CN104182625A - 基于形态学与emd类小波阈值的心电信号去噪方法 - Google Patents

Abstract

本发明公开了一种基于形态学与EMD类小波阈值的心电信号去噪方法，首先采用数学形态学滤波法对心电信号进行初次滤波，滤除信号中的基线漂移，然后采用EMD法对所获信号进行分解，并分类得出噪声主导分量与有用信号主导分量，之后采用阈值去噪法对心电信号进行二次滤波，最后采用EMD法对信号进行重构，得到滤除噪声后的心电信号。其显著效果是：本发明方法简单，易于实现，将形态学滤波法、经验模态分解法和阈值去噪法有机结合，相较于传统去噪方法，能够全面有效的去除心电信号噪声，保留信号中的有用信息，为心脏功能的变化和心脏疾病的诊断，提供更有价值的参考。

Description

基于形态学与EMD类小波阈值的心电信号去噪方法

技术领域

本发明涉及到生物医学信号噪声处理技术领域，具体地说，是一种基于形态学与EMD类小波阈值的心电信号去噪方法。

背景技术

心电信号是人的生命体征信号之一，可以从不同的层面上准确反映出心脏的信息，为心脏功能的变化和心脏疾病的诊断，提供了一个非常有价值意义的参考。

心电信号是一种随机性强，实时变化的非平稳微弱信号。其频率主要集中在0.05～100HZ，能量主要集中在0.5～45HZ，幅值在0.05～5mv间。心电信号的噪声主要有三类：由来自设备50HZ的电源及高次谐波引起的工频干扰，由肢体运动、呼吸及采集工程带来的基线漂移以及由人体表皮电势、肌肉收缩产生的肌电干扰。基线漂移的频率集中在0.05～10HZ，属于低频噪声；肌电干扰频率集中在5～2000HZ，属于高频噪声。噪声贯穿心电信号的整个频域中，给信号的去噪带来很大困难。

在心电信号去噪方面，去噪效果比较好的有基于形态学与小波的心电噪声滤波器，该滤波器根据心电信号噪声的特点设置形态学滤波器，可以非常好的将基线漂移滤除；通过小波变换对高频部分的噪声进行有效去除。然而，小波的基函数是固定的，多分辨率恒定，使得小波缺乏自适应性。而经验模态分解法(Empirical Mode Decoposition，即EMD)脱离了傅里叶变换的限制，有着很好的自适应性。因此本发明提出一种基于形态学与EMD类小波阈值去噪法对心电信号去噪。

发明内容

针对现有技术的不足，本发明的目的是提供一种心电信号去噪方法，该方法具有良好的自适应性，能够全面的有效地去除心电信号中的基线漂移等噪声。

为达到上述目的，本发明表述一种基于形态学与EMD类小波阈值的心电信号去噪方法，其关键在于按照以下步骤进行：

步骤1：采用形态学滤波法对获取的心电信号f进行处理，去除心电信号f中的基线漂移f₁得到信号f₂；

步骤2：采用经验模态分解方法对信号f₂进行分解，得到K个IMF分量和一个残余分量r_n；

步骤3：将K个IMF分量分为n₁个噪声主导分量和n₂个有用信号主导分量，n₁+n₂＝K；

步骤4：利用阈值去噪法对n₁个噪声主导分量进行去噪处理；

步骤5：将n₁个去噪后的噪声主导分量、n₂个有用信号主导分量以及残余分量r_n进行信号重构，得到滤除噪声后的心电信号f’。

作为更进一步的技术方案，步骤1中所述的形态学滤波法按照以下步骤进行：

步骤1-1：将心电信号f同时进行一路开—闭运算和一路闭—开运算，然后将两路运算结果进行算术平均得到所述基线漂移f₁；

步骤1-2：将所述心电信号f与步骤1-1获得的基线漂移f₁进行求差运算，得到信号f₂。

结合基线漂移的形态特征，所述的形态学滤波法采用直线形结构元素。

作为更进一步的技术方案，步骤3中所述IMF分量的分类方法如下：

步骤3-1：分别计算得出K个IMF分量的能量密度E_n与平均周期计算公式分别为：

$E_n=\frac{1}{N}\underset{g=1}{\overset{N}{\mathrm{\Σ}}}{\left[{\mathrm{imf}}_n\left(g\right)\right]}^2,$

