CN108338784A - 基于eemd的小波熵阈值的心电信号去噪方法 - Google Patents
基于eemd的小波熵阈值的心电信号去噪方法 Download PDFInfo
- Publication number
- CN108338784A CN108338784A CN201710070390.3A CN201710070390A CN108338784A CN 108338784 A CN108338784 A CN 108338784A CN 201710070390 A CN201710070390 A CN 201710070390A CN 108338784 A CN108338784 A CN 108338784A
- Authority
- CN
- China
- Prior art keywords
- wavelet
- noise
- eemd
- entropy threshold
- denoising
- 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
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims description 45
- 238000012545 processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 7
- 238000013461 design Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003183 myoelectrical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- 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
-
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Cardiology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供了一种基于EEMD的小波熵阈值的心电信号去噪方法，包括：步骤A，选取添加的噪声次数M和添加的白噪声序列赋值系数k，对包含噪声的心电信号进行EEMD分解，得到一系列频率从高到低的固有模态函数IMF分量；步骤B，对每一个IMF分量进行小波分解，计算小波熵阈值，对每个IMF分量进行小波熵阈值去噪；步骤C，将小波熵阈值去噪后的IMF分量进行重构，得到去除噪声后的心电信号。本发明可以有效区分原始信号和噪声，在去除噪声的同时能较好的保留有用信号。
Description
技术领域
本发明涉及生物医学信号噪声处理技术领域，具体涉及一种基于EEMD的小波熵阈值的心电信号去噪方法。
背景技术
心电信号(ECG)是心脏电活动在体表的综合表现，是心血管疾病诊断的重要依据。心电信号是强噪声的非平稳小信号，在测量时不可避免地存在一些强干扰。如何有效排除各种噪声，准确提取出有用的心电信号波形，是临床心脏病智能诊断的重要基础。一个正常的心电图波形由P波、QRS波群和T波等组成，心电信号噪声主要有50Hz/60Hz及其谐波组成的工频干扰、5～2kHz的肌电干扰以及频率小于0.5Hz的基线漂移等。传统方法主要有形态学滤波法、自适应去噪方法、模板法等，近年来，EEMD分解法、基于小波理论的小波阈值法、小波熵阈值去噪法以及相关方法的结合等被广泛关注。EEMD分解法是在EMD的基础上进行改进，对信号自适应的从高频到低频分解为固有模态函数。通过加入白噪声改善信号的极值点分布，从而改善EMD的模式混叠现象；根据噪声一般分布的频段，直接舍弃某些高频分量和低频分量，在去掉噪声的同时也会去掉一部分原始信号。小波变换是一种信号的时间-频率分析方法，具有多分辨率的特征，去除心电噪声效果显著。但是小波基函数的选取选择依赖经验和尝试，并且在计算噪声方差时，通常将最高频的小波系数看作噪声，求取其作为噪声方差，具有一定误差。
发明内容
本发明的目的是结合EEMD算法与小波阈值算法的优势，并在改进小波熵阈值的基础上，提出了一种基于EEMD的小波熵阈值的心电信号去噪方法。该方法能够自适应的选取小波熵阈值，在保护有效信号的同时，有效去除三种噪声。
本发明基于EEMD的小波熵阈值的心电去噪方法包括：步骤A，选取添加的噪声次数M和添加的白噪声序列赋值系数k，对包含噪声的心电信号进行EEMD分解，得到一系列频率从高到低的固有模态函数IMF分量；步骤B，对每个IMF分量进行小波分解，计算小波熵阈值，对该IMF分量进行小波熵阈值去噪；步骤C，将小波熵阈值去噪后的IMF分量进行重构，得到去除噪声后的心电信号。
