：若候选峰值出现在前一R波360ms内，通过对比波形平均斜率区分QRS波与异常T波——若当前峰值斜率小于前一R波斜率的1/2，判定为T波并剔除。
二、算法性能特点
1.核心优势
•实时性优异：算法步骤简洁，无复杂矩阵运算或迭代过程，时间复杂度低，可满足心电信号实时监测需求，适合嵌入式医疗设备（如便携式心电仪、Holter监护仪）。
•自适应能力强：动态阈值可根据信号质量实时调整，适配不同个体、不同采集场景的心电信号，对正常节律ECG的检测灵敏度与特异性较高。
•实现成本低：仅依赖基础数字信号处理操作，无需大量样本训练，易通过MATLAB、ANSI-C等语言实现，便于工程化落地。
2.局限性
•抗干扰能力不足：在心电信号噪声严重（如强肌电干扰、电极接触不良）时，积分操作易将高频噪声误判为QRS波特征，导致误检率上升。
•异常波形适应性差：对室性早搏、房颤等心律失常信号的检测精度下降，易因QRS波形态畸变、幅值异常导致漏检。
•参数依赖性强：积分窗口长度、阈值更新系数等参数需针对特定采样率（如250Hz、360Hz）调整，通用性受限。
三、应用场景
算法广泛应用于临床心电监测与科研领域：①常规心电图机、动态心电监护系统的R波检测与RR间期提取；②心率变异性（HRV）分析，为心血管疾病预后评估提供数据支撑；③便携式健康监测设备（如智能手环心电模块）的实时心率计算。基于MIT-BIH心电数据库的验证显示，其对正常节律信号的R波检测准确率可达95%以上。
四、主流优化方向
1.阈值策略改进：引入心率自适应调整阈值更新速率，或结合RR间期稳定性优化阈值范围，减少噪声导致的误判。
2.滤波算法升级：采用小波变换、自适应滤波替代传统带通滤波，增强复杂噪声环境下的信号提纯能力，减少波形失真。
3.多特征融合：结合QRS波宽度、幅值比、波形模板匹配等特征，构建多维度判别模型，提升异常心电信号的检测精度。
4.参数自适应调整：设计采样率自适应机制，自动匹配不同设备的参数设置，提升算法通用性。
五、总结
Pan-Tompkins算法作为心电信号R波检测的经典方法，以“预处理增强特征+动态阈值自适应判别”为核心，兼顾实时性与工程化可行性，奠定了现代心电信号自动分析的基础。尽管在复杂噪声与异常波形场景下存在局限，但通过与现代信号处理技术、机器学习方法融合，其检测性能持续提升，仍是医疗监护设备与心电分析系统的核心算法之一。
