CN113040784A - 一种心电信号的肌电噪声滤波方法 - Google Patents
一种心电信号的肌电噪声滤波方法 Download PDFInfo
- Publication number
- CN113040784A CN113040784A CN202110428971.6A CN202110428971A CN113040784A CN 113040784 A CN113040784 A CN 113040784A CN 202110428971 A CN202110428971 A CN 202110428971A CN 113040784 A CN113040784 A CN 113040784A
- Authority
- CN
- China
- Prior art keywords
- filtering
- signal
- wavelet
- noise
- point
- 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.)
- Granted
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
- A61B5/72—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
Abstract
本发明涉及一种心电信号的肌电噪声滤波方法。首先采用小波‑维纳滤波对信号整体进行温和滤波,在滤除心电高频成分的肌电噪声的同时充分保留高频成分的细节,然后采用移动平均滤波进一步滤除剩余噪声;在对信号整体进行小波‑维纳滤波之后,对低频成分进行额外处理,先定位出Q点和S点,截取出两个心拍之间的低频成分,仅对低频成分进行移动平均滤波,从而进一步滤除心电低频成分残留的肌电噪声;在两步骤滤波之前都评估信号中肌电噪声的严重程度,从而自适应地设置滤波器的参数;在对低频成分进行移动平均滤波之前,对两侧各拼接移动平均滤波阶数一半的点。本发明能够以最小的失真降低心电信号中的噪声,可以作为心电信号去噪的有效工具。
Description
技术领域
本发明涉及一种心电信号的肌电噪声滤波方法。
背景技术
心电信号记录了心脏电活动,各成分的形态传递了许多重要的临床信息,在一定程度上客观的反映了心脏的健康情况。但由于心电采集环境及其自身的特点,使得其在采集过程中不可避免的受到了很多因素的干扰。常见的一种干扰就是肌电噪声。肌电噪声通常由人体活动过程中肌肉的收缩或舒张引起的,主要能量集中在20-120Hz之间,在心电图中表现为不规则、变化较快的锯齿状波形。肌电噪声会导致心电信号质量变差,严重的肌电干扰甚至会淹没心电信号。为了提升心电信号的质量,防止心电信号的临床信息被破坏,必须对肌电噪声做滤波处理。
目前常见的滤除肌电干扰的方法有低通滤波法、小波变换法、经验模式分解法等。低通滤波法一般将截止频率设置为45Hz左右,是最简单快速的方法,有利于在硬件上实现。小波变换法能够将频谱存在重叠的心电信号和肌电噪声在小波域中分开,小波系数经过阈值处理,然后再重构,即可得到去噪信号。经验模式分解依据信号自身的时间尺度特征,无须预先设定任何基函数,将信号分解成若干个本征模函数,在近几年广受欢迎。
这些传统的滤波方法易于理解,容易实现,但大都采用固定的参数设置滤波器,将心电信号的高频成分和低频成分当作整体来处理。这样做要么在将噪声滤掉的同时损害了心电信号的高频细节,要么在保留高频成分细节的同时在低频成分残余较多的噪声。
为了最大程度滤除肌电干扰同时最大程度保存心电信号高频细节,一些研究人员尝试将心电信号的高频成分和低频成分分开进行处理,如双卡尔曼滤波法、经验模式分解和均值滤波结合法等。双卡尔曼滤波法是用R峰定位算法,截取出高频成分拼接在一起,剩余的低频成分也拼接在一起,然后使用两个扩展卡尔曼滤波器分别处理高频的QRS波群和低频的P波、T波。经验模式分解和均值滤波结合法在使用经验模式分解去噪的基础上,在信号的低频成分滑动加窗,如果窗口的标准差大于阈值,窗口的中点就替换为均值。但两种方法都还有缺陷:一是这两种方法都采用固定的时间窗口保留QRS波群,这样会造成一部分低频成分也保留下来,导致这一部分的肌电噪声不能去除干净;二是这两种方法对高频成分和低频成分的连接处没有相应处理,这就导致了信号的高频成分和低频成分的连接处发生畸变。
发明内容
本发明的目的在于提供一种心电信号的肌电噪声滤波方法,采用自适应小波-维纳滤波和自适应移动平均滤波相结合的高效去噪方法,以最小的失真降低心电信号中的噪声,可以作为心电信号去噪的有效工具。
为实现上述目的,本发明的技术方案是:一种心电信号的肌电噪声滤波方法,首先,滤除基线漂移和工频干扰,将心电信号分割成单个的心拍;其次,用小波去噪来评估信噪比;再而,根据得到的信噪比设置小波-维纳滤波的参数,去除一部分的噪声;接着,对初步去噪的心电信号的Q点和S点进行检测定位,并在信号低频成分加窗处理,计算标准差和平均值,以此量化残余的肌电干扰的严重程度;最后,根据标准差和平均值设置移动平均的阶数,在低频成分的两侧拼接一部分点数后进行移动平均滤波,移动平均滤波之后,去掉拼接的多余的点,由此,完成对肌电噪声的滤波。
