CN113303809A - 基线漂移和高频噪声的去除方法、装置、设备和存储介质 - Google Patents

基线漂移和高频噪声的去除方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN113303809A
CN113303809A CN202110583401.4A CN202110583401A CN113303809A CN 113303809 A CN113303809 A CN 113303809A CN 202110583401 A CN202110583401 A CN 202110583401A CN 113303809 A CN113303809 A CN 113303809A
Authority
CN
China
Prior art keywords
frequency
component
data
low
preset
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
Application number
CN202110583401.4A
Other languages
English (en)
Other versions
CN113303809B (zh
Inventor
李晓云
冯春雨
范瑞琴
黄世中
庞超逸
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.)
Institute Of Applied Mathematics Hebei Academy Of Sciences
Original Assignee
Institute Of Applied Mathematics Hebei Academy Of Sciences
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 Institute Of Applied Mathematics Hebei Academy Of Sciences filed Critical Institute Of Applied Mathematics Hebei Academy Of Sciences
Priority to CN202110583401.4A priority Critical patent/CN113303809B/zh
Publication of CN113303809A publication Critical patent/CN113303809A/zh
Application granted granted Critical
Publication of CN113303809B publication Critical patent/CN113303809B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/24—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]
    • A61B5/346—Analysis of electrocardiograms
    • 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)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Cardiology (AREA)
  • Artificial Intelligence (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Power Engineering (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明适用信号处理技术领域，提供了一种基线漂移和高频噪声的去除方法、装置、设备和存储介质，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；将心电信号的所有数据分成多个分组，获取每个分组对应的预设噪声值；根据分解级数，按照每个分组对应的预设噪声值，对相应的分组的数据进行分解，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；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，得到去除基线漂移和高频噪声的心电信号。采用本发明可以提高处理速度。

Description

基线漂移和高频噪声的去除方法、装置、设备和存储介质
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、设备和存储介质。
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。基线漂移会抬高心电图的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、设备和存储介质，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；
将心电信号的所有数据分成多个分组，获取每个分组对应的预设噪声值；
根据分解级数，按照每个分组对应的预设噪声值，对所有相应的分组的数据进行分解，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：
对心电信号的采样频率F进行第一次分解，得到第一频率分量
Figure BDA0003087030940000021
对第一频率分量
Figure BDA0003087030940000022
进行第二次分解，得到第二频率分量
Figure BDA0003087030940000023
对第i频率分量
Figure BDA0003087030940000024
进行第i+1次分解，得到第i+1频率分量
Figure BDA0003087030940000025
其中，i为大于或者等于2的整数；
当第i+1频率分量
Figure BDA0003087030940000026
小于预设基线漂移频率，对第i+1频率分量停止分解；
将心电信号的分解级数确定为i+1。
可选的，将心电信号的所有数据分成多个分组，获取每个分组对应的预设噪声值，包括：
获取第一预设阈值和分组对应的标准差；
在第一预设阈值大于或者等于分组对应的标准差的情况下，将第一预设阈值确定为分组对应的预设噪声值；
在第一预设阈值小于分组对应的标准差的情况下，将第二预设阈值确定为分组对应的预设噪声值。
可选的，根据分解级数，按照每个分组对应的预设噪声值，对所有相应的分组的数据进行分解，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：
根据每个分组对应的预设噪声值和预设数据扩展模型，对每个分组内的目标数据进行数据扩展，得到目标扩展数据；其中，目标数据为分组中的任意一个数据；
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；
对所有分组中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：
Figure BDA0003087030940000041
预设数据更新模型为：
Figure BDA0003087030940000042
当
Figure BDA0003087030940000043
时，
Figure BDA0003087030940000044
当
Figure BDA0003087030940000045
时，b＝0；
其中，di为心电信号中的任意一个信号数据，Δ为预设噪声值，
Figure BDA0003087030940000046
为目标低频信号分量，b为目标高频信号分量。
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；组合分量由低频心电信号分量和高频心电信号分量的集合组成；
其中，预设重构模型为：
Figure BDA0003087030940000047
Figure BDA0003087030940000048
其中，
Figure BDA0003087030940000049
为第l2级组合分量中存放位置为i的重构数据，
Figure BDA00030870309400000410
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，
Figure BDA00030870309400000411
为原组合分量中存放位置为
Figure BDA00030870309400000412
处的数据，当l2>1时，
Figure BDA00030870309400000413
为第l2-1级组合分量中存放位置为
Figure BDA00030870309400000414
处的数据；当l2＝1时，
Figure BDA0003087030940000051
为原组合分量中存放位置为
Figure BDA0003087030940000052
处的数据，当l2>1时，
Figure BDA0003087030940000053
为第l2-1级组合分量中存放位置为
Figure BDA0003087030940000054
处的数据；
Figure BDA0003087030940000055
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：将心电信号的所有数据分成多个分组，获取每个分组对应的预设噪声值；
分解模块：根据分解级数，按照每个分组对应的预设噪声值，对所有相应的分组的数据进行分解，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：扩展低频心电信号分量，得到基线漂移分量；
重构模块：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：去除重组分量中的基线漂移，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：
对心电信号的采样频率F进行第一次分解，得到第一频率分量
Figure BDA0003087030940000056
对第一频率分量
Figure BDA0003087030940000057
进行第二次分解，得到第二频率分量
Figure BDA0003087030940000058
对第i频率分量
Figure BDA0003087030940000059
进行第i+1次分解，得到第i+1频率分量
Figure BDA00030870309400000510
其中，i为大于或者等于2的整数；
当第i+1频率分量
Figure BDA0003087030940000061
小于预设基线漂移频率，对第i+1频率分量停止分解；
将心电信号的分解级数确定为i+1。
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，获取每个分组对应的预设噪声值，包括：
获取第一预设阈值和分组对应的标准差；
在第一预设阈值大于或者等于分组对应的标准差的情况下，将第一预设阈值确定为分组对应的预设噪声值；
在第一预设阈值小于分组对应的标准差的情况下，将第二预设阈值确定为分组对应的预设噪声值。
可选的，分解模块还用于：
根据分解级数，按照每个分组对应的预设噪声值，对所有相应的分组的数据进行分解，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：
根据每个分组对应的预设噪声值和预设数据扩展模型，对每个分组内的目标数据进行数据扩展，得到目标扩展数据；其中，目标数据为分组中的任意一个数据；
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；
对所有分组中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：
Figure BDA0003087030940000071
预设数据更新模型为：
Figure BDA0003087030940000072
当
Figure BDA0003087030940000073
时，
Figure BDA0003087030940000074
当
Figure BDA0003087030940000075
时，b＝0；
其中，di为心电信号中的任意一个信号数据，Δ为预设噪声值，
Figure BDA0003087030940000076
为目标低频信号分量，b为目标高频信号分量。
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的集合组成；
其中，预设重构模型为：
Figure BDA0003087030940000077
Figure BDA0003087030940000081
其中，
Figure BDA0003087030940000082
为第l2级组合分量中存放位置为i的重构数据，
Figure BDA0003087030940000083
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，
Figure BDA0003087030940000084
为原组合分量中存放位置为
Figure BDA0003087030940000085
处的数据，当l2>1时，
Figure BDA0003087030940000086
为第l2-1级组合分量中存放位置为
Figure BDA0003087030940000087
处的数据；当l2＝1时，
Figure BDA0003087030940000088
为原组合分量中存放位置为
Figure BDA0003087030940000089
处的数据，当l2>1时，
Figure BDA00030870309400000810
为第l2-1级组合分量中存放位置为
Figure BDA00030870309400000811
处的数据；
Figure BDA00030870309400000812
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。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行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，之后将心电信号的所有数据分成多个分组，获取每个分组对应的预设噪声值；然后根据分解级数，按照每个分组对应的预设噪声值，对所有相应的分组的数据进行分解，得到所有数据的低频心电信号分量和高频心电信号分量。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，得到去除高频分量的重组分量。最后去除重组分量中的基线漂移，得到去除基线漂移和高频噪声的心电信号。如此，可以根据获取到的不同心电信号的数据，从而确定不同的预设噪声值，进而通过对心电信号的数据的分解、扩展和重构的处理，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、设备和存储介质。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
Figure BDA0003087030940000101
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，得到的第二级频率分量
Figure BDA0003087030940000102
从而，当进行第i+1级分解时，得到的第i+1频率分量
Figure BDA0003087030940000103
当第i+1频率分量
Figure BDA0003087030940000104
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
Figure BDA0003087030940000105
其中，i为大于或者等于2的整数。
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、将心电信号的所有数据分成多个分组，获取每个分组对应的预设噪声值。
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。本申请可以去除低于预设噪声值的高频噪声。
在一些实施例中，由于获取的心电信号的数据的差异，如果设定相同的预设噪声值，则无法根据心电信号的数据的差异准确的去除低于预设噪声值的高频噪声。因此通过心电信号的数据的差异，将心电信号的所有数据分成多个分组，通过确定不同分组对应的预设噪声中，从而更准确的去除高频噪声。
具体的，可以首先将心电信号的所有数据分成多个分组，获取第一预设阈值和分组对应的标准差，其中，第一预设阈值为一固定值，且心电信号的所有数据的第一预设阈值可以是相同的。然后通过判断第一预设阈值和分组对应的标准差的大小关系，从而确定对应分组的预设噪声值。具体为：在第一预设阈值大于或等于分组对应的标准差的情况下，将第一预设阈值确定为分组对应的预设噪声值；在第一预设阈值小于分组对应的标准差的情况下，将第二预设阈值确定为分组对应的预设噪声值。需要说明的是：上述第二预设阈值和第一预设阈值分别为不同的固定值。
例如：假设心电信号的数据为D＝{d1,d2,…dn}，n＝2k(k∈N+)，将心电信号的数据分为多个分组，其中，每t个心电信号的数据分为一组，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}，t可以选为4。从而将整个心电信号的数据分为n/t组。
首先，依次计算目标分组对应的标准差std，
Figure BDA0003087030940000111
Figure BDA0003087030940000112
其中，目标分组为多个分组中的任意一组。
然后，计算所有分组对应的标准差std的平均值std_mean，
Figure BDA0003087030940000121
其中，n为心电信号的数据的个数，j和i为自然数。
之后，设心电信号的所有数据的第一预设阈值为thr＝β×std_mean，其中，β为调节因子，β的范围1.0-2.0。需要说明的是，本实施例中，心电信号的所有数据具有相同的第一预设阈值thr。
最后，根据第一预设阈值thr和目标分组对应的标准差的大小，确定目标分组对应的预设噪声值Δ。具体的，当第一预设阈值thr大于或等于目标分组对应的标准差的情况下，则将第一预设阈值thr设为目标分组对应的预设噪声值Δ。当第一预设阈值thr小于目标分组对应的标准差的情况下，将第二预设阈值设为分组对应的预设噪声值Δ。具体的，第二预设阈值可以根据具体情况设定，本实施例中，第二预设阈值可以设为0。
步骤S130、根据分解级数，按照每个分组对应的预设噪声值，对相应的分组的数据进行分解，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，按照上述步骤中得到的每个分组对应的预设噪声值，即可对心电信号的所有数据进行分解，在分解中，每个分组内的数据使用每个分组对应的预设噪声值，将所有分组的数据全部进行分解，即可得到所有数据的低频心电信号分量和高频心电信号分量。需要说明的是，在多次分解中，使用的预设噪声值都是使用在第一次分解前就已经确定的预设噪声值。
具体的，本申请中采用归一化一维转换压缩的方法，对心电信号的所有分组中的数据进行分解。具体步骤如下：
首先，根据每个分组对应的预设噪声值和预设数据扩展模型，对每个分组内的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+)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
Figure BDA0003087030940000131
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：
对相邻两区间的目标数据
Figure BDA0003087030940000132
和
Figure BDA0003087030940000133
进行处理，其中，i为奇数。依次对相邻两区间使用预设数据更新模型，对目标扩展数据进行数据更新。
具体的，预设数据更新模型为：
Figure BDA0003087030940000134
当
Figure BDA0003087030940000135
时，
Figure BDA0003087030940000136
当
Figure BDA0003087030940000137
时，b＝0；
其中，
Figure BDA0003087030940000138
为目标低频信号分量，b为目标高频信号分量。
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，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
Figure BDA0003087030940000139
存储于初始行向量的
Figure BDA00030870309400001310
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
Figure BDA00030870309400001311
处，
Figure BDA00030870309400001312
l1表示当前分解的级数，1≤l1≤L，L为上述步骤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。
直至对第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。
在本申请实施例中，通过设置预设噪声值，通过对心电信号的数据多次进行数据扩展和多次数据更新，当
Figure BDA0003087030940000141
时，b＝0，即当前级分解得到的目标高频信号分量为0，通过L级分解，从而得到了去除小于预设噪声值的高频信号分量。
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。
通过上述对心电信号的L级分解，得到的低频心电信号分量Clow_L中的数据的个数就为
Figure BDA0003087030940000142
n为心电信号的初始行向量的数据个数，L为上述心电信号的分解级数。
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。
具体的，基于三次样条插值算法，对得到的低频心电信号分量Clow_L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P1，最终得到相应的基线漂移
Figure BDA0003087030940000151
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：
Figure BDA0003087030940000152
Figure BDA0003087030940000153
式中：
Figure BDA0003087030940000154
为第l2级组合分量中存放位置为i的重构数据，
Figure BDA0003087030940000155
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，
Figure BDA0003087030940000156
为原组合分量中存放位置为
Figure BDA0003087030940000157
处的数据，当l2>1时
Figure BDA0003087030940000158
为第l2-1级组合分量中存放位置为
Figure BDA0003087030940000159
处的数据；当l2＝1时，
Figure BDA00030870309400001510
为原组合分量中存放位置为
Figure BDA00030870309400001511
处的数据，当l2>1时，
Figure BDA00030870309400001512
为第l2-1级组合分量中存放位置为
Figure BDA00030870309400001513
处的数据；
Figure BDA00030870309400001514
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，得到去除基线漂移和高频噪声的心电信号。
通过前述步骤，可以得到基线漂移
Figure BDA0003087030940000161
采用上述步骤中得到的去除高频噪声的重组分量R减去基线漂移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。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。由于在对初始信号的数据处理时，已经引入预设噪声值，通过对数据的扩展，已经在数据扩展和数据更新的过程中，得到了去除小于预设噪声值的高频心电信号分量。通过对组合分量的重构，即得到了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。
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，之后将心电信号的所有数据分成多个分组，获取每个分组对应的预设噪声值；然后根据分解级数，按照每个分组对应的预设噪声值，对相应的分组的数据进行分解，得到所有数据的低频心电信号分量和高频心电信号分量。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，可以根据获取到的不同心电信号的数据，从而确定不同的预设噪声值，从而通过对心电信号的数据的分解、扩展和重构的处理，从而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：将心电信号的所有数据分成多个分组，获取每个分组对应的预设噪声值；
分解模块230：根据分解级数，按照每个分组对应的预设噪声值，对所有相应的分组的数据进行分解，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240：扩展低频心电信号分量，得到基线漂移分量；
重构模块250：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：去除重组分量中的基线漂移，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：
对心电信号的采样频率F进行第一次分解，得到第一频率分量
Figure BDA0003087030940000181
对第一频率分量
Figure BDA0003087030940000182
进行第二次分解，得到第二频率分量
Figure BDA0003087030940000183
对第i频率分量
Figure BDA0003087030940000184
进行第i+1次分解，得到第i+1频率分量
Figure BDA0003087030940000185
其中，i为大于或等于2的整数；
当第i+1频率分量
Figure BDA0003087030940000186
小于预设基线漂移频率，对第i+1频率分量停止分解；
将心电信号的分解级数确定为i+1。
可选的，获取模块220还用于：
获取第一预设阈值和分组对应的标准差；
在第一预设阈值大于或等于分组对应的标准差的情况下，将第一预设阈值确定为分组对应的预设噪声值；
在第一预设阈值小于分组对应的标准差的情况下，将第二预设阈值确定为分组对应的预设噪声值。
可选的，分解模块230还用于：
根据每个分组对应的预设噪声值和预设数据扩展模型，对每个分组内的目标数据进行数据扩展，得到目标扩展数据；其中，目标数据为分组中的任意一个数据；
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高频心电信号分量。
相应的，预设数据扩展模型为：
Figure BDA0003087030940000191
预设数据更新模型为：
Figure BDA0003087030940000192
当
Figure BDA0003087030940000193
时，
Figure BDA0003087030940000194
当
Figure BDA0003087030940000195
时，b＝0；
其中，di为心电信号中的任意一个信号数据，Δ为预设噪声值，
Figure BDA0003087030940000196
为目标低频信号分量，b为目标高频信号分量。
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的集合组成；
其中，预设重构模型为：
Figure BDA0003087030940000201
Figure BDA0003087030940000202
其中，
Figure BDA0003087030940000203
为第l2级组合分量中存放位置为i的重构数据，
Figure BDA0003087030940000204
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，
Figure BDA0003087030940000205
为原组合分量中存放位置为
Figure BDA0003087030940000206
处的数据，当l2>1时，
Figure BDA0003087030940000207
为第l2-1级组合分量中存放位置为
Figure BDA0003087030940000208
处的数据；当l2＝1时，
Figure BDA0003087030940000209
为原组合分量中存放位置为
Figure BDA00030870309400002010
处的数据，当l2>1时，
Figure BDA00030870309400002011
为第l2-1级组合分量中存放位置为
Figure BDA00030870309400002012
处的数据；
Figure BDA00030870309400002013
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：
获取模块：将心电信号的所有数据分成多个分组，获取每个分组对应的预设噪声值；
分解模块：根据分解级数，按照每个分组对应的预设噪声值，对所有相应的分组的数据进行分解，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：扩展低频心电信号分量，得到基线漂移分量；
重构模块：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：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 (10)

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；
将所述心电信号的所有数据分成多个分组，获取每个分组对应的预设噪声值；
根据所述分解级数，按照每个所述分组对应的所述预设噪声值，对所有相应的所述分组的数据进行分解，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。
2.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：
对所述心电信号的采样频率F进行第一次分解，得到第一频率分量
Figure FDA0003087030930000011
对所述第一频率分量
Figure FDA0003087030930000012
进行第二次分解，得到第二频率分量
Figure FDA0003087030930000013
对第i频率分量
Figure FDA0003087030930000014
进行第i+1次分解，得到第i+1频率分量
Figure FDA0003087030930000015
其中，i为大于或者等于2的整数；
当所述第i+1频率分量
Figure FDA0003087030930000016
小于所述预设基线漂移频率，对所述第i+1频率分量停止分解；
将所述心电信号的分解级数确定为i+1。
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，所述将所述心电信号的所有数据分成多个分组，获取每个分组对应的预设噪声值，包括：
获取第一预设阈值和所述分组对应的标准差；
在所述第一预设阈值大于或者等于所述分组对应的标准差的情况下，将所述第一预设阈值确定为所述分组对应的预设噪声值；
在所述第一预设阈值小于所述分组对应的标准差的情况下，将第二预设阈值确定为所述分组对应的预设噪声值。
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，所述根据所述分解级数，按照每个所述分组对应的所述预设噪声值，对所有相应的所述分组的数据进行分解，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：
根据每个所述分组对应的所述预设噪声值和预设数据扩展模型，对每个所述分组内的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分组中的任意一个数据；
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；
对所有所述分组中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。
5.如权利要求4所述的基线漂移和高频噪声的去除方法，其特征在于，所述预设数据扩展模型为：
Figure FDA0003087030930000031
所述预设数据更新模型为：
Figure FDA0003087030930000032
当
Figure FDA0003087030930000033
时，
Figure FDA0003087030930000034
当
Figure FDA0003087030930000035
时，b＝0；
其中，di为所述心电信号中的任意一个信号数据，Δ为预设噪声值，
Figure FDA0003087030930000036
为目标低频信号分量，b为目标高频信号分量。
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所述高频心电信号分量，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：
Figure FDA0003087030930000041
Figure FDA0003087030930000042
其中，
Figure FDA0003087030930000043
为第l2级组合分量中存放位置为i的重构数据，
Figure FDA0003087030930000044
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，
Figure FDA0003087030930000045
为原组合分量中存放位置为
Figure FDA0003087030930000046
处的数据；当l2>1时，
Figure FDA0003087030930000047
为第l2-1级组合分量中存放位置为
Figure FDA0003087030930000048
处的数据；当l2＝1时，
Figure FDA0003087030930000049
为原组合分量中存放位置为
Figure FDA00030870309300000410
处的数据；当l2>1时，
Figure FDA00030870309300000411
为第l2-1级组合分量中存放位置为
Figure FDA00030870309300000412
处的数据；
Figure FDA00030870309300000413
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。
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：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：将所述心电信号的所有数据分成多个分组，获取每个分组对应的预设噪声值；
分解模块：根据所述分解级数，按照每个所述分组对应的所述预设噪声值，对所有相应的所述分组的数据进行分解，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：扩展所述低频心电信号分量，得到基线漂移分量；
重构模块：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：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。
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。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
CN202110583401.4A 2021-05-27 2021-05-27 基线漂移和高频噪声的去除方法、装置、设备和存储介质 Active CN113303809B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110583401.4A CN113303809B (zh) 2021-05-27 2021-05-27 基线漂移和高频噪声的去除方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110583401.4A CN113303809B (zh) 2021-05-27 2021-05-27 基线漂移和高频噪声的去除方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN113303809A true CN113303809A (zh) 2021-08-27
CN113303809B CN113303809B (zh) 2022-08-26

Family

ID=77375257

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110583401.4A Active CN113303809B (zh) 2021-05-27 2021-05-27 基线漂移和高频噪声的去除方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN113303809B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102240208A (zh) * 2010-05-11 2011-11-16 南京医科大学第一附属医院 一种可在单片机中实现的心电去噪小波算法
US20130070792A1 (en) * 2011-09-15 2013-03-21 Qualcomm Incorporated Method and apparatus for denoising of physiological signals
CN103860152A (zh) * 2014-04-02 2014-06-18 辛勤 一种对脉搏波信号进行处理的方法
CN104182625A (zh) * 2014-08-15 2014-12-03 重庆邮电大学 基于形态学与emd类小波阈值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
CN107184187A (zh) * 2017-07-03 2017-09-22 重庆大学 基于DTCWT‑Spline的脉搏波信号去噪处理方法
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
CN110051325A (zh) * 2019-03-29 2019-07-26 重庆邮电大学 基于小波变换及改进eemd的心电信号综合滤波方法
CN112603325A (zh) * 2020-12-11 2021-04-06 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

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102240208A (zh) * 2010-05-11 2011-11-16 南京医科大学第一附属医院 一种可在单片机中实现的心电去噪小波算法
US20130070792A1 (en) * 2011-09-15 2013-03-21 Qualcomm Incorporated Method and apparatus for denoising of physiological signals
CN103860152A (zh) * 2014-04-02 2014-06-18 辛勤 一种对脉搏波信号进行处理的方法
CN104182625A (zh) * 2014-08-15 2014-12-03 重庆邮电大学 基于形态学与emd类小波阈值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
CN107184187A (zh) * 2017-07-03 2017-09-22 重庆大学 基于DTCWT‑Spline的脉搏波信号去噪处理方法
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
CN110051325A (zh) * 2019-03-29 2019-07-26 重庆邮电大学 基于小波变换及改进eemd的心电信号综合滤波方法
CN112603325A (zh) * 2020-12-11 2021-04-06 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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孙晓娟，王利: "基于CEEMD小波包算法的降噪方法研究", 《计算机与现代化》 *
赵静，韦海成: "ECG信号自适应贝叶斯小波去噪算法研究", 《现代电子技术》 *

Also Published As

Publication number Publication date
CN113303809B (zh) 2022-08-26

Similar Documents

Publication Publication Date Title
Singh et al. Denoising of ECG signal by non-local estimation of approximation coefficients in DWT
US9364160B2 (en) Systems and methods for ECG monitoring
CN107391900B (zh) 房颤检测方法、分类模型训练方法及终端设备
CN109124620B (zh) 一种房颤检测方法、装置及设备
CN109948396B (zh) 一种心拍分类方法、心拍分类装置及电子设备
CN103870694A (zh) 一种基于修正小波阈值的经验模态分解去噪方法
Hashim et al. Wavelet based motion artifact removal for ECG signals
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
Alhelal et al. FPGA-based denoising and beat detection of the ECG signal
CN113288158B (zh) 基线漂移和高频噪声的去除方法、装置和设备
Yadav et al. Denoising and SNR improvement of ECG signals using wavelet based techniques
Hou et al. An ECG denoising method based on adversarial denoising convolutional neural network
Georgieva-Tsaneva Wavelet based interval varying algorithm for optimal non-stationary signal denoising
Elouaham et al. Combination time-frequency and empirical wavelet transform methods for removal of composite noise in EMG signals
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
CN106691475B (zh) 情感识别模型生成方法及装置
CN110495878B (zh) 基于ecg的疾病预测方法、装置及电子设备
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
Xia et al. A denoising method of ECG signal based on variational autoencoder and masked convolution
CN116458847A (zh) 一种基于自适应滤波的急救设备干扰抑制方法及系统
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
Malhotra et al. A real time wavelet filtering for ECG baseline wandering removal
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