CN105030232A - 一种心电信号的基线漂移校正方法 - Google Patents

Abstract

本发明公开了一种心电信号的基线漂移校正方法，包括：对原始心电信号进行改进的自适应噪声集合经验模态分解处理，得到固有模态函数和剩余分量；统计所有的固有模态函数和剩余分量的过零率；将过零率小于设定阈值的固有模态函数和剩余分量从原始心电信号中去除掉，得到去除基线漂移后的心电信号。本发明对原始心电信号进行改进的自适应噪声集合经验模态分解处理，消除了模态混叠现象，减小了残留噪声；增加了根据过零率进行自适应基线漂移量选取的步骤，解决了现有技术缺乏有效的基线漂移分量选取手段的问题。本发明可广泛应用于心电信号的基线漂移校正领域。

Description

一种心电信号的基线漂移校正方法

技术领域

本发明涉及信号处理领域，尤其是一种心电信号的基线漂移校正方法。

背景技术

心电图是心脏活动的数据记录，对临床医学的心脏健康状况诊断有非常重要的作用。然而在人体心电信号的采集过程中，由于受医疗设备及人体自身的因素影响，无法避免受到各种噪声的干扰，如基线漂移、肌电干扰和工频干扰等。其中，基线漂移主要由人体的呼吸运动及采集电极的滑动等因素造成，属于缓慢变化的超低频干扰信号。这种干扰会抬高心电图的ST波段，造成心电轨迹的严重失真，从而影响了正常的医学诊断。因此，对心电数据进行预处理，消除基线漂移，意义重大。

目前，常见的心电信号基线漂移校正方法主要包括中值滤波法、小波变换法及最近几年发展起来的经验模态分解法。应用中值滤波来除去基线漂移的方式虽然具有计算量小和速度较快的优点，但其会产生“阶梯状”的失真，精度较低。应用小波变换来除去基线漂移时需采用高尺度的逼近分量近似估计基线漂移信号，此时需要选择适合的小波函数和分解的层数，并且小波函数和分解层数对处理结果影响较大，操作复杂，不够简便。而应用经验模态分解方法来除去基线漂移时常受到模态混叠的困扰，使得分解结果失去物理意义，且其缺乏有效的基线漂移分量选取手段，难以在经验模态分解结束后选取需要除去的基线漂移分量。

综上所述，目前已有的心电信号基线漂移校正方法都存在不足。

发明内容

为了解决上述技术问题，本发明的目的是：提供一种无模态混叠现象和能自适应选取基线漂移分量的，心电信号的基线漂移校正方法。

本发明解决其技术问题所采用的技术方案是：

一种心电信号的基线漂移校正方法，包括：

A、对原始心电信号进行改进的自适应噪声集合经验模态分解处理，得到固有模态函数和剩余分量；

B、统计所有的固有模态函数和剩余分量的过零率；

C、将过零率小于设定阈值的固有模态函数和剩余分量从原始心电信号中去除掉，得到去除基线漂移后的心电信号。

进一步，所述步骤A，其包括：

A1、对原始信号ecg(t)添加正的白噪声nⁱ(t)和负的白噪声-nⁱ(t)，得到待分解的信号S(t)，所述待分解的信号S(t)的表达式为：

S(t)＝ecg(t)+(-1)^qa₀nⁱ(t)，

其中，i＝1，2，…，M/2，M为集合平均的次数,a₀为所加噪声的幅值，nⁱ(t)为所添加的第i个噪声,q取1时代表添加的第i个负白噪声-a₀nⁱ(t)，q取2时代表添加的第i个正白噪声a₀nⁱ(t)；