${\stackrel{\‾}{T}}_n=\frac{N}{{\mathrm{Num}}_n},$

其中，N为IMF分量的信号长度，imf_n(g)为第n个IMF分量第g个采样点的值，Num_n为第n个IMF分量中极大值点的个数，n＝1～K；

步骤3-2：按照计算每个IMF分量的评估系数，其中， $C_n=E_n{\stackrel{\‾}{T}}_n,$ C为常数；

步骤3-3：将所述评估系数λ_n与预设阈值进行比较，当λ_n大于预设阈值时，其所对应的IMF分量为有用信号主导分量，否则为噪声主导分量。

作为更进一步的技术方案，步骤4中所述阈值去噪法按照以下公式对噪声主导分量进行去噪：

${{\mathrm{imf}}_j}^{,}\left(i\right)=\left\{\begin{array}{cc}\mathrm{sgn}\left({\mathrm{imf}}_j\left(i\right)\right)\left(\right|{\mathrm{imf}}_j\left(i\right)\left|{-\mathrm{th}}_j\right)& \left|{\mathrm{imf}}_j\left(i\right)\right|>{\mathrm{th}}_j\\ 0& \left|{\mathrm{imf}}_j\left(i\right)\right|\≤{\mathrm{th}}_j\end{array}\right.,$

其中，imf_j(i)为第j个噪声主导分量的第i个采样点值，sgn()为符号函数，imf_j'(i)为imf_j(i)去噪后的值，th_j为第j个噪声主导分量的阈值，i＝1～N，j＝1～n₁，N为IMF分量的信号长度。

作为更进一步的技术方案，所述阈值th_j的计算公式为：

${\mathrm{th}}_j={\mathrm{\σ}}_j\sqrt{2\ln N},$

其中，σ_j为第j个噪声主导分量的标准方差。

本发明中首先采用数学形态学滤波法对心电信号进行初次滤波，滤除信号中的基线漂移，然后采用EMD法对心电信号进行分解，并分类得出噪声主导分量与有用信号主导分量，之后采用类小波阈值去噪法对心电信号进行二次滤波，最后采用EMD法对信号进行重构，得到滤除噪声后的心电信号。

本发明的显著效果是：方法简单，易于实现，将形态学滤波法、经验模态分解法和阈值去噪法有机结合，能够有效去除心电信号中的噪声的干扰，相较于传统去噪方法，具有良好的自适应性，保留信号中的有用信息，为心脏功能的变化和心脏疾病的诊断提供更加有价值意义的参考。

附图说明

图1是本发明的算法流程图；

图2是心电信号203样本波形图；

图3是心电信号经过形态学滤波后的波形图；

图4是本发明中采用EMD分解后各个分量的波形图；

图5是本发明处理后的心电信号波形图。

具体实施方式

下面结合附图对本发明的具体实施方式以及工作原理作进一步详细说明。

参见附图1，一种基于形态学与EMD类小波阈值的心电信号去噪方法，按照以下步骤进行：

首先进入步骤1：本实施例选取MIT-BIT心律失常数据库中时间长度为10s的203号心电数据作为待处理的心电信号f，其波形如图2所示，采用形态学滤波法对获取的心电信号f进行处理，去除心电信号f中的基线漂移f₁得到信号f₂，具体步骤如下：

步骤1-1：将心电信号f同时进行一路开—闭运算和一路闭—开运算，即同时对信号做(fοk)·k和(f·k)οk运算，之后计算两路运算结果的算术平均值得到所述基线漂移f₁；

其中，k为形态学结构元素，它的长度和形状直接决定形态学滤波法的去噪性能。由于滤波法的主要作用是消去基线漂移，根据心电信号及其噪声的特点，需要保留基线漂移的特征波，因此k的形状选为直线型，其宽度需大于心电信号特征波的宽度。由于心电信号的特征波的宽度在54个点左右，对于本实施例选取的203号心电信号，k的宽度选为72；