在本发明一实施例中,该方法具体实现步骤如下:
步骤S1、预处理:首先将信号重采样为500Hz;接着使用窗口为0.3秒的移动中值滤波来滤除基线漂移,50Hz陷波滤波器来滤除工频干扰;然后使用R峰检测算法定位出心电信号的R峰,每两个R峰的中点作为分割点,将心电信号分割成单个的心拍;
步骤S2、评估信噪比:将小波去噪后的信号与原信号一起评估信号中肌电噪声的严重程度,用信噪比SNR来量化严重程度;评估信噪比SNR计算公式如下所示:
其中,X(n)为含肌电噪声的心电信号,Y′(n)为小波去噪后的心电信号;如果SNR大于30,则认为该心拍不需要后续的滤波;
步骤S3、小波-维纳滤波:
首先对含肌电噪声的心电信号X(n)进行平稳小波分解,得到小波系数xm(n);其次对小波系数xm(n)进行阈值处理,得到处理后的阈值系数y′m(n);接着以y′m(n)作为参考信号,计算维纳校正因子CFm(n),如下所示:
然后,将校正因子CFm(n)与小波系数xm(n)相乘,得到初步去噪信号的小波系数y1m(n):
y1m(n)=CFm(n)·xm(n)
最后,根据步骤S2得到的信噪比,将y1m(n)进行平稳小波重构,得到初步去噪信号Y1(n);
步骤S4、首先在初步去噪信号Y1(n)中检测Q点和S点的位置;在找出Q点和S点之后,对两个R峰之间的低频成分加窗计算标准差,以此量化残余的肌电噪声的严重程度;
步骤S5、两侧拼接和移动平均滤波:根据步骤S4的结果设置对两个R峰之间的低频成分进行移动平均滤波的阶数Na和Nb;设一个心拍的S点到下一个心拍的Q点之间的中点为c,那么先截取信号Y1(n)在[S+10,c+10]的部分进行Na阶移动平均滤波,然后截取信号Y1(n)在[c-10,Q-10]的部分进行Nb阶移动平均滤波;如果Na等于Nb,那么截取信号Y1(n)在[S+10,Q-10]的部分进行Na阶移动平均滤波;接着两侧再各自去掉之前拼接的点,然后代替到之前的信号Y1(n)中的相应位置,由此,完成对肌电噪声的滤波。
在本发明一实施例中,步骤S2中,所述小波去噪的参数设置如下:
1)分解层数:分解层数L设置为4;
2)阈值设置:每一层小波系数的阈值Thrm设置为
Thrm=λ·σm
其中,m=1,2,……,L;λ表示阈值系数;σm表示第m层小波系数的标准差;
λ采用固定阈值规则sqtwolog,如下所示:
其中,N为单个心拍的点数;
根据高斯分布(μ,σ2)的特性,置信因子K等于0.6745时,置信概率P(|x-μ|<kσ)=0.5;因此,第m层的小波系数对应的标准差σm可以由下式计算得到:
其中,Xm(n)表示第m层小波系数;
3)阈值处理函数:采用Garrote函数作为阈值处理函数,如下所示:
4)小波基:采用bior4.4小波基。
在本发明一实施例中,步骤S3中,所述平稳小波变换的分解层数设置为4,阈值处理函数采用Garrote函数,阈值系数和小波基则根据第二步所评估的信噪比自适应地设置:
1)阈值系数:
λ1=5.0-0.03×SNR
λ2=4.6-0.03×SNR
λ3=3.4-0.03×SNR
λ4=3.0-0.03×SNR
2)小波基:信噪比为:[-5,0)、[0,5)、[5,10)、[10,15)、[15,20)、[20,25)、[25,30)时,对应采用的小波基分别为:rbio3.3、rbio4.4、rbio4.4、sym6、sym8、sym6、sym6。
在本发明一实施例中,步骤S4中,所述在初步去噪信号Y1(n)中检测Q点和S点的位置的方式如下:向R峰两侧分别搜索Q点和S点;对于S点,设R峰所在位置为Loc,按照下列循环对信号Y1(n)进行检测,其中,心电信号单位为mV:
如果执行完循环后,没有满足要求的点,那么将(Loc+30)标记为S点;同理找出Q点。
在本发明一实施例中,步骤S4中,所述在找出Q点和S点之后,对两个R峰之间的低频成分加窗计算标准差,以此量化残余的肌电噪声的严重程度的具体方式如下:
1)设一个心拍的S点到下一个心拍的Q点之间的1/3处和2/3处分别为a和b,以a和b为中心,对信号Y1(n)进行半径为0.03*Fs的加窗处理;
2)计算两个窗口的标准差Sa和Sb,以及平均值Ma和Mb。
在本发明一实施例中,步骤S5中,根据步骤S4的结果设置移动平均滤波的阶数Na和Nb:当Sa或Sb为:[0,0.02)、[0.02,0.04)、[0.04,0.06)、[0.06,0.08)、[0.08,0.1)、[0.1,∞)时,对应的Na或Nb分别为:10、12、14、16、18、20;此外,如果Ma或Mb大于0.3,那么Na或Nb最多等于14;如果Na和Nb相差不超过4,那么Na和Nb都等于max(Na,Nb)。