A2、对待分解的信号S(t)进行经验模态分解和集合平均，得到平均后的第一阶固有模态函数以及相应的剩余分量；

A3、对剩余分量继续添加正负的自适应噪声，然后对添加正负自适应噪声后的分量继续进行经验模态分解和集合平均，直到得到平均后的所有阶固有模态函数以及最终的剩余分量。

进一步，所述步骤A2，其包括：

A21、对待分解的信号S(t)进行经验模态分解，得到第一阶固有模态函数；

A22、对第一阶固有模态函数进行集合平均，得到平均后的第一阶固有模态函数；

A23、从原始信号ecg(t)中剔除平均后的第一阶固有模态函数，从而得到第一阶剩余分量；

A24、继续为第一阶剩余分量添加正负自适应噪声(-1)^qa_knⁱ(t)，其中，k＝1，2，…，M/2，a_k为第k阶剩余分量所加噪声的幅值，然后以添加正负自适应噪声后的信号作为新的待分解的信号S(t)返回步骤A21，直至得到所有阶的固有模态函数和剩余分量。

进一步，所述步骤A21，其包括：

A211、采用样条插值法得到待分解的信号S(t)的上包络e_max(t)和下包络e_min(t)；

A212、求出上包络e_max(t)和下包络e_min(t)的均值M(t)，然后从信号S(t)中剔除均值M(t)后得到剩余分量C(t)，所述均值M(t)和剩余分量C(t)的表达式分别为：M(t)＝[e_max(t)+e_min(t)]/2，C(t)＝S(t)-M(t)；

A213、以剩余分量C(t)作为新的S(t)信号返回步骤B11，直到剩余分量C(t)满足设定的停止条件才停止迭代过程，得到第一阶固有模态函数imf₁(t)。

进一步，所述步骤A211,其具体为：

提取待分解的信号S(t)的极值点，然后通过三次样条曲线拟合得到信号S(t)的上包络e_max(t)和下包络e_min(t)，其中，信号S(t)的上包络e_max(t)由信号S(t)的极大值拟合得到，信号S(t)的下包络由信号S(t)的极小值拟合得到。

进一步，所述剩余分量C(t)满足设定的停止条件是指新的S(t)信号的估计函数p(t)在任意时刻t满足p(t)<θ₂，且p(t)<θ₁的时刻占总时刻的比例大于等于1-λ，所述估计函数p(t)的计算公式为：

$\left\{\begin{array}{c}p\left(t\right)=\left|\frac{M\left(t\right)}{a\left(t\right)}\right|\\ a\left(t\right)=\frac{e_{max}\left(t\right)-e_{min}\left(t\right)}{2}\end{array}\right.,$

其中，θ₁、θ₂和λ均为预设的门限阈值，a(t)为模态幅值。

进一步，所述步骤C，其具体为：

将心电信号分解后的所有固有模态函数和剩余分量中过零率小于1.5的固有模态函数和剩余分量从原始心电信号中去除掉，得到去除基线漂移后的心电信号。

本发明的有益效果是：基于自适应噪声集合经验模态分解和过零率自适应基线漂移量选取方法，对原始心电信号进行改进的自适应噪声集合经验模态分解处理，消除了现有集合经验模态分解过程的模态混叠现象，减小了残留噪声；增加了根据过零率进行自适应基线漂移量选取的步骤，以过零率小于设定阈值的固有模态函数和剩余分量作为基线漂移信号，直接从原心电信号中除去，最终实现心电信号的基线漂移校正，解决了现有技术缺乏有效的基线漂移分量选取手段的问题。进一步，对原始信号添加了成对出现的正负自适应噪声，消除了现有集合经验模态分解过程的模态混叠现象，减小了残留噪声。

附图说明

下面结合附图和实施例对本发明作进一步说明。

图1为本发明一种心电信号的基线漂移校正方法的整体流程图；

图2为本发明步骤A的流程图；

图3为本发明步骤A2的流程图；

图4是本发明步骤A21的流程图；

图5是本发明实施实例二中含基线漂移的心电信号时域波形图；

图6是本发明实施例二中含基线漂移的心电信号经自适应噪声集合经验模态分解之后得到的10个固有模态函数和一个剩余分量图；

图7是本发明实施例二提取的基线漂移信号和原始心电信号时域波形对比图；

图8是本发明实施例二基线漂移校正后的心电信号时域波形图。

具体实施方式

参照图1，一种心电信号的基线漂移校正方法，包括：

A、对原始心电信号进行改进的自适应噪声集合经验模态分解处理，得到固有模态函数和剩余分量；

B、统计所有的固有模态函数和剩余分量的过零率；

C、将过零率小于设定阈值的固有模态函数和剩余分量从原始心电信号中去除掉，得到去除基线漂移后的心电信号。

其中，过零率是指单位时间内信号幅值通过零点的次数。

参照图2，进一步作为优选的实施方式，所述步骤A，其包括：

A1、对原始信号ecg(t)添加正的白噪声nⁱ(t)和负的白噪声-nⁱ(t)，得到待分解的信号S(t)，所述待分解的信号S(t)的表达式为：

S(t)＝ecg(t)+(-1)^qa₀nⁱ(t)，

其中，i＝1，2，…，M/2，M为集合平均的次数,a₀为所加噪声的幅值，nⁱ(t)为所添加的第i个噪声,q取1时代表添加的第i个负白噪声-a₀nⁱ(t)，q取2时代表添加的第i个正白噪声a₀nⁱ(t)；

A2、对待分解的信号S(t)进行经验模态分解和集合平均，得到平均后的第一阶固有模态函数以及相应的剩余分量；

A3、对剩余分量继续添加正负的自适应噪声，然后对添加正负自适应噪声后的分量继续进行经验模态分解和集合平均，直到得到平均后的所有阶固有模态函数以及最终的剩余分量。

参照图3，进一步作为优选的实施方式，所述步骤A2，其包括：

A21、对待分解的信号S(t)进行经验模态分解，得到第一阶固有模态函数；

A22、对第一阶固有模态函数进行集合平均，得到平均后的第一阶固有模态函数；

A23、从原始信号ecg(t)中剔除平均后的第一阶固有模态函数，从而得到第一阶剩余分量；

A24、继续为第一阶剩余分量添加正负自适应噪声(-1)^qa_knⁱ(t)，其中，k＝1，2，…，M/2，a_k为第k阶剩余分量所加噪声的幅值，然后以添加正负自适应噪声后的信号作为新的待分解的信号S(t)返回步骤A21，直至得到所有阶的固有模态函数和剩余分量。

参照图4，进一步作为优选的实施方式，所述步骤A21，其包括：

A211、采用样条插值法得到待分解的信号S(t)的上包络e_max(t)和下包络e_min(t)；

A212、求出上包络e_max(t)和下包络e_min(t)的均值M(t)，然后从信号S(t)中剔除均值M(t)后得到剩余分量C(t)，所述均值M(t)和剩余分量C(t)的表达式分别为：M(t)＝[e_max(t)+e_min(t)]/2，C(t)＝S(t)-M(t)；

A213、以剩余分量C(t)作为新的S(t)信号返回步骤B11，直到剩余分量C(t)满足设定的停止条件才停止迭代过程，得到第一阶固有模态函数imf₁(t)。

进一步作为优选的实施方式，所述步骤A211,其具体为：

提取待分解的信号S(t)的极值点，然后通过三次样条曲线拟合得到信号S(t)的上包络e_max(t)和下包络e_min(t)，其中，信号S(t)的上包络e_max(t)由信号S(t)的极大值拟合得到，信号S(t)的下包络由信号S(t)的极小值拟合得到。

进一步作为优选的实施方式，所述剩余分量C(t)满足设定的停止条件是指新的S(t)信号的估计函数p(t)在任意时刻t满足p(t)<θ₂，且p(t)<θ₁的时刻占总时刻的比例大于等于1-λ，所述估计函数p(t)的计算公式为：

$\left\{\begin{array}{c}p\left(t\right)=\left|\frac{M\left(t\right)}{a\left(t\right)}\right|\\ a\left(t\right)=\frac{e_{max}\left(t\right)-e_{min}\left(t\right)}{2}\end{array}\right.,$

其中，θ₁、θ₂和λ均为预设的门限阈值，a(t)为模态幅值。θ₁一般取0.05，θ₂一般取0.5，λ一般取0.05。当p(t)的值满足由这三个门限所确立的停止条件时，停止迭代过程。

进一步作为优选的实施方式，所述步骤C，其具体为：

将心电信号分解后的所有固有模态函数和剩余分量中过零率小于1.5的固有模态函数和剩余分量从原始心电信号中去除掉，得到去除基线漂移后的心电信号。

下面结合说明书附图和具体实施例对本发明作进一步详细说明。

实施例一

本实施例对本发明所涉及的相关理论和具体实现过程进行说明。

本发明对原始心电信号ECG进行经验模态分解和集合平均时，可以得到一系列的固有模态函数，其中，小尺度的高频信号先分离出来，大尺度的低频信号后分解出来，即固有模态函数的频率大致按筛选出的顺序从高到低逐渐减小。而心电基线漂移信号属于缓慢变化的低频信号，故其会被分解到最后几个固有模态函数中。通过固有模态函数的过零率，可以粗略估算固有模态函数的频率。本实施例将过零率小于1.5的固有模态函数认为是基线漂移分量，直接从原信号中剔除，即可实现ECG基线漂移的抑制。

定义操作E(·)代表经验模态分解，操作E(·)的具体过程为：

1)提取信号S(t)的极值点(包括极小值点和极大值点)，分别用三次样条曲线拟合得到上包络e_max(t)和下包络e_min(t)，其中，上包络由极大值拟合得到，下包络由极小值拟合得到。

2)求出上下包络的均值M(t)，并且从信号S(t)中剔除均值M(t)得到剩余分量C(t)，即：C(t)＝S(t)-M(t)。

3)以剩余分量C(t)作为新的S(t)信号，重复步骤1)、2)，直到C(t)满足设定的停止条件才停止迭代过程，得到第一阶固有模态函数imf₁(t)。其中，剩余分量C(t)满足设定的停止条件是指新的S(t)信号的估计函数p(t)在任意时刻t满足p(t)<θ₂，且p(t)<θ₁的时刻占总时刻的比例大于等于1-λ，估计函数p(t)的计算公式为：

$\left\{\begin{array}{c}p\left(t\right)=\left|\frac{M\left(t\right)}{a\left(t\right)}\right|\\ a\left(t\right)=\frac{e_{max}\left(t\right)-e_{min}\left(t\right)}{2}\end{array}\right.---\left(1\right)$

4)从信号S(t)中提取第一阶固有模态函数imf₁(t)，即令r(t)＝S(t)-imf₁(t)，然后以提取第一阶固有模态函数后的剩余分量r(t)作为新的S(t)信号，重复步骤1)-3)直到提取出所有的固有模态函数为止。

设操作E_k(·)代表信号经过经验模态分解后得到的第k阶固有模态函数，a_k为第k阶所加噪声的幅值，a_k一般取信号标准差的0.1～0.4倍，添加的正负噪声对数M/2常取100-500次，可以根据具体的应用情况适当进行调整；下面对本发明的具体实施方法进行详细的说明：

步骤1：先对原始信号ecg(t)添加正的白噪声nⁱ(t)和负的白噪声-nⁱ(t)，得到待分解的信号S(t)，即S(t)＝ecg(t)+(-1)^qa₀nⁱ(t)。

然后对待分解的信号S(t)进行一次E₁(·)操作，并对M个固有模态函数进行集合平均，得到平均后的第一阶固有模态函数

${\stackrel{\&OverBar;}{imf}}_1\left(t\right)=\frac{1}{M}\underset{i=1}{\overset{M}{\&Sigma;}}{\mathrm{imf}}_1^i\left(t\right)---\left(2\right)$

步骤2：从原始信号ecg(t)中提取平均后的第一阶固有模态函数并求出相应的剩余分量r₁(t)：

$r_1\left(t\right)=ecg\left(t\right)-{\stackrel{\&OverBar;}{imf}}_1\left(t\right)---\left(3\right)$

步骤3：以剩余分量r₁(t)作为新的信号S(t)添加经验模态分解的正负自适应噪声(-1)^qa₁E₁(nⁱ(t))，再次执行一次E₁(·)操作，并对M个固有模态函数进行集合平均后得到平均后的第二阶固有模态函数：

${\stackrel{\&OverBar;}{imf}}_2\left(t\right)=\frac{1}{M}\underset{i=1}{\overset{M}{\&Sigma;}}{\mathrm{imf}}_2^i\left(t\right)---\left(4\right)$

步骤4：求出第二阶剩余分量r₂(t)：

$r_2\left(t\right)=r_1\left(t\right)-{\stackrel{\&OverBar;}{imf}}_2\left(t\right)---\left(5\right)$

步骤5：为第二阶剩余分量r₂(t)继续添加经验模态分解的正负噪声分量噪声(-1)^qa₂E₂(nⁱ(t))，再次执行一次E₁(·)操作，重复步骤3和4的操作，可得到第k阶剩余分量r_k(t)，其中k＝1,2,…，继续添加经验模态分解的正负噪声分量r_k(t)+(-1)^qa_kE_k(nⁱ(t))，再次执行一次E₁(·)操作，并得到第k+1个集合平均后的固有模态函数：

${\stackrel{\&OverBar;}{imf}}_{k+1}\left(t\right)=\frac{1}{M}\underset{i=1}{\overset{M}{\&Sigma;}}{\mathrm{imf}}_{k+1}^i\left(t\right)---\left(6\right)$

步骤6：循环步骤5，提取出所有的固有模态函数之后得到剩余分量R(t)。

步骤7：统计所有固有模态函数及剩余分量的过零率，并把过零率小于阈值1.5的固有模态函数从原信号ecg(t)中剔除。

实施例二

参照图5-8，本发明的第二实施例：

本实施例选用MIT-BIHNormalSinusRhythmDatabase数据库中18177号第一联的心电数据，如附图5所示。从时其域波形图中可以看出该信号明显含有基线漂移。对该信号进行基线漂移校正的具体实施过程如下：

应用本发明实施例一的步骤1-步骤7，对该信号进行经验模态分解和集合平均并除去基线漂移。其中，所加噪声幅值a_k均为待分解信号标准差的0.4倍，添加正负噪声对数为500，分解后得到10个模态分量(IMF，即固有模态函数)和一个剩余分量(RES)，结果如附图6所示。计算附图6中所有分量的过零率(ZCR)，所得结果如表1所示。

表1各分量过零率的统计

IMF	IMF1	IMF2	IMF3	IMF4	IMF5	IMF6
							ZCR	73.4	50	27.8	14.8	11.2	4.5
IMF	IMF7	IMF8	IMF9	IMF10	RES
							ZCR	3.7	0.8	0.5	0.2	0.1

从表1可以看出，模态分量IMF8-IMF10和剩余分量(RES)过零率均小于1.5，故这四个分量均为基线漂移信号，如附图7中虚线所示。从原始信号ECG中去除这四个基线漂移信号后，得到校正后的ECG信号，如附图8所示。

本发明在分解过程中通过添加成对出现的正负自适应噪声来消除模态混叠及减小残留噪声。心电信号经过自适应噪声集合经验模态分解后得到一系列的固有模态函数和一个剩余分量，然后计算每个固有模态函数和剩余分量的过零率，将过零率小于阈值1.5的分量当做基线漂移信号，直接从原心电信号中除去，最终实现心电信号基线漂移校正。本发明通过添加正负自适应噪声可以实现心电信号的自适应分解，解决了传统经验模态分解中存在的模态混叠现象；并通过过零率自适应选取固有模态函数，自适应地提取基线漂移信号，有效实现了心电信号基线漂移的校正。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (7)

1.一种心电信号的基线漂移校正方法，其特征在于：包括：

A、对原始心电信号进行改进的自适应噪声集合经验模态分解处理，得到固有模态函数和剩余分量；

B、统计所有的固有模态函数和剩余分量的过零率；

C、将过零率小于设定阈值的固有模态函数和剩余分量从原始心电信号中去除掉，得到去除基线漂移后的心电信号。

2.根据权利要求1所述的一种心电信号的基线漂移校正方法，其特征在于：所述步骤A，其包括：

A1、对原始信号ecg(t)添加正的白噪声nⁱ(t)和负的白噪声-nⁱ(t)，得到待分解的信号S(t)，所述待分解的信号S(t)的表达式为：

S(t)＝ecg(t)+(-1)^qa₀nⁱ(t)，

其中，i＝1，2，…，M/2，M为集合平均的次数,a₀为所加噪声的幅值，nⁱ(t)为所添加的第i个噪声,q取1时代表添加的第i个负白噪声-a₀nⁱ(t)，q取2时代表添加的第i个正白噪声a₀nⁱ(t)；

A2、对待分解的信号S(t)进行经验模态分解和集合平均，得到平均后的第一阶固有模态函数以及相应的剩余分量；

A3、对剩余分量继续添加正负的自适应噪声，然后对添加正负自适应噪声后的分量继续进行经验模态分解和集合平均，直到得到平均后的所有阶固有模态函数以及最终的剩余分量。

3.根据权利要求2所述的一种心电信号的基线漂移校正方法，其特征在于：所述步骤A2，其包括：

A21、对待分解的信号S(t)进行经验模态分解，得到第一阶固有模态函数；

A22、对第一阶固有模态函数进行集合平均，得到平均后的第一阶固有模态函数；

A23、从原始信号ecg(t)中剔除平均后的第一阶固有模态函数，从而得到第一阶剩余分量；

A24、继续为第一阶剩余分量添加正负自适应噪声(-1)^qa_knⁱ(t)，其中，k＝1，2，…，M/2，a_k为第k阶剩余分量所加噪声的幅值，然后以添加正负自适应噪声后的信号作为新的待分解的信号S(t)返回步骤A21，直至得到所有阶的固有模态函数和剩余分量。

4.根据权利要求3所述的一种心电信号的基线漂移校正方法，其特征在于：所述步骤A21，其包括：

A211、采用样条插值法得到待分解的信号S(t)的上包络e_max(t)和下包络e_min(t)；

A212、求出上包络e_max(t)和下包络e_min(t)的均值M(t)，然后从信号S(t)中剔除均值M(t)后得到剩余分量C(t)，所述均值M(t)和剩余分量C(t)的表达式分别为：M(t)＝[e_max(t)+e_min(t)]/2，C(t)＝S(t)-M(t)；

A213、以剩余分量C(t)作为新的S(t)信号返回步骤B11，直到剩余分量C(t)满足设定的停止条件才停止迭代过程，得到第一阶固有模态函数imf₁(t)。

5.根据权利要求4所述的一种心电信号的基线漂移校正方法，其特征在于：所述步骤A211,其具体为：

提取待分解的信号S(t)的极值点，然后通过三次样条曲线拟合得到信号S(t)的上包络e_max(t)和下包络e_min(t)，其中，信号S(t)的上包络e_max(t)由信号S(t)的极大值拟合得到，信号S(t)的下包络由信号S(t)的极小值拟合得到。

6.根据权利要求5所述的一种心电信号的基线漂移校正方法，其特征在于：所述剩余分量C(t)满足设定的停止条件是指新的S(t)信号的估计函数p(t)在任意时刻t满足p(t)<θ₂，且p(t)<θ₁的时刻占总时刻的比例大于等于1-λ，所述估计函数p(t)的计算公式为：

$\left\{\begin{array}{c}p\left(t\right)=\left|\frac{M\left(t\right)}{a\left(t\right)}\right|\\ a\left(t\right)=\frac{e_{max}\left(t\right)-e_{min}\left(t\right)}{2}\end{array}\right.$

其中，θ₁、θ₂和λ均为预设的门限阈值，a(t)为模态幅值。

7.根据权利要求1-6任一项所述的一种心电信号的基线漂移校正方法，其特征在于：所述步骤C，其具体为：

将心电信号分解后的所有固有模态函数和剩余分量中过零率小于1.5的固有模态函数和剩余分量从原始心电信号中去除掉，得到去除基线漂移后的心电信号。