步骤1-2：将所述心电信号f与步骤1-1获得的基线漂移f₁进行求差运算，即f₂＝f-f₁，消去原始心电信号f中的基线漂移f₁，得到信号f₂，信号f₂的波形如图3所示；

然后进入步骤2：采用经验模态分解方法对信号f₂进行分解，得到K个IMF分量和一个残余分量r_n，如图4所示，本实施例中分解所得K为14，依次对应图4中所示的imf1～imf14，残余分量为图中的r_n；

之后进入步骤3：将14个IMF分量分为n₁个噪声主导分量和n₂个有用信号主导分量，图1所示为IMFa和IMFb两类，n₁+n₂＝14，分类方法如下：

步骤3-1：分别计算得出14个IMF分量的能量密度E_n与平均周期计算公式分别为：

$E_n=\frac{1}{N}\underset{g=1}{\overset{N}{\mathrm{\Σ}}}{\left[{\mathrm{imf}}_n\left(g\right)\right]}^2,$

${\stackrel{\‾}{T}}_n=\frac{N}{{\mathrm{Num}}_n},$

其中，N为IMF分量的信号长度，imf_n(g)为第n个IMF分量第g个采样点值，Num_n为第n个IMF分量中极大值点的个数，n＝1～14；

步骤3-2：按照计算出每个IMF分量的评估系数，如表1所示，其中，C为常数；

步骤3-3：由于白噪声的能量密度和对应的平均周期的乘积近似为常数，本例中取常数C＝2，因此将步骤3-2中所得评估系数λ_n与预设阈值进行比较，当λ_n大于预设阈值时，其所对应的IMF分量为有用信号主导分量，否则为噪声主导分量，从而实现IMF分量的分类。具体为：本实施例中预设阈值为2，即当评估系数λ_n≤2时，则第n个IMF分量为噪声主导分量；当λ_n＞2时，则第n个IMF分量为有用信号主导分量。

从表1中可以看出，本例中评估系数λ_n≤2的噪声主导分量共有11个，即n₁＝11，分别为imf1～imf11；有用信号主导分量共有3个，即n₂＝3，分别为imf12～imf14；

表1  各个IMF分量的评估系数

之后进入步骤4：利用阈值去噪法对n₁个噪声主导分量进行去噪处理，具体为：

首先，分别根据各个噪声主导分量的特点计算得出相对应的阈值th_j，计算公式为：

${\mathrm{th}}_j={\mathrm{\σ}}_j\sqrt{2\ln N},$

其中，σ_j为第j个噪声主导分量的标准方差，j＝1～11；

然后，按照以下公式对各个噪声主导分量进行去噪：

${{\mathrm{imf}}_j}^{,}\left(i\right)=\left\{\begin{array}{cc}\mathrm{sgn}\left({\mathrm{imf}}_j\left(i\right)\right)\left(\right|{\mathrm{imf}}_j\left(i\right)\left|{-\mathrm{th}}_j\right)& \left|{\mathrm{imf}}_j\left(i\right)\right|>{\mathrm{th}}_j\\ 0& \left|{\mathrm{imf}}_j\left(i\right)\right|\≤{\mathrm{th}}_j\end{array}\right.,$

其中，imf_j(i)为第j个噪声主导分量的第i个采样点值，sgn()为符号函数，imf_j'(i)为imf_j(i)去噪后的值，th_j为第j个噪声主导分量的阈值，i＝1～N，j＝1～n₁，N为IMF分量的信号长度。

最后进入步骤5：将11个去噪后的噪声主导分量、3个有用信号主导分量以及残余分量r_n进行信号重构，得到滤除噪声后的心电信号f’，其波形如图5所示。

本发明中首先采用形态学滤波法对心电信号f进行初次滤波，滤除信号中的基线漂移f₁，得到信号f₂，然后采用EMD法对信号f₂进行分解，根据评估系数分类得出噪声主导分量与有用信号主导分量，之后采用阈值去噪法对噪声主导分量进行二次滤波，最后采用EMD法进行信号重构，得到滤除噪声后的心电信号f’。通过本发明能够全面有效去除心电信号中噪声的干扰，相较于传统去噪方法，具有良好的自适应性，保留信号中的有用信息。

