CN105741305A - 一种基于平稳小波变换滤除肌电干扰的方法和系统 - Google Patents
一种基于平稳小波变换滤除肌电干扰的方法和系统 Download PDFInfo
- Publication number
- CN105741305A CN105741305A CN201610119343.9A CN201610119343A CN105741305A CN 105741305 A CN105741305 A CN 105741305A CN 201610119343 A CN201610119343 A CN 201610119343A CN 105741305 A CN105741305 A CN 105741305A
- Authority
- CN
- China
- Prior art keywords
- swd
- detail coefficient
- coefficient matrices
- wavelet transform
- gamma
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration by non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30048—Heart; Cardiac
Abstract
本发明公开了一种基于平稳小波变换滤除肌电干扰的方法和系统,包括获取原始心电信号,对所述原始心电信号进行平稳小波变换,得到细节系数矩阵swd和近似系数矩阵swa,对所述细节系数矩阵swd按照预设的阈值函数重新赋值,得到赋值后的细节系数矩阵swdˊ,对所述细节系数矩阵swdˊ和近似系数矩阵swa进行逆平稳小波变换,得到滤除了肌电干扰信号的心电信号;本发明采用平稳小波变换和预设的阈值函数对采样得到的原始心电信号进行处理,在滤除肌电干扰的同时最大限度的保留有用信号,计算量小,信号还原度高,滤波效果好。
Description
技术领域
本发明涉及心电信号的处理领域,尤其涉及一种基于平稳小波变换滤除肌电干扰的方法和系统。
背景技术
在医学检测领域,通过生物传感器采集来的心电信号中包含各种各样的噪声,主要有肌电干扰、基线漂移和工频干扰等,其中,肌电干扰是比较有代表意义的一种噪声,由人体活动及肌肉颤动所引起,该噪声会对采样得到的心电信号的特征提取的准确度造成很大的影响,需要将其滤除。
发明内容
本发明的目的在于提出一种基于平稳小波变换滤除肌电干扰的方法和系统,采用平稳小波变换和预设的阈值函数对采样得到的原始心电信号进行处理,在滤除肌电干扰的同时最大限度的保留有用信号,计算量小,信号还原度高,滤波效果好。
为达此目的,本发明采用以下技术方案:
一方面,本发明提出一种基于平稳小波变换滤除肌电干扰的方法,包括如下步骤:
获取原始心电信号;
对所述原始心电信号进行平稳小波变换,得到细节系数矩阵swd和近似系数矩阵swa;
对所述细节系数矩阵swd按照预设的阈值函数重新赋值,得到赋值后的细节系数矩阵swd';
对所述细节系数矩阵swd'和近似系数矩阵swa进行逆平稳小波变换,得到滤除了肌电干扰信号的心电信号。
其中,所述预设的阈值函数为: 其中,X为所述细节系数矩阵swd的元素,Y为所述细节系数矩阵swd'的元素,sgn为符号函数,α为自由因子,γ为阈值。
其中,所述阈值γ为:
其中,i为所述细节系数矩阵swd'的行数,median为中值函数,Wij为所述细节系数矩阵swd'第i行第j列上的元素,N为采样点数。
其中,所述自由因子α的取值为2.5。
其中,所述采样点数N的取值为4096。
其中,对所述原始心电信号进行平稳小波变换具体为:采用db4小波基对所述原始心电信号进行5层平稳小波变换。
根据所述层数和所述小波基对所述原始心电信号进行平稳小波变换。
另一方面,本发明提出一种基于平稳小波变换滤除肌电干扰的系统,包括:
获取单元,用于获取原始心电信号;
小波变换单元,用于对所述原始心电信号进行平稳小波变换,得到细节系数矩阵swd和近似系数矩阵swa;
系数调整单元,用于对所述细节系数矩阵swd按照预设的阈值函数重新赋值,得到赋值后的细节系数矩阵swd';
逆变换单元,用于对所述细节系数矩阵swd'和近似系数矩阵swa进行逆平稳小波变换,得到滤除了肌电干扰信号的心电信号。
其中,所述系数还包括:
阈值函数设置单元,用于设置所述预设的阈值函数,所述预设的阈值函数为: 其中,X为所述细节系数矩阵swd的元素,median为中值函数,Y为所述细节系数矩阵swd'的元素,α为自由因子,γ为阈值。
其中,所述系统还包括:
自由因子设置单元,用于设置所述预设的阈值函数中自由因子α的取值,α的取值为2.5;
阈值设置单元,用于设置所述预设的阈值函数中阈值γ的计算公式,所述阈值γ为:其中,i为所述细节系数矩阵swd'的行数,Wij为所述细节系数矩阵swd'第i行第j列上的元素,N为采样点数,N的取值为4096。
其中,所述系统还包括:
变换层数设置单元,用于设置平稳小波变换的层数,所述层数为5;
小波基设置单元,用于设置平稳小波变换的小波基,所述小波基为db4。
本发明的技术方案带来的有益效果为:
本发明一种基于平稳小波变换滤除肌电干扰的方法和系统,包括获取原始心电信号,对所述原始心电信号进行平稳小波变换,得到细节系数矩阵swd和近似系数矩阵swa,对所述细节系数矩阵swd按照预设的阈值函数重新赋值,得到赋值后的细节系数矩阵swd',对所述细节系数矩阵swd'和近似系数矩阵swa进行逆平稳小波变换,得到滤除了肌电干扰信号的心电信号;本发明采用平稳小波变换和预设的阈值函数对采样得到的原始心电信号进行处理,在滤除肌电干扰的同时最大限度的保留有用信号,计算量小,信号还原度高,滤波效果好。
附图说明
图1是本发明具体实施方式提供的基于平稳小波变换滤除肌电干扰的方法的第一个实施例的方法流程图;
图2是本发明具体实施方式提供的基于平稳小波变换滤除肌电干扰的方法的第二个实施例的方法流程图;
图3是本发明具体实施方式提供的基于平稳小波变换滤除肌电干扰的系统的第一个实施例的结构方框图。
图4是本发明基于平稳小波变换滤除肌电干扰的系统的第二个实施例的结构方框图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
实施例一
参见图1,图1是本发明基于平稳小波变换滤除肌电干扰的方法的第一个实施例的方法流程图。
在第一实施例中,该方法包括:
S101,获取原始心电信号;
心电信号是监测人体健康的常规指标,在通过传感器检测人体的心电信号时,不可避免的包含各种各样的噪声,其中肌电干扰噪声是比较典型的噪声,肌电干扰是由人体活动及肌肉颤动所引起的,频率约为5Hz-2KHz,而严重的肌电干扰又分布在10Hz-300HZ。同肌电干扰噪声相比,心电信号的频率范围为0.05HZ-100HZ,其中,大部分的能量集中在0.25HZ-30HZ之间。从该肌电干扰噪声和心电信号的频率范围上可以发现,肌电信号的频率分布范围广且与心电信号有较大范围的频率叠加,在心电信号的预处理阶段,需要有效的滤除肌电干扰,以免对心电信号的特征提取产生影响。
S102,对所述原始心电信号进行平稳小波变换,得到细节系数矩阵swd和近似系数矩阵swa;
小波变换具有时频性、渐进最优性和空间适应性等优势,逐步成为了心电信号噪声处理的主流算法,其中平稳小波变换计算量小,去噪效果好。
原始的心电信号经过小波分解后得到细节系数矩阵swd和近似系数矩阵swa,由于心电信号和肌电干扰噪声自身的频率特性,经平稳小波变换后肌电干扰噪声对信号的影响主要体现在细节系数矩阵swd中,原始的心电信号中有用信号对应的小波系数幅值较大但数目较少,而肌电干扰噪声对应的小波系数分布一致,个数较多但幅值小。
S103,对所述细节系数矩阵swd按照预设的阈值函数重新赋值,得到赋值后的细节系数矩阵swd';
基于上述细节系数矩阵swd的特征,对swd中的每个系数按照给定的阈值函数去重新赋值,得到赋值后的系数矩阵swd'。
S104,对所述细节系数矩阵swd'和近似系数矩阵swa进行逆平稳小波变换,得到滤除了肌电干扰信号的心电信号。
对重新赋值之后得到的细节系数矩阵swd'和近似系数矩阵swa逆变换进行信号重构,就可以得到滤除了肌电干扰噪声的心电信号。
综上,本实施例基于平稳小波变换滤除肌电干扰的方法,包括获取原始心电信号,对所述原始心电信号进行平稳小波变换,得到细节系数矩阵swd和近似系数矩阵swa,对所述细节系数矩阵swd按照预设的阈值函数重新赋值,得到新的细节系数矩阵swd',对所述细节系数矩阵swd'和近似系数矩阵swa进行逆平稳小波变换,得到滤除了肌电干扰信号的心电信号;本发明采用平稳小波变换和预设的阈值函数对采样得到的原始心电信号进行处理,在滤除肌电干扰的同时最大限度的保留有用信号,计算量小,信号还原度高,滤波效果好。
实施例二
参见图2,图2是本发明基于平稳小波变换滤除肌电干扰的方法第二个实施例的方法流程图。
在第二实施例中,该方法包括:
S201,获取原始心电信号;
S202,采用db4小波基对所述原始心电信号进行5层平稳小波变换;
根据所述原始心电信号的采样频率确定平稳小波变换的层数为5层,根据所述原始心电信号的特征选取db4作为所述平稳小波变换的小波基。
在小波基的选取过程中考虑如下因素:a.若支集长度太大不利于实时性;b.与待分析的原始信号相似性太差会造成原始信号在重构后有失真现象,且能量不集中;c.对称性也是小波基函数在选取上要考虑的一个重要因素,对称性不好会造成原始信号在重构后有相移的存在。综合上述限制因素的考虑,最终选取db4(DaubechiesWavelet,多贝西小波)作为该方案平稳小波变换的小波基,4为小波的阶数,其对称性好,且与心电信号的P-QRS-T波有一定的相似性。
S203,对所述细节系数矩阵swd按照预设的阈值函数重新赋值,得到赋值后的细节系数矩阵swd';
上述预设的阈值函数为: 其中,X为所述细节系数矩阵swd的元素,Y为所述细节系数矩阵swd'的元素,α为自由因子,α的取值为2.5,sgn(X)为符号函数, γ为阈值,其计算公式为:i为所述细节系数矩阵swd'的行数,median(|Wij|)为中值函数,Wij为所述细节系数矩阵swd'第i行第j列上的元素。
阈值γ为变量i的函数,细节系数矩阵swd'的每一行对应一个阈值,当行数i一定时,median(|Wij|)表示细节系数矩阵swd'中第i行元素的中值,N为采样点数,N的取值为4096。
基于上述细节系数矩阵swd的特征,通过阈值函数对其重新赋值,当细节系数矩阵swd中的元素小于阈值γ时,保留原值,即保留原始的心电信号中有用信号对应的小波系数;当细节系数矩阵swd中的元素大于等于阈值γ时,将其重新赋值,即减小肌电干扰噪声对应的小波系数。通过上述改进的阈值函数对细节系数矩阵进行处理之后,使得阈值函数曲线在阈值处过渡平滑,同时又能最大程度地保持心电信号中的有用信号所产生的小波系数的幅值。
S204,对所述细节系数矩阵swd'和近似系数矩阵swa进行逆平稳小波变换,得到滤除了肌电干扰信号的心电信号。
令上述原始心电信号为X;
对该原始心电信号X进行平稳小波变换的具体计算公式为:(swa,swd)=SWT(X,db4,5);
对所述细节系数矩阵swd'和近似系数矩阵swa进行逆平稳小波变换的具体计算公式为:x_filter=iswt(swa,swd'),从而得到滤除了肌电干扰的心电信号。
本方案采用改进的阈值函数,该阈值函数曲线在阈值处过渡平滑,同时又能最大程度地保持心电信号中的有用信号所产生的小波系数的幅值,避免了硬阈值函数在阈值处不连续而造成信号在重构时产生的断点,以及软阈值函数在幅值上降低阈值而导致信号在重构时产生的失真现象,使得通过该阈值函数得到的细节系数矩阵swd'和近似系数矩阵swa进行信号重构时,可以最大程度的滤除肌电干扰信号,同时保留心电信号中的有用信号。
综上,本实施例基于平稳小波变换滤除肌电干扰的方法,基于获取的原始心电信号的特征选择合适的小波变换层数和小波基对其进行平稳小波变换,得到细节系数矩阵swd和近似系数矩阵swa,根据改进的阈值函数对细节系数矩阵swd重新赋值,得到新的细节系数矩阵swd',然后通过细节系数矩阵swd'和近似系数矩阵swa进行逆变换重构出心电信号;本方案选取平稳小波变换计算量小,同时采样改进的阈值函数对小波变换的系数矩阵进行处理,该阈值函数兼具软阈值函数和硬阈值函数的优点,在滤除肌电干扰的同时最大程度的保留有用信号,信号还原度高,滤波效果好。
实施例三
参见图3,图3是本发明基于平稳小波变换滤除肌电干扰的系统的结构方框图。
在第三实施例中,该系统包括:
获取单元01,用于获取原始心电信号;
通过相应的传感器采集到人体的原始心电信号,然后送到计算机、单片机等终端进行信号处理。
小波变换单元02,用于对所述原始心电信号进行平稳小波变换,得到细节系数矩阵swd和近似系数矩阵swa;
系数调整单元03,用于对所述细节系数矩阵swd按照预设的阈值函数重新赋值,得到赋值后的细节系数矩阵swd';
逆变换单元04,用于对所述细节系数矩阵swd'和近似系数矩阵swa进行逆平稳小波变换,得到滤除了肌电干扰信号的心电信号。
