CN110638441A - 一种心电图降噪方法、装置、计算机设备及存储介质 - Google Patents

一种心电图降噪方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN110638441A
CN110638441A CN201910810462.2A CN201910810462A CN110638441A CN 110638441 A CN110638441 A CN 110638441A CN 201910810462 A CN201910810462 A CN 201910810462A CN 110638441 A CN110638441 A CN 110638441A
Authority
CN
China
Prior art keywords
electrocardiogram
electrocardiosignal
filtering
signal
wave
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
Application number
CN201910810462.2A
Other languages
English (en)
Inventor
田国樑
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.)
Shanghai Xukang Digital Technology Co Ltd
Original Assignee
Shanghai Xukang Digital Technology Co Ltd
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 Shanghai Xukang Digital Technology Co Ltd filed Critical Shanghai Xukang Digital Technology Co Ltd
Priority to CN201910810462.2A priority Critical patent/CN110638441A/zh
Publication of CN110638441A publication Critical patent/CN110638441A/zh
Pending legal-status Critical Current

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
    • A61B5/72—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
    • A61B5/72—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
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters

Landscapes

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

Abstract

本发明适用于计算机技术领域，提供了一种心电图降噪方法、装置、计算机设备及存储介质，所述心电图降噪方法包括：获取输入的待降噪处理的心电图，并根据所述心电图确定心电信号；基于形态学滤波算法获取所述心电信号的基线漂移参考信号；基于预先建立的含有可变参数的心电信号自适应滤波模型以及所述基线漂移参考信号对所述心电信号进行自适应滤波降噪处理生成降噪后心电信号。本发明实施例提供的心电图降噪方法，先采用形态学滤波算法，能够有效地滤取心电信号的基线漂移噪音，进一步将基线漂移噪音信号作为基线漂移参考信号输入到自适应滤波模型进行校正，使得最终输出的降噪心电信号更为接近真实心电信号。

Description

一种心电图降噪方法、装置、计算机设备及存储介质
技术领域
本发明属于计算机技术领域，尤其涉及一种心电图降噪方法、装置、计算机设备及存储介质。
背景技术
心电图是利用心电图机记录用户心脏在周期内所产生的电活动的变化，也是医生用于诊断用户心脏相关疾病的重要手段之一，也就是说，心电图的准确与否严重影响到最终诊断的准确率。而现有的心电图由于在测量过程中或多或少受到外界的干扰因素(噪音)，比如人体与大地分布电容之间引起的位移电流而导致的工频干扰、用户的呼吸所带来的基线漂移、电机与皮肤接触不良等等，而导致现有的心电图通常需要先进行降噪处理才能进行诊断。
而在上述几种常见的噪音之中，基线漂移是一种最难处理的噪音，主要原因是基线漂移的频率通常在0.05Hz～2Hz之间，这样的频率与心电图中ST段的频率部分重叠，也就是说，在对基线漂移进行消除的过程中，通常会导致心电图中ST段发生形变，甚至丢失原有的特征，这对于需要通过ST段来诊断的部分心脏疾病例如心肌梗塞、心肌缺血的诊断极为不利。以几种常见的算法为例，如采用高通滤波算法对基线漂移进行消除会存在截止频率设定较低，对基线漂移噪音消除效果差，而截止频率设定较高，会导致ST段随基线漂移一起被消除的两难问题，而采用中值滤波算法对基线漂移进行消除虽然处理效率高，但是处理后的ST段特征丢失明显，只适用于精度要求低的场合。
