谈到心电算法(ECG Analysis Algorithm)，许多生物工程技术人员就会关联到如下这篇文章：
Hamilton, Tompkins, W. J., "Quantitative investigation of QRS detection rules using the
MIT/BIH arrhythmia database", IEEE Trans. Biomed. Eng., BME-33, pp. 1158-1165,
1987.
包括现今的许多心电图分析（ECG Analysis）以及与心电图相关产品的新技术和方法如小波方法、模式匹配、人工神经网络等都是以此为参考或以此来佐证更优良的性能。
我们这里也是以此来作为参照，一个E.P. Limited机构也是作者Patrick S. Hamilton以开放源代码的形式阐述并实现了上述方法。可以访问其网站
http://www.eplimited.com
下载源代码和说明文档《Open Source ECG Analysis Software Documentation》或详见我们对其作部分翻译。
http://www.math86a.icoc.cc/nd.jsp?id=12&fromColId=4&moduleId=3&m12pageno=1
这份代码历经几个版本，2002年完成并发行最近的版本，该机构是属于美国卫生研究院(NIH)下美国心肺与血液研究所(NHLBI)，作者初衷也是希望避免许多企业和研究机构重复的在心拍检测上面耗费精力，转而投向新的ECG诊断技术上面。该算法基于MIT/BIH心律失常数据库(MIT/BIH Arrhythmia Database)用C实现，并在PIC16F877单片机上测试通过了美国医疗仪器促进协会(AAMI)制定的EC13标准要求，达到了较好的敏感度、预测度以及实时性等性能。
因此，这套算法也被许多技术人员引用，对其进行的修改版本也在许多心电图相关产品上可见踪影。
我们这里将其进行参照是作技术探讨，不针对任何企业和团体机构，涉及敏感词汇也不必对号入座。总体来说，一个算法的确立是需要满足一些假设条件，而该算法中有几条假设是不够合理的，当然这也受当时的技术水平所局限，该算法主要分为心拍检测和心拍分类两个部分，下面我们来分析几个问题并作一一详解：
一、该算法文档中声明了这个算法没有在噪声环境下测试，对噪声也只是作一些如节律或R-R间期正常的松散假设（详见原文或参考如下）。
http://www.math86a.icoc.cc/nd.jsp?id=12&fromColId=4&moduleId=3&m12pageno=2
由于MIT/BIH心律失常数据库是采集两导联ECG信号，并且其中受噪声水平影响较小，因此也提供给许多心电图相关技术人员和临床医生用以算法测试和数据分析(详见我们的另一篇文字)。
做信号处理的同志大多知道，但凡涉及电子器件总是不可避免的要和噪声打交道，人们和噪声斗争了许多年，信号处理的主旨也是消噪以提取重要信息，衡量一个信号处理工程师水平也是以消噪能力来评判。
由于这套算法是以心脏监护为原型来设计方案的，而与心电信号有关的干扰有很多（也可详见我们的另外一篇文字），虽然该算法文档中也对PDA式心电产品也作了展望，但在现今医疗设备越来越便携化趋势的今天，便携式医疗设备的电生理信号显然与医院中专业医疗设备所采集的信号是不同的，可以说是前者的信号处理分析起来更加具有挑战性。
这也是许多做医疗电子的企业所忽视的问题，一般都是盲目的追求医学准确水平或临床参考价值，而忽视了最基本的信号分析。因为便携化医疗设备主要针对家庭以及个人用户而非医院或医疗机构，而家庭或个人用户又不具备医学或工程技术等专业知识，所以设备的使用环境也多样化，从而导致抗干扰能力较弱，也难以受顾客青睐。
虽然该算法用MIT/BIH心律失常数据库均为半小时记录作测试有百分之九十七以上的敏感度和预测度，我们具体测试也的确如此，只有少数记录的假阳性和假阴性检测结果较多（如105、108、116、201、203、208、210等），但是我们并不用此为主要依据，我们用一些含噪水平不同的信号通过该算法检测，检测结果就表现较差，尤其在遇到电极接触性干扰简称脉冲干扰时最为明显，有的心拍检测就缺乏科学依据，当然这也与检测规则有关，我们后面再作阐述。
便携式医疗设备显然与专业医疗设备的信号采集环境是不同的，例如上述的电极接触性干扰具有持续时间短、振幅变化大、能量强的特点，虽不影响整体信号，但凌乱的数据会对算法检测造成较大影响甚至有的导致数据异常，所以还是会影响算法的性能，诸如上述测试的结果均不佳。
因该算法本身是是时域算法，也是与受当时技术局限性有关。同时，家庭或个人用户在使用便携设备时也不太可能自行涂抹电极膏，因此抗干扰性能必须是我们要考虑的，同时一些医疗标准也要求了经模数转换的信号其共模抑制比达到89分贝以上。
我们用我们自己的算法，对一些噪声来源进行模型估计，并从谱和统计模型的角度去区分ECG信号和噪声（这些都是现代信号处理的重要内容，在处理器芯片日新月异的今天，处理这些计算真是绰绰有余），并得到了较好的表现。