该系统可以应用于监测人体健康的穿戴式设备中,同时也可以应用于医疗设备中。
综上,本实施例基于平稳小波变换滤除肌电干扰的系统,通过传感器采集原始心电信号,对所述原始心电信号进行平稳小波变换,得到细节系数矩阵swd和近似系数矩阵swa,对所述细节系数矩阵swd按照预设的阈值函数重新赋值,得到新的细节系数矩阵swd',对所述细节系数矩阵swd'和近似系数矩阵swa进行逆平稳小波变换,得到滤除了肌电干扰信号的心电信号;本系统采用平稳小波变换和预设的阈值函数对采样得到的原始心电信号进行处理,在滤除肌电干扰的同时最大限度的保留有用信号,计算量小,信号还原度高,滤波效果好。
实施例四
参见图4,图4是本发明基于平稳小波变换滤除肌电干扰的系统的结构方框图。
在第三实施例的基础上,该系统还包括:
阈值函数设置单元05,用于设置所述预设的阈值函数,所述预设的阈值函数为: 其中,X为所述细节系数矩阵swd的元素,Y为所述细节系数矩阵swd'的元素,α为自由因子,γ为阈值。
其中,细节系数矩阵swd体现了肌电干扰噪声和原始心电信号中有用信号的幅值特征,基于此采用改进的阈值函数对细节系数矩阵swd重新赋值,保留上述有用信号对应的小波系数,减小肌电干扰噪声对应的小波系数,得到新的细节系数矩阵swd'。
自由因子设置单元06,用于设置所述预设的阈值函数中自由因子α的取值,α的取值为2.5;
阈值设置单元07,用于设置所述预设的阈值函数中阈值γ的计算公式,所述阈值γ为:其中,i为所述细节系数矩阵swd'的行数,median为中值函数,Wij为所述细节系数矩阵swd'第i行第j列上的元素,N为采样点数,N的取值为4096。
变换层数设置单元08,用于设置平稳小波变换的层数,所述层数为5;
小波基设置单元09,用于设置平稳小波变换的小波基,所述小波基为db4。
综上,本实施例基于平稳小波变换滤除肌电干扰的系统,基于获取的原始心电信号的特征选择合适的小波变换层数和小波基对其进行平稳小波变换,得到细节系数矩阵swd和近似系数矩阵swa,根据改进的阈值函数对细节系数矩阵swd重新赋值,得到新的细节系数矩阵swd',然后通过细节系数矩阵swd'和近似系数矩阵swa进行逆变换重构出心电信号;本方案选取平稳小波变换计算量小,同时采样改进的阈值函数对小波变换的系数矩阵进行处理,该阈值函数兼具软阈值函数和硬阈值函数的优点,在滤除肌电干扰的同时最大程度的保留有用信号,信号还原度高,滤波效果好。
以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理,而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释,本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式,这些方式都将落入本发明的保护范围之内。
Claims (10)
1.一种基于平稳小波变换滤除肌电干扰的方法,其特征在于,包括如下步骤:
获取原始心电信号;
对所述原始心电信号进行平稳小波变换,得到细节系数矩阵swd和近似系数矩阵swa;
对所述细节系数矩阵swd按照预设的阈值函数重新赋值,得到赋值后的细节系数矩阵swd';
对所述细节系数矩阵swd'和近似系数矩阵swa进行逆平稳小波变换,得到滤除了肌电干扰信号的心电信号。
2.根据权利要求1所述的方法,其特征在于,所述预设的阈值函数为: 其中,X为所述细节系数矩阵swd的元素,Y为所述细节系数矩阵swd'的元素,sgn为符号函数,α为自由因子,γ为阈值。
3.根据权利要求2所述的方法,其特征在于,所述阈值γ为:
其中,i为所述细节系数矩阵swd'的行数,median为中值函数,Wij为所述细节系数矩阵swd'第i行第j列上的元素,N为采样点数。
4.根据权利要求2所述的方法,其特征在于,所述自由因子α的取值为2.5。
5.根据权利要求3所述的方法,其特征在于,所述采样点数N的取值为4096。
6.根据权利要求1所述的方法,其特征在于,对所述原始心电信号进行平稳小波变换具体为:采用db4小波基对所述原始心电信号进行5层平稳小波变换。
7.一种基于平稳小波变换滤除肌电干扰的系统,其特征在于,包括:
获取单元,用于获取原始心电信号;
小波变换单元,用于对所述原始心电信号进行平稳小波变换,得到细节系数矩阵swd和近似系数矩阵swa;