可见，现有的心电图降噪算法对基线漂移的处理还存在着ST段会发生形变、丢失特征的技术问题。
发明内容
本发明实施例的目的在于提供一种心电图降噪算法，旨在解决现有的心电图降噪算法对基线漂移的处理还存在的ST段会发生形变、丢失特征的技术问题。
本发明实施例是这样实现的，一种心电图降噪方法，所述方法包括：
获取输入的待降噪处理的心电图，并根据所述心电图确定心电信号；
基于形态学滤波算法获取所述心电信号的基线漂移参考信号；
基于预先建立的含有可变参数的心电信号自适应滤波模型以及所述基线漂移参考信号对所述心电信号进行自适应滤波降噪处理生成降噪后心电信号，所述可变参数包括滤波系数。
本发明实施例的另一目的在于提供一种心电图降噪装置，所述装置包括：
心电信号确定单元，用于获取输入的待降噪处理的心电图，并根据所述心电图确定心电信号；
基线漂移参考信号获取单元，用于基于形态学滤波算法获取所述心电信号的基线漂移参考信号；
心电信号降噪单元，用于基于预先建立的含有可变参数的心电信号自适应滤波模型以及所述基线漂移参考信号所述对所述心电信号进行自适应滤波降噪处理生成降噪后心电信号，所述可变参数包括滤波系数。
本发明实施例的另一目的在于提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述所述心电图降噪方法的步骤。
本发明实施例的另一目的在于提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述所述心电图降噪方法的步骤。
本发明实施例提供的一种心电图降噪方法，主要针对于基线漂移类型的噪音降噪，在获取输入的待降噪处理的心电图后，处理生成心电信号，并先基于形态学滤波算法获取所述心电信号的基线漂移参考信号，进一步通过预先建立的含有可变参数的心电信号自适应滤波模型以及基线漂移参考信号对所述心电信号进行自适应滤波降噪处理生成滤除基线漂移噪音的心电信号。本发明实施例提供的形态学滤波算法，能够有效地滤取心电信号的基线漂移噪音，但会导致心电图ST段会略微抬高，而进一步将采用形态学滤波算法从心电信号中提取出来的基线漂移噪音信号作为基线漂移参考信号输入到自适应滤波模型中，通过负反馈调节能够逐步消除心电图ST段抬高的异常，从而使得最终输出的降噪心电信号已基本和真实心电信号相同，有效提高了心电疾病的确诊率。
附图说明
图1为本发明实施例提供的一种心电图降噪方法的步骤流程图；
图2为本发明实施例提供的一种基于形态学滤波算法获取所述心电信号的基线漂移参考信号的方法的步骤流程图；
图3为本发明实施例提供的一种自适应滤波降噪处理方法的步骤流程图；
图4为本发明实施例提供的一种采用第一直线型结构元素对所述心电信息进行滤波处理的方法的步骤流程图；
图5为本发明实施例提供的一种采用第二直线型结构元素对滤除QRS波的心电信号进行二次滤波处理的方法的步骤流程图；
图6为本发明实施例提供的一种心电图降噪装置的结构示意图；
图7为本发明实施例提供的一种基线漂移参考信号获取单元的结构示意图；
图8为本发明实施例提供的一种心电信号降噪单元的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供的一种心电图降噪方法，为实现将检测得到的心电信号中的基线漂移噪音滤除出来，得到纯净的心电信号，先通过形态学滤波算法提取出心电信号中的基线漂移参考信号，但此时的基线漂移参考信号与真实的基线漂移噪音还存在差异，如果直接用检测得到的心电信号减去基线漂移参考信号会导致ST段抬高，从而失去部分特征，为进一步修正基线漂移参考信号，将基线漂移参考信号以及待检测的心电信号输入到预先建立的心电信号自适应滤波模型对基线漂移参考信号进行校准，从而使得最终生成的纯净的心电信号更加精确，有效地解决了现有技术中对基线漂移噪音去除效果不佳的技术问题。
如图1所示，在一个实施例中，提出了一种心电图降噪方法的步骤流程图，具体包括以下步骤：
步骤S102，获取输入的待降噪处理的心电图，并根据所述心电图确定心电信号。
在本发明实施例中，为便于理解，先将与本发明实施例相关的有关心电图的基本信息进行解释说明。当然，未被解释说明的心电图的其他基本信息也应当属于本领域技术人员的公知常识，即使在本说明书中未详细解释说明，也不得作为对本发明的限制。
在本发明实施例中，心电图主要包括QRS波，P波，T波，每个波都衡量了心脏电位的一种变化，例如P波表示的是左右心房除极时的电位变化，QRS波表示的是左右心室除极时的电位变化，属于心电图的基本概念。本领域技术人员应当理解本申请全文中各处描述的各波、段的含义。
