CN112244862B - 基于rfda小波阈值的心电信号去噪算法 - Google Patents
基于rfda小波阈值的心电信号去噪算法 Download PDFInfo
- Publication number
- CN112244862B CN112244862B CN202011098827.2A CN202011098827A CN112244862B CN 112244862 B CN112244862 B CN 112244862B CN 202011098827 A CN202011098827 A CN 202011098827A CN 112244862 B CN112244862 B CN 112244862B
- Authority
- CN
- China
- Prior art keywords
- frequency
- threshold
- wavelet
- electrocardiosignal
- components
- 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
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 9
- 238000005070 sampling Methods 0.000 claims description 4
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 15
- 238000007781 pre-processing Methods 0.000 abstract 1
- 230000009466 transformation Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 3
- 230000006793 arrhythmia Effects 0.000 description 2
- 206010003119 arrhythmia Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000004217 heart function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000003183 myoelectrical effect Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 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
- A61B5/72—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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
-
- 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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Physiology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Psychiatry (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于RFDA小波阈值的心电信号去噪算法，属于心电信号预处理技术领域。本发明为了解决传统的小波阈值去噪算法在处理心电信号时存在正交镜像滤波器没有理想截止特性的缺点，会导致心电信号分解得到的高频细节分量产生频域混叠现象，即混入我们不需要的其它频率成分，影响最终去噪效果的问题。本发明通过傅里叶正、逆变换在频率领域内去除高频细节分量中多余的频率成分。由于Stein无偏风险估计算法可以评估出阈值的风险大小，这样去除掉多余的频率成分的高频细节分量再经Stein无偏风险估计算法可以获得与传统算法相比更真实的阈值，进而利用硬阈值去噪函数处理得到更好去噪效果的心电信号。
Description
技术领域
本发明涉及心电信号识别领域，特别是涉及基于深度堆栈网络的心电信号识别方法。
背景技术
ECG信号是心脏活动过程中心脏的肌肉和神经电活动的综合属于直接信号(又称为主动信号)，它的信源是心脏。因此体表的心电信号与心脏功能有着密切的联系，心电信号能够直接反应心脏功能是否正常。心电图能提供心脏活动的信息，对各种心律失常的分析诊断具有极为重要的意义。心电信息是患者重要的临床资料，临床诊断需要医生具备高度的信息综合处理能力。心电信号滤波是心电自动分析的基础，它的效果关系到波形检测和分类结果的准确性。通常采集到的心电信号都比较微弱，一般为mV级,极易受到环境的干扰，比如病人的移动、肌电干扰、工频干扰等。为了提高波形检测和分类的准确率，可以去除心电信号中的干扰信号,保留有用的信号。
发明内容
为了解决上述问题，本发明提供了一种基于RFDA小波阈值的心电信号去噪算法，包括如下步骤：
步骤S1、选择合适的小波基函数，对心电信号进行指定层数的小波分解，得到对应层的的高频细节分量和和低频近似分量；
步骤S2、去除高频细节分量的频域混叠现象；
步骤S3、对高频细节分量进行的阀值估计；
步骤S4、通过硬阈值函数和所获阈值对心电进行去噪；
步骤S5、对处理后的高频细节分量和低频近似分量重构心电信号。
2、根据权利要求1所述基于RFDA小波阈值的心电信号去噪算法，其特征在于：所述步骤S2所述小波分解方法包括：
步骤S1a、使心电信号和小波高频滤波器和低频滤波器分别进行卷积；
步骤S1b、对卷积后的结果进行隔二采样，得到高频细节分量和和低频近似分量；
步骤S1c、对低频近似分量重复上述步骤，得到下一层频细节分量和和低频近似分量；
3、根据权利要求1所述基于RFDA小波阈值的心电信号去噪算法，其特征在于：所述步骤S2所述去除频域混叠现象方法包括：
步骤S2a、对各层高频细节分量进行傅里叶变换成频域；
步骤S2b、对频域中多余的频率成分置零；
步骤S2c、经处理后的频率进行傅里叶逆变换。
4、根据权利要求1所述基于RFDA小波阈值的心电信号去噪算法，其特征在于：所述阈值估计方法包括：
步骤S3a、把高频细节分量s(i)的每一个元素取绝对值，再由小到大排序，然后将各个元素取平方，从而得到新的信号序列：
f(k)＝(sor(|s|))，(k＝0，1..，N-1)；
步骤S3b、若取阈值为f(k)的第k个元素的平方根，即
则该阈值产生的风险为：
步骤S3c、选出风险向量Risk的最小点所对应的下标k值，从而得到阈值λk。
5、根据权利要求1所述基于RFDA小波阈值的心电信号去噪算法，其特征在于：所述硬阈值函数公式为：
式中，w为高频细节分量，λ为估计的阈值。如上所述，本发明提供的基于深度堆栈网络的心电信号识别方法，具有如下有益效果：
1、本发明针对大量心电数据难以诊断的难题，栈式稀疏自编码器与Softmax分类器结合构建了深度堆栈网络用于心电信号识别。
2、本发明利用稀疏自编码器的稀疏性，集中信号特征的表达，在提高网络学习能力的同时也提高了网络泛化能力，多个隐含层的堆叠实现了对信号特征从低维到高维的深度挖掘。
3、本申请的心电信号识别方法与现有技术中的多层感知器模型、栈式自编码器模型、主成分分析算法相比大大提高了心电信号识别的准确率。
附图说明
图1为本发明具体实施例整体流程示意图；
图2为本发明具体实施例的心电去噪效果结果；
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
如图1所示，本实施例的基于RFDA小波阈值的心电信号去噪算法，包括如下步骤：
步骤S1、选择合适的小波基函数，对心电信号进行指定层数的小波分解，得到对应层的的高频细节分量和和低频近似分量；
心电信号滤波是心电自动分析的基础，它的效果关系到波形检测和分类结果的准确性。临床采集的心电信号是非常珍贵的，所以现在大多数心电信号的研究者研究所用的心电信号来源于4个国际权威的心电数据库，本实施例采用的是其中之一的MIT-BIH心律失常数据库，选择db6小波，通过mallat算法对心电信号进行二层小波分解，得到对应层的的高频细节分量和和低频近似分量，本实施例具体所述具体小波分解方法包括：
步骤S1a、使心电信号和db6小波高频滤波器和低频滤波器分别进行一维卷积；
步骤S1b、对卷积后的一维结果进行隔二采样，得到高频细节分量和和低频近似分量；
步骤S1c、对低频近似分量重复上述步骤，得到下一层频细节分量和和低频近似分量；
步骤S2、去除高频细节分量的频域混叠现象；
Mallat算法中包括三个关键环节:即与正交镜像滤波器卷积，隔点采样及隔点插零，这些环节要求正交镜像滤波器必须具有理想的截止特性。传统的小波阈值去噪算法在处理心电信号时存在正交镜像滤波器没有理想截止特性的缺点，会导致心电信号分解得到的高频细节分量产生频域混叠现象，即混入我们不需要的其它频率成分，影响最终去噪效果。本实施例具体所述具体去除频域混叠现象方法包括：
步骤S2a、对一层二层高频细节分量分别进行傅里叶变换转换成频域；
步骤S2b、对频域中多余的频率成分置零；
步骤S2c、经处理后一层二层的频率进行傅里叶逆变换。
步骤S3、对高频细节分量进行的阀值估计；
目前常见的阈值选择方法有：固定阈值估计、极值阈值估计、无偏似然估计以及启发式估计等。Stein无偏风险估计是一种自适应的阀值估计，对每个阈值求出对应的风险值，风险最小的即为所选，适合心电信号的去噪处理，由于Stein无偏风险估计算法可以评估出阈值的风险大小，这样去除掉多余的频率成分的高频细节分量再经Stein无偏风险估计算法可以获得与传统算法相比更真实的阈值，本实施例具体所述具体阈值估计方法包括：
步骤S3a、把高频细节分量s(i)的每一个元素取绝对值，再由小到大排序，然后将各个元素取平方，从而得到新的信号序列：
f(k)＝(sor(|s|))，(k＝0，1..，N-1)；
步骤S3b、若取阈值为f(k)的第k个元素的平方根，即
则该阈值产生的风险为：
步骤S3c、选出风险向量Risk的最小点所对应的下标k值，从而得到阈值λk。
步骤S4、通过硬阈值函数和所获阈值对心电进行去噪；
确定了高斯白噪声在小波系数(域)的阈值门限之后，就需要有个阈值函数对这个含有噪声系数的小波系数进行过滤，去除高斯噪声系数，常用的阈值函数有软阈值和硬阈值方法，其中单以去噪硬阈值效果更好。
硬阈值函数公式为：
式中，w为高频细节分量，λ为估计的阈值。如上所述，本发明提供的基于深度堆栈网络的心电信号识别方法，具有如下有益效果：
步骤S5、对处理后的高频细节分量和低频近似分量重构心电信号。
为了研究和验证RFDA小波阈值去噪算法的效果，本文使用MATLAB电信号进行去噪实验，通过比较传统的小波阈值去噪算法和RFDA小波阈值去噪算法的信噪比(SNR)来确认评估效果，SNR越大说明心电去噪效果越好。有图2可知，从实验结果计算的SNR对比来看，传统的小波阈值去噪算法对心电信号去噪后的信噪比为22.5038，使用本文改进的RFDA小波阈值去噪算法对心电信号去噪后的信噪比为28.2120，比传统的小波阈值去噪算法信噪比更大效果更好。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (3)
1.基于RFDA小波阈值的心电信号去噪算法，其特征在于：包括如下步骤：
步骤S1、选择合适的小波基函数，对心电信号进行指定层数的小波分解，得到对应层的的高频细节分量和和低频近似分量；
步骤S2、去除高频细节分量的频域混叠现象，所述去除频域混叠现象方法包括：
步骤S2a、对各层高频细节分量进行傅里叶变换成频域；
步骤S2b、对频域中多余的频率成分置零；
步骤S2c、经处理后的频率进行傅里叶逆变换；
步骤S3、对高频细节分量进行的阈值估计，所述阈值估计方法包括：
步骤S3a、把高频细节分量s(i)的每一个元素取绝对值，再由小到大排序，然后将各个元素取平方，从而得到新的信号序列：
f(k)＝(sor(|s|))，(k＝0，1..，N-1)；
步骤S3b、若取阈值为f(k)的第k个元素的平方根，即：
；
则该阈值产生的风险为：
；
步骤S3c、选出风险向量Risk的最小点所对应的下标k值，从而得到阈值λk；
步骤S4、通过硬阈值函数和所获阈值对心电进行去噪；
步骤S5、对处理后的高频细节分量和低频近似分量重构心电信号。
2.根据权利要求1所述基于RFDA小波阈值的心电信号去噪算法，其特征在于：所述步骤S1所述小波分解方法包括：
步骤S1a、使心电信号和小波高频滤波器和低频滤波器分别进行卷积；
步骤S1b、对卷积后的结果进行隔二采样，得到高频细节分量和和低频近似分量；
步骤S1c、对低频近似分量重复上述步骤，得到下一层频细节分量和和低频近似分量。
3.根据权利要求1所述基于RFDA小波阈值的心电信号去噪算法，其特征在于：所述硬阈值函数公式为：
；
式中，w为高频细节分量，λ为估计的阈值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011098827.2A CN112244862B (zh) | 2020-10-14 | 2020-10-14 | 基于rfda小波阈值的心电信号去噪算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011098827.2A CN112244862B (zh) | 2020-10-14 | 2020-10-14 | 基于rfda小波阈值的心电信号去噪算法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112244862A CN112244862A (zh) | 2021-01-22 |
| CN112244862B true CN112244862B (zh) | 2024-05-14 |
Family
ID=74243324
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011098827.2A Active CN112244862B (zh) | 2020-10-14 | 2020-10-14 | 基于rfda小波阈值的心电信号去噪算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112244862B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113074807A (zh) * | 2021-03-18 | 2021-07-06 | 中国水产科学研究院黄海水产研究所 | 养殖围栏设施结构振动及形变实时监测系统 |
| CN113910005B (zh) * | 2021-09-10 | 2023-03-14 | 中国医学科学院北京协和医院 | 磨削系统的信号处理方法、装置及磨削系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010136778A (ja) * | 2008-12-10 | 2010-06-24 | Mitsuo Mita | 多重ゆらぎ解析方法および装置 |
| CN102028457A (zh) * | 2010-11-24 | 2011-04-27 | 北京麦邦光电仪器有限公司 | 脉率测量方法及指环式脉率测量仪 |
| CN107693044A (zh) * | 2017-11-15 | 2018-02-16 | 广东顺德西安交通大学研究院 | 冠心病监测诊断设备 |
| CN108836305A (zh) * | 2018-05-08 | 2018-11-20 | 北京理工大学 | 一种融合巴特沃斯滤波和小波变换的ecg特征提取方法 |
| CN111583123A (zh) * | 2019-02-17 | 2020-08-25 | 郑州大学 | 一种基于小波变换的融合高低频信息的图像增强算法 |
| CN111616697A (zh) * | 2020-06-05 | 2020-09-04 | 江苏科技大学 | 一种基于新阈值函数小波变换的心电信号去噪算法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8086304B2 (en) * | 2007-11-30 | 2011-12-27 | Data Sciences International Inc. | Physiologic signal processing to determine a cardiac condition |
| US10220207B2 (en) * | 2009-03-20 | 2019-03-05 | Electrocore, Inc. | Nerve stimulation methods for averting imminent onset or episode of a disease |
-
2020
- 2020-10-14 CN CN202011098827.2A patent/CN112244862B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010136778A (ja) * | 2008-12-10 | 2010-06-24 | Mitsuo Mita | 多重ゆらぎ解析方法および装置 |
| CN102028457A (zh) * | 2010-11-24 | 2011-04-27 | 北京麦邦光电仪器有限公司 | 脉率测量方法及指环式脉率测量仪 |
| CN107693044A (zh) * | 2017-11-15 | 2018-02-16 | 广东顺德西安交通大学研究院 | 冠心病监测诊断设备 |
| CN108836305A (zh) * | 2018-05-08 | 2018-11-20 | 北京理工大学 | 一种融合巴特沃斯滤波和小波变换的ecg特征提取方法 |
| CN111583123A (zh) * | 2019-02-17 | 2020-08-25 | 郑州大学 | 一种基于小波变换的融合高低频信息的图像增强算法 |
| CN111616697A (zh) * | 2020-06-05 | 2020-09-04 | 江苏科技大学 | 一种基于新阈值函数小波变换的心电信号去噪算法 |
Non-Patent Citations (1)
| Title |
|---|
| 远程心电信号数据采集与预处理;钱超;中国优秀硕士学位论文全文数据库 信息科技辑(第9期);第9-22页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112244862A (zh) | 2021-01-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108158573B (zh) | 基于自适应阈值小波变换的心电信号降噪方法 | |
| CN108714026B (zh) | 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法 | |
| Khamene et al. | A new method for the extraction of fetal ECG from the composite abdominal signal | |
| CN109907752B (zh) | 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 | |
| CN103405227B (zh) | 基于双层形态学滤波的心电信号预处理方法 | |
| Sayadi et al. | Multiadaptive bionic wavelet transform: Application to ECG denoising and baseline wandering reduction | |
| 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 | |
| CN112244862B (zh) | 基于rfda小波阈值的心电信号去噪算法 | |
| CN108113665B (zh) | 一种心电信号自动降噪方法 | |
| CN111616697B (zh) | 一种基于新阈值函数小波变换的心电信号去噪算法 | |
| Von Borries et al. | Wavelet transform-based ECG baseline drift removal for body surface potential mapping | |
| CN107184187B (zh) | 基于DTCWT-Spline的脉搏波信号去噪处理方法 | |
| CN109359506B (zh) | 一种基于小波变换的心磁信号降噪方法 | |
| CN103761424A (zh) | 基于二代小波和ica的肌电信号降噪与去混迭方法 | |
| CN112307959A (zh) | 一种用于心电信号分析的小波去噪方法 | |
| Singh et al. | ECG signal denoising based on empirical mode decomposition and moving average filter | |
| CN103190901A (zh) | 基于极值域均值模式分解和改进Hilbert包络的R波检测算法 | |
| Tang et al. | ECG de-noising based on empirical mode decomposition | |
| Islam et al. | Wavelet based denoising algorithm of the ECG signal corrupted by WGN and Poisson noise | |
| 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 | |
| CN113180684B (zh) | 一种ⅱ导联心电信号分类方法 | |
| Elbuni et al. | ECG parameter extraction algorithm using (DWTAE) algorithm | |
| CN111685759B (zh) | 一种心电信号的p、t特征波检测方法 | |
| CN113343869A (zh) | 基于ntft和cnn的脑电信号自动分类与识别方法 | |
| German-Sallo | ECG signal baseline wander removal using wavelet analysis |
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 |