Claims (6)

1.一种基于形态学与EMD类小波阈值的心电信号去噪方法，其特征在于按照以下步骤进行：

步骤1：采用形态学滤波法对获取的心电信号f进行处理，去除心电信号f中的基线漂移f₁得到信号f₂；

步骤2：采用经验模态分解方法对信号f₂进行分解，得到K个IMF分量和一个残余分量r_n；

步骤3：将K个IMF分量分为n₁个噪声主导分量和n₂个有用信号主导分量，n₁+n₂＝K；

步骤4：利用阈值去噪法对n₁个噪声主导分量进行去噪处理；

步骤5：将n₁个去噪后的噪声主导分量、n₂个有用信号主导分量以及残余分量r_n进行信号重构，得到滤除噪声后的心电信号f’。

2.根据权利要求1所述的基于形态学与EMD类小波阈值的心电信号去噪方法，其特征在于：步骤1中所述的形态学滤波法按照以下步骤进行：

步骤1-1：将心电信号f同时进行一路开—闭运算和一路闭—开运算，然后将两路运算结果进行算术平均得到所述基线漂移f₁；

步骤1-2：将所述心电信号f与步骤1-1获得的基线漂移f₁进行求差运算，得到信号f₂。

3.根据权利要求1或2所述的基于形态学与EMD类小波阈值的心电信号去噪方法，其特征在于：所述的形态学滤波法采用直线形结构元素。

4.根据权利要求1所述的基于形态学与EMD类小波阈值的心电信号去噪方法，其特征在于：步骤3中所述IMF分量的分类方法如下：

步骤3-1：分别计算得出K个IMF分量的能量密度E_n与平均周期计算公式分别为：

$E_n=\frac{1}{N}\underset{g=1}{\overset{N}{\mathrm{\Σ}}}{\left[{\mathrm{imf}}_n\left(g\right)\right]}^2,$

${\stackrel{\‾}{T}}_n=\frac{N}{{\mathrm{Num}}_n},$

其中，N为IMF分量的信号长度，imf_n(g)为第n个IMF分量第g个采样点的值，Num_n为第n个IMF分量中极大值点的个数，n＝1～K；

步骤3-2：按照计算出每个IMF分量的评估系数，其中， $C_n=E_n{\stackrel{\‾}{T}}_n,$ C为常数；

步骤3-3：将所述评估系数λ_n与预设阈值进行比较，当λ_n大于预设阈值时，其所对应的IMF分量为有用信号主导分量，否则为噪声主导分量。

5.根据权利要求1所述的基于形态学与EMD类小波阈值的心电信号去噪方法，其特征在于：步骤4中所述阈值去噪法按照以下公式对噪声主导分量进行去噪：

${{\mathrm{imf}}_j}^{,}\left(i\right)=\left\{\begin{array}{cc}\mathrm{sgn}\left({\mathrm{imf}}_j\left(i\right)\right)\left(\right|{\mathrm{imf}}_j\left(i\right)\left|{-\mathrm{th}}_j\right)& \left|{\mathrm{imf}}_j\left(i\right)\right|>{\mathrm{th}}_j\\ 0& \left|{\mathrm{imf}}_j\left(i\right)\right|\≤{\mathrm{th}}_j\end{array}\right.,$

其中，imf_j(i)为第j个噪声主导分量的第i个采样点值，sgn()为符号函数，imf_j'(i)为imf_j(i)去噪后的值，th_j为第j个噪声主导分量的阈值，i＝1～N，j＝1～n₁，N为IMF分量的信号长度。

6.根据权利要求5所述的基于形态学与EMD类小波阈值的心电信号去噪方法，其特征在于：所述阈值th_j的计算公式为：

${\mathrm{th}}_j={\mathrm{\σ}}_j\sqrt{2\ln N},$

其中，σ_j为第j个噪声主导分量的标准方差。