CN107280659B - 一种心电信号的处理方法及系统 - Google Patents

一种心电信号的处理方法及系统 Download PDF

Info

Publication number
CN107280659B
CN107280659B CN201610225634.6A CN201610225634A CN107280659B CN 107280659 B CN107280659 B CN 107280659B CN 201610225634 A CN201610225634 A CN 201610225634A CN 107280659 B CN107280659 B CN 107280659B
Authority
CN
China
Prior art keywords
threshold
wavelet
human body
motion
acceleration
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.)
Active
Application number
CN201610225634.6A
Other languages
English (en)
Other versions
CN107280659A (zh
Inventor
陈岚
黄茂城
吕超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Microelectronics of CAS
Original Assignee
Institute of Microelectronics of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Microelectronics of CAS filed Critical Institute of Microelectronics of CAS
Priority to CN201610225634.6A priority Critical patent/CN107280659B/zh
Publication of CN107280659A publication Critical patent/CN107280659A/zh
Application granted granted Critical
Publication of CN107280659B publication Critical patent/CN107280659B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Cardiology (AREA)
  • Power Engineering (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明提供一种心电信号的处理方法及系统，先将原始的心电信号进行小波阈值降噪预处理，在该预处理之后可以有效的去除心电信号中的工频干扰和肌电干扰，而后，利用采集的人体运动加速度信号为参考信号，以预处理后的心电信号为原始信号，进行自适应滤波处理，有效的去除伪迹信号。该方法利用运动加速度与运动伪迹的相关性，运动加速度与心电信号的独立性，进行自适应滤波，具有好的适应性，能够在不同运动状态下适时高精度和高速度的滤波特性，能有效的去除心电信号中的噪声，保留有效心电波形。