在本发明实施例中，在进行心电图检测过程中，考虑到存在的外界干扰因素会产生或大或小的噪音干扰，因此，在输出心电图后，通常需要对心电图进行降噪处理，其中以消除工频干扰以及基线漂移为主。本发明所提供的实施例主要是以消除基线漂移噪音为目的，其步骤与消除基线漂移噪音相关，对基线漂移噪音的滤除效果优异，后续实施例以及解释说明也主要以基线漂移噪音信号为主，但并不能够解释为本发明实施例提供的实施例只能用于消除基线漂移，凡在本发明权利要求限定的步骤之内对心电图存在的各种噪音信号进行滤除的技术方案均在本发明要求保护的范围之内。
在本发明实施例中，心电图本身就可以理解为一种心电信号。但与人所认知的信号不同，在此处，心电信号应当理解为计算机所能进行运算、处理的符码，但不管是符码还是心电图，仅仅只是表现形式不同，其包含的信息并无实质性区别。其中后续步骤以及实施例中所涉及的心电信号均作此解释。
步骤S104，基于形态学滤波算法获取所述心电信号的基线漂移参考信号。
在本发明实施例中，所述形态学滤波算法是一种从信号的形状出发的信号处理算法，而具体的处理步骤请参阅下述图2及其解释说明的内容。
步骤S106，基于预先建立的含有可变参数的心电信号自适应滤波模型以及所述基线漂移参考信号对所述心电信号进行自适应滤波降噪处理生成降噪后心电信号。
在本发明实施例中，所述可变参数包括滤波系数。
在本发明实施例中，所述基于预先建立的含有可变参数的心电信号自适应滤波模型是一种基于负反馈调节思想的信号处理方法，具体的处理步骤请参阅下述图3及其解释说明的内容。
本发明实施例提供的一种心电图降噪方法，主要针对于基线漂移类型的噪音降噪，在获取输入的待降噪处理的心电图后，处理生成心电信号，并先基于形态学滤波算法获取所述心电信号的基线漂移参考信号，进一步通过预先建立的含有可变参数的心电信号自适应滤波模型以及基线漂移参考信号对所述心电信号进行自适应滤波降噪处理生成滤除基线漂移噪音的心电信号。本发明实施例提供的形态学滤波算法，能够有效地滤取出心电信号的基线漂移噪音，但会导致心电图ST段会略微抬高，而进一步将采用形态学滤波算法从心电信号中提取出来的基线漂移噪音信号作为基线漂移参考信号输入到自适应滤波模型中，通过负反馈调节能够逐步消除心电图ST段抬高的异常，从而使得最终输出的降噪心电信号已基本和真实心电信号相同，有效提高了心电疾病的确诊率。
如图2所示，在一个实施例中，提出了一种基于形态学滤波算法获取所述心电信号的基线漂移参考信号的方法的步骤流程图，具体包括以下步骤：
步骤S202，采用预设的第一直线型结构元素对所述心电信息进行滤波处理，生成滤除QRS波的心电信号。
在本发明实施例中，所述结构元素属于本领域技术人员的公知常识，在此不做具体的解释说明。
在本发明实施例中，所述第一直线型结构元素的宽度大于心电信号中QRS波的宽度，小于P波的宽度。
在本发明实施例中，结构元素主要有直线型、余弦型、半圆型、三角型几种类型，而选用不同类型的结构元素的会导致最终滤波效果不同，由于直线型结构元素对低频噪音信号的滤除效果较好，因此在本发明实施例中选用直线型结构元素，进一步的，通过限定第一直线型结构元素的宽度，相比于采用其他宽度的直线型结构元素滤波的效果更好。
在本发明实施例中，采用预设的第一直线型结构元素对所述心电信息进行滤波处理的具体步骤请参阅图4及其解释说明。
步骤S204，采用所述预设的第二直线型结构元素对所述滤除QRS波的心电信号进行二次滤波处理，生成滤除P波以及T波的心电信号。
在本发明实施例中，所述滤除P波以及T波的心电信号即为基线漂移参考信号。
在本发明实施例中，所述第二直线型结构元素的宽度大于P波的宽度。
在本发明实施例中，与上述步骤相似，通过进一步限定第二直线型结构元素的宽度，相比于采用其他宽度的直线型结构元素滤波的效果更好。
在本发明实施例中，采用所述预设的第二直线型结构元素对所述滤除QRS波的心电信号进行二次滤波处理的具体步骤请参阅图5及其解释说明。
本发明实施例提供了一种基于形态学滤波算法获取所述心电信号的基线漂移参考信号的方法，其中采用预设的第一直线型结构元素对所述心电信息进行滤波处理，生成滤除QRS波的心电信号，再采用预设的第二直线型结构元素对所述滤除QRS波的心电信号进行二次滤波处理，生成滤除P波以及T波的心电信号，通过限定第一直线型结构元素以及第二直线型结构元素的宽度，能够得到更好的滤出效果，使得提取出来的基线漂移参考信号更为精确。
在一个实施例中，如图3所示，提出了一种自适应滤波降噪处理方法的步骤流程图，具体包括以下步骤：
步骤S302，将所述基线漂移参考信号输入到含有可变参数的心电信号自适应滤波模型中生成基线漂移模拟信号。
在本发明实施例中，为便于理解，以具体的数学公式进行举例说明。假设待降噪处理的心电信号为s，由两部分组成，纯净的心电信号s0，以及噪音信号n0，而为了得到噪音信号n0，再滤波过程中不断调整自适应滤波处理器的权值w，以使基线漂移参考信号n经过自适应滤波处理器处理之后得到的输出y(即基线漂移模拟信号)无限接近于n0，则此时心电信号s和输出y的差值ε即无限接近于纯净的心电信号s0，即ε＝s-y＝(s0+n0)-y＝s0+(n0-y)。
步骤S304，计算所述心电信号与所述基线漂移模拟信号的差的均方差。