在本发明一实施例中,步骤S5中,截取信号Y1(n)在进行移动平均滤波之前,需要对截取部分两侧各拼接等于阶数一半的点,防止移动平均滤波导致两侧端点数值的畸变;对于截取部分右侧进行拼接,设截取部分为H,移动平均滤波的阶数为N,拼接部分为G,G的长度为N/2,执行下列循环:
For i=1:N/2
G的第i个值与H的倒数第(i+1)个值关于H的最后一个值对称;
End
循环结束后,将H和G拼接在一起:H=[H G];对于截取部分左侧拼接同理。
本发明还提供了一种计算机可读存储介质,其上存储有能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现如上述所述的方法步骤。
相较于现有技术,本发明具有以下有益效果:
本发明提供了一种心电信号滤除肌电噪声的方法,在滤除肌电噪声的同时,能够有效保留心电信号的高频细节。本专利结合小波-维纳滤波和移动平均滤波的优点,针对存在于心电信号高频成分和低频成分的肌电噪声进行不同处理,避免了传统滤波方法固定的参数设置导致的滤波不够干净或者破坏心电细节的问题。此外,在对低频成分进行移动平均滤波之前,对两侧进行拼接处理,有效解决了高频成分和低频成分的连接处的畸变问题。所提出的方法表现出良好的性能,有效滤除了肌电噪声。
附图说明
图1为本发明各步骤流程图。
图2为本发明小波-维纳滤波图。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本发明一种心电信号的肌电噪声滤波方法,首先,滤除基线漂移和工频干扰,将心电信号分割成单个的心拍;其次,用小波去噪来评估信噪比;再而,根据得到的信噪比设置小波-维纳滤波的参数,去除一部分的噪声;接着,对初步去噪的心电信号的Q点和S点进行检测定位,并在信号低频成分加窗处理,计算标准差和平均值,以此量化残余的肌电干扰的严重程度;最后,根据标准差和平均值设置移动平均的阶数,在低频成分的两侧拼接一部分点数后进行移动平均滤波,移动平均滤波之后,去掉拼接的多余的点,由此,完成对肌电噪声的滤波。
以下为本发明的具体实现过程。
本发明根据心电信号和肌电噪声主要频谱的异同,将心电信号的高频成分和低频成分分别进行处理。本发明的滤波算法主要包括以下步骤:第一步是预处理,滤除基线漂移和工频干扰,将信号分割成单个的心拍;第二步用小波去噪来评估信噪比;第三步是根据第二步得到的信噪比自适应地设置小波-维纳滤波的参数,去除一部分的噪声;第四步是对信号的Q点和S点进行检测定位,并在信号低频成分加窗处理,计算标准差和平均值,以此量化残余的肌电干扰的严重程度;第五步是根据第四步的结果自适应地设置移动平均的阶数,在低频成分的两侧拼接一部分点数后进行移动平均滤波。各步骤实施流程框图如图1所示,其中,第二步和第三步是针对单个心拍进行的。
第一步:预处理。首先将信号重采样为500Hz;接着使用窗口为0.3秒的移动中值滤波来滤除基线漂移,50Hz陷波滤波器来滤除工频干扰。然后使用R峰检测算法定位出心电信号的R峰,每两个R峰的中点作为分割点,将信号分割成单个的心拍。
第二步:评估信噪比。小波去噪后的信号与原信号一起评估信号中肌电噪声的严重程度,用信噪比SNR来量化严重程度。评估信噪比SNR计算公式如下所示:
其中,X(n)为含肌电噪声的心电信号,Y′(n)为小波去噪后的心电信号。如果SNR大于30,则认为该心拍不需要后续的滤波。
小波去噪的参数设置如下:
1)分解层数:需要保证处理的小波系数的频率范围包括肌电噪声的频率范围,因为肌电噪声的主要频率范围在20Hz以上,而500Hz的信号的第四层细节系数的频率范围为15.625到31.25Hz,所以分解层数L设置为4。
2)阈值设置:每一层小波系数的阈值Thrm设置为
Thrm=λ·σm
其中,m=1,2,……,L;λ表示阈值系数;σm表示第m层小波系数的标准差。
λ采用固定阈值规则sqtwolog,如下所示:
其中,N为单个心拍的点数。
根据高斯分布(μ,σ2)的特性,置信因子K等于0.6745时,置信概率P(|x-μ|<kσ)=0.5。因此,第m层的小波系数对应的标准差σm可以由下式计算得到:
其中,Xm(n)表示第m层小波系数。
3)阈值处理函数:采用Garrote函数作为阈值处理函数,如下所示:
4)小波基:采用’bior4.4’小波基。
第三步:小波-维纳滤波。对传统的小波-维纳滤波的框架进行简化,如图2所示。
首先对含噪信号X(n)进行平稳小波分解,得到小波系数xm(n);其次对小波系数xm(n)进行阈值处理,得到处理后的阈值系数y′m(n);接着以y′m(n)作为参考信号,计算维纳校正因子CFm(n),如下所示:
然后,将校正因子CFm(n)与含噪信号的小波系数xm(n)相乘,得到初步去噪信号的小波系数y1m(n):
y1m(n)=CFm(n)·xm(n)
最后,将y1m(n)进行平稳小波重构,得到初步去噪信号Y1(n)。
将平稳小波变换的分解层数设置为4,阈值处理函数仍采用Garrote函数,阈值系数和小波基则根据第二步所评估的信噪比自适应地设置:
1)阈值系数:
λ1=5.0-0.03×SNR
λ2=4.6-0.03×SNR
λ3=3.4-0.03×SNR
λ4=3.0-0.03×SNR
2)小波基:根据下表设置对应的小波基:
表1
第四步:首先在初步去噪信号Y1(n)中检测Q点和S点的位置。向R峰两侧分别搜索Q点和S点,以S点为例,设R峰所在位置为Loc,按照下列循环对信号Y1(n)进行检测,其中,心电信号单位为mV:
如果执行完循环后,没有满足要求的点,那么将(Loc+30)标记为“S点”。
在找出Q点和S点之后,对两个R峰之间的低频成分加窗计算标准差,以此量化残余的肌电噪声的严重程度,具体做法如下:
1)设一个心拍的S点到下一个心拍的Q点之间的1/3处和2/3处分别为a和b,以a和b为中心,对信号Y1(n)进行半径为0.03*Fs(15个采样点)的加窗处理。
2)计算两个窗口的标准差Sa和Sb,以及平均值Ma和Mb。
第五步:两侧拼接和移动平均滤波。首先根据第四步的结果设置对两个R峰之间的低频成分进行移动平均滤波的阶数Na和Nb,如下表所示:
表2
Sa、Sb | [0,0.02) | [0.02,0.04) | [0.04,0.06) | [0.06,0.08) | [0.08,0.1) | [0.1,∞) |
Na、Nb | 10 | 12 | 14 | 16 | 18 | 20 |
此外,如果Ma大于0.3,那么Na最多等于14;如果Mb大于0.3,那么Nb最多等于14;如果Na和Nb相差不超过4,那么Na和Nb都等于max(Na,Nb)。
设一个心拍的S点到下一个心拍的Q点之间的中点为c,那么先截取信号Y1(n)在[S+10,c+10]的部分进行Na阶移动平均滤波,然后截取信号Y1(n)在[c-10,Q-10]的部分进行Nb阶移动平均滤波。如果Na等于Nb,那么截取信号Y1(n)在[S+10,Q-10]的部分进行Na阶移动平均滤波。
在此之前,需要对截取部分两侧各拼接等于阶数一半的点,防止移动平均滤波导致两侧端点数值的畸变。以对截取部分右侧进行拼接为例,设截取部分为H,移动平均滤波的阶数为N,拼接部分为G,G的长度为N/2,执行下列循环:
For i=1:N/2
G的第i个值与H的倒数第(i+1)个值关于H的最后一个值对称。
End
循环结束后,将H和G拼接在一起:H=[H G]。
在对截取部分两侧都进行拼接之后,进行N阶移动平均滤波;接着两侧再各自去掉之前拼接的N/2个点;然后代替到之前的信号Y1(n)中的相应位置。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (9)
1.一种心电信号的肌电噪声滤波方法,其特征在于,首先,滤除基线漂移和工频干扰,将心电信号分割成单个的心拍;其次,用小波去噪来评估信噪比;再而,根据得到的信噪比设置小波-维纳滤波的参数,去除一部分的噪声;接着,对初步去噪的心电信号的Q点和S点进行检测定位,并在信号低频成分加窗处理,计算标准差和平均值,以此量化残余的肌电干扰的严重程度;最后,根据标准差和平均值设置移动平均的阶数,在低频成分的两侧拼接一部分点数后进行移动平均滤波,移动平均滤波之后,去掉拼接的多余的点,由此,完成对肌电噪声的滤波。
2.根据权利要求1所述的一种心电信号的肌电噪声滤波方法,其特征在于,该方法具体实现步骤如下:
步骤S1、预处理:首先将信号重采样为500Hz;接着使用窗口为0.3秒的移动中值滤波来滤除基线漂移,50Hz陷波滤波器来滤除工频干扰;然后使用R峰检测算法定位出心电信号的R峰,每两个R峰的中点作为分割点,将心电信号分割成单个的心拍;
步骤S2、评估信噪比:将小波去噪后的信号与原信号一起评估信号中肌电噪声的严重程度,用信噪比SNR来量化严重程度;评估信噪比SNR计算公式如下所示:
其中,X(n)为含肌电噪声的心电信号,Y′(n)为小波去噪后的心电信号;如果SNR大于30,则认为该心拍不需要后续的滤波;
步骤S3、小波-维纳滤波:
首先对含肌电噪声的心电信号X(n)进行平稳小波分解,得到小波系数xm(n);其次对小波系数xm(n)进行阈值处理,得到处理后的阈值系数y′m(n);接着以y′m(n)作为参考信号,计算维纳校正因子CFm(n),如下所示:
然后,将校正因子CFm(n)与小波系数xm(n)相乘,得到初步去噪信号的小波系数y1m(n):
y1m(n)=CFm(n)·xm(n)
最后,将y1m(n)进行平稳小波重构,得到初步去噪信号Y1(n);
步骤S4、首先在初步去噪信号Y1(n)中检测Q点和S点的位置;在找出Q点和S点之后,对两个R峰之间的低频成分加窗计算标准差,以此量化残余的肌电噪声的严重程度;
步骤S5、两侧拼接和移动平均滤波:根据步骤S4的结果设置对两个R峰之间的低频成分进行移动平均滤波的阶数Na和Nb;设一个心拍的S点到下一个心拍的Q点之间的中点为c,那么先截取信号Y1(n)在[S+10,c+10]的部分进行Na阶移动平均滤波,然后截取信号Y1(n)在[c-10,Q-10]的部分进行Nb阶移动平均滤波;如果Na等于Nb,那么截取信号Y1(n)在[S+10,Q-10]的部分进行Na阶移动平均滤波;接着两侧再各自去掉之前拼接的点,然后代替到之前的信号Y1(n)中的相应位置,由此,完成对肌电噪声的滤波。
3.根据权利要求2所述的一种心电信号的肌电噪声滤波方法,其特征在于,步骤S2中,所述小波去噪的参数设置如下:
1)分解层数:分解层数L设置为4;
2)阈值设置:每一层小波系数的阈值Thrm设置为
Thrm=λ·σm
其中,m=1,2,……,L;λ表示阈值系数;σm表示第m层小波系数的标准差;
λ采用固定阈值规则sqtwolog,如下所示:
其中,N为单个心拍的点数;
根据高斯分布(μ,σ2)的特性,置信因子K等于0.6745时,置信概率P(|x-μ|<kσ)=0.5;因此,第m层的小波系数对应的标准差σm可以由下式计算得到:
其中,Xm(n)表示第m层小波系数;
3)阈值处理函数:采用Garrote函数作为阈值处理函数,如下所示:
4)小波基:采用bior4.4小波基。
4.根据权利要求2所述的一种心电信号的肌电噪声滤波方法,其特征在于,步骤S3中,所述平稳小波变换的分解层数设置为4,阈值处理函数采用Garrote函数,阈值系数和小波基则根据第二步所评估的信噪比自适应地设置:
1)阈值系数:
λ1=5.0-0.03×SNR
λ2=4.6-0.03×SNR
λ3=3.4-0.03×SNR
λ4=3.0-0.03×SNR
2)小波基:信噪比为:[-5,0)、[0,5)、[5,10)、[10,15)、[15,20)、[20,25)、[25,30)时,对应采用的小波基分别为:rbio3.3、rbio4.4、rbio4.4、sym6、sym8、sym6、sym6。
5.根据权利要求2所述的一种心电信号的肌电噪声滤波方法,其特征在于,步骤S4中,所述在初步去噪信号Y1(n)中检测Q点和S点的位置的方式如下:向R峰两侧分别搜索Q点和S点;对于S点,设R峰所在位置为Loc,按照下列循环对信号Y1(n)进行检测,其中,心电信号单位为mV:
For i=10:30
If Y1(Loc+i)>Y1(Loc+i-1)与Y1(Loc+i-1)<0.1
将(Loc+i-1)标记为S点的位置
End
End
如果执行完循环后,没有满足要求的点,那么将(Loc+30)标记为S点;同理找出Q点。
6.根据权利要求2所述的一种心电信号的肌电噪声滤波方法,其特征在于,步骤S4中,所述在找出Q点和S点之后,对两个R峰之间的低频成分加窗计算标准差,以此量化残余的肌电噪声的严重程度的具体方式如下:
1)设一个心拍的S点到下一个心拍的Q点之间的1/3处和2/3处分别为a和b,以a和b为中心,对信号Y1(n)进行半径为0.03*Fs的加窗处理;
2)计算两个窗口的标准差Sa和Sb,以及平均值Ma和Mb。
7.根据权利要求6所述的一种心电信号的肌电噪声滤波方法,其特征在于,步骤S5中,根据步骤S4的结果设置移动平均滤波的阶数Na和Nb:当Sa或Sb为:[0,0.02)、[0.02,0.04)、[0.04,0.06)、[0.06,0.08)、[0.08,0.1)、[0.1,∞)时,对应的Na或Nb分别为:10、12、14、16、18、20;此外,如果Ma或Mb大于0.3,那么Na或Nb最多等于14;如果Na和Nb相差不超过4,那么Na和Nb都等于max(Na,Nb)。
8.根据权利要求2所述的一种心电信号的肌电噪声滤波方法,其特征在于,步骤S5中,截取信号Y1(n)在进行移动平均滤波之前,需要对截取部分两侧各拼接等于阶数一半的点,防止移动平均滤波导致两侧端点数值的畸变;对于截取部分右侧进行拼接,设截取部分为H,移动平均滤波的阶数为N,拼接部分为G,G的长度为N/2,执行下列循环:
For i=1:N/2
G的第i个值与H的倒数第(i+1)个值关于H的最后一个值对称;
End
循环结束后,将H和G拼接在一起:H=[H G];对于截取部分左侧拼接同理。
9.一种计算机可读存储介质,其上存储有能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现如权利要求1-8所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110428971.6A CN113040784B (zh) | 2021-04-21 | 2021-04-21 | 一种心电信号的肌电噪声滤波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110428971.6A CN113040784B (zh) | 2021-04-21 | 2021-04-21 | 一种心电信号的肌电噪声滤波方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113040784A true CN113040784A (zh) | 2021-06-29 |
CN113040784B CN113040784B (zh) | 2022-07-05 |
Family
ID=76520029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110428971.6A Active CN113040784B (zh) | 2021-04-21 | 2021-04-21 | 一种心电信号的肌电噪声滤波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113040784B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114052752A (zh) * | 2021-10-09 | 2022-02-18 | 复旦大学 | 多通道表面肌电信号中心电qrs波群干扰的滤除方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5738104A (en) * | 1995-11-08 | 1998-04-14 | Salutron, Inc. | EKG based heart rate monitor |
CN101083938A (zh) * | 2004-12-22 | 2007-12-05 | 大日本住友制药株式会社 | 心电图波形校正显示装置及心电图波形校正显示方法 |
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 |
CN102255611A (zh) * | 2010-05-20 | 2011-11-23 | 三星电子株式会社 | 触摸感测系统中的自适应数字滤波方法和装置 |
CN102686150A (zh) * | 2009-12-28 | 2012-09-19 | 甘布罗伦迪亚股份公司 | 监测受检者的心血管系统的特性 |
US8478389B1 (en) * | 2010-04-23 | 2013-07-02 | VivaQuant, LLC | System for processing physiological data |
US20130289424A1 (en) * | 2009-11-03 | 2013-10-31 | Vivaquant Llc | System for processing physiological data |
CN104159644A (zh) * | 2011-09-20 | 2014-11-19 | 布莱恩·弗朗西斯·穆尼 | 分析高尔夫挥杆的装置和方法 |
CN108024750A (zh) * | 2015-08-25 | 2018-05-11 | 皇家飞利浦有限公司 | Ecg导联信号的高/低频信号质量评价 |
CN108723895A (zh) * | 2018-05-25 | 2018-11-02 | 湘潭大学 | 一种用于钻削加工状态实时监测的信号分割方法 |
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 |
CN109946253A (zh) * | 2019-04-08 | 2019-06-28 | 中南大学 | 一种光谱去噪方法 |
CN110505839A (zh) * | 2017-03-31 | 2019-11-26 | 皇家飞利浦有限公司 | 用于处理emg信号的方法和系统 |
CN110763913A (zh) * | 2019-10-14 | 2020-02-07 | 南京信息工程大学 | 一种基于信号分段分类的导数谱平滑处理方法 |
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 |
EP3739356A1 (en) * | 2019-05-12 | 2020-11-18 | Origin Wireless, Inc. | Method, apparatus, and system for wireless tracking, scanning and monitoring |
-
2021
- 2021-04-21 CN CN202110428971.6A patent/CN113040784B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5738104A (en) * | 1995-11-08 | 1998-04-14 | Salutron, Inc. | EKG based heart rate monitor |
CN101083938A (zh) * | 2004-12-22 | 2007-12-05 | 大日本住友制药株式会社 | 心电图波形校正显示装置及心电图波形校正显示方法 |
US20160256112A1 (en) * | 2009-11-03 | 2016-09-08 | Vivaquant Llc | System for processing physiological data |
US20130289424A1 (en) * | 2009-11-03 | 2013-10-31 | Vivaquant Llc | System for processing physiological data |
CN102686150A (zh) * | 2009-12-28 | 2012-09-19 | 甘布罗伦迪亚股份公司 | 监测受检者的心血管系统的特性 |
US20130023776A1 (en) * | 2009-12-28 | 2013-01-24 | Gambro Lundia Ab | Monitoring a property of the cardiovascular system of a subject |
US8478389B1 (en) * | 2010-04-23 | 2013-07-02 | VivaQuant, LLC | System for processing physiological data |
CN102255611A (zh) * | 2010-05-20 | 2011-11-23 | 三星电子株式会社 | 触摸感测系统中的自适应数字滤波方法和装置 |
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 |
CN104159644A (zh) * | 2011-09-20 | 2014-11-19 | 布莱恩·弗朗西斯·穆尼 | 分析高尔夫挥杆的装置和方法 |
CN108024750A (zh) * | 2015-08-25 | 2018-05-11 | 皇家飞利浦有限公司 | Ecg导联信号的高/低频信号质量评价 |
CN110505839A (zh) * | 2017-03-31 | 2019-11-26 | 皇家飞利浦有限公司 | 用于处理emg信号的方法和系统 |
US20200100697A1 (en) * | 2017-03-31 | 2020-04-02 | Koninklijke Philips N.V. | Methods and system for processing an emg signal |
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 |
CN108723895A (zh) * | 2018-05-25 | 2018-11-02 | 湘潭大学 | 一种用于钻削加工状态实时监测的信号分割方法 |
CN109946253A (zh) * | 2019-04-08 | 2019-06-28 | 中南大学 | 一种光谱去噪方法 |
EP3739356A1 (en) * | 2019-05-12 | 2020-11-18 | Origin Wireless, Inc. | Method, apparatus, and system for wireless tracking, scanning and monitoring |
CN110763913A (zh) * | 2019-10-14 | 2020-02-07 | 南京信息工程大学 | 一种基于信号分段分类的导数谱平滑处理方法 |
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 (3)
Title |
---|
HAMED DANANDEH HESAR,等: "An Adaptive Kalman Filter Bank for ECG Denoising", 《IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS》 * |
MARK E CURRAN,等: "A molecular basis for cardiac arrhythmia: HERG mutations cause long QT syndrome", 《CELL》 * |
SMITAL, LUKAS,等: "Adaptive Wavelet Wiener Filtering of ECG Signals", 《IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114052752A (zh) * | 2021-10-09 | 2022-02-18 | 复旦大学 | 多通道表面肌电信号中心电qrs波群干扰的滤除方法 |
CN114052752B (zh) * | 2021-10-09 | 2024-03-29 | 复旦大学 | 多通道表面肌电信号中心电qrs波群干扰的滤除方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113040784B (zh) | 2022-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Alfaouri et al. | ECG signal denoising by wavelet transform thresholding | |
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 | |
Kania et al. | Wavelet denoising for multi-lead high resolution ECG signals | |
Jafarifarmand et al. | Real-time ocular artifacts removal of EEG data using a hybrid ICA-ANC approach | |
Al-Qawasmi et al. | ECG signal enhancement using wavelet transform | |
CN110680308B (zh) | 基于改进emd与阈值法融合的心电信号去噪方法 | |
CN108720832B (zh) | 一种心电信号处理方法及装置 | |
Narwaria et al. | Removal of baseline wander and power line interference from ECG signal-a survey approach | |
KR20140139564A (ko) | Ecg 모니터링을 위한 시스템들 및 방법들 | |
Patro et al. | De-noising of ECG raw signal by cascaded window based digital filters configuration | |
Singh et al. | ECG signal denoising based on empirical mode decomposition and moving average filter | |
CN109620206B (zh) | 包含异位心跳判断的房颤人工智能识别方法及装置 | |
Rahman et al. | Baseline wandering removal from ECG signal by wandering path finding algorithm | |
Verma et al. | An improved algorithm for noise suppression and baseline correction of ECG signals | |
CN113040784B (zh) | 一种心电信号的肌电噪声滤波方法 | |
Verma et al. | An integration of improved median and morphological filtering techniques for electrocardiogram signal processing | |
Farahabadi et al. | Detection of QRS complex in electrocardiogram signal based on a combination of hilbert transform, wavelet transform and adaptive thresholding | |
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 | |
Bhogeshwar et al. | To verify and compare denoising of ECG signal using various denoising algorithms of IIR and FIR filters | |
CN110101383B (zh) | 一种基于小波能量的心电信号去噪算法 | |
Heydari et al. | Adaptive wavelet technique for EEG de-noising | |
CN110269608B (zh) | 一种去除信号干扰的方法、装置以及可读存储介质 | |
CN109938725B (zh) | 脑电信号处理方法和系统 | |
CN111631707A (zh) | 心电信号中基线漂移的滤除方法、装置、设备及存储介质 |
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 |