1.一种基于EEMD和信号结构分析的心电信号R波识别方法，其特征在于，该方法具体包括以下步骤：S1：通过集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)将带噪声的心电信号分解成一系列本征模态分量(Intrinsic Mode Function,IMF)和残余分量；

S2：通过ICA算法从各模态分量中提取出R波；

S3：将ICA分离出的R波分量进行结构分析实现R波的识别。

2.根据权利要求1所述的心电信号R波识别方法，其特征在于，步骤S1中，EEMD对信号进行分解之前需要确定两个参数：添加的辅助白噪声的大小k以及集合平均次数N，具体确定步骤包括：

1)输入待处理信号x(t)，并计算出该信号幅值标准差σx；

2)将x(t)通过EMD分解成一系列IMF和残余量，选取IMF1作为高频分量，并计算出IMF1幅值标准差σ1；

3)根据EEMD中加入白噪声的依据准则： 确定k的大小，其中

4)根据EEMD中集合平均次数N与白噪声大小k的关系： 确定N的大小，其中e为预设相对误差。

3.根据权利要求2所述的心电信号R波识别方法，其特征在于，所述步骤S1具体包括：输入带噪声的心电信号y(n)，其中混有工频干扰、肌电干扰以及基线漂移三种噪声，根据确定的添加白噪声的大小k和集合平均的次数N对y(n)进行EEMD分解。

4.根据权利要求1所述的心电信号R波识别方法，其特征在于，所述步骤S2具体包括：假设存在N个随机信号x1、x2、…、xn，由n个相互独立的非高斯信号s1、s2、…、sn线性表示，即：xi＝ai1s1+ai2s2+...+ainsn，其矩阵表达式为：X＝AS

其中，A为混合矩阵，S为独立源向量，X为观测信号向量；

在源信号S中各分量未知且相互独立和A未知的条件下，由观测信号X估计分离矩阵W，用输出信号Y估计S，即：Y＝WX

利用EEMD分解后的IMF构造ICA算法中的观测信号矩阵X：并利用基于最大负熵的FastICA算法从观测信号矩阵中提取出R波的源信号H(n)。

5.根据权利要求4所述的心电信号R波识别方法，其特征在于，所述步骤S3具体包括以下步骤：S31：从H(n)中提取出所有波峰的特征点，波峰集的定义如下：其中，sgn()表示符号函数，v表示满足波峰集的特征值；

S32：计算以时间步长i为中心，大小为2α+1的滑动窗口内特征值的平均值αi和标准差si：αi＝mean(vj|i-α≤tj≤i+α)

si＝std(vj|i-α≤tj≤i+α)

S33：若特征H(i)是滑动窗口内的一个离群值，则假定它是构成R峰值包络线的一个节点，判断该特征是否是滑动窗口内的离群值，离群值需满足以下条件：①滑动窗口内的特征值满足正态分布；

②R峰是滑动窗口内的局部极大值；

③在滑动窗口内随机选择的特征为R峰的概率小于或等于32％；

S34：若特征H(i)满足以上条件并且超出1σ界限，则该特征是一个离群值；利用该特征构造R峰值包络节点：NT＝{H(i)|vi＞αi+si}

S35：对NT按ti进行升序排列，对包络节点之间的值进行线性插值，使得每个特征H(i)在构造的R峰包络线ET(i)中都有对应的值；在执行步骤S32的时候，取 Fs为心率；

S36：根据构建的R峰值包络线确定R波的位置；对检测到的R波进行修正，对算法进行优化；搜索Ri内连续太近的波峰对，去除振幅最小的一个以排除误检；搜索Ri内连续太远的波峰对，将他们之间具有最高值的特征处判定为R波来“添加”一个R波，排除漏检现象；根据心率对R峰值太过接近和太过分离进行判断，判断标准分别如下公式：其中，Ri(k)表示第i次迭代搜索过程中R峰k，Ri(j)表示第i次迭代搜索过程中R峰j，Fs表示所检测心电信号的心率，HRmax表示最大心率，HRmin表示最小心率。