Description

一种心电信号的处理方法及系统
技术领域
本发明涉及心电监护技术领域，特别涉及一种心电信号的处理方法及系统。
背景技术
随着人口老龄化的加速和生活节奏的加快，心血管疾病逐渐成为人类健康的首要威胁，由于心血管疾病是一种不定期的触发性疾病，为了确保患者的人身安全，需要长期的实时观测患者的身体状况，实现心电监护的移动化，不但能够为医生提供准确的数据信息，还能为患者争取宝贵的治疗时间，对于心血管类疾病的诊断和预防具有重要的实际意义。
在利用移动心电信号进行监护时，由于人体处于活动状态，心电信号中将会引入新的噪声，即运动伪迹，只有消除运动伪迹，才能提供高质量的心电信号，如何消除运动伪迹成为移动心电信号采集中的首要问题。
发明内容
有鉴于此，本发明的目的在于提供一种心电信号的处理方法及系统，有效去除伪迹噪声，提供高质量的心电信号。
为实现上述目的，本发明有如下技术方案：
一种心电信号的处理方法，包括：
采集心电信号以及人体运动加速度信号；
将心电信号进行小波阈值降噪预处理；
以预处理后的心电信号为原始输入信号、人体运动加速度信号为参考输入信号，进行自适应滤波处理，以去除伪迹噪声。
可选的，将心电信号进行小波阈值降噪预处理的方法包括：
按照预定尺度对心电信号进行小波分解，以获得各个分解尺度下的小波近似系数和小波细节系数；
对每个小波细节系数采用软阈值法进行阈值处理；
将阈值处理之后的小波细节系数与小波近似系数进行一维小波重构，以获得降噪预处理之后的心电信号。
可选的，软阈值法中的阈值
Figure BDA0000963525420000021
其中δ为正交小波基下各噪声的均方差，N为数据长度。
可选的，在进行自适应滤波处理之前，根据人体运动加速度的大小确定步长参数，加速度值越大，则步长越大。
可选的，根据人体运动加速度的大小确定步长参数的步骤包括：
将人体运动加速度的三轴加速度值分别取一阶导数；
判断一阶导数的最大值所在的阈值区间，若在小于第一阈值的阈值区间内，则认为人体处于第一运动状态；若在大于第一阈值且小于第二阈值的阈值区间内，则认为人体处于第二运动状态；若在大于第二阈值的阈值区间，则认为人体处于第三运动状态，其中，第二阈值大于第一阈值；
在人体处于第二运动状态或第三运动状态时，确定步长的值，第三运动状态下的步长的值大于第二运动状态下的步长的值。
此外，本发明还提供了一种心电信号的处理系统，包括：
心电信号采集单元，用于采集心电信号；
加速度信号采集单元，用于采集人体运动加速度信号；
预处理单元，用于将心电信号进行小波阈值降噪预处理；
自适应滤波单元，用于以预处理后的心电信号为原始输入信号、人体运动加速度信号为参考输入信号，进行自适应滤波处理，以去除伪迹噪声。
可选的，预处理单元包括：
小波分解单元，用于按照预定尺度对心电信号进行小波分解，以获得各个尺度下的小波近似系数和小波细节系数；
阈值处理单元，用于对每个尺度的小波细节系数采用软阈值法进行阈值处理；
重构单元，用于将阈值处理之后的各个尺度的小波细节系数与小波近似系数进行一维小波重构，以获得降噪预处理之后的心电信号。
可选的，在阈值处理单元中，软阈值法中的阈值
Figure BDA0000963525420000031
其中δ为正交小波基下各噪声的均方差，N为数据长度。
可选的，还包括步长获取单元，用于在进行自适应滤波处理时，根据人体运动加速度的大小确定步长参数，加速度值越大，则步长越大。
可选的，步长获取单元包括：
加速度计算单元，用于将人体运动加速度的三轴加速度值分别取一阶导数；
运动状态判断单元，用于判断一阶导数的最大值所在的阈值区间，若在小于第一阈值的阈值区间内，则认为人体处于第一运动状态；若在大于第一阈值且小于第二阈值的阈值区间内，则认为人体处于第二运动状态；若在大于第二阈值的阈值区间，则认为人体处于第三运动状态，其中，第二阈值大于第一阈值；
步长值确定单元，用于在人体处于第二运动状态或第三运动状态时，确定步长的值，其中，第三运动状态下的步长的值大于第二运动状态下的步长的值。
本发明实施例提供的心电信号的处理方法及系统，先将原始的心电信号进行小波阈值降噪预处理，在该预处理之后可以有效的去除心电信号中的工频干扰和肌电干扰，而后，利用采集的人体运动加速度信号为参考信号，以预处理后的心电信号为原始信号，进行自适应滤波处理，有效的去除伪迹信号。该方法利用运动加速度与运动伪迹的相关性，运动加速度与心电信号的独立性，进行自适应滤波，具有好的适应性，能够在不同运动状态下适时高精度和高速度的滤波特性，能有效的去除心电信号中的噪声，保留有效心电波形。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了根据本发明实施例的心电信号的处理方法的流程图；
图2示出了本发明实施例的自适应滤波的原理图；
图3示出了根据本发明实施例的心电信号的处理系统的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
本发明提出了一种标准单元库的优化方法，参考图1所示，包括：
采集心电信号以及人体运动加速度信号；
将心电信号进行小波阈值降噪预处理；
以预处理后的心电信号为原始信号、人体运动加速度信号为参考信号，进行自适应滤波处理，以去除伪迹噪声。
在本发明中，先将原始的心电信号进行小波阈值降噪预处理，在该预处理之后可以有效的去除心电信号中的工频干扰和肌电干扰，而后，利用采集的人体运动加速度信号为参考信号，以预处理后的心电信号为原始信号，进行自适应滤波处理，有效的去除伪迹信号。该方法利用运动加速度与运动伪迹的相关性，运动加速度与心电信号的独立性，进行自适应滤波，具有好的适应性，能够在不同运动状态下适时高精度和高速度的滤波特性，能有效的去除心电信号中的噪声，保留有效心电波形。
为了更好的理解本发明的技术方案和技术效果，以下将结合流程图对具体的实施例进行详细的描述。
在步骤S01，采集心电信号以及人体运动加速度信号。
在本发明实施例中，心电信号为移动的心电信号，即人体在移动状态下，对人体的心脏跳动产生的规律性的电位变化进行采集，该心电信号可以为经过放大后的电信号，可以通过在人体的体表的一定位置处安防电极，由电极采集该电位变化，并按时间顺序方法并记录该电信号，获得心电信号，在该心电信号中，包含有由肌肉运动和电源干扰所带来的肌电干扰和工频干扰噪声，以及由人体运动带来的伪迹噪声。
同时，本发明实施例中，还要采集人体运动加速度信号，即在人体运动状态下，采集心电信号的同时，采集人体运动的加速度信号，可以通过加速度传感器进行加速度信号的采集，可以是一轴、两轴或三轴的加速度信号，该人体运动加速度信号可以为经过放大和降噪的信号，该信号用于后续自适应滤波中的参考信号。
在步骤S02，将心电信号进行小波阈值降噪预处理。
在该步骤中，将获得的心电信号线进行小波阈值降噪处理，进行该处理之后，可以将心电信号中的肌电干扰和工频干扰噪声，以获得预处理之后的心电信号。
在具体进行小波阈值降噪处理时，可以根据具体的情况选择所需的阈值函数、分解尺度以及阈值，在本发明的优选实施例中，选用如下的具体步骤实现小波阈值降噪，具有速度快、效率高的特点。
具体的，首先，按照预定尺度对心电信号进行小波分解，以获得各个尺度下的小波近似系数和小波细节系数。
在一个具体的实施例中，对上述获得心电信号进行尺度为5的小波分解，所选的小波函数为db4小波，在进行小波分解之后，分别得到各个尺度下的小波近似系数a1～a5，以及小波细节系数d1～d5。
接着，对每个小波细节系数采用软阈值法进行阈值处理。
在一个具体的实施例中，在软阈值法中，采用的阈值
Figure BDA0000963525420000061
其中δ为正交小波基下各噪声的均方差，N为数据长度。在软阈值法的阈值处理中，当某处的小波细节系数小于该层的阈值λ时，将该小波细节系数置为0，当某处的小波细节系数不小于该层的阈值λ时，将该小波细节数据的绝对值减去λ且符号不变，对每一层的小波细节系数d1～d5都进行上述的软阈值法的阈值处理。
而后，将阈值处理之后的小波细节系数与小波近似系数进行一维小波重构，以获得降噪预处理之后的心电信号。
在该步骤中，将阈值处理之后的小波细节系数d1～d5与小波近似系数 a1～a5进行重构，从而，获得去除肌电干扰和工频干扰噪声之后的心电信号，该心电信号用于后续心电信号自适应滤波处理中的原始信号。
在该具体的实施例中，采用了尺度为5的小波分解，所选的小波函数为 db4小波，在该尺度以及小波函数下，分解的计算量小、分解效率高，且信号失真较小，获得了较好的去噪效果。进一步地，选用了阈值