优选地，本发明基于EEMD的小波熵阈值的心电信号去噪方法中，步骤B中对每个IMF分量进行小波分解，计算小波熵阈值包括：
子步骤B1，对IMF分量中前六个IMF分量进行小波分解，小波函数选取Bior3.7小波，对剩余的IMF分量采用sym8小波进行小波分解，小波分解层数为8层；
子步骤B2，对每个IMF分解后的相邻尺度的低频近似系数置零，对高频小波系数进行相似性计算，确定有效信号的位置并将有效信号置零；
子步骤B3，设j为分解尺度，Wj，k为j尺度下第k个小波系数；设尺度j的小波能量为Ej，第j层小波系数的信号能量在总能量中存在的概率为pj；确定有效信号的位置，对置零后的小波系数分成4个区域，计算小波熵S；
子步骤B4，选择小波熵最大的区域的小波系数估计噪声系数σ。
优选地，本发明基于EEMD的小波熵阈值的心电信号去噪方法中，子步骤B3中，依照下式计算小波熵S：
其中，N为采样长度
优选地，本发明基于EEMD的小波熵阈值的心电信号去噪方法中，子步骤B4中：
依照下式计算小波熵阈值thr：
σ＝mean(abs(Wj，k))
在计算噪声系数σ时，选取的阈值函数如下：
优选地，本发明基于EEMD的小波熵阈值的心电信号去噪方法中，步骤A中，噪声次数M取介于1～500之间的正整数，所述白噪声序列赋值系数k的取值介于0～1之间。更优地，M＝100，k＝0.7。
优选地，本发明基于EEMD的小波熵阈值的心电信号去噪方法中，步骤C包括：对小波阈值处理后的每个IMF分量进行重构，得到去除基线漂移、工频噪声和肌电噪声三种噪声的心电信号。
从上述技术方案可以看出，本发明基于EEMD的小波熵阈值的心电信号去噪方法至少具有以下有益效果其中之一：
(1)将EEMD算法和小波熵阈值算法相结合，去噪效果明显优于单纯使用EEMD分解去噪、小波软阈值去噪和改进的小波阈值去噪；
(2)小波熵阈值选取经过相似性处理，能有有效区分噪声和信号，阈值选取具有自适应性。本发明能够同时去除基线漂移、工频干扰和肌电噪声三种噪声。
附图说明
图1为本发明第一实施例基于EEMD的小波熵阈值的心电去噪方法的流程图。
图2为图1所示基于EEMD的小波熵阈值的心电去噪方法中步骤A中心电信号EEMD分解后的IMF分量图。
图3为图1所示基于EEMD的小波熵阈值的心电去噪方法与其他方法去噪对比效果图。
具体实施方式
本发明中，将EEMD算法和小波熵阈值算法相结合，以进一步提升降噪效果。
为进一步说明本发明的技术内容，以下结合附图及实施案例对本发明详细说明如下。
本发明一个示例性实施例中，提供了一种基于EEMD的小波熵阈值的心电信号去噪方法。
如图1所示，本实施例基于EEMD的小波熵阈值的心电信号去噪方法具体包括：
步骤A，对心电信号进行EEMD分解得到IMF分量：对含有噪声的信号进行EEMD分解，测试选取最优添加的噪声次数M为100、添加的白噪声序列赋值系数k为0.7，得到一系列频率从高到低的固有模态函数IMF分量；
需要说明的是，虽然本实施例中噪声次数M取100，白噪声序列赋值系数k为0.7，但本领域技术人员应当理解，噪声次数M的取值为正整数，一般介于1～500之间，白噪声序列赋值系数k的取值介于0～1之间。
图2为图1所示基于EEMD的小波熵阈值的心电去噪方法中步骤A中心电信号EEMD分解后的IMF分量图。如图2所示，高频噪声即工频噪声和肌电噪声主要集中在图2中a、b、c、d、e与f显示的前六个IMF分量图。
步骤B，对每一个IMF分量进行小波分解，计算小波熵阈值，对该IMF分量进行小波熵阈值去噪；
其中，该步骤B进一步包括：
子步骤B1，由于从上述前六个IMF分量图中可以看到心电波形，故对IMF分量中前六个IMF分量进行小波分解，小波函数选取bior3.7小波，对剩余的图2中g、h、i、j、k与l显示的IMF分量波形类似正弦波，进行小波熵阈值处理时选取sym8小波进行小波分解，小波分解层数为8层；
子步骤B2，对IMF分解后的相邻尺度的低频近似系数置零，对高频小波系数进行相似性计算，确定有效信号的位置并将有效信号置零；
子步骤B3，将剩余噪声均分为四个区间，确定小波熵最大的区间；
其中，设j为分解尺度，Wj，k为j尺度下第k个小波系数；设尺度j的小波能量为Ej，第j层小波系数的信号能量在总能量中存在的概率为pj；确定有效信号的位置，对置零后的小波系数分成4个区域，计算小波熵S；
其中，N为采样长度；
子步骤B4，选取小波熵最大的区间的噪声估计噪声系数σ，小波熵阈值thr计算公式如下：
σ＝mean(abs(Wj，k))
计算噪声系数σ，选取的阈值函数如下：
步骤C，将小波熵阈值去噪后的IMF分量进行重构，得到去除噪声后的心电信号；
以信噪比(SNR)和均方根误差(RMSE)作为定量指标来评判去噪效果，并与EEMD分解去噪方法、小波软阈值去噪、改进的小波阈值去噪方法作对比，其中，信噪比和均方根误差表达式如下：
其中，表示去噪后的信号；s(t)是去噪前的信号；N为采样长度。
以下来用实例检验本实施例基于EEMD的小波熵阈值的心电去噪方法的去噪效果。
如图3所示，a为原始信号图；b为加噪信号图；c为EEMD算法去噪后的信号图；d为改进的小波软阈值去噪后的信号图；e为普通软阈值去噪后的信号图；f为本实施例算法去噪后的信号图。
可以看出，本实施例的基于EEMD的小波熵阈值的心电信号去噪方法，去噪后的波形明显优于其他方法，可以同时去除基线漂移、工频干扰和肌电噪声三种噪声。四种去噪方法的评价指标如表1所示：
表1四种去噪方法去噪后的SNR和RMSE值
从以上实例的介绍可以看出，本实施例的方法可以有效区分原始信号和噪声，在去除噪声的同时能较好的保留有用信号。
至此，本实施例介绍完毕。依据以上描述，本领域技术人员应当对本发明基于EEMD的小波熵阈值的心电去噪方法有了清楚的认识。
需要说明的是，在附图或说明书正文中，未绘示或描述的实现方式，均为所属技术领域中普通技术人员所知的形式，并未进行详细说明。此外，上述对各元件和方法的定义并不仅限于实施例中提到的各种具体结构、形状或方式，本领域普通技术人员可对其进行简单地更改或替换。
还需要说明的是，本文可提供包含特定值的参数的示范，但这些参数无需确切等于相应的值，而是可在可接受的误差容限或设计约束内近似于相应值。此外，除非特别描述或必须依序发生的步骤，上述步骤的顺序并无限制于以上所列，且可根据所需设计而变化或重新安排。并且上述实施例可基于设计及可靠度的考虑，彼此混合搭配使用或与其他实施例混合搭配使用，即不同实施例中的技术特征可以自由组合形成更多的实施例。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于EEMD和小波熵阈值的心电信号去噪方法，其特征在于，包括：
步骤A，选取添加的噪声次数M和添加的白噪声序列赋值系数k，对包含噪声的心电信号进行EEMD分解，得到一系列频率从高到低的固有模态函数的IMF分量；
步骤B，对每一个IMF分量进行小波分解，计算小波熵阈值，对该IMF分量进行小波熵阈值去噪；
步骤C，将小波熵阈值去噪后的IMF分量进行重构，得到去除噪声后的心电信号。
2.根据权利要求1所述的基于EEMD的小波熵阈值的心电信号去噪方法，其特征在于，所述步骤B中对每一个IMF分量进行小波分解，计算小波熵阈值包括：
子步骤B1，对IMF分量中前六个IMF分量进行小波分解，小波函数选取Bior 3.7小波，对剩余的IMF分量采用sym8小波进行小波分解，小波分解层数为8层；
子步骤B2，对每个IMF分解后的相邻尺度的低频近似系数置零，对高频小波系数进行相似性计算，确定有效信号的位置并将有效信号置零；
子步骤B3，设j为分解尺度，Wj，k为j尺度下第k个小波系数；设尺度j的小波能量为Ej，第j层小波系数的信号能量在总能量中存在的概率为pj；确定有效信号的位置，对置零后的小波系数分成4个区域，计算小波熵S；
子步骤B4，选择小波熵最大的区域的小波系数估计噪声系数σ。
3.根据权利要求2所述的基于EEMD的小波熵阈值的心电信号去噪方法，其特征在于，所述子步骤B3中，依照下式计算小波熵S：
其中，N为采样长度。
4.根据权利要求3所述的基于EEMD的小波熵阈值的心电信号去噪方法，其特征在于，所述子步骤B4中：
依照下式计算小波熵阈值thr：
σ＝mean(abs(Wj，k))
在计算噪声系数σ时，选取的阈值函数如下：
5.根据权利要求1至4中任一项所述的基于EEMD的小波熵阈值的心电信号去噪方法，其特征在于，所述步骤A中，所述噪声次数M取介于1～500之间的正整数，所述白噪声序列赋值系数k的取值介于0～1之间。
6.根据权利要求5所述的基于EEMD的小波熵阈值的心电信号去噪方法，其特征在于，M＝100，k＝0.7。
7.根据权利要求1至4中任一项所述的基于EEMD的小波熵阈值的心电信号去噪方法，其特征在于，所述步骤C包括：
对小波阈值处理后的每个IMF分量进行重构，得到去除基线漂移、工频噪声和肌电噪声三种噪声的心电信号。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2017100632433 | 2017-01-25 | ||
| CN201710063243 | 2017-01-25 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108338784A true CN108338784A (zh) | 2018-07-31 |
Family
ID=62961943
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710070390.3A Pending CN108338784A (zh) | 2017-01-25 | 2017-02-08 | 基于eemd的小波熵阈值的心电信号去噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108338784A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110061762A (zh) * | 2019-03-27 | 2019-07-26 | 国网山东省电力公司青岛供电公司 | 基于决策融合的电力线工频通讯信号检测算法 |
| CN110101383A (zh) * | 2019-04-19 | 2019-08-09 | 长沙理工大学 | 一种基于小波能量的心电信号去噪算法 |
| CN110542406A (zh) * | 2019-09-03 | 2019-12-06 | 兰州交通大学 | 基于emd-mpf改进的陀螺仪信号去噪方法 |
| CN110558973A (zh) * | 2019-09-06 | 2019-12-13 | 江苏华康信息技术有限公司 | 一种基于极值能量分解法的心电图信号量化分析方法 |
| CN110619322A (zh) * | 2019-10-18 | 2019-12-27 | 武汉大学 | 一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及系统 |
| CN110619265A (zh) * | 2019-07-31 | 2019-12-27 | 江西理工大学 | 球磨机筒体振动信号联合去噪方法、装置及存储介质 |
| CN111643068A (zh) * | 2020-05-07 | 2020-09-11 | 长沙理工大学 | 基于emd及其能量的心电信号去噪算法、设备和存储介质 |
| CN112329667A (zh) * | 2020-11-11 | 2021-02-05 | 杭州电子科技大学 | 基于经验小波变换和多尺度熵的水质数据清洗方法 |
| CN113158714A (zh) * | 2020-11-04 | 2021-07-23 | 南京晨光集团有限责任公司 | 基于小波熵与eemd的故障特征自适应提取方法 |
| CN114027847A (zh) * | 2021-11-17 | 2022-02-11 | 湖南万脉医疗科技有限公司 | 一种基于时频分析的心电信号分析方法 |
| CN114063194A (zh) * | 2021-11-18 | 2022-02-18 | 核工业北京地质研究院 | 一种自然电位曲线的基线漂移校正方法及系统 |
| CN114176596A (zh) * | 2021-12-28 | 2022-03-15 | 合肥工业大学 | 一种改进经验模态分解排列熵的心磁信号去噪方法 |
| CN114601477A (zh) * | 2022-03-14 | 2022-06-10 | 哈尔滨理工大学 | 一种基于小波与改进rbfnn的abr信号提取方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104182625A (zh) * | 2014-08-15 | 2014-12-03 | 重庆邮电大学 | 基于形态学与emd类小波阈值的心电信号去噪方法 |
| CN105342605A (zh) * | 2015-12-09 | 2016-02-24 | 西安交通大学 | 一种去除脑电信号中肌电伪迹的方法 |
| CN105677035A (zh) * | 2016-01-26 | 2016-06-15 | 杭州电子科技大学 | 基于eemd和小波阈值的运动想象脑电信号消噪方法 |
-
2017
- 2017-02-08 CN CN201710070390.3A patent/CN108338784A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104182625A (zh) * | 2014-08-15 | 2014-12-03 | 重庆邮电大学 | 基于形态学与emd类小波阈值的心电信号去噪方法 |
| CN105342605A (zh) * | 2015-12-09 | 2016-02-24 | 西安交通大学 | 一种去除脑电信号中肌电伪迹的方法 |
| CN105677035A (zh) * | 2016-01-26 | 2016-06-15 | 杭州电子科技大学 | 基于eemd和小波阈值的运动想象脑电信号消噪方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘霞 等: "基于经验模态分解(EMD)的小波熵阈值地震信号去噪", 《吉林大学学报（地球科学版）》 * |
| 王晓燕 等: "基于相关性的小波熵心电信号去噪算法", 《智能系统学报》 * |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110061762A (zh) * | 2019-03-27 | 2019-07-26 | 国网山东省电力公司青岛供电公司 | 基于决策融合的电力线工频通讯信号检测算法 |
| CN110101383A (zh) * | 2019-04-19 | 2019-08-09 | 长沙理工大学 | 一种基于小波能量的心电信号去噪算法 |
| CN110619265A (zh) * | 2019-07-31 | 2019-12-27 | 江西理工大学 | 球磨机筒体振动信号联合去噪方法、装置及存储介质 |
| CN110542406A (zh) * | 2019-09-03 | 2019-12-06 | 兰州交通大学 | 基于emd-mpf改进的陀螺仪信号去噪方法 |
| CN110542406B (zh) * | 2019-09-03 | 2022-05-27 | 兰州交通大学 | 基于emd-mpf改进的陀螺仪信号去噪方法 |
| CN110558973B (zh) * | 2019-09-06 | 2022-02-18 | 江苏华康信息技术有限公司 | 一种执行基于极值能量分解法的心电图信号量化分析方法的计算机设备 |
| CN110558973A (zh) * | 2019-09-06 | 2019-12-13 | 江苏华康信息技术有限公司 | 一种基于极值能量分解法的心电图信号量化分析方法 |
| CN110619322A (zh) * | 2019-10-18 | 2019-12-27 | 武汉大学 | 一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及系统 |
| CN111643068A (zh) * | 2020-05-07 | 2020-09-11 | 长沙理工大学 | 基于emd及其能量的心电信号去噪算法、设备和存储介质 |
| CN111643068B (zh) * | 2020-05-07 | 2023-05-23 | 长沙理工大学 | 基于emd及其能量的心电信号去噪算法、设备和存储介质 |
| CN113158714A (zh) * | 2020-11-04 | 2021-07-23 | 南京晨光集团有限责任公司 | 基于小波熵与eemd的故障特征自适应提取方法 |
| CN113158714B (zh) * | 2020-11-04 | 2024-04-16 | 南京晨光集团有限责任公司 | 基于小波熵与eemd的故障特征自适应提取方法 |
| CN112329667A (zh) * | 2020-11-11 | 2021-02-05 | 杭州电子科技大学 | 基于经验小波变换和多尺度熵的水质数据清洗方法 |
| CN114027847A (zh) * | 2021-11-17 | 2022-02-11 | 湖南万脉医疗科技有限公司 | 一种基于时频分析的心电信号分析方法 |
| CN114027847B (zh) * | 2021-11-17 | 2023-05-05 | 湖南万脉医疗科技有限公司 | 一种基于时频分析的心电信号分析方法 |
| CN114063194A (zh) * | 2021-11-18 | 2022-02-18 | 核工业北京地质研究院 | 一种自然电位曲线的基线漂移校正方法及系统 |
| CN114063194B (zh) * | 2021-11-18 | 2023-10-03 | 核工业北京地质研究院 | 一种自然电位曲线的基线漂移校正方法及系统 |
| CN114176596A (zh) * | 2021-12-28 | 2022-03-15 | 合肥工业大学 | 一种改进经验模态分解排列熵的心磁信号去噪方法 |
| CN114601477A (zh) * | 2022-03-14 | 2022-06-10 | 哈尔滨理工大学 | 一种基于小波与改进rbfnn的abr信号提取方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108338784A (zh) | 基于eemd的小波熵阈值的心电信号去噪方法 | |
| CN108158573B (zh) | 基于自适应阈值小波变换的心电信号降噪方法 | |
| Han et al. | Electrocardiogram signal denoising based on empirical mode decomposition technique: an overview | |
| CN104367316B (zh) | 基于形态学滤波与提升小波变换的心电信号去噪方法 | |
| CN103405227B (zh) | 基于双层形态学滤波的心电信号预处理方法 | |
| Islam et al. | Study and analysis of ecg signal using matlab &labview as effective tools | |
| CN111616697B (zh) | 一种基于新阈值函数小波变换的心电信号去噪算法 | |
| Castro et al. | ECG feature extraction using optimal mother wavelet | |
| Phinyomark et al. | An optimal wavelet function based on wavelet denoising for multifunction myoelectric control | |
| CN109359506B (zh) | 一种基于小波变换的心磁信号降噪方法 | |
| Das et al. | Analysis of ECG signal denoising method based on S-transform | |
| Chang | Ensemble empirical mode decomposition for high frequency ECG noise reduction | |
| CN102697495B (zh) | 基于总体平均经验模式分解的二代小波肌电信号消噪方法 | |
| Nagendra et al. | Application of wavelet techniques in ECG signal processing: an overview | |
| Kumar et al. | Performance analysis of different filters for power line interface reduction in ECG signal | |
| CN110151175A (zh) | 基于ceemd与改进小波阈值的表面肌电信号消噪方法 | |
| Narwaria et al. | Removal of baseline wander and power line interference from ECG signal-a survey approach | |
| CN111493821B (zh) | 一种基于modwt及中值滤波的ppg信号实时去噪方法 | |
| CN106236075B (zh) | 一种应用于便携式心电仪所测心电图的降噪方法 | |
| Tan et al. | EMD-based electrocardiogram delineation for a wearable low-power ECG monitoring device | |
| Krupa et al. | The application of empirical mode decomposition for the enhancement of cardiotocograph signals | |
| KR101048763B1 (ko) | 신호 검출 장치 및 방법 | |
| CN111543981B (zh) | 一种基于分段modwt及自适应阈值的动态心电图实时滤波方法 | |
| Suchetha et al. | Empirical mode decomposition-based subtraction techniques for 50 Hz interference reduction from electrocardiogram | |
| Tian et al. | Motion artifact removal based on ICA for ambulatory ECG monitoring |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180731 |
|
| RJ01 | Rejection of invention patent application after publication |