CN104367316A

CN104367316A - 基于形态学滤波与提升小波变换的心电信号去噪方法

Info

Publication number: CN104367316A
Application number: CN201410665880.4A
Authority: CN
Inventors: 庞宇; 张磊磊; 林金朝; 王伟; 罗志勇; 李章勇; 冉鹏; 李国权; 周前能
Original assignee: Chongqing University of Post and Telecommunications
Current assignee: Chongqing University of Post and Telecommunications
Priority date: 2014-11-13
Filing date: 2014-11-13
Publication date: 2015-02-25
Anticipated expiration: 2034-11-13
Also published as: CN104367316B

Abstract

本发明公开了一种基于形态学滤波与提升小波变换的心电信号去噪方法，首先根据提升小波理论对心电信号f进行3次分解，得到三层高频系数和三层低频系数，再采用提升阈值去噪法对高频系数进行处理，然后将底层高频系数和低频系数进行两次重构，可得到重构低频系数并对其进行形态学滤波处理，最后根据处理后的重构低频系数和处理后的最高层高频系数进行信号重构得到去噪后的心电信号f’。其显著效果是：方法简单，易于实现，将形态学算法与提升小波变换算法有机结合，相对于传统小波算法，它不仅能同时去除心电高频和低频噪声，提高了去噪后信号的质量，还有计算简单，占用空间少，更易在硬件上实现等优点。

Description

基于形态学滤波与提升小波变换的心电信号去噪方法

技术领域

本发明涉及生物医学信号噪声处理技术领域，尤其涉及一种基于形态学滤波与提升小波变换的心电信号去噪方法。

背景技术

心电是人的生命体征信号之一，可以精准地反映出人在不同状态下心脏活动的信息，它不仅为心脏功能的变化和心脏疾病的诊断，提供了一个很有价值意义的参考，还在生物身份识别技术上提供了一种新的身份验证方式。

心电信号是一种典型的非平稳微弱信号，幅值低，频率低，所以在心电信号的提取过程中，极易受各种干扰。其中心电信号的噪声主要分为三类：①基线漂移，主要由肢体运动、呼吸、心电采集方式和采集电路所引起，频率在0.02Hz到几HZ，心电图上表现为心电信号偏离正常的基线位置；②工频干扰，主要由来自50Hz的电源及高谐波干扰，③肌电干扰，主要由人体表皮层的电势变换引起，频率在10到300Hz，在心电图的整个时域中使信号表现为一系列不规则的毛刺。

在心电去噪方面，有着很多方法，去噪效果较好的像传统的小波去噪方法，在去除高频噪声方面，有着很好的效果，然而却无法高效去除低频噪声。为了克服传统小波去噪这一不足，有人设计了基于形态学与小波的心电噪声组合式滤除器，采用形态学滤波器去除心电信号的低频噪声，采用阈值去噪法去除高频噪声，在心电信号去噪上，取得了较好的效果，然而传统小波计算量过大，不易在硬件上实施。

发明内容

针对现有技术的不足，本发明的目的是提供一种基于形态学滤波与提升小波变换的心电信号去噪方法，该方法不仅能够有效去除信号中的高频与低频噪声，而且计算量较小，易于在硬件上实施。

为达到上述目的，本发明表述一种基于形态学滤波与提升小波变换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：将心电信号f进行第一级提升小波分解，得到第一层低频系数CA1和第一层高频系数CD1；

步骤2：对步骤1获得的第一层低频系数CA1进行第二级提升小波分解，得到第二层低频系数CA2和第二层高频系数CD2；

步骤3：对步骤2获得的第二层低频系数CA2进行第三级提升小波分解得到第三层低频系数CA3和第三层高频系数CD3；

步骤4：采用第一提升阈值去噪法对高频系数CD3进行去噪处理，得到去噪后的高频系数CD3’，并将高频系数CD3’与步骤3获得的低频系数CA3进行提升小波重构得到系数CA2’；

步骤5：采用第二提升阈值去噪法对高频系数CD2进行去噪处理，得到去噪后的高频系数CD2’，并将高频系数CD2’与步骤4获得的系数CA2’进行提升小波重构得到系数CA10；