Figure BDA0000963525420000062
的软阈值法进行阈值处理，去噪效果好，适合将肌电干扰和工频干扰噪声有效去除并将心电信号提取出来。
在步骤S03，以预处理后的心电信号为原始输入信号、人体运动加速度信号为参考输入信号，进行自适应滤波处理，以去除伪迹噪声。
在该步骤中，主要是为了去除心电信号中的伪迹噪声。在本发明实施例中，通过设计自适应滤波器来去除该伪迹噪声，经过预处理后的心电信号作为自适应滤波器的原始输入信号d(n)，也叫主输入，原始输入信号d(n) 中包括有纯心电信号s(n)和运动伪迹xl(n)，即d(n)＝s(n)+xl(n)，人体运动加速度信号x(n)作为自适应滤波器的参考输入信号，参考图2所示，在这里，利用了人体运动加速度x(n)与运动伪迹xl(n)的相关性、人体运动加速度x(n)与纯心电信号s(n)的独立性，在滤波准则的约束下，使得人体运动加速度的参考输入信号x(n)通过自适应滤波器向原始输入信号中的运动伪迹xl(n)逼近，得到估计的运动伪迹量y(n)，由d(n)减去 y(n)则可以得到去除伪迹噪声之后的心电信号e(n)。
从以上可以知道，该自适应滤波器满足以下条件：
e(n)＝d(n)-y(n) (1)
y(n)＝Filter[x(n),w(n)] (2)
其中，w(n)为滤波参数，自适应滤波器在最佳滤波准则的要求下，对w(n) 为滤波参数进行自动调整，使得滤波器的特性随信号与噪声的变化而变化，以达到有效除噪的目的。在本发明的实施例中，自适应算法可以根据具体的需要来确定，例如可以采用最小均方差法(LMS)和递归最小二乘法(RLS)，其中，最小均方差法算法具有结构简单、算法复杂度低的优点，递归最小二乘法算法具有算法精度高但复杂度也高的特点，可以具体根据采集设备的性能以及数据处理的实时性需求来确定合适的自适应算法。在本发明一个实施例中，采用最小均方差法的自适应算法，通过该算法进行自适应滤波处理的步骤如下：
(1)自适应滤波器参数初始化，确定步长μ和w(n)的初始值。
(2)设定抽头权向量的更新范围:n＝1,2,3,4…。
(3)滤波输出:y(n)＝WT(n)X(n)。
(4)误差估计：e(n)＝d(n)-y(n)。
(5)权向量更新：w(n+1)＝w(n)+2μe*(n)x(n)
其中：μ是步长参数，用来控制收敛速度与稳定性，为了确保自适应过程的稳定性，μ需满足0<μ<2/MPin，Pin＝E[x2]即输入功率，M为滤波器的长度。
在具体的应用中，步长参数越大，收敛速度越快，但稳态误差也越大，步长参数越小，收敛速度越慢，但稳态误差也越小，合适的步长的选择与自适应滤波器的收敛速度以及误差相关。
在本发明优选的实施例中，在进行自适应滤波处理时，根据人体运动加速度的大小确定步长参数，加速度值越大，则步长越大，通过设置不同的步长参数μ，来获得具有不同特性的自适应滤波器。
具体的，在根据人体运动加速度的大小确定步长参数的步骤包括：
首先，将人体运动加速度的三轴加速度值分别取一阶导数。
在该优选的实施例中，人体运动加速度为三轴加速度值，先将这三轴加速度值分别取一阶导数，如下所示：
Figure BDA0000963525420000081
Figure BDA0000963525420000082
Figure BDA0000963525420000083
其中，ax(t),ay(t),az(t)为X,Y,Z方向在t时刻的加速度值，Dx(t),Dy(t),Dz(t)则为 X,Y,Z方向的加速度一阶导数值，F为加速度值采集频率，L为每次加速度窗口取值的长度，d为两次窗口取值的间隔。
而后，判断一阶导数的最大值所在的阈值区间，若在小于第一阈值的阈值区间内，则认为人体处于第一运动状态；若在大于第一阈值且小于第二阈值的阈值区间内，则认为人体处于第二运动状态；若在大于第二阈值的阈值区间，则认为人体处于第三运动状态，其中，第二阈值大于第一阈值；在人体处于第二运动状态或第三运动状态时，确定步长的值，其中，第三运动状态下的步长的值大于第二运动状态下的步长的值，而在人体处于第一运动状态时，认为人体基本处于静止状态，则可以不进行伪迹噪声的去除，即可以补进行自适应滤波的步骤。
