CN111543981B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111543981B CN111543981B CN202010521996.6A CN202010521996A CN111543981B CN 111543981 B CN111543981 B CN 111543981B CN 202010521996 A CN202010521996 A CN 202010521996A CN 111543981 B CN111543981 B CN 111543981B
- Authority
- CN
- China
- Prior art keywords
- segmented
- electrocardiogram
- signals
- signal
- modwt
- 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
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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Power Engineering (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种基于分段MODWT(Maximal overlap discrete wavelet transform)及自适应阈值的动态心电图实时滤波方法,包括:a)采集心电图信号,根据测试结果确定动态心电图分析实时参数,对心电图信号进行分段处理;b)对去均值后分段心电图信号进行MODWT;c)基于自适应阈值去除噪声;d)衔接分段信号。本发明基于分段MODWT及自适应阈值方法,对动态心电图信号进行实时滤波,易于理解,容易实现,精度较高。
Description
技术领域
本发明提出了一种基于分段MODWT及自适应阈值的动态心电图实时滤波方法,涉及心电图信号测试领域。
背景技术
心电图检查是体检的常见项目,如果患者疑似有心律失常症状,通常也会去医院做个心电图,但是,在医院的几分钟或者十几分钟心电图,难以发现问题,这时候医生可能会给患者一个可以穿戴的心电图检测器,佩戴一天、两周或者更长时间,这会产生几十、几百小时的心电图,即所谓的动态心电图。与常规心电图相比较,动态心电图更容易受到外界因素的干扰,信号中存在大量的工频干扰、基线漂移和肌电噪声,目前,对心电信号的噪声抑制一般采用低通滤波器方法,其中主要的不足在于固定频带的滤波不能适应心电信号的随机性、非平稳性,也难以解决信号与噪声处于同一频带问题。
传统小波变换具有良好的时-频局部分析特点,能较好的解决心电信号的非平稳性问题,但在强噪声背景下,进行小波变换后,不具有平移不变性,且幅度较小的Q、S波处常因为Gibbs振荡现象,造成信号失真。MODWT是一种高度冗余的非正交小波变换,对样本容量没有要求,具有小波系数和尺度系数的平移不变性、无相位扭曲,从而保留了心电信号中有用的特征波形,避免了有用心电信息的损失。在此基础上,再结合经典的自适应阈值方法,就能较好的去掉同一频带内的高频噪声。
但MODWT算法运算量较大,为了满足动态心电图实时滤波的要求,分析数据不宜过长,需要进行秒级的分段处理,而分段容易引起衔接处的的顿挫和切迹,即使采用常用的边缘延拓(注:0值、周期、对称延拓等方法)也难以避免,从而容易导致后期的心电图诊断出现误判。
为此,我们综合考虑心电图诊断要求,在利用MODWT及自适应阈值的基础上,提出了基于重叠量的分段滤波——衔接方法,以1秒延迟作为代价,一次分析3秒数据,1秒1次更新,且每次只取中间1秒数据,从而较好的去掉了衔接处的切迹和顿挫,较好的解决了动态心电图实时滤波问题,易于理解,容易实现,精度较高。
发明内容
本发明的目的,在于克服现有技术的不足提供一种分段MODWT及自适应阈值的动态心电图实时滤波方法。
为了实现上述目的,本发明所采用的技术方案如下:
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,包括:a)采集心电图信号,根据测试结果确定动态心电图分析实时参数,对心电图信号进行分段处理;b)对去均值后分段心电图信号进行MODWT;c)基于自适应阈值去除噪声;d)衔接分段信号。所述a)采集心电图信号,根据测试结果确定动态心电图分析实时参数,对心电图信号进行分段处理方法为:
步骤1:采集心电图信号,采样频率为128Hz,以1秒、3秒、5秒、10秒作为分析时长分别进行分析测试,根据实时分析要求,对心电图信号进行分段;
步骤2:计算分段心电图信号幅值平均值,去均值,所述该计算公式为:计算分段心电图信号幅值平均值mean(X0):
其中X0(i),i=1,2,3,……N为原始分段信号各采样点幅值。
作为优选:所述b)对去均值后分段心电图信号进行MODWT方法为:
步骤1:基于采样频率及心电规则对分段信号进行MODWT;
步骤2:基于心电规则,去除干扰频带,选定空间滤波频带。
作为优选:所述c)基于自适应阈值去除噪声方法为:
步骤1:选择滤波方法,确定自适应阈值。所述滤波方法为固定阈值、极值阈值、无偏风险估计阈值及启发式阈值。设阈值为xlim,信号长度为N,对某分割频带信号X,由中位数绝对偏差(MAD)计算得其均方根σ。
MAD=median(X-median(X)|
σ=1.4826×MAD
基于心电图信号分析测试结果,我们选择极值阈值的计算方法,此时,阈值为:
xlim=0当N<=32
步骤2:选择滤波方式;所述该滤波方式为硬阈值法和软阈值法。基于心电图信号分析测试结果,我们选择软阈值方式:当细节信号的绝对值小于给定阈值时,令其为0,否则,令其减去阈值,符号与原始细节信号该处保持一致。
步骤3:分频带进行滤波。
作为优选:所述d)衔接分段信号方法为:
步骤1:添加分段心电图信号原始均值。
将滤波后的分段心电图信号加上保存的原始均值mean(X0)。
步骤2:去除重叠量,消除衔接处顿挫、切迹。
附图说明
图1为1份截取的10秒动态心电图滤波结果。