步骤6：采用形态学滤波法对步骤5获得的系数CA10进行处理，去除系数CA10中的高频分量f₁得到系数CA1’；

步骤7：采用第三提升阈值去噪法对步骤1获得的高频系数CD1进行去噪处理，得到去噪后的高频系数CD1’，并将高频系数CD1’与步骤6获得的系数CA1’进行第三次提升小波重构，得到去噪后的心电信号f’。

作为更进一步的技术方案，所述第一提升阈值去噪法、第二提升阈值去噪法以及第三提升阈值去噪法所采用的阈值去噪函数均为：

C D^{,} (i) = \{\begin{matrix} 0 & | CD (i) | \leq T_{L} \\ sign [CD (i)] [\frac{{| CD (i) - T_{L} |}^{λ} T_{H}}{{| T_{H} - T_{L} |}^{λ}}] & T_{L} > | CD (i) | \leq T_{H} \\ CD (i) & | CD (i) | > T_{H} \end{matrix}

其中，CD(i)为对应高频系数第i个采样点值，CD'(i)为CD(i)去噪后的值，sign()为符号函数，λ为常数，T_L与T_H为两个阈值，i＝1～N，N为信号的长度。

作为更进一步的技术方案，所述常数λ取值为3.5，所述阈值T_L与T_H的计算公式为：

T_{H} = 1.2 δ \sqrt{2 \log (N)},

其中，

δ = \frac{median (CD)}{0.6745}, median (CD)

为对应高频系数的中值；

当δ≤0.121时，T_L＝0；当δ＞0.121时，

作为更进一步的技术方案，步骤6中所述形态学滤波法按照以下步骤进行：

步骤6-1：将步骤5获得的系数CA10同时进行一路开—闭运算和一路闭—开运算，并将两路运算结果进行算术平均得到高频分量f₁；

步骤6-2：将所述系数CA10与步骤6-1获得的所述高频分量f₁进行求差运算，得到系数CA1’。

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。

本发明提出了一种结合形态学算法与提升小波变换算法的新的心电去噪方法，先根据提升小波理论对心电信号f进行3次提升小波分解，分别得到三层高频系数和三层低频系数，再采用提升阈值去噪法对高频系数进行处理，然后根据底层高频和低频系数进行两次重构，可得到重构的低频系数，之后对其进行形态学滤波处理，最后根据处理后的重构低频系数和处理后的最高层高频系数进行信号重构，得到去噪后的心电信号f’。

本发明的显著效果是：方法简单，易于实现，将形态学算法与提升小波变换算法有机结合，相对于传统小波去噪算法，它不仅能同时去除心电高频和低频噪声，提高了去噪后信号的质量，还有计算简单，占用空间少，更易在硬件上实现等优点。

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是提升小波分解与重构算法原理图；

图4是本发明中形态学滤波法的原理图；

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，然后基于提升小波变换原理，将心电信号f进行第一级提升小波分解，得到第一层低频系数CA1和第一层高频系数CD1；

其中，提升小波分解的原理以及过程如图3所示，将待分解信号x(n)分为偶数序列c_i和奇数序列d_i，再用奇数序列d_i去预测偶数序列c_i，最后根据预测出来的奇数序列di更新偶数序列ci。预测出来的偶数序列c_i反映信号f(n)的低频信息，奇数序列d_i反映信号f(n)的高频信息。如图3，整个分解过程可以表示为

\{\begin{matrix} F (f) = (c_{i}, d_{i}) \\ d_{i} = d_{i} + P (c_{i}) \\ c_{i} = c_{i} - U (d_{i}) \end{matrix},

F表示一种分解方法，P为一种预测算子，U表示一种更新算子。

其中，提升小波重构是分解的逆过程，如图3所示，先用奇数序列d_i去更新偶数序列c_i，可以得到新的偶数序列c_i，再根据心的偶数序列c_i去预测并得到奇数序列d_i，最后将偶数序列c_i和奇数序列d_i进行重构，得到原始信号f(n)，整个过程可以表示为：

\{\begin{matrix} c_{i} = c_{i} - U (d_{i}) \\ d_{i} = d_{i} + P (c_{i}) \\ f (k) = merge (c_{i}, d_{i}) \end{matrix}

其中，merge表示将偶数序列c_i与奇数序列d_i按照一定的规则重构成原始信号。

步骤6：采用形态学滤波法对步骤5获得的系数CA10进行处理，去除系数CA10中的高频分量f₁得到系数CA1’，如图4所示，具体步骤如下：

步骤6-1：系数CA10同时进行一路开—闭运算和一路闭—开运算，即同时对信号做运算(CA10оk)·k和(CA10·k)оk，然后将两路运算结果进行算术平均即f₁＝[(CA10оk)·k+(CA10·k)оk]/2得到高频分量f₁；

步骤6-2：将所述系数CA10与步骤6-1获得的所述高频分量f₁进行求差运算，去除信号中的高频分量f₁即CA1’＝CA1-f₁，得到系数CA1’。

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。由于此步中数学形态滤波器的主要作用是除去低频噪声系数CA10中的高频成分，保留基线漂移，所以k的形状为直线型，其宽度需大于心电信号特征波的宽度，其计算公式为k＝αF_sT，其中，Fs为采样频率，T为心电信号特征波波形的时间宽度，α为大于1的常数。

步骤7：采用第三提升阈值去噪法对步骤1获得的高频系数CD1进行去噪处理，得到去噪后的高频系数CD1’，并将高频系数CD1’与步骤6获得的系数CA1’进行第三次提升小波重构，得到去噪后的心电信号f’，其波形如图5所示。

本实施例中为便于计算，所述第一提升阈值去噪法、第二提升阈值去噪法以及第三提升阈值去噪法均按照以下步骤进行处理：

首先，分别根据各个高频系数的特点计算得出相对应的阈值T_L与T_H，计算公式为：

T_{H} = 1.2 δ \sqrt{2log (N)},

其中，

δ = \frac{median (CD)}{0.6745}, median (CD)

为对应高频系数的中值；

当δ≤0.121时，T_L＝0；当δ＞0.121时，

然后，按照以下公式对各个高频系数进行去噪：

C D^{,} (i) = \{\begin{matrix} 0 & | CD (i) | \leq T_{L} \\ sign [CD (i)] [\frac{{| CD (i) - T_{L} |}^{λ} T_{H}}{{| T_{H} - T_{L} |}^{λ}}] & T_{L} > | CD (i) | \leq T_{H} \\ CD (i) & | CD (i) | > T_{H} \end{matrix}

其中，CD(i)为对应高频系数第i个采样点值，CD'(i)为CD(i)去噪后的值，sign()为符号函数，λ为常数，本例中为了达到最大信噪比，λ的取值为3.5；i＝1～N，N为信号的长度。

本发明首先根据提升小波理论对心电信号f进行3次分解，分别得到三层高频系数和三层低频系数，再采用提升阈值去噪法对高频系数进行处理，然后根据底层高频系数和低频系数进行两次重构，得到重构的低频系数，之后对其进行形态学滤波处理，最后根据处理后的重构低频系数和处理后的最高层高频系数进行重构，得到去噪后的心电信号f’。

Claims

1.一种基于形态学滤波与提升小波变换的心电信号去噪方法，其特征在于按照以下步骤进行：

2.根据权利要求1所述的基于形态学滤波与提升小波变换的心电信号去噪方法，其特征在于：所述第一提升阈值去噪法、第二提升阈值去噪法以及第三提升阈值去噪法所采用的阈值去噪函数均为：

{CD}^{,} (i) = \{\begin{matrix} 0 & | CD (i) | \leq T_{L} \\ sign [CD (i)] [\frac{{| CD (i) - T_{L} |}^{λ} T_{H}}{{| T_{H} - T_{L} |}^{λ}}] & T_{L} < | CD (i) | \leq T_{H} \\ CD (i) & | CD (i) | \end{matrix}

3.根据权利要求2所述的基于形态学滤波与提升小波变换的心电信号去噪方法，其特征在于：所述常数λ取值为3.5，所述阈值T_L与T_H的计算公式为：

T_{H} = 1.2 δ \sqrt{2 \log (N)},

其中，median(CD)为对应高频系数的中值；

当δ≤0.121时，T_L＝0；当δ＞0.121时，

4.根据权利要求1所述的基于形态学滤波与提升小波变换的心电信号去噪方法，其特征在于：步骤6中所述形态学滤波法按照以下步骤进行：

5.根据权利要求4所述的基于形态学滤波与提升小波变换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。