在该步骤中，通过计算所得的(Dx(t),Dy(t),Dz(t))变量的最大值Dmax(t)进行阈值对比，来确定所需的步长值，加速度的最大值与人体的运动速度的状态相关联，从而，将人体的运动速度的状态与步长关联起来。在具体的应用中，可以用如下公式来表达该中关联关系：
Figure BDA0000963525420000084
如表达式(6)，其中，M(t)为t时刻人体运动速度的状态，当Dmax(t)小于阈值T1时，M(t)取值可以为0，判断为人体处于第一运动状态，第一运动状态可以为近似静止状态；当Dmax(t)大于阈值T1且小于阈值T2时，M(t)取值为 +1，判断为人体处于第二运动状态，第二运动状态可以为正常活动状态；当 Dmax(t)大于阈值T2时，M(t)取值为+2，判断为人体处于第三运动状态，第三运动状态可以为快速运动状态，阈值T1、T2的具体数值可根据具体的采集电路由实际测量数据推算获得。通过以上步骤可以获得人体的运动状态M(t)。
在具体的应用中，该M(t)值用于步长值的确定，M(t)值对应的加速度值越大，可以设置更大的步长，进一步地，同时可以将幅值也设置的较大，当加速度减小时，可以降低步长以及幅值。当M(t)＝+2时，人体处于快速活动状态，这时，可以设定LMS自适应滤波器的步长μ为0.00008，相应的，可以将滤波器参考信号的幅值系数设置为5，这样，可以使用收敛速度快的自适应滤波器对运动伪迹进行自适应消除；当M(t)＝+1时，人体处于正常速度活动状态，可以设定LMS自适应滤波器的步长μ为0.00002，相应的，可以将滤波器参考信号的幅值系数设置为1，这样，可以适用收敛精度高的自适应滤波器对运动伪迹进行自适应消除；当M(t)＝0时，人体处于近似静止状态，此时心电信号中基本不含有运动伪迹噪声，可以不需要进行该步骤的滤波处理。
在该优选的实施例中，通过对人体加速度信息的判断，获得人体运动的状态，进而根据人体运动状态原则合适的步长进行自适应滤波，由于运动伪迹噪声具有随机性，通过改变自适应滤波的参数，使得滤波器的特性随噪声强弱的变化而变化，更好地满足最佳滤波准则，更好地滤除运动伪迹并保留纯的心电信号，获得高质量的心电信号。
以上对本发明的心电信号的处理方法进行了详细的描述，此外，本发明还提供了实现上述方法的心电信号的处理系统，参考图3所示，包括：
心电信号采集单元，用于采集心电信号；
加速度信号采集单元，用于采集人体运动加速度信号；
预处理单元，用于将心电信号进行小波阈值降噪预处理；
自适应滤波单元，用于以预处理后的心电信号为原始输入信号、人体运动加速度信号为参考输入信号，进行自适应滤波处理，以去除伪迹噪声。
进一步地，预处理单元包括：
小波分解单元，用于按照预定尺度对心电信号进行小波分解，以获得各个尺度下的小波近似系数和小波细节系数；
阈值处理单元，用于对每个尺度的小波细节系数采用软阈值法进行阈值处理；
重构单元，用于将阈值处理之后的各个尺度的小波细节系数与小波近似系数进行一维小波重构，以获得降噪预处理之后的心电信号。
进一步地，在阈值处理单元中，软阈值法中的阈值
Figure BDA0000963525420000101
其中δ为正交小波基下各噪声的均方差，N为数据长度。
进一步地，还包括步长获取单元，用于在进行自适应滤波处理之前，根据人体运动加速度的大小确定步长参数，加速度值越大，则步长越大。
进一步地，步长获取单元包括：
加速度计算单元，用于将人体运动加速度的三轴加速度值分别取一阶导数；
运动状态判断单元，用于判断一阶导数的最大值所在的阈值区间，若在小于第一阈值的阈值区间内，则认为人体处于第一运动状态；若在大于第一阈值且小于第二阈值的阈值区间内，则认为人体处于第二运动状态；若在大于第二阈值的阈值区间，则认为人体处于第三运动状态，其中，第二阈值大于第一阈值；
步长值确定单元，用于在人体处于第二运动状态或第三运动状态时，确定步长的值，其中，第三运动状态下的步长的值大于第二运动状态下的步长的值。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅是本发明的优选实施方式，虽然本发明已以较佳实施例披露如上，然而并非用以限定本发明。任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何的简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。

Claims (6)

1.一种心电信号的处理方法，其特征在于，包括：
采集心电信号以及人体运动加速度信号；
将心电信号进行小波阈值降噪预处理；
根据人体运动加速度的大小确定步长参数，加速度值越大，则步长越大；
以预处理后的心电信号为原始输入信号、人体运动加速度信号为参考输入信号，进行自适应滤波处理，以去除伪迹噪声；
其中，根据人体运动加速度的大小确定步长参数的步骤包括：
将人体运动加速度的三轴加速度值分别取一阶导数；
判断一阶导数的最大值所在的阈值区间，若在小于第一阈值的阈值区间内，则认为人体处于第一运动状态；若在大于第一阈值且小于第二阈值的阈值区间内，则认为人体处于第二运动状态；若在大于第二阈值的阈值区间，则认为人体处于第三运动状态，其中，第二阈值大于第一阈值；
在人体处于第二运动状态或第三运动状态时，确定步长的值，其中，第三运动状态下的步长的值大于第二运动状态下的步长的值。
2.根据权利要求1所述的处理方法，其特征在于，将心电信号进行小波阈值降噪预处理的方法包括：
按照预定尺度对心电信号进行小波分解，以获得各个分解尺度下的小波近似系数和小波细节系数；
对每个小波细节系数采用软阈值法进行阈值处理；
将阈值处理之后的小波细节系数与小波近似系数进行一维小波重构，以获得降噪预处理之后的心电信号。
3.根据权利要求2所述的处理方法，其特征在于，软阈值法中的阈值
Figure FDA0002391208730000011
其中δ为正交小波基下各噪声的均方差，N为数据长度。
4.一种心电信号的处理系统，其特征在于，包括：
心电信号采集单元，用于采集心电信号；
加速度信号采集单元，用于采集人体运动加速度信号；
预处理单元，用于将心电信号进行小波阈值降噪预处理；
自适应滤波单元，用于以预处理后的心电信号为原始输入信号、人体运动加速度信号为参考输入信号，进行自适应滤波处理，以去除伪迹噪声；
步长获取单元，用于在进行自适应滤波处理之前，根据人体运动加速度的大小确定步长参数，加速度值越大，则步长越大；
所述步长获取单元包括：
加速度计算单元，用于将人体运动加速度的三轴加速度值分别取一阶导数；
运动状态判断单元，用于判断一阶导数的最大值所在的阈值区间，若在小于第一阈值的阈值区间内，则认为人体处于第一运动状态；若在大于第一阈值且小于第二阈值的阈值区间内，则认为人体处于第二运动状态；若在大于第二阈值的阈值区间，则认为人体处于第三运动状态，其中，第二阈值大于第一阈值；
步长值确定单元，用于在人体处于第二运动状态或第三运动状态时，确定步长的值，其中，第三运动状态下的步长的值大于第二运动状态下的步长的值。
5.根据权利要求4所述的处理系统，其特征在于，预处理单元包括：
小波分解单元，用于按照预定尺度对心电信号进行小波分解，以获得各个尺度下的小波近似系数和小波细节系数；
阈值处理单元，用于对每个尺度的小波细节系数采用软阈值法进行阈值处理；
重构单元，用于将阈值处理之后的各个尺度的小波细节系数与小波近似系数进行一维小波重构，以获得降噪预处理之后的心电信号。
6.根据权利要求5所述的处理系统，其特征在于，在阈值处理单元中，软阈值法中的阈值
Figure FDA0002391208730000021
其中δ为正交小波基下各噪声的均方差，N为数据长度。
CN201610225634.6A 2016-04-12 2016-04-12 一种心电信号的处理方法及系统 Active CN107280659B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610225634.6A CN107280659B (zh) 2016-04-12 2016-04-12 一种心电信号的处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610225634.6A CN107280659B (zh) 2016-04-12 2016-04-12 一种心电信号的处理方法及系统

Publications (2)

Publication Number Publication Date
CN107280659A CN107280659A (zh) 2017-10-24
CN107280659B true CN107280659B (zh) 2020-09-29

Family

ID=60092976

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610225634.6A Active CN107280659B (zh) 2016-04-12 2016-04-12 一种心电信号的处理方法及系统

Country Status (1)

Country Link
CN (1) CN107280659B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109907752B (zh) * 2019-03-04 2021-11-09 王量弘 一种去除运动伪影干扰与心电特征检测的心电诊断与监护系统
CN110584646A (zh) * 2019-08-20 2019-12-20 广东工业大学 一种自适应二阶滤波心电信号去噪预处理装置及方法
CN111714112A (zh) * 2020-04-09 2020-09-29 上海电气集团股份有限公司 一种心电图伪差实时消除方法
CN112263245A (zh) * 2020-09-16 2021-01-26 南京邮电大学 一种心震图检测中运动伪迹噪声消除装置和方法
CN113705354B (zh) * 2021-07-30 2024-04-05 西安交通大学 一种混合式心电信号运动伪迹去除方法、系统、设备及可读存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102138789A (zh) * 2011-01-24 2011-08-03 无锡微感科技有限公司 一种动态心电和运动记录与分析系统
CN104323769A (zh) * 2014-09-19 2015-02-04 中国人民解放军第三军医大学 一种抑制心肺复苏引起的心电干扰的方法、系统及体外除颤仪
CN104605841A (zh) * 2014-12-09 2015-05-13 电子科技大学 可穿戴心电信号监测装置及方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9254095B2 (en) * 2012-11-08 2016-02-09 Alivecor Electrocardiogram signal detection

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102138789A (zh) * 2011-01-24 2011-08-03 无锡微感科技有限公司 一种动态心电和运动记录与分析系统
CN104323769A (zh) * 2014-09-19 2015-02-04 中国人民解放军第三军医大学 一种抑制心肺复苏引起的心电干扰的方法、系统及体外除颤仪
CN104605841A (zh) * 2014-12-09 2015-05-13 电子科技大学 可穿戴心电信号监测装置及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于小波变换与形态学运算的ECG自适应滤波算法;季虎 等;《信号处理》;20060630;第22卷(第3期);第333-336页 *

Also Published As

Publication number Publication date
CN107280659A (zh) 2017-10-24

Similar Documents

Publication Publication Date Title
CN107280659B (zh) 一种心电信号的处理方法及系统
Han et al. Electrocardiogram signal denoising based on empirical mode decomposition technique: an overview
Biswas et al. ECG signal denoising by using least-mean-square and normalised-least-mean-square algorithm based adaptive filter
Ebrahimzadeh et al. ECG signals noise removal: Selection and optimization of the best adaptive filtering algorithm based on various algorithms comparison
Kher et al. Adaptive filtering based artifact removal from electroencephalogram (EEG) signals
Jafarifarmand et al. Real-time ocular artifacts removal of EEG data using a hybrid ICA-ANC approach
KR20140139564A (ko) Ｅｃｇ 모니터링을 위한 시스템들 및 방법들
Phinyomark et al. Wavelet-based denoising algorithm for robust EMG pattern recognition
EP2724666A1 (en) Apparatus and method for measuring biosignals
CN107361764B (zh) 一种心电信号特征波形r波的快速提取方法
CN104414632B (zh) 信号处理装置和信号处理方法
Butt et al. Denoising practices for electrocardiographic (ECG) signals: a survey
US9622707B2 (en) Method and apparatus for processing signal
Gowri et al. An efficient variable step size least mean square adaptive algorithm used to enhance the quality of electrocardiogram signal
Qureshi et al. Performance analysis of adaptive algorithms for removal of low frequency noise from ECG signal
CN108154112A (zh) 一种处理心电数据的方法、处理心电数据的装置及电子设备
Krishnamurthy et al. Comparison of various filtering techniques used for removing high frequency noise in ECG signal
CN110638441A (zh) 一种心电图降噪方法、装置、计算机设备及存储介质
Sharma et al. Noise reduction technique for ECG signals using adaptive filters
Naveen et al. Noise reduction in ECG signals for bio-telemetry
Ghodake et al. Electrocardiogram signal denoising using hybrid filtering for cardiovascular diseases prediction
Amiri et al. Comparison of different electrocardiogram signal power line denoising methods based on SNR improvement
Sarfraz et al. Independent component analysis methods to improve electrocardiogram patterns recognition in the presence of non-trivial artifacts
Chintala et al. Ocular Artifact elimination from EEG signals using Robust Variable Step Size LMF Adaptive Algorithm
Gowri et al. Performance of variable step size LMS adaptive algorithm for the removal of artifacts from electrocardiogram using DSP processor

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant