CN113288158B - 基线漂移和高频噪声的去除方法、装置和设备 - Google Patents
基线漂移和高频噪声的去除方法、装置和设备 Download PDFInfo
- Publication number
- CN113288158B CN113288158B CN202110583969.6A CN202110583969A CN113288158B CN 113288158 B CN113288158 B CN 113288158B CN 202110583969 A CN202110583969 A CN 202110583969A CN 113288158 B CN113288158 B CN 113288158B
- Authority
- CN
- China
- Prior art keywords
- frequency
- component
- data
- low
- electrocardiosignal
- 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
- A61B5/72—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
- A61B5/7235—Details of waveform analysis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Pathology (AREA)
- Medical Informatics (AREA)
- Psychiatry (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明适用于信号处理技术领域,提供了一种基线漂移和高频噪声的去除方法、装置和设备,其中,基线漂移和高频噪声的去除方法包括:根据预设基线漂移频率和心电信号的采样频率,确定预先采集的心电信号的分解级数;获取预设噪声值;根据分解级数,按照预设噪声值对心电信号的所有数据进行分解,得到所有数据的低频心电信号分量和高频心电信号分量;扩展低频心电信号分量,得到基线漂移分量;重构低频心电信号分量和高频心电信号分量,得到去除高频噪声的重组分量;去除重组分量中的基线漂移分量,得到去除基线漂移和高频噪声的心电信号。采用本发明可以在去除基线漂移的同时去除高频噪声,提高处理速度。
Description
技术领域
本发明涉及信号处理技术领域,具体涉及一种基线漂移和高频噪声的去除方法、装置和设备。
背景技术
心电信号(electrocardiogram,ECG)是一种微弱低频的生理电信号,通常频率在0.05-100Hz,幅值不超过4mV,其作为生命体征信号参数的组成部分,是重要的生理电信号之一。心电信号中含有临床诊断心血管疾病的大量信息,是了解心脏的功能及状况、辅助诊断心血管疾病、评估各种治疗方法有效性的重要手段。
在人体心电信号数据的采集过程中,由于受到采集、呼吸和肌肉信号等的因素影响,通常存在基线漂移和高频噪声等的干扰。基线偏移会抬高心电图的ST波段,造成心电轨迹的严重失真,影响正常的医学诊断。高频噪声,如肌电干扰等,也会影响心电信号。目前,当对心电信号处理时,需要分别去除基线漂移和高频噪声。
然而,在采用上述方法去除基线漂移和高频噪声的过程中,需要较长的计算时间。
发明内容
因此,本发明要解决的技术问题是提供一种基线漂移和高频噪声的去除方法、装置和设备,以解决现有技术中需要较长的计算时间才能去除基线漂移和高频噪声的问题。
本发明实施例的第一方面提供了一种基线漂移和高频噪声的去除方法,包括:
根据预设基线漂移频率和心电信号的采样频率,确定预先采集的心电信号的分解级数;
获取预设噪声值;
根据分解级数,按照预设噪声值对心电信号的所有数据进行分解,得到所有数据的低频心电信号分量和高频心电信号分量;
扩展低频心电信号分量,得到基线漂移分量;
重构低频心电信号分量和高频心电信号分量,得到去除高频噪声的重组分量;
去除重组分量中的基线漂移分量,得到去除基线漂移和高频噪声的心电信号。
可选的,根据预设基线漂移频率和心电信号的采样频率,确定预先采集的心电信号的分解级数,包括:
将心电信号的分解级数确定为i+1。
可选的,预设噪声值的取值范围为0.02-0.06。
可选的,获取预设噪声值,包括:
将心电信号的所有数据分成多个分组;
获取每个分组中数据的标准差;
获取所有分组各自对应的标准差的平均值;
将平均值确定为预设噪声值。
可选的,根据分解级数,按照预设噪声值对心电信号的所有数据进行分解,得到所有数据的低频心电信号分量和高频心电信号分量,包括:
根据预设噪声值和预设数据扩展模型,对目标数据进行数据扩展,得到目标扩展数据;其中,目标数据为心电信号中的任意一个数据;
根据预设数据更新模型,对目标扩展数据进行数据更新,得到目标低频信号分量和目标高频信号分量;
对心电信号的所有数据全部进行数据扩展和数据更新后,得到第一低频信号分量和第一高频信号分量;其中,第一低频信号分量为所有目标低频信号分量的集合,第一高频信号分量为所有目标高频信号分量的集合;
根据预设数据更新模型,对第一低频信号分量中的所有数据进行数据更新,得到第二低频信号分量和第二高频信号分量;
根据预设数据更新模型,对第N-1低频信号分量中的所有数据进行数据更新,得到第N低频信号分量和第N高频信号分量;其中,N为大于或者等于3的整数;
当N等于所述分解级数时,对第N低频信号分量停止分解;
对第N低频信号分量中的所有信号分量按照预设规则进行变换,得到第N低频信号变换分量;
将第N低频信号变换分量确定为低频心电信号分量;
将第N高频信号分量至第一高频信号分量的集合确定为去除小于预设噪声值的高频心电信号分量。
相应的,预设数据扩展模型为:
预设数据更新模型为:
可选的,扩展低频信号分量,得到基线漂移分量,包括:
基于三次样条插值算法,对低频信号分量进行数据扩展,得到与预先采集的心电信号长度相同的基线漂移分量。
可选的,重构低频心电信号分量和高频心电信号分量,得到重组分量,包括:
根据预设重构模型对组合分量进行L级重构,得到去除高频噪声的重组分量;组合分量由低频心电信号分量和高频心电信号分量组成;
其中,预设重构模型为:
其中,为第l2级组合分量中存放位置为i的重构数据,为第l2级组合分量中存放位置为i+1的重构数据;当l2=1时,为原组合分量中存放位置为处的数据;当l2>1时,为第l2-1级组合分量中存放位置为处的数据;当l2=1时,为原组合分量中存放位置为处的数据;当l2>1时,为第l2-1级组合分量中存放位置为处的数据;l2表示当前重构的级数,l2=1,2,…,L,每一级重构时i=1,3,…m2-1,L为分解级数。
本发明实施例的第二方面提供了一种基线漂移和高频噪声的去除装置,包括:
确定级数模块:用于根据预设基线漂移频率和心电信号的采样频率,确定预先采集的心电信号的分解级数;
获取模块:用于获取预设噪声值;
分解模块:用于根据分解级数,按照预设噪声值对心电信号的所有数据进行分解,得到所有数据的低频心电信号分量和高频心电信号分量;
扩展模块:用于扩展低频心电信号分量,得到基线漂移分量;
重构模块:用于重构低频心电信号分量和高频心电信号分量,得到去除高频噪声的重组分量;
去除模块:用于去除重组分量中的基线漂移分量,得到去除基线漂移和高频噪声的心电信号。
可选的,确定级数模块还用于:
根据预设基线漂移频率和心电信号的采样频率,确定预先采集的心电信号的分解级数,包括:
将心电信号的分解级数确定为i+1。
可选的,预设噪声值的取值范围为0.02-0.06。
可选的,获取模块还用于:
将心电信号的所有数据分成多个分组;
获取每个分组中数据的标准差;
获取所有分组各自对应的标准差的平均值;
将所述平均值确定为所述预设噪声值。
可选的,分解模块还用于:
根据预设噪声值和预设数据扩展模型,对目标数据进行数据扩展,得到目标扩展数据;其中,目标数据为心电信号中的任意一个数据;
根据预设数据更新模型,对目标扩展数据进行数据更新,得到目标低频信号分量和目标高频信号分量;
对心电信号的所有数据全部进行数据扩展和数据更新后,得到第一低频信号分量和第一高频信号分量;其中,所述第一低频信号分量为所有所述目标低频信号分量的集合,所述第一高频信号分量为所有所述目标高频信号分量的集合;
根据预设数据更新模型,对第一低频信号分量中的所有数据进行数据更新,得到第二低频信号分量和第二高频信号分量;
根据预设数据更新模型,对第N-1低频信号分量中的所有数据进行数据更新,得到第N低频信号分量和第N高频信号分量;其中,N为大于或者等于3的整数;
当N等于所述分解级数时,对第N低频信号分量停止分解;
对第N低频信号分量中的所有信号分量按照预设规则进行变换,得到第N低频信号变换分量;
将第N低频信号变换分量确定为低频心电信号分量;
将第N高频信号分量至第一高频信号分量的集合确定为去除高频噪声的高频心电信号分量。
相应的,预设数据扩展模型为:
预设数据更新模型为:
可选的,扩展模块还用于:
基于三次样条插值算法,对低频信号分量进行数据扩展,得到与预先采集的心电信号长度相同的基线漂移分量。
可选的,重构模块还用于:
根据预设重构模型对组合分量进行L级重构,得到重组分量;组合分量由低频心电信号分量和高频心电信号分量组成;
其中,预设重构模型为:
其中,为第l2级组合分量中存放位置为i的重构数据,为第l2级组合分量中存放位置为i+1的重构数据;当l2=1时,为原组合分量中存放位置为处的数据;当l2>1时,为第l2-1级组合分量中存放位置为处的数据;当l2=1时,为原组合分量中存放位置为处的数据;当l2>1时,为第l2-1级组合分量中存放位置为处的数据;l2表示当前重构的级数,l2=1,2,…,L,每一级重构时i=1,3,…m2-1,L为分解级数。
本发明实施例的第三方面提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中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如第一方面所述方法的步骤。
本发明实施例与现有技术相比存在的有益效果是:
由于基线漂移和高频噪声需要分别去除,需要较长的计算时间,因此,在本发明实施例中,可以根据预设基线漂移频率和心电信号的采样频率,确定预先采集的心电信号的分解级数,之后获取预设噪声值,然后根据分解级数,按照预设噪声值对心电信号的所有数据进行分解,得到低频心电信号分量和去除小于预设噪声值的高频心电信号分量。随后扩展低频心电信号分量,得到基线漂移分量,重构低频心电信号分量和高频心电信号分量,得到去除高频噪声的重组分量。最后去除重组分量中的基线漂移分量,得到去除基线漂移和高频噪声的心电信号。如此,即可同时去除心电信号中的基线漂移和高频噪声,缩短计算时间。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基线漂移和高频噪声的去除方法的步骤流程图;
图2是本发明实施例提供的一种基线漂移和高频噪声的去除装置的示意图;
图3是本发明实施例提供的一种电子设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
目前,去除基线偏移和高频噪声的方法主要有小波变换、形态学运算和滤波器等方法,在对心电信号处理时,需要分别去除基线漂移和高频噪声。然而,当对心电信号中的基线偏移和高频噪声分别去除时,需要通过大量复杂繁琐的计算才能分别去除基线偏移和高频噪声,需要耗费较长的时间。
为了解决现有技术问题,本发明实施例提供了一种基线漂移和高频噪声的去除方法、装置和设备。下面首先对本发明实施例所提供的基线漂移和高频噪声的去除方法进行介绍。
如图1所示,本发明实施例提供的基线漂移和高频噪声的去除方法可以包括以下步骤:
步骤S110、根据预设基线漂移频率和心电信号的采样频率,确定预先采集的心电信号的分解级数。
在一些实施例中,基线漂移通常是由呼吸引起的,频率较低,频率范围为0.05-2Hz,因此将2Hz以下的信号分量去除,即可实现基线矫正。
如此,可以预设基线漂移频率为2Hz。根据预设基线漂移频率为2Hz和预先采集的心电信号的采集频率,即可确定预先采集的心电信号的分解级数。
具体的,通过对心电信号的采集频率的多次分解,可以确定心电信号的分解级数。首先,对心电信号的采样频率F进行第一次分解,会得到第一频率分量其中,第一频率分量的信号频率范围的最大值为预先采集的心电信号的频率范围最大值的一半。然后,当进行第2级分解时,得到的第二频率分量从而,当进行第i+1级分解时,得到的第i+1频率分量当第i+1频率分量小于预设基线漂移频率时,则停止分解,此时即可确定心电信号的分解级数为i+1,此时的频率信号范围为
例如,预设基线漂移频率为2Hz,预先采集的心电信号的采集频率范围为0-360Hz,对心电信号进行分解。当分解级数为8时,此时的频率分量为1.4Hz,此时的频率分量1.4Hz小于预设基线漂移频率2Hz,从而确定信号的分解级数为8级为最合适。此时的频率信号范围为0~1.4Hz。
通过上述方法对心电信号分解级数的确定,从而可以更准确的去除基线漂移,得到更准确的心电信号。
步骤S120、获取预设噪声值。
采集的心电信号中,除基线漂移外,还有人体肌电干扰引起的高频噪声,也会影响心电信号的准确性,因此也需要去除。本申请中通过设置预设噪声值,可将低于预设噪声值的高频噪声去除。
在一些实施例中,可以根据经验值确定预设噪声值的取值范围为0.02-0.06。具体的,可以设置预设噪声值为0.03。
在一些实施例中,为了可以根据心电信号的差异,更好的确定预设噪声值,首先,将心电信号的所有数据分成多个分组,然后获取每个分组中数据的标准差,之后,获取所有分组各自对应的标准差的平均值。最后,将平均值确定为预设噪声值,从而得到了预设噪声值。
具体的,假设心电信号的数据为D={d1,d2,…dn},n=2k(k∈N+),依次计算每t个心电信号的数据的标准差,需要说明的是为t个不重叠的心电信号的数据,其中,t∈{21,22,…,2k},具体的,t可以选为4。则可以将心电信号的数据分为n/t组。
最后,心电信号的所有数据的预设噪声值为Δ=λ×std_mean,其中Δ为预设噪声值,λ为调节因子,λ的取值范围为0.8-2.0。
步骤S130、根据分解级数,按照预设噪声值对心电信号的所有数据进行分解,得到所有数据的低频心电信号分量和高频心电信号分量。
在一些实施例中,根据上述步骤中得到的分解级数,按照上述步骤中的获取的预设噪声值,即可对心电信号的所有数据进行分解,得到所有数据的低频心电信号分量和去除小于预设噪声值的高频心电信号分量。需要说明的是,预设噪声值在整个分解过程中都使用第一次分解前获取的预设噪声值,在进行多次分解的过程中,预设噪声值是不变的。
具体的,本申请中采用归一化一维转换压缩的方法,对心电信号的所有数据进行分解。具体步骤如下:
首先,根据预设噪声值和预设数据扩展模型,对目标数据进行数据扩展,得到目标扩展数据。其中,目标数据为心电信号中的任意一个数据。
例如:给定的心电信号的初始行向量D={d1,d2,d3…dn},n=2k(k∈N+)n为心电信号初始行向量的数据个数,根据上述步骤中确定的预设噪声值Δ,按照预设数据扩展模型对目标数据进行数据扩展,得到目标扩展数据。
其次,根据预设数据更新模型,对目标扩展数据进行数据更新,得到目标低频信号分量和目标高频信号分量。具体为:
将目标数据通过预设数据扩展模型和预设数据更新模型后,得到相应的目标低频信号分量和目标高频信号分量。得到的相应的目标低频信号分量和目标高频信号分量都分别有固定的存放位置,需要说明的是必须按照相应的位置存放。
其中存储原则为:目标数据di的目标低频信号分量存储于初始行向量的处,目标数据di的目标高频信号分量b存储于初始行向量的处,l1表示当前分解的级数,1≤l1≤L,L为上述步骤中确定的心电信号的分解级数,L≤k。
当对心电信号的所有数据全部进行数据扩展和第一级数据更新后,按照存储原则对得到的所有目标低频信号分量和目标高频信号分量进行存储,得到第一低频信号分量和第一高频信号分量。
再次,根据预设数据更新模型,对第一低频信号分量中的所有数据进行第二级数据更新,得到按照存储规则存储的第二低频信号分量和第二高频信号分量。
对第L-1低频信号分量和第L-1高频信号分量中的所有数据进行第L级数据数据更新后,得到第L低频信号分量和第L高频信号分量。对第L低频信号分量中的所有信号分量按照预设规则进行变换,得到第L低频信号变换分量,将第L低频信号变换分量确定为低频心电信号分量。具体的,经过数据扩展和数据更新后得到的第L低频信号分量中的所有信号分量都是区间值,需要对每个区间值变换,才能得到具体的心电数据。对于第L低频信号分量中的任意一个信号分量,由于信号分量是一个区间的值,需要对区间的值进行变换,可以采用将信号分量的区间2个端点的平均值作为所需的信号数据,并将得到的平均值存储在相应的位置,对第L低频信号分量中的所有信号分量均采用上述方法变换及存储后,得到第L低频信号变换分量。
基于对心电信号的L级分解,得到低频心电信号分量Clow_L和高频心电信号分量Chigh_L;其中,低频心电信号分量Clow_L为第L低频信号分量,高频心电信号分量Chigh_L为第L高频信号分量至第一高频信号分量的集合。
例如:给定的心电信号的初始行向量中有8192个数据,如果对心电信号进行8次分解,则得到的低频心电信号分量Clow_L的数据个数为8192/28,即32个低频心电信号分量。得到的高频心电信号分量Chigh_L的个数为8160个。其中,8160个高频心电信号分量Chigh_L中包含了数值为0的高频心电信号分量。
步骤S140、扩展低频心电信号分量,得到基线漂移分量。
在一些实施例中,通过对得到的低频心电信号分量Clow_L进行数据扩展,即可得到基线漂移分量P。
步骤S150、重构低频心电信号分量和高频心电信号分量,得到去除高频噪声的重组分量。
基于上述对心电信号的L级分解,对得到的低频心电信号分量Clow_L和高频心电信号分量Chigh_L的组合分量WL进行重构,其中组合分量WL即为按照上述存储原则存储的低频心电信号分量Clow_L和高频心电信号分量Chigh_L的集合。
具体的,低频心电信号分量Clow_L和高频心电信号分量Chigh_L的组合分量的行向量为WL=[w1,w2,…,wn],可以采用预设重构模型对组合分量WL进行多级重构,得到重组分量R。其中,预设重构模型为:
式中:为第l2级组合分量中存放位置为i的重构数据,为第l2级组合分量中存放位置为i+1的重构数据;当l2=1时,为原组合分量中存放位置为处的数据,当l2>1时为第l2-1级组合分量中存放位置为处的数据;当l2=1时,为原组合分量中存放位置为处的数据,当l2>1时,为第l2-1级组合分量中存放位置为处的数据;l2表示当前重构的级数,l2=1,2,…,L。每一级重构时i=1,3,…m2-1,L为分解级数,n为组合分量中的分量个数。
通过采用上述的预设重构模型对得到的组合分量WL进行重构后,得到去除高频噪声的重组分量R。
步骤S160、去除重组分量中的基线漂移分量,得到去除基线漂移和高频噪声的心电信号。
通过将上述步骤中得到的重组分量R减去基线漂移分量P,即可得到去除基线漂移和高频噪声的心电信号。
本申请中,通过在数据扩展中引入预设噪声值,在后续的各个步骤中,通过对低频信号分量进行多次数据更新及分解,当对心电信号进行到第L级分解,得到低频心电信号分量Clow_L和去除小于预设噪声值的高频心电信号分量Chigh_L。然后通过对低频心电信号分量Clow_L的扩展,得到与初始心电信号的数据长度相同的基线漂移分量。其次,对组合分量WL进行重构后,得到去除高频噪声的重组分量。因此,通过将重组分量中的基线漂移分量去除后,即可实现对基线漂移和高频噪声的同时去除。即在去除基线漂移的同时,可以同时将低于预设噪声值的高频噪声去除。且去除的过程中,无需多次分步骤去除,可大大减少计算的任务量,从而减少计算时间,加快处理的速度。
由于基线漂移和高频噪声需要分别去除,需要较长的计算时间,因此,在本发明实施例中,可以根据预设基线漂移频率和心电信号的采样频率,确定预先采集的心电信号的分解级数,之后获取预设噪声值,然后根据分解级数,按照预设噪声值对心电信号的所有数据进行分解,得到所有数据的低频心电信号分量和去除小于预设噪声值的高频心电信号分量。随后扩展低频心电信号分量,得到基线漂移分量,重构低频心电信号分量和高频心电信号分量,得到去除高频噪声的重组分量。最后去除重组分量中的基线漂移分量,得到去除基线漂移和高频噪声的心电信号。如此,即可同时去除心电信号中的基线漂移和高频噪声,缩短计算时间。
此外,本发明实施例提供的基线漂移和高频噪声的去除方法,还可以与其它基线漂移和高频噪声的去除手段结合使用,进一步提升去除效果。
基于上述实施例提供的基线漂移和高频噪声的去除方法,相应地,本发明还提供了应用于该基线漂移和高频噪声的去除方法的基线漂移和高频噪声的去除装置的具体实现方式。请参见以下实施例。
如图2所示,提供了一种基线漂移和高频噪声的去除装置200,该装置包括:
确定级数模块210:用于根据预设基线漂移频率和心电信号的采样频率,确定预先采集的心电信号的分解级数;
获取模块220:用于获取预设噪声值;
分解模块230:用于根据分解级数,按照预设噪声值对心电信号的所有数据进行分解,得到低频心电信号分量和高频心电信号分量;
扩展模块240:用于扩展低频心电信号分量,得到所有数据的基线漂移分量;
重构模块250:用于重构低频心电信号分量和高频心电信号分量,得到去除高频噪声的重组分量;
去除模块260:用于去除重组分量中的基线漂移分量,得到去除基线漂移和高频噪声的心电信号。
可选的,确定级数模块210还用于:
根据预设基线漂移频率和心电信号的采样频率,确定预先采集的心电信号的分解级数,包括:
将心电信号的分解级数确定为i+1。
可选的,预设噪声值的取值范围为0.02-0.06。
可选的,获取模块220还用于:
将心电信号的所有数据分成多个分组;
获取每个分组中数据的标准差;
获取所有分组各自对应的标准差的平均值;
将平均值确定为预设噪声值。
可选的,分解模块230还用于:
根据预设噪声值和预设数据扩展模型,对目标数据进行数据扩展,得到目标扩展数据;其中目标数据为心电信号中的任意一个数据;
根据预设数据更新模型,对目标扩展数据进行数据更新,得到目标低频信号分量和目标高频信号分量;
对心电信号的所有数据全部进行数据扩展和数据更新后,得到第一低频信号分量和第一高频信号分量;
根据预设数据更新模型,对第一低频信号分量中的所有数据进行数据更新,得到第二低频信号分量和第二高频信号分量;其中,第一低频信号分量为所有目标低频信号分量的集合,第一高频信号分量为所有目标高频信号分量的集合;
根据预设数据更新模型,对第一低频信号分量中的所有数据进行数据更新,得到第二低频信号分量和第二高频信号分量;
根据预设数据更新模型,对第N-1低频信号分量中的所有数据进行数据更新,得到第N低频信号分量和第N高频信号分量;其中,N为大于或者等于3的整数;
当N等于所述分解级数时,对第N低频信号分量停止分解;
对第N低频信号分量中的所有信号分量按照预设规则进行变换,得到第N低频信号变换分量;
将第N低频信号变换分量确定为低频心电信号分量;
将第N高频信号分量至第一高频信号分量的集合确定为高频心电信号分量。
相应的,预设数据扩展模型为:
预设数据更新模型为:
可选的,扩展模块240还用于:
基于三次样条插值算法,对低频信号分量进行数据扩展,得到与预先采集的心电信号长度相同的基线漂移分量。
可选的,重构模块250还用于:
根据预设重构模型对组合分量进行L级重构,得到重组分量;组合分量由低频心电信号分量和高频心电信号分量组成;
其中,预设重构模型为:
其中,为第l2级组合分量中存放位置为i的重构数据,为第l2级组合分量中存放位置为i+1的重构数据;当l2=1时,为原组合分量中存放位置为处的数据;当l2>1时,为第l2-1级组合分量中存放位置为处的数据;当l2=1时,为原组合分量中存放位置为处的数据;当l2>1时,为第l2-1级组合分量中存放位置为处的数据;l2表示当前重构的级数,l2=1,2,…,L,每一级重构时i=1,3,…m2-1,L为分解级数。
图3是本发明一实施例提供的电子设备的示意图。如图3所示,该实施例的电子设备3包括:处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32。所述处理器30执行所述计算机程序32时实现上述基线漂移和高频噪声的去除方法实施例中的步骤。或者,所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块/单元的功能。
示例性的,所述计算机程序32可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器31中,并由所述处理器30执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序32在所述电子设备3中的执行过程。例如,所述计算机程序32可以被分割成确定级数模块、获取模块、分解模块、扩展模块、重构模块和去除模块,各模块具体功能如下:
确定级数模块:用于根据预设基线漂移频率和心电信号的采样频率,确定预先采集的心电信号的分解级数;
获取模块:用于获取预设噪声值;
分解模块:用于根据分解级数,按照预设噪声值对心电信号的所有数据进行分解,得到所有数据的低频心电信号分量和高频心电信号分量;
扩展模块:用于扩展低频心电信号分量,得到基线漂移分量;
重构模块:用于重构低频心电信号分量和高频心电信号分量,得到去除高频噪声的重组分量;
去除模块:用于去除重组分量中的基线漂移分量,得到去除基线漂移和高频噪声的心电信号。
所述电子设备3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述电子设备可包括,但不仅限于,处理器30、存储器31。本领域技术人员可以理解,图3仅仅是电子设备3的示例,并不构成对电子设备3的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器51可以是所述电子设备3的内部存储单元,例如电子设备3的硬盘或内存。所述存储器31也可以是所述电子设备3的外部存储设备,例如所述电子设备3上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器31还可以既包括所述电子设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/电子设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/电子设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基线漂移和高频噪声的去除方法,其特征在于,包括:
根据预设基线漂移频率和心电信号的采样频率,确定预先采集的心电信号的分解级数;
获取预设噪声值;
根据所述分解级数,按照所述预设噪声值对所述心电信号的所有数据进行分解,得到所述所有数据的低频心电信号分量和高频心电信号分量;
扩展所述低频心电信号分量,得到基线漂移分量;
重构所述低频心电信号分量和所述高频心电信号分量,得到去除高频噪声的重组分量;
去除所述重组分量中的所述基线漂移分量,得到去除基线漂移和高频噪声的心电信号;
其中,所述根据所述分解级数,按照所述预设噪声值对所述心电信号的所有数据进行分解,得到所述所有数据的低频心电信号分量和高频心电信号分量,包括:
根据所述预设噪声值和预设数据扩展模型,对目标数据进行数据扩展,得到目标扩展数据;其中,所述目标数据为所述心电信号中的任意一个数据;
根据预设数据更新模型,对所述目标扩展数据进行数据更新,得到目标低频信号分量和目标高频信号分量;
对所述心电信号的所有数据全部进行数据扩展和数据更新后,得到第一低频信号分量和第一高频信号分量;其中,所述第一低频信号分量为所有所述目标低频信号分量的集合,所述第一高频信号分量为所有所述目标高频信号分量的集合;
根据所述预设数据更新模型,对所述第一低频信号分量中的所有数据进行数据更新,得到第二低频信号分量和第二高频信号分量;
根据所述预设数据更新模型,对第N-1低频信号分量中的所有数据进行数据更新,得到第N低频信号分量和第N高频信号分量;其中,N为大于或者等于3的整数;
当N等于所述分解级数时,对所述第N低频信号分量停止分解;
对所述第N低频信号分量中的所有信号分量按照预设规则进行变换,得到第N低频信号变换分量;
将所述第N低频信号变换分量确定为所述低频心电信号分量;
将所述第N高频信号分量至所述第一高频信号分量的集合确定为去除小于所述预设噪声值的高频心电信号分量。
3.如权利要求1所述的基线漂移和高频噪声的去除方法,其特征在于,所述预设噪声值的取值范围为0.02-0.06。
4.如权利要求1所述的基线漂移和高频噪声的去除方法,其特征在于,所述获取预设噪声值,包括:
将所述心电信号的所有数据分成多个分组;
获取每个分组中数据的标准差;
获取所有分组各自对应的标准差的平均值;
将所述平均值确定为所述预设噪声值。
6.如权利要求1所述的基线漂移和高频噪声的去除方法,其特征在于,所述扩展所述低频心电信号分量,得到基线漂移分量,包括:
基于三次样条插值算法,对所述低频心电信号分量进行数据扩展,得到与预先采集的心电信号长度相同的基线漂移分量。
7.如权利要求1所述的基线漂移和高频噪声的去除方法,其特征在于,所述重构所述低频心电信号分量和高频心电信号分量,得到去除高频噪声的重组分量,包括:
根据预设重构模型对组合分量进行L级重构,得到重组分量;所述组合分量由所述低频心电信号分量和高频心电信号分量的集合组成;
其中,所述预设重构模型为:
8.一种基线漂移和高频噪声的去除装置,其特征在于,包括:
确定级数模块:用于根据预设基线漂移频率和心电信号的采样频率,确定预先采集的心电信号的分解级数;
获取模块:用于获取预设噪声值;
分解模块:用于根据所述分解级数,按照所述预设噪声值对所述心电信号的所有数据进行分解,得到所述所有数据的低频心电信号分量和高频心电信号分量;
扩展模块:用于扩展所述低频心电信号分量,得到基线漂移分量;
重构模块:用于重构所述低频心电信号分量和所述高频心电信号分量,得到去除高频噪声的重组分量;
去除模块:用于去除所述重组分量中的所述基线漂移分量,得到去除基线漂移和高频噪声的心电信号;
其中,分解模块:具体用于根据所述预设噪声值和预设数据扩展模型,对目标数据进行数据扩展,得到目标扩展数据;其中,所述目标数据为所述心电信号中的任意一个数据;
根据预设数据更新模型,对所述目标扩展数据进行数据更新,得到目标低频信号分量和目标高频信号分量;
对所述心电信号的所有数据全部进行数据扩展和数据更新后,得到第一低频信号分量和第一高频信号分量;其中,所述第一低频信号分量为所有所述目标低频信号分量的集合,所述第一高频信号分量为所有所述目标高频信号分量的集合;
根据所述预设数据更新模型,对所述第一低频信号分量中的所有数据进行数据更新,得到第二低频信号分量和第二高频信号分量;
根据所述预设数据更新模型,对第N-1低频信号分量中的所有数据进行数据更新,得到第N低频信号分量和第N高频信号分量;其中,N为大于或者等于3的整数;
当N等于所述分解级数时,对所述第N低频信号分量停止分解;
对所述第N低频信号分量中的所有信号分量按照预设规则进行变换,得到第N低频信号变换分量;
将所述第N低频信号变换分量确定为所述低频心电信号分量;
将所述第N高频信号分量至所述第一高频信号分量的集合确定为去除小于所述预设噪声值的高频心电信号分量。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110583969.6A CN113288158B (zh) | 2021-05-27 | 2021-05-27 | 基线漂移和高频噪声的去除方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110583969.6A CN113288158B (zh) | 2021-05-27 | 2021-05-27 | 基线漂移和高频噪声的去除方法、装置和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113288158A CN113288158A (zh) | 2021-08-24 |
CN113288158B true CN113288158B (zh) | 2022-12-20 |
Family
ID=77325546
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110583969.6A Active CN113288158B (zh) | 2021-05-27 | 2021-05-27 | 基线漂移和高频噪声的去除方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113288158B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116548928B (zh) * | 2023-07-11 | 2023-09-08 | 西安浩阳志德医疗科技有限公司 | 一种基于互联网的护理服务系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104367316A (zh) * | 2014-11-13 | 2015-02-25 | 重庆邮电大学 | 基于形态学滤波与提升小波变换的心电信号去噪方法 |
CN106419898A (zh) * | 2016-08-12 | 2017-02-22 | 武汉中旗生物医疗电子有限公司 | 一种去除心电信号基线漂移的方法 |
CN107361762A (zh) * | 2017-08-04 | 2017-11-21 | 山东理工大学 | 基于变分模态分解的心电信号基线漂移校正方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9364160B2 (en) * | 2012-03-28 | 2016-06-14 | Qualcomm Incorporated | Systems and methods for ECG monitoring |
WO2016060620A1 (en) * | 2014-10-16 | 2016-04-21 | Agency For Science, Technology And Research | Frame based spike detection module |
CN109219391A (zh) * | 2017-05-04 | 2019-01-15 | 京东方科技集团股份有限公司 | 用于确定对象血压的设备和方法 |
CN107260163A (zh) * | 2017-07-31 | 2017-10-20 | 广东南方电信规划咨询设计院有限公司 | 无线远程心电监测系统及方法 |
CN109998522A (zh) * | 2019-02-27 | 2019-07-12 | 东南大学 | 一种基于穿戴式动态心电的运动负荷检测装置及方法 |
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 |
CN112583378B (zh) * | 2020-12-04 | 2023-07-25 | 山东省科学院自动化研究所 | 含有基线漂移和高频噪声的光电传感信号重构方法及系统 |
-
2021
- 2021-05-27 CN CN202110583969.6A patent/CN113288158B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104367316A (zh) * | 2014-11-13 | 2015-02-25 | 重庆邮电大学 | 基于形态学滤波与提升小波变换的心电信号去噪方法 |
CN106419898A (zh) * | 2016-08-12 | 2017-02-22 | 武汉中旗生物医疗电子有限公司 | 一种去除心电信号基线漂移的方法 |
CN107361762A (zh) * | 2017-08-04 | 2017-11-21 | 山东理工大学 | 基于变分模态分解的心电信号基线漂移校正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113288158A (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Singh et al. | Denoising of ECG signal by non-local estimation of approximation coefficients in DWT | |
Chang et al. | Gaussian noise filtering from ECG by Wiener filter and ensemble empirical mode decomposition | |
CN110680308B (zh) | 基于改进emd与阈值法融合的心电信号去噪方法 | |
CN109124620B (zh) | 一种房颤检测方法、装置及设备 | |
KR20140139564A (ko) | Ecg 모니터링을 위한 시스템들 및 방법들 | |
CN103870694A (zh) | 一种基于修正小波阈值的经验模态分解去噪方法 | |
CN113288158B (zh) | 基线漂移和高频噪声的去除方法、装置和设备 | |
CN109512395B (zh) | 一种生物信号的分析处理方法、装置及设备 | |
Chaudhary et al. | Comparison between different wavelet transforms and thresholding techniques for ECG denoising | |
Georgieva-Tsaneva | Wavelet based interval varying algorithm for optimal non-stationary signal denoising | |
CN117814805A (zh) | 一种临床护理设备数据智能处理方法 | |
CN113303809B (zh) | 基线漂移和高频噪声的去除方法、装置、设备和存储介质 | |
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 | |
CN110495878B (zh) | 基于ecg的疾病预测方法、装置及电子设备 | |
Xia et al. | A denoising method of ECG signal based on variational autoencoder and masked convolution | |
CN109602416A (zh) | 一种ecg信号联合基线校正及降噪的方法 | |
CN112545483B (zh) | 一种智能磁共振呼吸运动培训方法及装置 | |
Chen et al. | Wavelet-domain group-sparse denoising method for ECG signals | |
CN111803060B (zh) | 一种心电伪迹信号去除方法及装置 | |
Talbi et al. | Flexible ECG signal modeling and compression using alpha stable functions | |
Malhotra et al. | A real time wavelet filtering for ECG baseline wandering removal | |
CN115956925B (zh) | 一种基于多级平滑包络的qrs波检测方法及系统 | |
Wang et al. | A lifting double-wavelet algorithm for ECG signal denoising | |
CN115444430A (zh) | 基于转换压缩的r波识别方法、装置、终端及存储介质 | |
CN115399784B (zh) | 一种心电无效数据自动屏蔽方法、终端设备及存储介质 |
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 |