在本发明实施例中，由前述的步骤进一步两边求均方差可知，ε2＝s0 2+2s0(n0-y)+(n0-y)2＝s0 2+2s0(w*n-y)+(w*n-y)2，即均方差是权值w的二次函数。
步骤S306，判断所述均方差是否小于预设的阈值。当判断所述均方差不小于预设的阈值时，执行步骤S308；当判断所述均方差小于预设的阈值时，执行步骤S310。
步骤S308，基于梯度下降算法，根据所述均方差以及预设的步长对所述滤波系数进行优化，并返回至所述步骤S302。
在本发明实施例中，结合前述均方差的计算公式，基于梯度下降的算法可以找出权值w和输出误差的关系，即w(t+1)＝w(t)+2μεtn(t)，其中μ为预设的步长，影响到权重w的收敛速度以及稳定性，步长越长，收敛速度会提高，但稳定性会降低，而步长过短，导致收敛速度低，处理效率降低。作为优选，所述步长选择0.0002。
步骤S310，将所述心电信号与所述基线漂移模拟信号的差确定为降噪后心电信号。
在本发明实施例中，当均方差满足预设的条件后，此时表明自适应滤波处理器的权值w已优化完全，优化之后的自适应滤波处理器的输出y(即本发明实施例中的基线漂移模拟信号)无限接近于噪音信号n0，此时，心电信号s与所述基线漂移模拟信号y的差即为需要的纯净的心电信号s0。
如图4所示，在一个实施例中，提出了一种采用第一直线型结构元素对所述心电信息进行滤波处理的方法的步骤流程图，具体包括以下步骤：
步骤S402，将所述第一直线性结构元素与所述心电信息进行腐蚀运算后，再进行膨胀运算生成滤除QRS波的第一心电信号。
在本发明实施例中，同样的，为便于理解，以具体的数学公式进行举例说明，假设第一直线性结构元素为K＝{0,1，...，M-1}，待处理信号为F＝{0,1，...，N-1}，M＜N，其中腐蚀运算定义如下：将结构元素K平移m个单位(m＝0,1,2，...，N-M)，用待处理信号F减去平移后的结构元素K，并找出所得到M个差中的最小值，作为m点的值，即
Figure BDA0002184916370000091
而膨胀运算的定义如下，将结构元素K反转后平移m个单元(m＝M-1...，N-M)，然后加上待处理信号F，并找出所得到的M个和中的最大值，作为m点的值，即
Figure BDA0002184916370000092
步骤S404，将所述第一直线性结构元素与所述心电信息进行膨胀运算后，再进行腐蚀运算生成滤除QRS波的第二心电信号。
在本发明实施例中，同样的，所述膨胀运算和腐蚀运算的定义与前述步骤相同，具体的区别仅仅在于进行膨胀运算和腐蚀运算的顺序不同。
步骤S406，对所述滤除QRS波的第一心电信号以及所述滤除QRS波的第二心电信号进行平均运算生成滤除QRS波的心电信号。
在本发明实施例中，通过将两种结果计算得到的心电信号计算平均，能够进一步提高信号滤除的效果。
如图5所示，在一个实施例中，提出了一种采用第二直线型结构元素对滤除QRS波的心电信号进行二次滤波处理的方法的步骤流程图，具体包括以下步骤：
步骤S502，将所述第二直线型结构元素与所述滤除QRS波的心电信号进行腐蚀运算后，再进行膨胀运算生成滤除P波以及T波的第一心电信号。
步骤S504，将所述第二直线型结构元素与所述滤除QRS波的心电信号进行膨胀运算后，再进行腐蚀运算生成滤除P波以及T波的第二心电信号。
步骤S506，对所述滤除P波以及T波的第一心电信号以及所述滤除P波以及T波的第二心电信号进行平均运算生成滤除P波以及T波的心电信号。
在本发明实施例中，与前述图4相似，区别仅仅在于选用的结构元素K以及待处理的信号F不同，在此不再赘述，具体可以参考前述图4中各步骤的解释说明。
如图6所示，在一个实施例中，提出了一种心电图降噪装置的结构示意图，详述如下。
在本发明实施例中，所述心电图降噪装置包括：
心电信号确定单元610，用于获取输入的待降噪处理的心电图，并根据所述心电图确定心电信号。
在本发明实施例中，为便于理解，先将与本发明实施例相关的有关心电图的基本信息进行解释说明。当然，未被解释说明的心电图的其他基本信息也应当属于本领域技术人员的公知常识，即使在本说明书中未详细解释说明，也不得作为对本发明的限制。
在本发明实施例中，在进行心电图检测过程中，考虑到存在的外界干扰因素会产生或大或小的噪音干扰，因此，在输出心电图后，通常需要对心电图进行降噪处理，其中以消除工频干扰以及基线漂移为主。本发明所提供的实施例主要是以消除基线漂移噪音为目的，其步骤与消除基线漂移噪音相关，对基线漂移噪音的滤除效果优异，后续实施例以及解释说明也主要以基线漂移噪音信号为主，但并不能够解释为本发明实施例提供的实施例只能用于消除基线漂移，凡在本发明权利要求限定的步骤之内对心电图存在的各种噪音信号进行滤除的技术方案均在本发明要求保护的范围之内。
在本发明实施例中，心电图本身就可以理解为一种心电信号。但与人所认知的信号不同，在此处，心电信号应当理解为计算机所能进行运算、处理的符码，但不管是符码还是心电图，仅仅只是表现形式不同，其包含的信息并无实质性区别。其中后续步骤以及实施例中所涉及的心电信号均作此解释。
基线漂移参考信号获取单元620，用于基于形态学滤波算法获取所述心电信号的基线漂移参考信号。
在本发明实施例中，所述形态学滤波算法是一种从信号的形状出发的信号处理算法，而具体的基线漂移参考信号获取单元的结构请参阅下述图7及其解释说明的内容。
心电信号降噪单元630，用于基于预先建立的含有可变参数的心电信号自适应滤波模型以及所述基线漂移参考信号所述对所述心电信号进行自适应滤波降噪处理生成降噪后心电信号。
在本发明实施例中，所述可变参数包括滤波系数。
在本发明实施例中，所述基于预先建立的含有可变参数的心电信号自适应滤波模型是一种基于负反馈调节思想的信号处理方法，具体的心电信号降噪单元的结构示意图请参阅下述图8及其解释说明的内容。
本发明实施例提供的一种心电图降噪装置，主要针对于基线漂移类型的噪音降噪，在获取输入的待降噪处理的心电图后，处理生成心电信号，并先基于形态学滤波算法获取所述心电信号的基线漂移参考信号，进一步通过预先建立的含有可变参数的心电信号自适应滤波模型以及基线漂移参考信号对所述心电信号进行自适应滤波降噪处理生成滤除基线漂移噪音的心电信号。本发明实施例提供的形态学滤波算法，能够有效地滤取出心电信号的基线漂移噪音，但会导致心电图ST段会略微抬高，而进一步将采用形态学滤波算法从心电信号中提取出来的基线漂移噪音信号作为基线漂移参考信号输入到自适应滤波模型中，通过负反馈调节能够逐步消除心电图ST段抬高的异常，从而使得最终输出的降噪心电信号已基本和真实心电信号相同，有效提高了心电疾病的确诊率。
如图7所示，在一个实施例中，提出了一种基线漂移参考信号获取单元的结构示意图，详述如下。
在本发明实施例中，所述基线漂移参考信号获取单元包括：
QRS波滤除模块710，用于采用预设的第一直线型结构元素对所述心电信息进行滤波处理，生成滤除QRS波的心电信号。
在本发明实施例中，所述结构元素属于本领域技术人员的公知常识，在此不做具体的解释说明。
在本发明实施例中，所述第一直线型结构元素的宽度大于心电信号中QRS波的宽度，小于P波的宽度。
在本发明实施例中，结构元素主要有直线型、余弦型、半圆型、三角型几种类型，而选用不同类型的结构元素的会导致最终滤波效果不同，由于直线型结构元素对低频噪音信号的滤除效果较好，因此在本发明实施例中选用直线型结构元素，进一步的，通过限定第一直线型结构元素的宽度，相比于采用其他宽度的直线型结构元素滤波的效果更好。
P波T波滤除模块720，用于采用所述预设的第二直线型结构元素对所述滤除QRS波的心电信号进行二次滤波处理，生成滤除P波以及T波的心电信号。
在本发明实施例中，所述滤除P波以及T波的心电信号即为基线漂移参考信号。
在本发明实施例中，所述第二直线型结构元素的宽度大于P波的宽度。
在本发明实施例中，与上述步骤相似，通过进一步限定第二直线型结构元素的宽度，相比于采用其他宽度的直线型结构元素滤波的效果更好。
本发明实施例提供了一种基线漂移参考信号获取单元的结构示意图，其中采用预设的第一直线型结构元素对所述心电信息进行滤波处理，生成滤除QRS波的心电信号，再采用预设的第二直线型结构元素对所述滤除QRS波的心电信号进行二次滤波处理，生成滤除P波以及T波的心电信号，通过限定第一直线型结构元素以及第二直线型结构元素的宽度，能够得到更好的滤出效果，使得提取出来的基线漂移参考信号更为精确。
如图8所示，在一个实施例中，提出了一种心电信号降噪单元的结构示意图，详述如下。
在本发明实施例中，所述心电信号降噪单元包括：
基线漂移模拟信号生成单元810，用于将所述基线漂移参考信号输入到含有可变参数的心电信号自适应滤波模型中生成基线漂移模拟信号。
在本发明实施例中，为便于理解，以具体的数学公式进行举例说明。假设待降噪处理的心电信号为s，由两部分组成，纯净的心电信号s0，以及噪音信号n0，而为了得到噪音信号n0，再滤波过程中不断调整自适应滤波处理器的权值w，以使基线漂移参考信号n经过自适应滤波处理器处理之后得到的输出y(即基线漂移模拟信号)无限接近于n0，则此时心电信号s和输出y的差值ε即无限接近于纯净的心电信号s0，即ε＝s-y＝(s0+n0)-y＝s0+(n0-y)。
均方差计算单元820，用于计算所述心电信号与所述基线漂移模拟信号的差的均方差。
在本发明实施例中，由前述的步骤进一步两边求均方差可知，ε2＝s0 2+2s0(n0-y)+(n0-y)2＝s0 2+2s0(w*n-y)+(w*n-y)2，即均方差是权值w的二次函数。
均方差判断单元830，用于判断所述均方差是否小于预设的阈值。
负反馈调节单元840，用于当判断所述均方差不小于预设的阈值时，基于梯度下降算法，根据所述均方差以及预设的步长对所述滤波系数进行优化，并返回至所述基线漂移模拟信号生成单元。
在本发明实施例中，结合前述均方差的计算公式，基于梯度下降的算法可以找出权值w和输出误差的关系，即w(t+1)＝w(t)+2μεtn(t)，其中μ为预设的步长，影响到权重w的收敛速度以及稳定性，步长越长，收敛速度会提高，但稳定性会降低，而步长过短，导致收敛速度低，处理效率降低。作为优选，所述步长选择0.0002。
降噪心电信号确定单元850，用于当判断所述均方差小于预设的阈值时，将所述心电信号与所述基线漂移模拟信号的差确定为降噪后心电信号。
在本发明实施例中，当均方差满足预设的条件后，此时表明自适应滤波处理器的权值w已优化完全，优化之后的自适应滤波处理器的输出y(即本发明实施例中的基线漂移模拟信号)无限接近于噪音信号n0，此时，心电信号s与所述基线漂移模拟信号y的差即为需要的纯净的心电信号s0。
在一实施例中，提出了一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取输入的待降噪处理的心电图，并根据所述心电图确定心电信号；
基于形态学滤波算法获取所述心电信号的基线漂移参考信号；
基于预先建立的含有可变参数的心电信号自适应滤波模型以及所述基线漂移参考信号对所述心电信号进行自适应滤波降噪处理生成降噪后心电信号，所述可变参数包括滤波系数。
在一个实施例中，提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，使得处理器执行以下步骤：
获取输入的待降噪处理的心电图，并根据所述心电图确定心电信号；
基于形态学滤波算法获取所述心电信号的基线漂移参考信号；
基于预先建立的含有可变参数的心电信号自适应滤波模型以及所述基线漂移参考信号对所述心电信号进行自适应滤波降噪处理生成降噪后心电信号，所述可变参数包括滤波系数。
应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种心电图降噪方法，其特征在于，所述方法包括：
获取输入的待降噪处理的心电图，并根据所述心电图确定心电信号；
基于形态学滤波算法获取所述心电信号的基线漂移参考信号；
基于预先建立的含有可变参数的心电信号自适应滤波模型以及所述基线漂移参考信号对所述心电信号进行自适应滤波降噪处理生成降噪后心电信号，所述可变参数包括滤波系数。
2.根据权利要求1所述的心电图降噪方法，其特征在于，所述基于形态学滤波算法获取所述心电信号的基线漂移参考信号的步骤具体包括：
采用预设的第一直线型结构元素对所述心电信息进行滤波处理，生成滤除QRS波的心电信号，所述第一直线型结构元素的宽度大于心电信号中QRS波的宽度，小于P波的宽度；
采用所述预设的第二直线型结构元素对所述滤除QRS波的心电信号进行二次滤波处理，生成滤除P波以及T波的心电信号，所述滤除P波以及T波的心电信号即为基线漂移参考信号，所述第二直线型结构元素的宽度大于P波的宽度。
3.根据权利要求1所述的心电图降噪方法，其特征在于，所述基于预先建立的含有可变参数的心电信号自适应滤波模型以及所述基线漂移参考信号对所述心电信号进行自适应滤波降噪处理生成降噪后心电信号的步骤具体包括：
将所述基线漂移参考信号输入到含有可变参数的心电信号自适应滤波模型中生成基线漂移模拟信号；
计算所述心电信号与所述基线漂移模拟信号的差的均方差；
判断所述均方差是否小于预设的阈值；
当判断所述均方差不小于预设的阈值时，基于梯度下降算法，根据所述均方差以及预设的步长对所述滤波系数进行优化，并返回至所述将所述基线漂移参考信号输入到含有可变参数的心电信号自适应滤波模型中生成基线漂移模拟信号的步骤；
当判断所述均方差小于预设的阈值时，将所述心电信号与所述基线漂移模拟信号的差确定为降噪后心电信号。
4.根据权利要求2所述的心电图降噪方法，其特征在于，所述采用预设的第一直线型结构元素对所述心电信息进行滤波处理，生成滤除QRS波的心电信号的步骤具体包括：
将所述第一直线性结构元素与所述心电信息进行腐蚀运算后，再进行膨胀运算生成滤除QRS波的第一心电信号；
将所述第一直线性结构元素与所述心电信息进行膨胀运算后，再进行腐蚀运算生成滤除QRS波的第二心电信号；
对所述滤除QRS波的第一心电信号以及所述滤除QRS波的第二心电信号进行平均运算生成滤除QRS波的心电信号。
5.根据权利要求2所述的心电图降噪方法，其特征在于，所述采用所述预设的第二直线型结构元素对所述滤除QRS波的心电信号进行二次滤波处理，生成滤除P波以及T波的心电信号的步骤具体包括：
将所述第二直线型结构元素与所述滤除QRS波的心电信号进行腐蚀运算后，再进行膨胀运算生成滤除P波以及T波的第一心电信号；
将所述第二直线型结构元素与所述滤除QRS波的心电信号进行膨胀运算后，再进行腐蚀运算生成滤除P波以及T波的第二心电信号；
对所述滤除P波以及T波的第一心电信号以及所述滤除P波以及T波的第二心电信号进行平均运算生成滤除P波以及T波的心电信号。
6.一种心电图降噪装置，其特征在于，所述装置包括：
心电信号确定单元，用于获取输入的待降噪处理的心电图，并根据所述心电图确定心电信号；
基线漂移参考信号获取单元，用于基于形态学滤波算法获取所述心电信号的基线漂移参考信号；
心电信号降噪单元，用于基于预先建立的含有可变参数的心电信号自适应滤波模型以及所述基线漂移参考信号所述对所述心电信号进行自适应滤波降噪处理生成降噪后心电信号，所述可变参数包括滤波系数。
7.根据权利要求6所述的心电图降噪装置，其特征在于，所述基线漂移参考信号获取单元包括：
QRS波滤除模块，用于采用预设的第一直线型结构元素对所述心电信息进行滤波处理，生成滤除QRS波的心电信号，所述第一直线型结构元素的宽度大于心电信号中QRS波的宽度，小于P波的宽度；
P波T波滤除模块，用于采用所述预设的第二直线型结构元素对所述滤除QRS波的心电信号进行二次滤波处理，生成滤除P波以及T波的心电信号，所述滤除P波以及T波的心电信号即为基线漂移参考信号，所述第二直线型结构元素的宽度大于P波的宽度。
8.根据权利要求6所述的心电图降噪装置，其特征在于，所述心电信号降噪单元包括：
基线漂移模拟信号生成单元，用于将所述基线漂移参考信号输入到含有可变参数的心电信号自适应滤波模型中生成基线漂移模拟信号；
均方差计算单元，用于计算所述心电信号与所述基线漂移模拟信号的差的均方差；
均方差判断单元，用于判断所述均方差是否小于预设的阈值；
负反馈调节单元，用于当判断所述均方差不小于预设的阈值时，基于梯度下降算法，根据所述均方差以及预设的步长对所述滤波系数进行优化，并返回至所述基线漂移模拟信号生成单元；
降噪心电信号确定单元，用于当判断所述均方差小于预设的阈值时，将所述心电信号与所述基线漂移模拟信号的差确定为降噪后心电信号。
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1至5中任一项权利要求所述心电图降噪方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1至5中任一项权利要求所述心电图降噪方法的步骤。
CN201910810462.2A 2019-08-29 2019-08-29 一种心电图降噪方法、装置、计算机设备及存储介质 Pending CN110638441A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910810462.2A CN110638441A (zh) 2019-08-29 2019-08-29 一种心电图降噪方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910810462.2A CN110638441A (zh) 2019-08-29 2019-08-29 一种心电图降噪方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN110638441A true CN110638441A (zh) 2020-01-03

Family

ID=68991195

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910810462.2A Pending CN110638441A (zh) 2019-08-29 2019-08-29 一种心电图降噪方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN110638441A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112932475A (zh) * 2021-02-01 2021-06-11 武汉泰利美信医疗科技有限公司 血氧饱和度的计算方法、装置、电子设备及存储介质
CN113180685A (zh) * 2020-12-11 2021-07-30 上海交通大学 基于形态学滤波和小波阈值的心电异常判别系统及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105662391A (zh) * 2016-01-27 2016-06-15 东北大学 一种胃磁信号的特征提取与分类系统及方法
WO2017148450A1 (zh) * 2016-03-02 2017-09-08 深圳竹信科技有限公司 一种基于单层形态学滤除基线漂移的方法和系统
CN108937919A (zh) * 2018-06-04 2018-12-07 湖北工业大学 一种消除心电信号基线漂移的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105662391A (zh) * 2016-01-27 2016-06-15 东北大学 一种胃磁信号的特征提取与分类系统及方法
WO2017148450A1 (zh) * 2016-03-02 2017-09-08 深圳竹信科技有限公司 一种基于单层形态学滤除基线漂移的方法和系统
CN108937919A (zh) * 2018-06-04 2018-12-07 湖北工业大学 一种消除心电信号基线漂移的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
维纳•K•英格尔等: "《数字信号处理》", 31 January 2008, 西安交通大学出版社 *
赵露露等: "基于形态学和自适应滤波的心电信号基线矫正", 《第三十一届中国控制会议论文集B卷》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113180685A (zh) * 2020-12-11 2021-07-30 上海交通大学 基于形态学滤波和小波阈值的心电异常判别系统及方法
CN112932475A (zh) * 2021-02-01 2021-06-11 武汉泰利美信医疗科技有限公司 血氧饱和度的计算方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
Jain et al. Riemann Liouvelle fractional integral based empirical mode decomposition for ECG denoising
Smital et al. Adaptive wavelet wiener filtering of ECG signals
CN103405227B (zh) 基于双层形态学滤波的心电信号预处理方法
Han et al. Electrocardiogram signal denoising based on a new improved wavelet thresholding
CN110680308B (zh) 基于改进emd与阈值法融合的心电信号去噪方法
EP1613209A1 (en) Biomedical signal denoising techniques
CN110638441A (zh) 一种心电图降噪方法、装置、计算机设备及存储介质
CN112839584B (zh) 用于母体子宫活动检测的系统和方法
Xin et al. ECG baseline wander correction based on mean-median filter and empirical mode decomposition
KR20220150901A (ko) 모체 자궁 활동 검출을 위한 융합 신호 처리
Abdollahpoor et al. Fully adaptive denoising of ECG signals using empirical mode decomposition with the modified indirect subtraction and the adaptive window techniques
CN115040139A (zh) 基于双树复小波的心电r波检测方法、设备、介质及产品
CN111643068B (zh) 基于emd及其能量的心电信号去噪算法、设备和存储介质
KR101048763B1 (ko) 신호 검출 장치 및 방법
CN114795241B (zh) 一种心电信号的噪声检测方法及系统
Rahul et al. Baseline correction of ECG using regression estimation method
Subbiah et al. Reduction of noises in ECG signal by various filters
CN112515637B (zh) 一种基于组稀疏特性的心电信号降噪方法
Kotas Robust projective filtering of time-warped ECG beats
CN109583309B (zh) 信号降噪方法、装置、计算机设备和存储介质
Tan et al. Real-time baseline wander removal in ECG signal based on weighted local linear regression smoothing
Bokde et al. Implementation of adaptive filtering algorithms for removal of noise from ECG signal
Zivanovic et al. A low-rank matrix factorization approach for joint harmonic and baseline noise suppression in biopotential signals
Roohangiz et al. Fully adaptive denoising of ECG signals using empirical mode decomposition with the modified indirect subtraction and the adaptive window techniques
Bisht et al. Filter Design for Noisy ECG Signal

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: 20200103

RJ01 Rejection of invention patent application after publication