具体实施方式
下面结合实例,对本发明的技术方案作进一步详细的说明。
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,包括以下步骤:
a)确定动态心电图分析实时参数,对心电图信号进行分段处理。
步骤1:采集心电图信号,根据测试结果对心电图信号进行分段处理;
采集心电图信号,采样频率为128Hz,以1秒、3秒、5秒、10秒作为分析时长分别进行了分析测试,当以3秒作为分析时长时,能较好的体现实时性和MODWT滤波效果之间的均衡,决定以3秒心电图信号作为分析时长,以1秒间隔作为更新时长。
步骤2:计算分段心电图信号幅值平均值,去均值。
为了减少低频分量对后期MODWT各高频带自适应阈值的干扰,设原始分段信号各采样点幅值为X0(i),i=1,2,3,……N(注:采样频率为128Hz,3秒间隔时N=384),计算分段心电图信号幅值平均值mean(X0):
保存该均值,并在分段信号幅值的基础上减去该平均值,得去均值后分段心电图信号。
b)对去均值后分段心电图信号进行MODWT。
步骤1:基于采样频率及心电规则对分段信号进行MODWT。
根据心电规则,正常心电信号频率范围约为0.01-100Hz,其中90%的信号能量集中在0.5-45Hz,QRS波群约为3-45Hz,P波、T波约为0.5-10Hz。而就干扰信号而言,工频干扰为50Hz,因为电极移动、人体呼吸等引起的基线漂移约为0.05-2Hz,肌电干扰约为5-2000Hz。
与普通的离散小波变换类似,MODWT也具有频带二分特点,最高分析频率为采样频率/2。所以,当采样频率已知,可逐次对较低频带(注:第一次分割的频带为0-采样频率/2)进行二分。为满足实时要求,我们主要用MODWT去除高频误差,此时分析层次可以较低,只需低于40Hz即可,而基线漂移等低频误差则采用别的滤波方法(注:比如中值滤波方法等)完成。
步骤2:基于心电规则,去除干扰频带,选定空间滤波频带
因30-40Hz以上较高频带主要为工频干扰及高频率的肌电干扰,直接去除这些频带,此时剩余的分割频带即为待滤波、重构频带信号。
c)基于自适应阈值去除噪声。
步骤1:选择滤波方法,确定自适应阈值。
在剩余频带中,一般具有跟主波频带相似的肌电干扰,但其幅值相对于主波而言会比较小,且分布较广,为此,需根据频带信号幅值大小自适应确定滤波阈值。
目前,主要有四种滤波方法,主要体现在阈值的计算上:固定阈值、极值阈值、无偏风险估计阈值及启发式阈值,其中,极值阈值、无偏风险估计阈值较保守,其他两种较激进。设阈值为xlim,信号长度为N,对某分割频带信号X,由中位数绝对偏差(MAD)计算得其均方根σ。
MAD=median(|X-median(X)|
σ=1.4826×MAD
1)固定阈值:
2)极值阈值:
xlim=0当N<=32
3)无偏风险估计阈值:首先,对|x|进行排序,并计算排序后的各点平方值,得到新的待估计向量NV;其次,对NV的每个元素下标k,按下式计算风险向量:
最后,寻找风险向量Risk的最小值对应的下标k值,从而得到阈值:
4)启发式阈值:首先,计算两个变量:
其次,如果Eta<Crit,选取固定阈值,否则,选取固定阈值与无偏风险阈值中的较小者。
我们对四种滤波方法均进行了实现,基于心电图信号分析测试结果,我们最终选择选择极值阈值的计算方法。
步骤2:选择滤波方式
目前,主要有两种滤波方式,
1)硬阈值:当细节信号的绝对值小于给定阈值时,令其为0,否则,保持不变;
2)软阈值:当细节信号的绝对值小于给定阈值时,令其为0,否则,令其减去阈值,符号与原始细节信号该处保持一致。
硬阈值在均方误差意义上优于软阈值,但是信号会产生附加震荡,产生跳跃点,不具有原始信号的平滑性。软阈值估计得到的小波信号整体连续性较好,不会产生附加震荡,但会产生一定的偏差,直接影响到重构的信号与真实信号的逼近程度。基于心电图信号分析测试结果,我们选定软阈值方式。
在滤波之后,再进行逆MODWT进行重构即可,从而获得处理过的分析信号。
d)衔接分段信号。
步骤1:添加分段心电图信号原始均值
将滤波后的分段心电图信号加上保存的原始均值mean(X0)即可。
步骤2:去除重叠量,消除衔接处顿挫、切迹
因分段心电图信号长度3秒,更新时长为1秒,为此,我们以1秒延迟作为代价,每次只取滤波后3秒中间1秒数据,去除重叠量,从而较好的去掉了衔接处的切迹和顿挫。
实施例
实施例说明
我们在自研的动态心电设备中采用了该滤波算法,采样频率为128Hz,MODWT只需分到第1层,并对该层细节信号基于极值阈值滤波方法及软阈值滤波方式进行了分段滤波。从心电贴采集心电数据到处理完输出到屏幕,所需的时间约为0.03s(注:其中还包括心率计算等心电诊断模块运行时间),可以满足系统对信号处理实时性的要求。
计算结果
图1(a)为截取的10秒滤波前的原始心电信号;
图1(b)为滤波后心电信号。
由图1可见,MODWT在去掉高频干扰的同时,较好的保留了各特征波形(比如Q、R、S波)细节,且在各秒衔接处几乎不存在多余的顿挫和切迹。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (2)
1.一种基于分段MODWT及自适应阈值的动态心电图实时滤波方法,包括:a)采集心电图信号,根据测试结果确定动态心电图分析实时参数,对心电图信号进行分段处理;b)对去均值后分段心电图信号进行MODWT;c)基于自适应阈值去除噪声;d)衔接分段信号,其特征在于:所述a)采集心电图信号,根据测试结果确定动态心电图分析实时参数,对心电图信号进行分段处理方法为:
步骤1:采集心电图信号,采样频率为128Hz,以1秒、3秒、5秒、10秒作为分析时长分别进行分析测试,根据实时分析要求,对心电图信号进行分段;
步骤2:计算分段心电图信号幅值平均值,去均值,计算公式为:计算分段心电图信号幅值平均值mean(X0):
其中X0(i),i=1,2,3,……N为原始分段信号各采样点幅值;
所述c)基于自适应阈值去除噪声方法为:
步骤1:选择滤波方法,确定自适应阈值,设阈值为xlim,信号长度为N,对某分割频带信号X,由中位数绝对偏差(MAD)计算得其均方根σ;
MAD=median(|X-median(X)|
σ=1.4826×MAD
基于心电图信号分析测试结果,选择极值阈值的计算方法,此时,阈值为:
xlim=0 当N<=32
步骤2:选择滤波方式;基于心电图信号分析测试结果,选择软阈值方式:当细节信号的绝对值小于给定阈值时,令其为0,否则,令其减去阈值,符号与原始细节信号该处保持一致;
步骤3:分频带进行滤波;
所述d)衔接分段信号方法为:
步骤1:添加分段心电图信号原始均值;
将滤波后的分段心电图信号加上保存的原始均值mean(X0);
步骤2:去除重叠量,消除衔接处顿挫、切迹。
2.根据权利要求1所述的基于分段MODWT及自适应阈值的动态心电图实时滤波方法,其特征在于:所述b)对去均值后分段心电图信号进行MODWT方法为:
步骤1:基于采样频率及心电规则对分段信号进行MODWT;
步骤2:基于心电规则,去除干扰频带,选定空间滤波频带。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2020101806773 | 2020-03-16 | ||
CN202010180677 | 2020-03-16 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111543981A CN111543981A (zh) | 2020-08-18 |
CN111543981B true CN111543981B (zh) | 2023-04-18 |
Family
ID=71997254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010521996.6A Active CN111543981B (zh) | 2020-03-16 | 2020-06-10 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111543981B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112674776B (zh) * | 2020-11-09 | 2022-06-07 | 浙江好络维医疗技术有限公司 | 一种基于分段多项式拟合ecg信号的平滑滤波方法 |
CN112401906B (zh) * | 2020-11-10 | 2021-12-14 | 河北省科学院应用数学研究所 | 一种基于幅值的自动脑电去伪迹方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107837083A (zh) * | 2017-10-31 | 2018-03-27 | 太原理工大学 | 基于最小二乘支持向量机的j波自动检测方法 |
CN107951482A (zh) * | 2017-11-13 | 2018-04-24 | 浙江好络维医疗技术有限公司 | 一种基于小波分解与样条插值的心电信号基线拉平方法 |
CN108158573A (zh) * | 2017-12-26 | 2018-06-15 | 智慧康源(厦门)科技有限公司 | 基于自适应阈值小波变换的心电信号降噪方法 |
CN109875548A (zh) * | 2019-03-24 | 2019-06-14 | 浙江好络维医疗技术有限公司 | 一种基于多导联综合分析的心电图特征波形聚类方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8152731B2 (en) * | 2006-02-10 | 2012-04-10 | Inovise Medical, Inc. | Wavelet transform and pattern recognition method for heart sound analysis |
CN1951320A (zh) * | 2006-11-16 | 2007-04-25 | 上海交通大学 | 基于超完备特征的异常心电识别方法 |
CN101658425B (zh) * | 2009-09-11 | 2011-06-01 | 西安电子科技大学 | 基于心率变异分析的注意力集中程度的检测装置及方法 |
CN103156599B (zh) * | 2013-04-03 | 2014-10-15 | 河北大学 | 一种心电信号r特征波检测方法 |
CN109645979A (zh) * | 2017-10-10 | 2019-04-19 | 深圳市理邦精密仪器股份有限公司 | 动态心电信号伪差识别方法及装置 |
CN110558960A (zh) * | 2019-09-10 | 2019-12-13 | 重庆大学 | 一种基于ptt和miv-ga-svr的连续血压无创监测方法 |
-
2020
- 2020-06-10 CN CN202010521996.6A patent/CN111543981B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107837083A (zh) * | 2017-10-31 | 2018-03-27 | 太原理工大学 | 基于最小二乘支持向量机的j波自动检测方法 |
CN107951482A (zh) * | 2017-11-13 | 2018-04-24 | 浙江好络维医疗技术有限公司 | 一种基于小波分解与样条插值的心电信号基线拉平方法 |
CN108158573A (zh) * | 2017-12-26 | 2018-06-15 | 智慧康源(厦门)科技有限公司 | 基于自适应阈值小波变换的心电信号降噪方法 |
CN109875548A (zh) * | 2019-03-24 | 2019-06-14 | 浙江好络维医疗技术有限公司 | 一种基于多导联综合分析的心电图特征波形聚类方法 |
Non-Patent Citations (1)
Title |
---|
张佳骕等.基于卷积递归神经网络的血压测量模型.《北京生物医学工程》.2018,第494-498页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111543981A (zh) | 2020-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chatterjee et al. | Review of noise removal techniques in ECG signals | |
Sayadi et al. | Multiadaptive bionic wavelet transform: Application to ECG denoising and baseline wandering reduction | |
Boda et al. | A hybrid method for removal of power line interference and baseline wander in ECG signals using EMD and EWT | |
CN111616697B (zh) | 一种基于新阈值函数小波变换的心电信号去噪算法 | |
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 | |
Khanam et al. | Selection of wavelets for evaluating SNR, PRD and CR of ECG signal | |
Abdelmounim et al. | Electrocardiogram signal denoising using discrete wavelet transform | |
Rakshit et al. | An improved EMD based ECG denoising method using adaptive switching mean filter | |
CN111493821B (zh) | 一种基于modwt及中值滤波的ppg信号实时去噪方法 | |
Telezhkin et al. | Wavelet-conversion in electrocardio signal processing | |
Kumar et al. | ECG de-noising based on hybrid technique | |
Elouaham et al. | Combination time-frequency and empirical wavelet transform methods for removal of composite noise in EMG signals | |
Bhavsar | Improved ECG Denoising using CEEMAN based on Complexity Measure and Nonlocal Mean Approach. | |
Kaur et al. | Adaptive wavelet thresholding for noise reduction in electrocardiogram (ECG) signals | |
Dliou et al. | Denoising Ventricular tachyarrhythmia Signal | |
Shi | A review of noise removal techniques in ECG signals | |
CN111493852A (zh) | 一种基于modwt的动态心电图实时心率估算方法 | |
Muppalla et al. | Performance evaluation of different denoising techniques for physiological signals | |
Sinnoor et al. | An ECG Denoising Method Based on Hybrid MLTP-EEMD Model. | |
Elouaham et al. | Combination method for denoising EMG signals using EWT and EMD techniques | |
Manjula et al. | ECG Denoising Using Multiple Approaches | |
Elouaham et al. | Empirical Wavelet Transform Based ECG Signal Filtering Method | |
ALI et al. | ECG SIGNAL DENOISING USING DISCRETE WAVELET TRANSFORM | |
Gonzalez et al. | Noise reduction and Delineation of ECG signal | |
Das et al. | ECG denoising based on probability of wavelet coefficients |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 310012 block B, 5 / F, building e, Paradise Software Park, No.3 xidoumen Road, Xihu District, Hangzhou City, Zhejiang Province Applicant after: ZHEJIANG HELOWIN MEDICAL TECHNOLOGY Co.,Ltd. Address before: 310012 A building 7D, Paradise Software Park, 3 West Road, Hangzhou, Zhejiang, Xihu District Applicant before: ZHEJIANG HELOWIN MEDICAL TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |