CN116509415B - 一种基于信号分量的单元化形态学特征的降噪方法 - Google Patents
一种基于信号分量的单元化形态学特征的降噪方法 Download PDFInfo
- Publication number
- CN116509415B CN116509415B CN202310431752.2A CN202310431752A CN116509415B CN 116509415 B CN116509415 B CN 116509415B CN 202310431752 A CN202310431752 A CN 202310431752A CN 116509415 B CN116509415 B CN 116509415B
- Authority
- CN
- China
- Prior art keywords
- noise
- signal
- wave
- components
- 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.)
- Active
Links
- 230000009467 reduction Effects 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000003183 myoelectrical effect Effects 0.000 claims abstract description 8
- 210000003275 diaphysis Anatomy 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 15
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 230000006793 arrhythmia Effects 0.000 claims description 6
- 206010003119 arrhythmia Diseases 0.000 claims description 6
- 238000000718 qrs complex Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 3
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 3
- 238000000926 separation method Methods 0.000 abstract 1
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000008569 process Effects 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
- A61B5/24—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
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Cardiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Power Engineering (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种基于信号分量的单元化形态学特征的降噪方法,对基线漂移、电极运动噪声、肌电噪声与心电信号频带有一部分重叠进行和很好的分离识别,并通过心电形态学特征算法有效消除了重叠频带部分的噪声。对强噪声干扰的心电信号,波形形态发生严重失真,该算法降噪效果明显,可以在心电波形严重失真的情况下很好的还原信号波性特征。同时该算法泛化性好,对不同类型的心电信号降噪性能同样有效。
Description
技术领域
本发明涉及心电信号处理技术领域,具体涉及一种基于信号分量的单元化形态学特征的降噪方法。
背景技术
心电信号是一种具有强烈的非线性、非平稳性和随机性的微弱信号,在对其采集的过程中,极易受来自体内和体外环境的影响,直接采集到的心电信号伴随着大量噪声,心电噪声主要有基线漂移、电极运动噪声、肌电噪声三类噪声。当前心电噪声的去除面临以下问题:
1、基线漂移、电极运动噪声、肌电噪声与心电信号频带有一部分重叠,消除噪声时容易损失心电信息。
2、对强噪声干扰的心电信号,波形形态发生严重失真,算法降噪效果不理想。
3、心电信号降噪算法泛化性差,对不同类型的心电信号降噪性能差异很大。
发明内容
本发明为了克服以上技术的不足,提供了一种泛化性好,对不同类型的心电信号降噪性能同样有效的降噪方法。
本发明克服其技术问题所采用的技术方案是:
一种基于信号分量的单元化形态学特征的降噪方法,包括如下步骤:
a)获取含噪信号x;
b)对含噪信号x进行预处理操作,得到心电初步骨干轮廓信号x1,根据心电初步骨干轮廓信号x1计算得到LZC值;
c)根据LZC值判断含噪信号x的噪声为强噪声或中等噪声或弱噪声;
d)检测心电初步骨干轮廓信号x1关键点位置并平滑降噪,得到降噪后的心电骨干轮廓信号x2;
e)对心电骨干轮廓信号x2进行模态分解,得到n个本征模态成分分量;
f)选取出心电骨干轮廓信号x2模态分解后c个有价值的IMF分量c≤n;
g)对c个有价值的IMF分量进行形态学降噪处理,得到降噪后的有价值成分/>
h)采用基于群稀疏的全变差分算法对有价值成分进行细节修正,得到最佳降噪结果/>通过公式计算得到降噪后的信号/>进一步的,步骤a)包括如下步骤:
a-1)从MIT-BIH噪声压力测试数据库中获取基线漂移噪声bw、肌电伪影ma、电极运动噪声em;
a-2)从MIT-BIH心率失常数据库中获取单通道数据心电信号x0;
a-3)通过公式x=x0+bw+em+ma计算得到含噪信号x。
优选的,步骤a-2)中从MIT-BIH心率失常数据库中以10s时长作为一个样本,样本采样频率设为360Hz,得到单通道数据心电信号x0。
进一步的,步骤b)包括如下步骤:
b-1)将10s时长的含噪信号x依次通过0,5-100Hz的带通滤波器及59-61Hz的带阻滤波器处理后得到10s时长的心电初步骨干轮廓信号x1;
b-2)对心电初步骨干轮廓信号x1进行Lempel-Ziv复杂度值计算,得到LZC值。
步骤c)中,当LZC值大于0.25时,含噪信号x的噪声为强噪声,当LZC值∈[0.2,0.25]时,含噪信号x的噪声为中等噪声,当LZC值小于0.2时,含噪信号x的噪声为弱噪声。
进一步的,步骤d)包括如下步骤:
d-1)采用舵机Teager能量算子算法分别获取心电初步骨干轮廓信号x1中的心电关键点的QRS波群位置信息、P波位置信息及T波位置信息;
d-2)心电初步骨干轮廓信号x1中的QRS波群保持不变,通过MATLAB的Smooth函数对心电初步骨干轮廓信号x1中的P波位置及T波位置进行局部加权二次回归平滑处理,得到第二重降噪后的心电骨干轮廓信号x2,局部加权二次回归平滑处理时,强噪声的窗口参数数值选取64,中等噪声窗口参数数值选取54,弱噪声窗口参数数值选取40。
进一步的,步骤e)包括如下步骤:
e-1)使用完全自适应噪声集合模态分解算法CEEMDAN将心电骨干轮廓信号x2进行模态分解,得到n个本征模态成分分量其中/>为第i个本征模态成分分量,n取值为12或13或14,完全自适应噪声集合模态分解算法CEEMDAN中的Nstd=0.2,NR=50,MaxIter=20。
进一步的,步骤f)包括如下步骤:
f-1)计算每个本征模态成分分量与心电骨干轮廓信号x2的K-L散度值;f-2)设置阈值为0.05,将n个本征模态成分分量与阈值进行比较,小于阈值的本征模态成分分量作为有价值的的IMF分量,大于等于阈值的本征模态成分分量舍去,得到c个有价值的IMF分量/>进一步的,步骤g)包括如下步骤:
g-1)将c个有价值的IMF分量按照模态分量的基本波形单元之间是否连续进行划分,如果模态分量的基本波形单元之间连续,则该有价值的IMF分量为高频模态分量,如果模态分量的基本波形单元之间不连续,则该有价值的IMF分量为低频模态分量;
g-2)以高频模态分量中R点作为中心参考点,以幅值为零的横线作为基准线,高频模态分量的波形与基准线相交点作为凹形波与凸形波的边界点,以R点为顶点的凸形波、R点前侧相邻的凹形波、与R点前侧相邻的凹形波的前侧相邻的凸波形、R点后侧相邻的凹形波、与R点后侧相邻的凹形波的后侧相邻的凸波形构成高频模态分量的基本波形单元;
g-3)将所有的高频模态分量按受噪声影响进行排序,将受噪声影响最小的20组高频模态分量的基本波形单元的5个凹形波和凸形波作为高频模态分量的标准幅值范围,如果高频模态分量的基本波形单元的每个凹形波和凸形波的顶点幅值处于标准幅值范围内,则该高频模态分量的基本波形单元不做处理,如果高频模态分量的基本波形单元的每个凹形波和凸形波的顶点幅值处于标准幅值范围外,则将该高频模态分量的基本波形单元按标准幅值范围进行修正重建;
g-4)以低频模态分量中R点和T点作为凸形波顶点参考点,以相邻的P点和T点的中点作为凸形波顶点参考点,凸形波两侧切线与横轴平行的点作为凸形波的边界点,所有的低频模态分量按受噪声影响进行排序,将受噪声影响最小的20组低频模态分量的基本波形单元的参考点和两侧的边界点构成低频模态分量的标准幅值范围;
g-5)如果低频模态分量的基本波形单元的实际波峰点与参考点横坐标位置相差20个采样点时,计算实际波峰点与参考点的横向偏移量,该低频模态分量的基本波形单元根据横向偏移量进行校正更新,如果低频模态分量的基本波形单元的参考点及边界点位于标准幅值范围内,则该低频模态分量的基本波形单元不做处理,如果低频模态分量的基本波形单元的参考点及边界点位于标准幅值范围外,则将该低频模态分量的基本波形单元按标准幅值范围进行修正重建。
本发明的有益效果是:具有直观性、可解释性、高鲁棒性、高泛化性特点,对强噪声和混合噪声处理具有优势。该方法对不同强度水平的噪声以及不同类型噪声混合(基线漂移、肌电噪声和电极运动伪影)的有效性。
具体实施方式
下面对本发明做进一步说明。
一种基于信号分量的单元化形态学特征的降噪方法,包括如下步骤:
a)获取含噪信号x。
b)对含噪信号x进行预处理操作,得到心电初步骨干轮廓信号x1,根据心电初步骨干轮廓信号x1计算得到LZC值。
c)根据LZC值判断含噪信号x的噪声为强噪声或中等噪声或弱噪声。
d)检测心电初步骨干轮廓信号x1关键点位置并平滑降噪,提升含噪心电骨干轮廓信息质量,得到降噪后的心电骨干轮廓信号x2。
e)对心电骨干轮廓信号x2进行模态分解,得到n个本征模态成分分量。
f)选取出心电骨干轮廓信号x2模态分解后c个有价值的IMF分量(IMFs)c≤n。
g)对c个有价值的IMF分量进行形态学降噪处理,得到降噪后的有价值成分/>
h)采用基于群稀疏的全变差分算法对有价值成分进行细节修正,使得处理后信号更加接近原始无噪心电信号作为最佳降噪结果,即得到最佳降噪结果/>通过公式/>计算得到降噪后的信号/>通过形态学方法处理的心电成分在一些削平的波峰波谷和小亮的毛刺噪声,对几何特征修复补偿的信号采用基于群稀疏的总变差分去噪(TVGS)算法(算法来源于“2013 IEEE International Conference on Acoustics,Speech and SignalProcessing”的《Total variation denoising with overlapping group sparsity》一文,DOI:10.1109/ICASSP.2013.6638755),该算法为现有技术,这里不再赘述,该算法对形态学降噪修复的模态分量/>进一步形态学细节修正,使得处理后信号更加接近原始无噪心电信号作为最佳降噪结果/>
即TVGS算法可以表示为
其中k为群组大小,λ为正则化参数,Nit为迭代次数。
对基线漂移、电极运动噪声、肌电噪声与心电信号频带有一部分重叠进行和很好的分离识别,并通过心电形态学特征算法有效消除了重叠频带部分的噪声。对强噪声干扰的心电信号,波形形态发生严重失真,该算法降噪效果明显,可以在心电波形严重失真的情况下很好的还原信号波性特征。同时该算法泛化性好,对不同类型的心电信号降噪性能同样有效。
实施例1:
步骤a)包括如下步骤:
a-1)从MIT-BIH噪声压力测试数据库中获取基线漂移噪声bw、肌电伪影ma、电极运动噪声em。
a-2)从MIT-BIH心率失常数据库中获取单通道数据心电信号x0。
a-3)通过公式x=x0+bw+em+ma计算得到含噪信号x。
实施例2:
步骤a-2)中从MIT-BIH心率失常数据库中以10s时长作为一个样本,样本采样频率设为360Hz,得到单通道数据心电信号x0。
实施例3:
步骤b)包括如下步骤:
b-1)将10s时长的含噪信号x依次通过0,5-100Hz的带通滤波器及59-61Hz的带阻滤波器处理后得到10s时长的心电初步骨干轮廓信号x1。
b-2)本专利将非线性动力学中LZC的Lempel-Ziv复杂度分析方法应用于度量心电信号中噪声强度,具体的,对心电初步骨干轮廓信号x1进行Lempel-Ziv复杂度值计算,得到LZC值。
实施例4:
步骤c)中,当LZC值大于0.25时,含噪信号x的噪声为强噪声,当LZC值∈[0.2,0.25]时,含噪信号x的噪声为中等噪声,当LZC值小于0.2时,含噪信号x的噪声为弱噪声。
实施例5:
步骤d)包括如下步骤:
d-1)采用舵机Teager能量算子算法(MTEO)分别获取心电初步骨干轮廓信号x1中的心电关键点的QRS波群位置信息、P波位置信息及T波位置信息。
d-2)MTEO算法对10s时长的心电初步骨干轮廓信号x1进行二次降噪,根据LZC值判断噪声强弱,选择不同的平滑参数对QRS波段之外信号进行平滑处理增强轮廓特征,具体的,心电初步骨干轮廓信号x1中的QRS波群保持不变,通过MATLAB的Smooth函数对心电初步骨干轮廓信号x1中的P波位置及T波位置进行局部加权二次回归平滑处理,得到第二重降噪后的心电骨干轮廓信号x2,局部加权二次回归平滑处理时,强噪声的窗口参数数值选取64,中等噪声窗口参数数值选取54,弱噪声窗口参数数值选取40。
实施例6:
步骤e)包括如下步骤:
e-1)使用完全自适应噪声集合模态分解算法CEEMDAN将心电骨干轮廓信号x2进行模态分解,得到n个本征模态成分分量其中/>为第i个本征模态成分分量,n取值为12或13或14,完全自适应噪声集合模态分解算法CEEMDAN中的Nstd=0.2,NR=50,MaxIter=20。
实施例7:
步骤f)包括如下步骤:
f-1)计算每个本征模态成分分量与心电骨干轮廓信号x2的K-L散度值;f-2)设置阈值为0.05,将n个本征模态成分分量与阈值进行比较,小于阈值的本征模态成分分量作为有价值的的IMF分量,大于等于阈值的本征模态成分分量舍去,得到c个有价值的IMF分量/>
实施例8:
步骤g)包括如下步骤:
g-1)将c个有价值的IMF分量按照模态分量的基本波形单元之间是否连续进行划分,如果模态分量的基本波形单元之间连续,则该有价值的IMF分量为高频模态分量,如果模态分量的基本波形单元之间不连续,则该有价值的IMF分量为低频模态分量。
g-2)以高频模态分量中R点作为中心参考点,以幅值为零的横线作为基准线,高频模态分量的波形与基准线相交点作为凹形波与凸形波的边界点,以R点为顶点的凸形波、R点前侧相邻的凹形波、与R点前侧相邻的凹形波的前侧相邻的凸波形、R点后侧相邻的凹形波、与R点后侧相邻的凹形波的后侧相邻的凸波形构成高频模态分量的基本波形单元。
g-3)将所有的高频模态分量按受噪声影响进行排序,将受噪声影响最小的20组高频模态分量的基本波形单元的5个凹形波和凸形波作为高频模态分量的标准幅值范围,如果高频模态分量的基本波形单元的每个凹形波和凸形波的顶点幅值处于标准幅值范围内,则该高频模态分量的基本波形单元不做处理,如果高频模态分量的基本波形单元的每个凹形波和凸形波的顶点幅值处于标准幅值范围外,则将该高频模态分量的基本波形单元按标准幅值范围进行修正重建。
g-4)以低频模态分量中R点和T点作为凸形波顶点参考点,以相邻的P点和T点的中点作为凸形波顶点参考点,凸形波两侧切线与横轴平行的点作为凸形波的边界点,所有的低频模态分量按受噪声影响进行排序,将受噪声影响最小的20组低频模态分量的基本波形单元的参考点和两侧的边界点构成低频模态分量的标准幅值范围。
g-5)如果低频模态分量的基本波形单元的实际波峰点与参考点横坐标位置相差20个采样点时,计算实际波峰点与参考点的横向偏移量,该低频模态分量的基本波形单元根据横向偏移量进行校正更新,如果低频模态分量的基本波形单元的参考点及边界点位于标准幅值范围内,则该低频模态分量的基本波形单元不做处理,如果低频模态分量的基本波形单元的参考点及边界点位于标准幅值范围外,则将该低频模态分量的基本波形单元按标准幅值范围进行修正重建。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,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。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于信号分量的单元化形态学特征的降噪方法,其特征在于,包括如下步骤:
a)获取含噪信号x;
b)对含噪信号x进行预处理操作,得到心电初步骨干轮廓信号x1,根据心电初步骨干轮廓信号x1计算得到LZC值;
c)根据LZC值判断含噪信号x的噪声为强噪声或中等噪声或弱噪声;
d)检测心电初步骨干轮廓信号x1关键点位置并平滑降噪,得到降噪后的心电骨干轮廓信号x2;
e)对心电骨干轮廓信号x2进行模态分解,得到n个本征模态成分分量;
f)选取出心电骨干轮廓信号x2模态分解后c个有价值的IMF分量c≤n;
g)对c个有价值的IMF分量进行形态学降噪处理,得到降噪后的有价值成分/>
h)采用基于群稀疏的全变差分算法对有价值成分进行细节修正,得到最佳降噪结果/>通过公式计算得到降噪后的信号/>步骤b)包括如下步骤:
b-1)将10s时长的含噪信号x依次通过0,5-100Hz的带通滤波器及59-61Hz的带阻滤波器处理后得到10s时长的心电初步骨干轮廓信号x1;
b-2)对心电初步骨干轮廓信号x1进行Lempel-Ziv复杂度值计算,得到LZC值;步骤d)包括如下步骤:
d-1)采用舵机Teager能量算子算法分别获取心电初步骨干轮廓信号x1中的心电关键点的QRS波群位置信息、P波位置信息及T波位置信息;d-2)心电初步骨干轮廓信号x1中的QRS波群保持不变,通过MATLAB的Smooth函数对心电初步骨干轮廓信号x1中的P波位置及T波位置进行局部加权二次回归平滑处理,得到第二重降噪后的心电骨干轮廓信号x2,局部加权二次回归平滑处理时,强噪声的窗口参数数值选取64,中等噪声窗口参数数值选取54,弱噪声窗口参数数值选取40;
步骤f)包括如下步骤:
f-1)计算每个本征模态成分分量与心电骨干轮廓信号x2的K-L散度值;
f-2)设置阈值为0.05,将n个本征模态成分分量与阈值进行比较,小于阈值的本征模态成分分量作为有价值的的IMF分量,大于等于阈值的本征模态成分分量舍去,得到c个有价值的IMF分量/>
2.根据权利要求1所述的基于信号分量的单元化形态学特征的降噪方法,其特征在于,步骤a)包括如下步骤:
a-1)从MIT-BIH噪声压力测试数据库中获取基线漂移噪声bw、肌电伪影ma、电极运动噪声em;
a-2)从MIT-BIH心率失常数据库中获取单通道数据心电信号x0;
a-3)通过公式x=x0+bw+em+ma计算得到含噪信号x。
3.根据权利要求1所述的基于信号分量的单元化形态学特征的降噪方法,其特征在于:步骤a-2)中从MIT-BIH心率失常数据库中以10s时长作为一个样本,样本采样频率设为360Hz,得到单通道数据心电信号x0。
4.根据权利要求1所述的基于信号分量的单元化形态学特征的降噪方法,其特征在于:步骤c)中,当LZC值大于0.25时,含噪信号x的噪声为强噪声,当LZC值∈[0.2,0.25]时,含噪信号x的噪声为中等噪声,当LZC值小于0.2时,含噪信号x的噪声为弱噪声。
5.根据权利要求1所述的基于信号分量的单元化形态学特征的降噪方法,其特征在于,步骤e)包括如下步骤:
e-1)使用完全自适应噪声集合模态分解算法CEEMDAN将心电骨干轮廓信号x2进行模态分解,得到n个本征模态成分分量其中/>为第i个本征模态成分分量,n取值为12或13或14,完全自适应噪声集合模态分解算法CEEMDAN中的Nstd=0.2,NR=50,MaxIter=20。
6.根据权利要求1所述的基于信号分量的单元化形态学特征的降噪方法,其特征在于,步骤g)包括如下步骤:
g-1)将c个有价值的IMF分量按照模态分量的基本波形单元之间是否连续进行划分,如果模态分量的基本波形单元之间连续,则该有价值的IMF分量为高频模态分量,如果模态分量的基本波形单元之间不连续,则该有价值的IMF分量为低频模态分量;
g-2)以高频模态分量中R点作为中心参考点,以幅值为零的横线作为基准线,高频模态分量的波形与基准线相交点作为凹形波与凸形波的边界点,以R点为顶点的凸形波、R点前侧相邻的凹形波、与R点前侧相邻的凹形波的前侧相邻的凸波形、R点后侧相邻的凹形波、与R点后侧相邻的凹形波的后侧相邻的凸波形构成高频模态分量的基本波形单元;
g-3)将所有的高频模态分量按受噪声影响进行排序,将受噪声影响最小的20组高频模态分量的基本波形单元的5个凹形波和凸形波作为高频模态分量的标准幅值范围,如果高频模态分量的基本波形单元的每个凹形波和凸形波的顶点幅值处于标准幅值范围内,则该高频模态分量的基本波形单元不做处理,如果高频模态分量的基本波形单元的每个凹形波和凸形波的顶点幅值处于标准幅值范围外,则将该高频模态分量的基本波形单元按标准幅值范围进行修正重建;
g-4)以低频模态分量中R点和T点作为凸形波顶点参考点,以相邻的P点和T点的中点作为凸形波顶点参考点,凸形波两侧切线与横轴平行的点作为凸形波的边界点,所有的低频模态分量按受噪声影响进行排序,将受噪声影响最小的20组低频模态分量的基本波形单元的参考点和两侧的边界点构成低频模态分量的标准幅值范围;
g-5)如果低频模态分量的基本波形单元的实际波峰点与参考点横坐标位置相差20个采样点时,计算实际波峰点与参考点的横向偏移量,该低频模态分量的基本波形单元根据横向偏移量进行校正更新,如果低频模态分量的基本波形单元的参考点及边界点位于标准幅值范围内,则该低频模态分量的基本波形单元不做处理,如果低频模态分量的基本波形单元的参考点及边界点位于标准幅值范围外,则将该低频模态分量的基本波形单元按标准幅值范围进行修正重建。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310431752.2A CN116509415B (zh) | 2023-04-21 | 2023-04-21 | 一种基于信号分量的单元化形态学特征的降噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310431752.2A CN116509415B (zh) | 2023-04-21 | 2023-04-21 | 一种基于信号分量的单元化形态学特征的降噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116509415A CN116509415A (zh) | 2023-08-01 |
CN116509415B true CN116509415B (zh) | 2024-01-26 |
Family
ID=87393391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310431752.2A Active CN116509415B (zh) | 2023-04-21 | 2023-04-21 | 一种基于信号分量的单元化形态学特征的降噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116509415B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IL133780A0 (en) * | 1999-12-29 | 2001-04-30 | B S P Biolog Signal Proc Ltd | Method and device for analyzing a periodic or semi-periodic signal |
CN105488341A (zh) * | 2015-11-27 | 2016-04-13 | 东南大学 | 一种基于混合经验模态分解的去噪方法 |
CN109101910A (zh) * | 2018-07-31 | 2018-12-28 | 湖南师范大学 | 一种基于噪声甄别的大地电磁信号去噪方法 |
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 |
AU2019101755A4 (en) * | 2019-09-06 | 2020-11-12 | Jiangsu Huakang Information Technology Co. Ltd | Method for quantitatively analyzing electrocardiogram signal based on extremum energy decomposition method |
EP3940698A1 (en) * | 2020-07-13 | 2022-01-19 | Zoundream AG | A computer-implemented method of providing data for an automated baby cry assessment |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IL155955A0 (en) * | 2003-05-15 | 2003-12-23 | Widemed Ltd | Adaptive prediction of changes of physiological/pathological states using processing of biomedical signal |
US8298151B2 (en) * | 2008-02-01 | 2012-10-30 | Universidad De Valladolid | Method and apparatus for evaluation of fluid responsiveness |
-
2023
- 2023-04-21 CN CN202310431752.2A patent/CN116509415B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IL133780A0 (en) * | 1999-12-29 | 2001-04-30 | B S P Biolog Signal Proc Ltd | Method and device for analyzing a periodic or semi-periodic signal |
CN105488341A (zh) * | 2015-11-27 | 2016-04-13 | 东南大学 | 一种基于混合经验模态分解的去噪方法 |
CN109101910A (zh) * | 2018-07-31 | 2018-12-28 | 湖南师范大学 | 一种基于噪声甄别的大地电磁信号去噪方法 |
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 |
AU2019101755A4 (en) * | 2019-09-06 | 2020-11-12 | Jiangsu Huakang Information Technology Co. Ltd | Method for quantitatively analyzing electrocardiogram signal based on extremum energy decomposition method |
EP3940698A1 (en) * | 2020-07-13 | 2022-01-19 | Zoundream AG | A computer-implemented method of providing data for an automated baby cry assessment |
