針對心電信號中存在基線漂移、工頻和肌電干擾等噪聲對后續(xù)的分析和診斷帶來干擾的問題,提出了集合經(jīng)驗模態(tài)分解（EEMD）改進閾值函數(shù)的心電自適應去噪方法。運用EEMD將含噪心電信號分解得到一組由高頻到低頻分布的固有模態(tài)函數(shù)（IMF）。采用過零率自適應判斷各IMF的噪聲類別:若IMF包含高頻噪聲,采用結(jié)合軟硬閾值優(yōu)缺點所提出的改進閾值函數(shù)以去除IMF分量中的高頻噪聲;若IMF包含低頻的基線漂移,則采用中值濾波器抑制基線漂移。最后將處理后的IMF分量疊加,即可重構(gòu)去噪后的心電信號。實驗結(jié)果表明,與已有的小波閾值法去噪后的信噪比（SNR）和均方根誤差（RSME）對比,所提方法對心電信號去噪效果更加顯著,而且能完整地保留波形特征。 

【文章來源】：西安交通大學學報. 2020,54(01)北大核心EICSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

不同方法去噪后的均方根誤差

心電信號各子波QRS波群和P、T波的頻帶分別為3～45 Hz和0.5～10 Hz,而基線漂移、肌電干擾和工頻干擾的頻帶分別為0.05～2 Hz、5～200 Hz和60 Hz[2],工頻干擾和肌電干擾相對心電信號是高頻噪聲,基線漂移是低頻噪聲。由于基線漂移、工頻干擾、肌電干擾和以及添加的白噪聲為近似正弦波,幅值在零點附近振蕩,所以IMF分量中噪聲頻率越高,過零點越多。IMF是由高頻到低頻分布,過零率逐漸減小。高頻和低頻噪聲的頻率差異較大,含高頻噪聲的IMF的過零點數(shù)遠多于含低頻噪聲IMF的過零點數(shù),因此過零率會發(fā)生突變。

取一段2 000采樣點的心電信號,集合經(jīng)驗模態(tài)分解得到9個IMF以及余項,如圖1所示。計算得到f1至f9的過零率g分別為0.587 0、0.289 5、0.169 0、0.036 5、0.023 5、0.015 0、0.006 0和0.002 0。計算各階IMF與相鄰高階IMF過零率的比值,即g(fi)/g(fi+1),結(jié)果如圖2所示。g(f1)/g(f2)、g(f2)/g(f3)、g(f4)/g(f5)、g(f5)/g(f6)的值均接近2,而g(f3)/g(f4)的值約為5,說明f3和f4之間的過零率發(fā)生突變,導致g(f3)/g(f4)比值急劇增大,取得局部極大值。由于IMF分量的頻率是由高頻到低頻分布,高頻噪聲分布在前幾階IMF分量中,且由圖1可知,f3分量包含高頻噪聲,而f4不包含高頻噪聲,導致f4的過零點急劇減少。因此當g(fi)/g(fi+1)第一次取得極大值時,則認為f1至fi這i個IMF分量包含高頻噪聲,fi+1至余項包含低頻噪聲。2.2 閾值法去除高頻噪聲

【參考文獻】：
期刊論文
[1]基于深度學習和模糊C均值的心電信號分類方法[J]. 吳志勇,丁香乾,許曉偉,鞠傳香.  自動化學報. 2018(10)
[2]一種自適應形態(tài)濾波算法及其在軸承故障診斷中的應用[J]. 張西寧,唐春華,周融通,雷威.  西安交通大學學報. 2018(12)
[3]改進的經(jīng)驗模態(tài)分解法去除脈搏波基線漂移[J]. 蘇志剛,呂江波,郝敬堂,張亞娟.  計算機測量與控制. 2018(07)
[4]基于EMD與相關(guān)系數(shù)原理的故障聲發(fā)射信號降噪研究[J]. 劉東瀛,鄧艾東,劉振元,李晶,張瑞,黃宏偉.  振動與沖擊. 2017(19)
[5]心電信號小波去噪的改進算法研究[J]. 鄭敏敏,高小榕,謝海鶴.  中國生物醫(yī)學工程學報. 2017(01)
[6]改進的自適應噪聲總體集合經(jīng)驗模態(tài)分解在光譜信號去噪中的應用[J]. 李曉莉,李成偉.  光學精密工程. 2016(07)
[7]基于集合經(jīng)驗分解與改進閾值函數(shù)的小波變換心電信號去噪方法研究[J]. 葉琳琳,楊丹,王旭.  生物醫(yī)學工程學雜志. 2014(03)
[8]消除心電信號基線漂移簡單方法及仿真[J]. 朱杰檀,柒惠.  醫(yī)療衛(wèi)生裝備. 2012(08)
[9]小波去噪質(zhì)量評價方法的對比研究[J]. 陶珂,朱建軍.  大地測量與地球動力學. 2012(02)



本文編號：3143772