系数调整单元,用于对所述细节系数矩阵swd按照预设的阈值函数重新赋值,得到赋值后的细节系数矩阵swd';
逆变换单元,用于对所述细节系数矩阵swd'和近似系数矩阵swa进行逆平稳小波变换,得到滤除了肌电干扰信号的心电信号。
8.根据权利要求7所述的系统,其特征在于,所述系统还包括:
阈值函数设置单元,用于设置所述预设的阈值函数,所述预设的阈值函数为: 其中,X为所述细节系数矩阵swd的元素,α为自由因子,Y为所述细节系数矩阵swd'的元素,γ为阈值。
9.根据权利要求8所述的系统,其特征在于,所述系统还包括:
自由因子设置单元,用于设置所述预设的阈值函数中自由因子α的取值,α的取值为2.5;
阈值设置单元,用于设置所述预设的阈值函数中阈值γ的计算公式,所述阈值γ为:其中,i为所述细节系数矩阵swd'的行数,median为中值函数,Wij为所述细节系数矩阵swd'第i行第j列上的元素,N为采样点数,N的取值为4096。
10.根据权利要求7所述的系统,其特征在于,所述系统还包括:
变换层数设置单元,用于设置平稳小波变换的层数,所述层数为5;
小波基设置单元,用于设置平稳小波变换的小波基,所述小波基为db4。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610119343.9A CN105741305A (zh) | 2016-03-02 | 2016-03-02 | 一种基于平稳小波变换滤除肌电干扰的方法和系统 |
PCT/CN2017/079424 WO2017148451A1 (zh) | 2016-03-02 | 2017-04-05 | 一种基于平稳小波变换滤除肌电干扰的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610119343.9A CN105741305A (zh) | 2016-03-02 | 2016-03-02 | 一种基于平稳小波变换滤除肌电干扰的方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105741305A true CN105741305A (zh) | 2016-07-06 |
Family
ID=56249610
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610119343.9A Pending CN105741305A (zh) | 2016-03-02 | 2016-03-02 | 一种基于平稳小波变换滤除肌电干扰的方法和系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN105741305A (zh) |
WO (1) | WO2017148451A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106923820A (zh) * | 2017-03-10 | 2017-07-07 | 深圳竹信科技有限公司 | 一种心电信号伪差识别方法及心电信号伪差识别装置 |
WO2017148451A1 (zh) * | 2016-03-02 | 2017-09-08 | 深圳竹信科技有限公司 | 一种基于平稳小波变换滤除肌电干扰的方法和系统 |
CN107688553A (zh) * | 2017-08-16 | 2018-02-13 | 安徽心之声医疗科技有限公司 | 基于小波变换和逻辑回归算法检测心电波形特征的方法 |
CN108154081A (zh) * | 2016-11-30 | 2018-06-12 | 东北林业大学 | 基于瞬时频率稳定度swt物流设备振动信号降噪方法 |
CN111616697A (zh) * | 2020-06-05 | 2020-09-04 | 江苏科技大学 | 一种基于新阈值函数小波变换的心电信号去噪算法 |
WO2024061275A1 (zh) * | 2022-09-20 | 2024-03-28 | 杭州辉图康科技有限公司 | 消除信号相移的表面电生理信号处理方法和系统 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242043B (zh) * | 2020-01-15 | 2023-05-09 | 安徽中科龙安科技股份有限公司 | 一种时间序列大数据的稀疏化方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761424A (zh) * | 2013-12-31 | 2014-04-30 | 杭州电子科技大学 | 基于二代小波和ica的肌电信号降噪与去混迭方法 |
CN104367316A (zh) * | 2014-11-13 | 2015-02-25 | 重庆邮电大学 | 基于形态学滤波与提升小波变换的心电信号去噪方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7672717B1 (en) * | 2003-10-22 | 2010-03-02 | Bionova Technologies Inc. | Method and system for the denoising of large-amplitude artifacts in electrograms using time-frequency transforms |
CN102818629A (zh) * | 2012-05-04 | 2012-12-12 | 浙江大学 | 基于平稳小波变换的微型光谱仪信号去噪方法 |
CN102783945A (zh) * | 2012-08-09 | 2012-11-21 | 北京工业大学 | 基于小波阈值去噪的胎儿心电信号提取方法 |
CN103610461B (zh) * | 2013-10-17 | 2016-03-02 | 杭州电子科技大学 | 基于双密度小波邻域相关阈值处理的脑电信号消噪方法 |
CN103961092B (zh) * | 2014-05-09 | 2016-08-24 | 杭州电子科技大学 | 基于自适应阈值处理的脑电信号去噪方法 |
CN105741305A (zh) * | 2016-03-02 | 2016-07-06 | 深圳竹信科技有限公司 | 一种基于平稳小波变换滤除肌电干扰的方法和系统 |
-
2016
- 2016-03-02 CN CN201610119343.9A patent/CN105741305A/zh active Pending
-
2017
- 2017-04-05 WO PCT/CN2017/079424 patent/WO2017148451A1/zh active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761424A (zh) * | 2013-12-31 | 2014-04-30 | 杭州电子科技大学 | 基于二代小波和ica的肌电信号降噪与去混迭方法 |
CN104367316A (zh) * | 2014-11-13 | 2015-02-25 | 重庆邮电大学 | 基于形态学滤波与提升小波变换的心电信号去噪方法 |
Non-Patent Citations (1)
Title |
---|
李战明等: "小波分析中4种去噪方法的分析比较", 《工业仪表与自动化装置》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017148451A1 (zh) * | 2016-03-02 | 2017-09-08 | 深圳竹信科技有限公司 | 一种基于平稳小波变换滤除肌电干扰的方法和系统 |
CN108154081A (zh) * | 2016-11-30 | 2018-06-12 | 东北林业大学 | 基于瞬时频率稳定度swt物流设备振动信号降噪方法 |
CN108154081B (zh) * | 2016-11-30 | 2022-02-25 | 东北林业大学 | 基于瞬时频率稳定度swt物流设备振动信号降噪方法 |
CN106923820A (zh) * | 2017-03-10 | 2017-07-07 | 深圳竹信科技有限公司 | 一种心电信号伪差识别方法及心电信号伪差识别装置 |
WO2018161391A1 (zh) * | 2017-03-10 | 2018-09-13 | 深圳竹信科技有限公司 | 一种心电信号伪差识别方法及心电信号伪差识别装置 |