Also Published As
Publication number | Publication date |
---|---|
CN116509415A (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103405227B (zh) | 基于双层形态学滤波的心电信号预处理方法 | |
Smital et al. | Adaptive wavelet wiener filtering of ECG signals | |
Al-Qawasmi et al. | ECG signal enhancement using wavelet transform | |
CN107361764B (zh) | 一种心电信号特征波形r波的快速提取方法 | |
Singh et al. | ECG signal denoising based on empirical mode decomposition and moving average filter | |
Xin et al. | ECG baseline wander correction based on mean-median filter and empirical mode decomposition | |
CN111481192A (zh) | 一种基于改进U-Net的心电信号R波检测方法 | |
Bing et al. | Noise reduction in ECG signal using an effective hybrid scheme | |
Vijayasankar et al. | Correction of blink artifacts from single channel EEG by EMD-IMF thresholding | |
Liu et al. | ECG signal denoising based on morphological filtering | |
Iravanian et al. | A novel algorithm for cardiac biosignal filtering based on filtered residue method | |
Rakshit et al. | An improved EMD based ECG denoising method using adaptive switching mean filter | |
Mohguen et al. | Comparative study of ECG signal denoising by empirical mode decomposition and thresholding functions | |
CN116509415B (zh) | 一种基于信号分量的单元化形态学特征的降噪方法 | |
Blanco-Velasco et al. | A new ECG enhancement algorithm for stress ECG tests | |
CN114098656A (zh) | 基于经验模态分解及位平面转化的信号降噪方法与系统 | |
Elouaham et al. | Combination time-frequency and empirical wavelet transform methods for removal of composite noise in EMG signals | |
Zhao et al. | Baseline wander removal of ECG signals using empirical mode decomposition and adaptive filter | |
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 | |
CN109724693A (zh) | 一种基于平稳小波的融合光谱去噪方法 | |
CN115905969A (zh) | 一种基于深度学习的心电信号波形分段方法及系统 | |
CN113598785B (zh) | 基于小波域稀疏特性的心电信号去噪方法 | |
Dubey et al. | Two-stage nonlocal means denoising of ECG signals | |
CN110101383A (zh) | 一种基于小波能量的心电信号去噪算法 | |
CN113040784B (zh) | 一种心电信号的肌电噪声滤波方法 |
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 |