CN106096579A - 一种心电信号预处理的方法 - Google Patents

Abstract

本发明属于生物信号与智能处理领域，尤其涉及一种心电信号预处理的方法，具体步骤如下：将数据分类存储；用数字滤波滤除工频干扰，用滑动平均滤波法滤除基线漂移，用低通滤波器滤除高频噪声；用小波阈值滤波法除肌电干扰，得到滤波后数据，步用小波阈值滤波法除肌电干扰具体包括：先选取小波基函数，后选择小波分解尺度，再选取阈值函数，其中选取适合于对具有较好连续性的心电信号去噪，小波函数Coif4既有正交性又具有双正交性，也表现出良好的频域局部性。本发明的有益效果：实现简单，计算量少，兼顾计算速度和心电信号的特点，选择用小波阈值去噪法，结合自适应阈值对心电信号进行噪声分离。

Description

一种心电信号预处理的方法

技术领域

本发明属于生物信号与智能处理，尤其涉及一种心电信号预处理的方法。

背景技术

人体心电信号是一种弱电信号，携带人体机能信息的生理信号总是通过复杂的模式混合在一起，会受到多种噪声的干扰，信噪比低。而实际生活中，人们需要获取精准的生理信息作为中间结果，分析产生生理信号的信号源的功能状态。其中，ECG(Electrocardiogram，心电图)信号的R波检测方法属于心电信号处理，ECG信号是心肌的电活动在体表的表现，它几乎是一个周期信号，R波是ECG信号的主要特征，因此，心电信号预处理先要去除心电信号采集过程中的产生的噪声，获取有效的心电信号才可以检测并定位心电信号的R波波峰位置。现有的检测ECG信号R波的方法主要是基于Pan和Tompkins在1985年提出的滤波加最大值提取方法(简称PT方法)，其主要步骤包括带通滤波、差分、移动平均和最值查找。这种处理方法虽然步骤简单，但是检测算法复杂，且检测精度对信号的依赖性较强。

发明内容

为要解决的上述问题，本发明提供一种心电信号预处理的方法。

本发明的技术方案：一种心电信号预处理的方法，其特征在于具体步骤如下：

步骤1：将数据分类存储；

步骤2：用数字滤波滤除工频干扰，用滑动平均滤波法滤除基线漂移，用低通滤波器

滤除高频噪声；

步骤3：用小波阈值滤波法除肌电干扰，得到滤波后数据。

步骤3中用小波阈值滤波法除肌电干扰具体包括：

步骤A:选取小波基函数

不同的小波基函数各有特点，能够反映信号的不同特性，对于同一个信号去噪，采用不同的小波基函数，会得到不同的小波系数，综合考虑多种小波函数，选取适合于对具有较好连续性的心电信号去噪；

步骤B:选择小波分解尺度

设信号y(t)经采样频率为f采用后的离散序列为y(n)(n＝0,1,…N-1)，由采样定理可知y(n)包含频率成分的范围在[0,f/2]，经过一次小波分解后得到1尺度下的低频分量和高频分量分别为[0,f/4]和[f/4,f]，以此类推得到j尺度下的低频分量和高频分量分别为[0,f/2j+1]和[f/2j+1,f]，分解的尺度j的定义公式如下

式中，fnoise＝inf min{fnoise1,fnoise2,…fnoisek}表示原始信号所含所有噪声中频率最低的噪声的下限频率，其中fnoise1,fnoise2,…fnoisek表示k种不同类型噪声的频率，N表示信号的长度，可见小波分解的尺度j由采样频率，噪声频率以及信号长度决定；原始的心电信号中基线漂移的频率最低，一般低于1Hz，所以需要让分解信号后某一尺度的分信号频率能够达到该频带；心电信号的采样频率是250Hz，心电信号经过小波分解后不同的噪声能量分布到了不同的频率区间，在此不同的区间上设置合适的阈值函数可将噪声滤除或抑制；

步骤C:选取阈值函数

在心电信号的小波去噪中采用一种折衷的阈值函数

$\stackrel{\&OverBar;}{Y}=\left\{\begin{array}{cc}Y-\&part;\mathrm{\&lambda;}\frac{1-3^y}{1+3^y}& \left|Y\right|\&GreaterEqual;\mathrm{\&lambda;}\\ 0& \left|Y\right|<\mathrm{\&lambda;}\end{array}\right.$

式中，α的取值介于0和1之间，取0.5，不同的分层中利用不同尺度的小波系数形成不同的处理方式；考虑到心电信号的非平稳性，阈值λ采用自适应阈值。

步骤A中综合考虑多种小波函数，选取适合于对具有较好连续性的心电信号去噪具体为：选取小波函数Coif4，小波函数Coif4既有正交性又具有双正交性，也表现出良好的频域局部性。

步骤A中阈值λ采用自适应阈值，阈值λ公式为：

$\mathrm{\&lambda;}=\frac{\mathrm{\&sigma;}\sqrt{2\ln N}}{ln(j+1)}$

式中，N为采用点数，j为小波分解尺度，σ为噪声的强度估计，σ的计算公式如下：

$\mathrm{\&sigma;}=\frac{median\left(\right|d\left|\right)}{0.6745}$

式中，median(/d/)为取小波系数在各尺度下绝对值的中值。

发明的有益效果：实现简单，计算量少，兼顾计算速度和心电信号的特点，选择用小波阈值去噪法，结合自适应阈值对心电信号进行噪声分离。

附图说明

图1为心电信号的Coif4小波分解图。

具体实施方式

下面结合附图对本发明的一种具体实施方式做出说明。

一种心电信号预处理的方法，具体步骤如下：

步骤1：将数据分类存储；

步骤2：用数字滤波滤除工频干扰，用滑动平均滤波法滤除基线漂移，用低通滤波器滤除高频噪声；

步骤3：用小波阈值滤波法除肌电干扰，得到滤波后数据。

步骤3中用小波阈值滤波法除肌电干扰具体包括：

步骤A:选取小波基函数

不同的小波基函数各有特点，能够反映信号的不同特性，对于同一个信号去噪，采用不同的小波基函数，会得到不同的小波系数，综合考虑多种小波函数，选取适合于对具有较好连续性的心电信号去噪；

步骤B:选择小波分解尺度

设信号y(t)经采样频率为f采用后的离散序列为y(n)(n＝0,1,…N-1)，由采样定理可知y(n)包含频率成分的范围在[0,f/2]，经过一次小波分解后得到1尺度下的低频分量和高频分量分别为[0,f/4]和[f/4,f]，以此类推得到j尺度下的低频分量和高频分量分别为[0,f/2j+1]和[f/2j+1,f]，分解的尺度j的定义公式如下

式中，fnoise＝inf min{fnoise1,fnoise2,…fnoisek}表示原始信号所含所有噪声中频率最低的噪声的下限频率，其中fnoise1,fnoise2,…fnoisek表示k种不同类型噪声的频率，N表示信号的长度，可见小波分解的尺度j由采样频率，噪声频率以及信号长度决定；原始的心电信号中基线漂移的频率最低，一般低于1Hz，所以需要让分解信号后某一尺度的分信号频率能够达到该频带；心电信号的采样频率是250Hz，心电信号经过小波分解后不同的噪声能量分布到了不同的频率区间，在此不同的区间上设置合适的阈值函数可将噪声滤除或抑制；

假设心电信号的采样频率是250Hz，根据小波去噪原理，通过7层小波分解可以满足心电信号去噪的基本要求，图1为心电信号的Coif4小波分解图。

表1分解后每一层的频率及噪声分布

表1为分解后每一层的频率及噪声分布，将原始心电信号经过7层小波分解后，得到各个尺度下低频分量和高频分量的信号，由于心电信号中引起基线漂移的信号频率不到1Hz，与A7的频率范围接近，则可认为A7中包含了基线漂移的信息，同理工频干扰的频率为50Hz，全部分布在D2，肌电干扰频率范围是5Hz-2000Hz，它完全分布在D1到D5的5个高频分量上，同时其信号主要集中在D1和D2的频率范围。可见心电信号经过小波分解后不同的噪声能量分布到了不同的频率区间，在此不同的区间上设置合适的阈值函数可将噪声滤除或抑制。

步骤C:选取阈值函数

在心电信号的小波去噪中采用一种折衷的阈值函数

$\stackrel{\&OverBar;}{Y}=\left\{\begin{array}{cc}Y-\&part;\mathrm{\&lambda;}\frac{1-3^y}{1+3^y}& \left|Y\right|\&GreaterEqual;\mathrm{\&lambda;}\\ 0& \left|Y\right|<\mathrm{\&lambda;}\end{array}\right.$

式中，α的取值介于0和1之间，取0.5，不同的分层中利用不同尺度的小波系数形成不同的处理方式；考虑到心电信号的非平稳性，阈值λ采用自适应阈值。

步骤A中综合考虑多种小波函数，选取适合于对具有较好连续性的心电信号去噪具体为：选取小波函数Coif4，小波函数Coif4既有正交性又具有双正交性，也表现出良好的频域局部性。

小波基函数选择主要有5个原则：正则性，决定信号重构后的平滑效果,进而影响频域的分辨率；对称性，关系小波滤波是否具有相位移动；紧支性和衰减性，保证优良的时频局域特性，利于算法实现；消失矩，与有效检测奇异点有关；正交性：有利于数据精确重构^[35]。同时选取小波基函数需要结合待处理信号的特点进行考虑。心电信号频带较宽，干扰信号和正常信号有可能发生重叠，去噪时需要尽可能将二者分离。因此选择的小波基函数需要具有正则性，保证频域分辨率；同时心电信号去噪实时性和相位方面要求不高，不需要考虑支撑长度和对称性。综合考虑多种小波函数，Coif4既有正交性又具有双正交性，也表现出良好的频域局部性，适合于对具有较好连续性的心电信号去噪。

步骤A中阈值λ采用自适应阈值，阈值λ公式为：

$\mathrm{\&lambda;}=\frac{\mathrm{\&sigma;}\sqrt{2\ln N}}{ln(j+1)}$

式中，N为采用点数，j为小波分解尺度，σ为噪声的强度估计，σ的计算公式如下：

$\mathrm{\&sigma;}=\frac{median\left(\right|d\left|\right)}{0.6745}$

式中，median(/d/)为取小波系数在各尺度下绝对值的中值。

与现有心电信号预处理方法相比，实现简单，计算量少，兼顾计算速度和心电信号的特点，选择用小波阈值去噪法，结合自适应阈值对心电信号进行噪声分离。

以上对本发明的一个实例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

Claims (4)

1.一种心电信号预处理的方法，其特征在于具体步骤如下：

步骤1：将数据分类存储；

步骤2：用数字滤波滤除工频干扰，用滑动平均滤波法滤除基线漂移，用低通滤波器滤除高频噪声；

步骤3：用小波阈值滤波法除肌电干扰，得到滤波后数据。

2.根据权利要求1所述的一种心电信号预处理的方法，其特征在于步骤3中用小波阈值滤波法除肌电干扰具体包括：

步骤A:选取小波基函数

不同的小波基函数各有特点，能够反映信号的不同特性，对于同一个信号去噪，采用不同的小波基函数，会得到不同的小波系数，综合考虑多种小波函数，选取适合于对具有较好连续性的心电信号去噪；

步骤B:选择小波分解尺度

设信号y(t)经采样频率为f采用后的离散序列为y(n)(n＝0,1,…N-1)，由采样定理可知y(n)包含频率成分的范围在[0,f/2]，经过一次小波分解后得到1尺度下的低频分量和高频分量分别为[0,f/4]和[f/4,f]，以此类推得到j尺度下的低频分量和高频分量分别为[0,f/2j+1]和[f/2j+1,f]，分解的尺度j的定义公式如下

式中，fnoise＝inf min{fnoise1,fnoise2,…fnoisek}表示原始信号所含所有噪声中频率最低的噪声的下限频率，其中fnoise1,fnoise2,…fnoisek表示k种不同类型噪声的频率，N表示信号的长度，可见小波分解的尺度j由采样频率，噪声频率以及信号长度决定；原始的心电信号中基线漂移的频率最低，低于1Hz，所以需要让分解信号后某一尺度的分信号频率能够达到该频带；心电信号的采样频率是250Hz，心电信号经过小波分解后不同的噪声能量分布到了不同的频率区间，在此不同的区间上设置合适的阈值函数可将噪声滤除或抑制；

步骤C:选取阈值函数

在心电信号的小波去噪中采用一种折衷的阈值函数

$\stackrel{\&OverBar;}{Y}=\left\{\begin{array}{cc}Y-\&part;\mathrm{\&lambda;}\frac{1-3^y}{1+3^y}& \left|Y\right|\&GreaterEqual;\mathrm{\&lambda;}\\ 0& \left|Y\right|<\mathrm{\&lambda;}\end{array}\right.$

式中，α的取值介于0和1之间，取0.5，不同的分层中利用不同尺度的小波系数形成不同的处理方式；考虑到心电信号的非平稳性，阈值λ采用自适应阈值。

3.根据权利要求2所述的一种心电信号预处理的方法，其特征在于步骤A中综合考虑多种小波函数，选取适合于对具有较好连续性的心电信号去噪具体为：选取小波函数Coif4，小波函数Coif4既有正交性又具有双正交性，也表现出良好的频域局部性。

4.根据权利要求2所述的一种心电信号预处理的方法，其特征在于步骤A中阈值λ采用自适应阈值，阈值λ公式为：

$\mathrm{\&lambda;}=\frac{\mathrm{\&sigma;}\sqrt{2\ln N}}{ln(j+1)}$

式中，N为采用点数，j为小波分解尺度，σ为噪声的强度估计，σ的计算公式如下：

$\mathrm{\&sigma;}=\frac{median\left(\right|d\left|\right)}{0.6745}$

式中，median(/d/)为取小波系数在各尺度下绝对值的中值。