CN107688553A (zh) * | 2017-08-16 | 2018-02-13 | 安徽心之声医疗科技有限公司 | 基于小波变换和逻辑回归算法检测心电波形特征的方法 |
CN107688553B (zh) * | 2017-08-16 | 2020-11-10 | 安徽心之声医疗科技有限公司 | 基于小波变换和逻辑回归算法检测心电波形特征的方法 |
CN111616697A (zh) * | 2020-06-05 | 2020-09-04 | 江苏科技大学 | 一种基于新阈值函数小波变换的心电信号去噪算法 |
CN111616697B (zh) * | 2020-06-05 | 2022-07-08 | 江苏科技大学 | 一种基于新阈值函数小波变换的心电信号去噪算法 |
WO2024061275A1 (zh) * | 2022-09-20 | 2024-03-28 | 杭州辉图康科技有限公司 | 消除信号相移的表面电生理信号处理方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2017148451A1 (zh) | 2017-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105741305A (zh) | 一种基于平稳小波变换滤除肌电干扰的方法和系统 | |
CN103156599B (zh) | 一种心电信号r特征波检测方法 | |
CN103961092B (zh) | 基于自适应阈值处理的脑电信号去噪方法 | |
CN109816599A (zh) | 一种基于小波分解卷积神经网络的图像条带噪声抑制方法 | |
CN102928517A (zh) | 一种基于小波分解阈值去噪的瓷绝缘子振动声学检测数据降噪的方法 | |
CN110680308A (zh) | 基于改进emd与阈值法融合的心电信号去噪方法 | |
CN104217448B (zh) | 基于迭代特征修正的磁共振快速成像方法及系统 | |
CN103870694A (zh) | 一种基于修正小波阈值的经验模态分解去噪方法 | |
CN103610461A (zh) | 基于双密度小波邻域相关阈值处理的脑电信号消噪方法 | |
CN110151175A (zh) | 基于ceemd与改进小波阈值的表面肌电信号消噪方法 | |
CN101739671A (zh) | 一种含噪图像的降噪处理方法及系统 | |
CN104616255B (zh) | 基于乳腺x线图像的自适应增强方法 | |
CN105184752A (zh) | 一种基于小波变换的图像处理方法 | |
CN104305992B (zh) | 一种交互式胎儿心电快速自动提取方法 | |
Wang et al. | Application of the dual-tree complex wavelet transform in biomedical signal denoising | |
CN112084845B (zh) | 基于多尺度小波系数自相关的低频1/f噪声消除方法 | |
CN105701796A (zh) | 乳房图像的厚度均衡方法及装置、乳房摄影系统 | |
CN105447318B (zh) | 一种微弱信号去噪方法及装置 | |
CN104809702A (zh) | 基于频率域处理的脉诊曲线图像网格消除方法 | |
CN104182939A (zh) | 一种医疗影像图像细节增强方法 | |
CN105319593A (zh) | 基于曲波变换和奇异值分解的联合去噪方法 | |
CN104732498A (zh) | 一种基于非下采样Contourlet变换的阈值化图像去噪方法 | |
CN109409281A (zh) | 一种基于改进的小波阈值函数的降噪方法 | |
Tan et al. | Study on wavelet transform in the processing for ECG signals | |
CN117056675A (zh) | 一种基于小波变换和粒子滤波结合的漏磁信号降噪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160706 |
|
RJ01 | Rejection of invention patent application after publication |