CN114548147A - 一种基于EEMD-Hilbert变换的ECG去噪方法 - Google Patents
一种基于EEMD-Hilbert变换的ECG去噪方法 Download PDFInfo
- Publication number
- CN114548147A CN114548147A CN202210020923.8A CN202210020923A CN114548147A CN 114548147 A CN114548147 A CN 114548147A CN 202210020923 A CN202210020923 A CN 202210020923A CN 114548147 A CN114548147 A CN 114548147A
- Authority
- CN
- China
- Prior art keywords
- signal
- noise
- ecg
- points
- sample
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Error Detection And Correction (AREA)
Abstract
本发明公开了一种基于EEMD‑Hilbert变换的ECG去噪方法,先采用集成经验模态分解方法对原始ECGnoise进行模态分解,得到由多个固有模态函数构成的一组固有模态函数,然后然后基于得到的一组固有模态函数依次进行Hilbert变换、求解相位以及求解瞬时频率,基于每个固有模态函数对应的一组瞬时频率的中心瞬时频率对每个固有模态函数进行分类,将分类为以基线漂移噪声为主的固有模态函数舍弃,分别去除分类为以信号为主的固有模态函数和以高频噪声为主的固有模态函数中的肌电干扰噪声后进行重构得到最终去噪后的ECG;优点是能够对基线漂移噪声和肌电干扰噪声进行更加有效的降噪,得到的最终去噪后的ECG信号仍然保留着明显的ECG形态特征,去噪效果好。
Description
技术领域
本发明涉及一种ECG去噪方法,尤其是涉及一种基于EEMD-Hilbert变换的ECG去噪方法。
背景技术
在ECG信号(Electrocardiogram signal,心电图信号)采集过程中,无法避免的会带有基线漂移噪声以及肌电干扰噪声。而通过可穿戴设备采集得到的ECG信号会受到更加严重的噪声干扰,使得ECG信号无法有效的被利用。
为了得到干扰较小的,能够有效利用的ECG信号,在ECG信号去噪领域内,小波阈值去噪方法被广泛的使用。小波阈值去噪方法的通常具有一下五个步骤:步骤一、使用小波变换将含噪信号(即原始ECG信号)逐级分解为多级不同尺度的细节小波系数;步骤二、分别对所得到的多级细节小波系数进行噪声标准差评估,并根据评估得到的噪声标准差设置小波阈值;步骤三、基于小波阈值提出阈值函数(硬阈值函数、软阈值函数等);步骤四、利用提出的阈值函数处理多级细节小波系数得到去噪后的细节小波系数;步骤五、将去噪后的细节小波系数进行小波逆变换以此重构去噪信号。
但是,上述小波阈值去噪方法由于阈值评定方法的有效性有限,且肌电干扰噪声的频谱范围与ECG信号的频谱范围存在重叠,在应对肌电干扰噪声强度较强时,采用阈值函数对噪声与信号频谱重叠部分进行去噪,信号部分可能会被当作噪声,使得去噪后的ECG信号不但会产生局部失真的现象,而且ECG信号的形态特征可能会被当成噪声一起被滤除,由此导致最终去噪效果较差。
发明内容
本发明所要解决的技术问题是提供一种去噪效果好的基于EEMD-Hilbert变换的ECG去噪方法。
本发明解决上述技术问题所采用的技术方案为:一种基于EEMD-Hilbert变换的ECG去噪方法,包括以下步骤:
步骤1.采集ECG信号,并将采集到的ECG信号记为ECGnoise,其中,ECG信号的采样频率为f,f等于250Hz,ECGnoise包括n个样本点,即ECGnoise的信号长度为n,n为大于等于1800的整数,任意相邻两个采样时刻之间的间隔为1/f秒,采样时间为n/f秒,将ECGnoise中第L个样本点的采样时刻记为tL,tL等于L/f,L=1,2,…,n;
步骤2.采用集成经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)方法对ECGnoise进行模态分解,得到由多个固有模态函数构成的一组固有模态函数(Intrinsic Mode Function,IMF),其中采用集成经验模态分解方法对ECGnoise进行模态分解的具体过程为:
S1、先生成100组均值与方差均为0的高斯白噪声序列,且每组高斯白噪声序列所包含的样本点数量与ECGnoise包含的样本点数量相同,将生成的第i组高斯白噪声序列记为w(i),i=1,2,....,100;
S2、构造x(i)=ECGnoise+βw(i),其中,x(i)为在ECGnoise中加入第i组高斯白噪声序列后所构造出的信号,将其称为第i个构造信号,β为信噪比控制系数,β=0.05;
S3、设定模态分解次数变量为k,对k进行初始化,令k=0;
S4、进行第k+1次模态分解,具体过程为:
S4-1、将第k次模态分解得到的第i个残差rk (i)作为第k+1次模态分解的第i个输入信号,计算出第i个输入信号rk (i)的所有极大值点和极小值点,其中,当k=0时,rk (i)=x(i),将第i个输入信号rk (i)中每相邻两个极大值点均作为一组极大值点,分别采用三次样条插值法在第i个输入信号rk (i)的每组极大值点中两个极大值点之间进行插值,然后将第i个输入信号rk (i)的每个极大值点与此时得到的所有插值依次相连得到第i个输入信号rk (i)的上包络线emax-(k+1) (i),同理,将第i个输入信号rk (i)的每相邻两个极小值点作为一组极小值点,分别采用三次样条插值法在第i个输入信号rk (i)的每组极小值点中两个极小值点之间进行插值,然后将每个极小值点与此时得到的所有插值依次相连得到第i个输入信号rk (i)的下包络线emin-(k+1) (i);
S4-2、采用公式(1)计算第i个输入信号rk (i)的平均包络线em-(k+1) (i):
em-(k+1) (i)=(emax-(k+1) (i)+emin-(k+1) (i))/2 (1)
S4-3、设定第k+1代需进一步判断的第i组候选固有模态函数,将其记为dk+1 (i),采用公式(2)计算得到dk+1 (i):
dk+1 (i)=rk (i)-em-(k+1) (i) (2)
S4-4、判断当前得到的dk+1 (i)是否为固有模态函数,具体判断过程为:先计算dk+1 (i)所有极值点数量与过零点数量,然后判断以下两个条件是否同时成立:①dk+1 (i)的极值点与过零点的数量相同或至多相差一个;②dk+1 (i)的极大值不存在负数,dk+1 (i)的极小值不存在正数;如果上述两个条件同时成立,则保存当前dk+1 (i),然后通过rk+1 (i)=rk (i)-dk+1 (i)计算得到第k+1次模态分解得到的第i个残差rk+1 (i),并进入步骤S4-5,其中计算时dk+1 (i)的取值为其当前最新值,如果上述两个条件不能同时成立,则采用当前得到的dk+1 (i)更新rk (i),此时第k次模态分解得到的第i个残差rk (i)被更新,然后基于更新后的rk (i)重复步骤S4-1至步骤S4-4,直至计算得到第k+1次模态分解得到的第i个残差rk+1 (i);
S4-5、将第k+1次模态分解得到的固有模态函数记为IMFk+1,采用式(3)计算得到IMFk+1:
式(3)中,dk+1 (i)为当前得到的dk+1 (i);
S4-6、判断第k+1次模态分解得到的第1个残差rk+1 (1)至第100个残差rk+1 (100)是否都满足以下条件:同时具有2个以上极值点以及具有至少1个过零点;如果不是都满足该条件,则模态分解结束,统计当前得到的所有固有模态函数的数量,将其记为y,进入步骤3,如果都满足该条件,则采用k的当前值加1的和更新k的取值,然后返回步骤S4进行下一次模态分解;
步骤3.采用式(4)分别对步骤2得到的y个固有模态函数进行Hilbert变换:
其中,IMFj(tL)为第j个固有模态函数IMFj对应于ECGnoise中第t个样本点采样时刻tL的幅值,*代表卷积运算,H[·]为Hilbert变换函数,π表示圆周率;
步骤4.使用式(5)所示相位函数计算第j个固有模态函数IMFj对应于ECGnoise中第t个样本点采样时刻tL的相位θj(tL):
此时,得到每个固有模态函数对应于ECGnoise中各样本点采样时刻的相位,其中每个固有模态函数中对应于ECGnoise中所有样本点采样时刻的相位构成该固有模态函数的一组相位;
步骤5.由瞬时频率的定义得到第j个固有模态函数IMFj对应于ECGnoise中第t个样本点采样时刻tL的瞬时频率ωj(tL):
此时,得到每个固有模态函数中对应于ECGnoise中各样本点采样时刻的瞬时频率,其中每个固有模态函数中对应于ECGnoise中所有样本点采样时刻的瞬时频率构成该固有模态函数的一组瞬时频率,即得到y组瞬时频率;
步骤6.分别获取每组瞬时频率的中心瞬时频率(即该组瞬时频率的中位数),并根据中心瞬时频率对每个固有模态函数进行分类:当某组瞬时频率的中心瞬时频率小于1Hz时,该组瞬时频率对应的固有模态函数被判别为基线漂移噪声和肌电干扰噪声为主的固有模态函数,属于第1类,当某组瞬时频率的中心瞬时频率在1Hz~40Hz之间时,该组瞬时频率对应的固有模态函数被判别为信号为主的IMF固有模态函数,属于第2类,当某组瞬时频率的中心瞬时频率大于40Hz时,该组瞬时频率对应的固有模态函数被判别为高频噪声为主的固有模态函数,属于第3类;
步骤7.设定包含n个样本点的信号u,将属于第2类的所有固有模态函数的所有样本点幅值一一对应相加后得到的值一一对应作为信号u的n个样本点的幅值,对信号u采用非局部均值(Non-Local Means,NLM)滤波方法去噪,得到第一个去噪信号
A、先对信号u前后进行对称填充,得到填充后信号:在信号u初始样本点前填充10个样本点,这10个样本点为信号u的前10个样本点的镜像点,在信号u末尾样本点后填充10个样本点,这10个样本点为信号u的最后10个样本点的镜像点,将填充后信号记为
B、采用式(7)进行去噪:
式(7)中,为信号u的第v个样本点去噪后的幅值,即填充后信号的第v+10个样本点去噪后的幅值,v=1,2,...,n,n为信号u的长度;构造出以填充后信号的第v+10个样本点为中心再取中心前后各10个样本点的幅值组成一个包含21个样本点的幅值的滤波块,再构造出以填充后信号的第v+10个样本点的幅值为中心再取中心前后多个样本点的幅值组成一个搜索邻域,将该搜索邻域的范围记为[r1,r2],搜索邻域按照以下规则确定:当v-190≤0且v+210≤n时,r1取v+10,r2取v+210;当v-190≤0且v+210>n时,r1取v+10,r2取n;当v-190>0且v+210≤n时,r1取v-190,r2取v+210;当v-190>0且v+210>n时,r1取v-190,r2取n;将搜索邻域包含的样本点幅值的总数量记为q,设遍历搜索邻域过程中,第r1个样本点的幅值至第r2个样本点的幅值中,除第v+10个样本点的幅值以外的某个样本点的幅值为第p个样本点的幅值,即p=r1,r1+1,...,,r2,且p≠v+10,分别以第p个样本点的幅值为中心,取中心前后各10个样本点的幅值,在搜索邻域中构造q-1个包含21个样本点的幅值的对比滤波块,Z(v)表示以填充后信号的第v+10个样本点的幅值为中心所构成滤波块与在搜索邻域内构造出的q-1个对比滤波块的相似滤波权重之和, 为填充后信号中第p个样本点的幅值,W(v,p)为以填充后信号的第v+10个样本点的幅值为中心的滤波块与搜索邻域内第p个样本点的幅值为中心的对比滤波块的相似滤波权重,W(v,p)表示为:其中,exp(·)为指数函数;LΔ为信号u以第v个样本点的幅值为中心对应的滤波块的大小,取值为21;λ为平滑滤波参数,取值为0.5σ,σ为信号的噪声标准差,采用公式计算得到,mean(u)表示信号u中所有的样本点的幅值的平均值,u(m)为信号u的第m个样本点的幅值,d2(v,p,ε)为填充后信号中以第v+10个样本点的幅值为中心再取中心前后各10个样本点的幅值组成一个包含21个样本点的幅值的滤波块和搜索邻域内的第p个样本点的幅值为中心再取中心前后各10个样本点的幅值组成一个包含21个样本点的幅值的对比滤波块的差值的平方,d2(v,p,ε)通过式计算得到,其中,为填充后信号的第v+ε+10样本点的幅值,为填充后信号的第p+ε样本点的幅值,ε=-10,-9,...,9,10;
a.首先计算信号g的噪声标准差γ:
其中,median(·)为取中位数函数;g'为信号g中n个样本点的幅值绝对值的集合。
b.根据噪声标准差计算阈值T:
c.采用阈值函数对信号g进行去噪,阈值函数为:
其中,sgn(·)为符号函数,ln(·)为对数函数,b为阈值函数可调整参数,取0.1,g(a)为信号g的第a个样本点的幅值,||为取绝对值符号,a=1,2,…,n;
与现有技术相比,本发明的优点在于通过先采用集成经验模态分解方法对原始ECGnoise进行模态分解,得到由多个固有模态函数构成的一组固有模态函数,然后对得到的一组固有模态函数进行Hilbert变换,得到每个固有模态函数的Hilbert变换函数,基于每个固有模态函数的Hilbert变换函数确定每个固有模态函数对应于ECGnoise中每个样本点采样时刻的相位,继而得到每个固有模态函数对应于ECGnoise中每个样本点采样时刻的瞬时频率,采用每个固有模态函数中对应于ECGnoise中所有样本点采样时刻的瞬时频率构成该固有模态函数的一组瞬时频率,即得到每个固有模态函数对应的一组瞬时频率,分别获取每组瞬时频率的中心瞬时频率,并根据中心瞬时频率对每个固有模态函数进行分类,确定以基线漂移噪声为主固有模态函数、以信号为主的固有模态函数以及以高频噪声为主的固有模态函数,然后将以基线漂移噪声为主的固有模态函数舍弃,而由于肌电干扰噪声其频谱范围为20~2000Hz,频谱覆盖较广,被判断为以信号为主的固有模态函数的特点在于以有用的ECG信号为主导的,能够体现出ECG信号的形态特征但仍然包含少部分的与ECG信号频谱范围重叠的肌电干扰噪声,为了去除这少部分与ECG信号频谱范围重叠的肌电干扰噪声,将以信号为主的固有模态函数采用非局部均值滤波方法去噪,在保留ECG信号的形态特征的同时,去除肌电干扰噪声,以高频噪声为主的固有模态函数的特点在于以不与ECG信号频谱范围重叠的肌电干扰噪声为主但包含少部分的ECG信号信息,为了在肌电干扰噪声中提取出这少部分的ECG信号信息,将以高频噪声为主的固有模态函数采用阈值方法去噪,去除肌电干扰噪声,最终将上述两种方法得到的去噪结果重构得到最终去噪后的ECG,由此本发明能够对基线漂移噪声和肌电干扰噪声进行更加有效的降噪,通过对真实采集到的ECG信号进行方法验证,得到的最终去噪后的ECG信号仍然保留着明显的ECG形态特征,去噪效果好。
附图说明
图1为本发明的基于EEMD-Hilbert变换的ECG去噪方法的流程图;
图2为本发明实施例的第一组实验结果图;
图3为本发明实施例的第二组实验结果图;
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
实施例:如图1所示,一种基于EEMD-Hilbert变换的ECG去噪方法,包括以下步骤:
步骤1.采集ECG信号,并将采集到的ECG信号记为ECGnoise,其中,ECG信号的采样频率为f,f等于250Hz,ECGnoise包括n个样本点,即ECGnoise的信号长度为n,n为大于等于1800的整数,任意相邻两个采样时刻之间的间隔为1/f秒,采样时间为n/f秒,将ECGnoise中第L个样本点的采样时刻记为tL,tL等于L/f,L=1,2,…,n;
步骤2.采用集成经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)方法对ECGnoise进行模态分解,得到由多个固有模态函数构成的一组固有模态函数(Intrinsic Mode Function,IMF),其中采用集成经验模态分解方法对ECGnoise进行模态分解的具体过程为:
S1、先生成100组均值与方差均为0的高斯白噪声序列,且每组高斯白噪声序列所包含的样本点数量与ECGnoise包含的样本点数量相同,将生成的第i组高斯白噪声序列记为w(i),i=1,2,....,100;
S2、构造x(i)=ECGnoise+βw(i),其中,x(i)为在ECGnoise中加入第i组高斯白噪声序列后所构造出的信号,将其称为第i个构造信号,β为信噪比控制系数,β=0.05;
S3、设定模态分解次数变量为k,对k进行初始化,令k=0;
S4、进行第k+1次模态分解,具体过程为:
S4-1、将第k次模态分解得到的第i个残差rk (i)作为第k+1次模态分解的第i个输入信号,计算出第i个输入信号rk (i)的所有极大值点和极小值点,其中,当k=0时,rk (i)=x(i),将第i个输入信号rk (i)中每相邻两个极大值点均作为一组极大值点,分别采用三次样条插值法在第i个输入信号rk (i)的每组极大值点中两个极大值点之间进行插值,然后将第i个输入信号rk (i)的每个极大值点与此时得到的所有插值依次相连得到第i个输入信号rk (i)的上包络线emax-(k+1) (i),同理,将第i个输入信号rk (i)的每相邻两个极小值点作为一组极小值点,分别采用三次样条插值法在第i个输入信号rk (i)的每组极小值点中两个极小值点之间进行插值,然后将每个极小值点与此时得到的所有插值依次相连得到第i个输入信号rk (i)的下包络线emin-(k+1) (i);
S4-2、采用公式(1)计算第i个输入信号rk (i)的平均包络线em-(k+1) (i):
em-(k+1) (i)=(emax-(k+1) (i)+emin-(k+1) (i))/2 (1)
S4-3、设定第k+1代需进一步判断的第i组候选固有模态函数,将其记为dk+1 (i),采用公式(2)计算得到dk+1 (i):
dk+1 (i)=rk (i)-em-(k+1) (i) (2)
S4-4、判断当前得到的dk+1 (i)是否为固有模态函数,具体判断过程为:先计算dk+1 (i)所有极值点数量与过零点数量,然后判断以下两个条件是否同时成立:①dk+1 (i)的极值点与过零点的数量相同或至多相差一个;②dk+1 (i)的极大值不存在负数,dk+1 (i)的极小值不存在正数;如果上述两个条件同时成立,则保存当前dk+1 (i),然后通过rk+1 (i)=rk (i)-dk+1 (i)计算得到第k+1次模态分解得到的第i个残差rk+1 (i),并进入步骤S4-5,其中计算时dk+1 (i)的取值为其当前最新值,如果上述两个条件不能同时成立,则采用当前得到的dk+1 (i)更新rk (i),此时第k次模态分解得到的第i个残差rk (i)被更新,然后基于更新后的rk (i)重复步骤S4-1至步骤S4-4,直至计算得到第k+1次模态分解得到的第i个残差rk+1 (i);
S4-5、将第k+1次模态分解得到的固有模态函数记为IMFk+1,采用式(3)计算得到IMFk+1:
式(3)中,dk+1 (i)为当前得到的dk+1 (i);
S4-6、判断第k+1次模态分解得到的第1个残差rk+1 (1)至第100个残差rk+1 (100)是否都满足以下条件:同时具有2个以上极值点以及具有至少1个过零点;如果不是都满足该条件,则模态分解结束,统计当前得到的所有固有模态函数的数量,将其记为y,进入步骤3,如果都满足该条件,则采用k的当前值加1的和更新k的取值,然后返回步骤S4进行下一次模态分解;
步骤3.采用式(4)分别对步骤2得到的y个固有模态函数进行Hilbert变换:
其中,IMFj(tL)为第j个固有模态函数IMFj对应于ECGnoise中第t个样本点采样时刻tL的幅值,*代表卷积运算,H[·]为Hilbert变换函数,π表示圆周率;
步骤4.使用式(5)所示相位函数计算第j个固有模态函数IMFj对应于ECGnoise中第t个样本点采样时刻tL的相位θj(tL):
此时,得到每个固有模态函数对应于ECGnoise中各样本点采样时刻的相位,其中每个固有模态函数中对应于ECGnoise中所有样本点采样时刻的相位构成该固有模态函数的一组相位;
步骤5.由瞬时频率的定义得到第j个固有模态函数IMFj对应于ECGnoise中第t个样本点采样时刻tL的瞬时频率ωj(tL):
此时,得到每个固有模态函数中对应于ECGnoise中各样本点采样时刻的瞬时频率,其中每个固有模态函数中对应于ECGnoise中所有样本点采样时刻的瞬时频率构成该固有模态函数的一组瞬时频率,即得到y组瞬时频率;
步骤6.分别获取每组瞬时频率的中心瞬时频率(即该组瞬时频率的中位数),并根据中心瞬时频率对每个固有模态函数进行分类:当某组瞬时频率的中心瞬时频率小于1Hz时,该组瞬时频率对应的固有模态函数被判别为基线漂移噪声为主的固有模态函数,属于第1类,当某组瞬时频率的中心瞬时频率在1Hz~40Hz之间时,该组瞬时频率对应的固有模态函数被判别为信号为主的IMF固有模态函数,属于第2类,当某组瞬时频率的中心瞬时频率大于40Hz时,该组瞬时频率对应的固有模态函数被判别为高频噪声为主的固有模态函数,属于第3类;
步骤7.设定包含n个样本点的信号u,将属于第2类的所有固有模态函数的所有样本点幅值一一对应相加后得到的值一一对应作为信号u的n个样本点的幅值,对信号u采用非局部均值(Non-Local Means,NLM)滤波方法去噪,得到第一个去噪信号
A、先对信号u前后进行对称填充,得到填充后信号:在信号u初始样本点前填充10个样本点,这10个样本点为信号u的前10个样本点的镜像点,在信号u末尾样本点后填充10个样本点,这10个样本点为信号u的最后10个样本点的镜像点,将填充后信号记为
B、采用式(7)进行去噪:
式(7)中,为信号u的第v个样本点去噪后的幅值,即填充后信号的第v+10个样本点去噪后的幅值,v=1,2,...,n,n为信号u的长度;构造出以填充后信号的第v+10个样本点为中心再取中心前后各10个样本点的幅值组成一个包含21个样本点的幅值的滤波块,再构造出以填充后信号的第v+10个样本点的幅值为中心再取中心前后多个样本点的幅值组成一个搜索邻域,将该搜索邻域的范围记为[r1,r2],搜索邻域按照以下规则确定:当v-190≤0且v+210≤n时,r1取v+10,r2取v+210;当v-190≤0且v+210>n时,r1取v+10,r2取n;当v-190>0且v+210≤n时,r1取v-190,r2取v+210;当v-190>0且v+210>n时,r1取v-190,r2取n;将搜索邻域包含的样本点幅值的总数量记为q,设遍历搜索邻域过程中,第r1个样本点的幅值至第r2个样本点的幅值中,除第v+10个样本点的幅值以外的某个样本点的幅值为第p个样本点的幅值,即p=r1,r1+1,...,,r2,且p≠v+10,分别以第p个样本点的幅值为中心,取中心前后各10个样本点的幅值,在搜索邻域中构造q-1个包含21个样本点的幅值的对比滤波块,Z(v)表示以填充后信号的第v+10个样本点的幅值为中心所构成滤波块与在搜索邻域内构造出的q-1个对比滤波块的相似滤波权重之和, 为填充后信号中第p个样本点的幅值,W(v,p)为以填充后信号的第v+10个样本点的幅值为中心的滤波块与搜索邻域内第p个样本点的幅值为中心的对比滤波块的相似滤波权重,W(v,p)表示为:其中exp(·)为指数函数;LΔ为信号u以第v个样本点的幅值为中心对应的滤波块的大小,取值为21;λ为平滑滤波参数,取值为0.5σ,σ为信号的噪声标准差,采用公式计算得到,mean(u)表示信号u中所有的样本点的幅值的平均值,u(m)为信号u的第m个样本点的幅值,d2(v,p,ε)为填充后信号中以第v+10个样本点的幅值为中心再取中心前后各10个样本点的幅值组成一个包含21个样本点的幅值的滤波块和搜索邻域内的第p个样本点的幅值为中心再取中心前后各10个样本点的幅值组成一个包含21个样本点的幅值的对比滤波块的差值的平方,d2(v,p,ε)通过式计算得到,其中,为填充后信号的第v+ε+10样本点的幅值,为填充后信号的第p+ε样本点的幅值,ε=-10,-9,...,9,10;
a.首先计算信号g的噪声标准差γ:
其中,median(·)为取中位数函数;g'为信号g中n个样本点的幅值绝对值的集合。
b.根据噪声标准差计算阈值T:
c.采用阈值函数对信号g进行去噪,阈值函数为:
其中,sgn(·)为符号函数,ln(·)为对数函数,b为阈值函数可调整参数,取0.1,g(a)为信号g的第a个样本点的幅值,||为取绝对值符号,a=1,2,…,n;
为了证明本发明的基于EEMD-Hilbert变换的ECG去噪方法的优异性能,以下设置两组实验来进行验证。第一组实验中通过几乎无噪声的ECG信号上添加混合噪声来形成ECGnoise,然后分别采用本发明方法和现有的小波阈值去噪方法进行去噪,实验对比结果如图2所示。图2中,子图(a)为几乎无噪声的ECG信号的示意图;子图(b)为几乎无噪声的ECG信号上添加混合噪声来形成ECGnoise的示意图;子图(c)是采用现有的小波阈值去噪方法对ECGnoise进行去噪得到的去噪效果图,子图(d)为采用本发明的方法对ECGnoise进行去噪得到的去噪效果图。分析图2可知本发明的去噪方法相对于小波阈值去噪方法,具有较好的去噪效果,去噪的ECG信号中ECG的形态特征得到完整的保留。第二组实验中通过基于AD8232心电信号传感器与STM32实现的心电信号采集平台采集得到的ECG信号作为ECGnoise,然后分别采用本发明方法和现有的小波阈值去噪方法进行去噪,实验对比结果如图3所示。图3中,子图(a)为采集的ECG信号的示意图,子图(b)为采用现有的小波阈值去噪方法对ECGnoise进行去噪得到的去噪效果图,子图(c)为采用本发明的方法对ECGnoise进行去噪得到的去噪效果图。分析图3可知,对于真实采集的ECG信号,本发明相对于现有的相对于小波阈值去噪方法,仍然具有较好的去噪效果,去噪的ECG信号中ECG的形态特征得到完整的保留。
Claims (3)
1.一种基于EEMD-Hilbert变换的ECG去噪方法,其特征在于包括以下步骤:
步骤1.采集ECG信号,并将采集到的ECG信号记为ECGnoise,其中,ECG信号的采样频率为f,f等于250Hz,ECGnoise包括n个样本点,即ECGnoise的信号长度为n,n为大于等于1800的整数,任意相邻两个采样时刻之间的间隔为1/f秒,采样时间为n/f秒,将ECGnoise中第L个样本点的采样时刻记为tL,tL等于L/f,L=1,2,…,n;
步骤2.采用集成经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)方法对ECGnoise进行模态分解,得到由多个固有模态函数构成的一组固有模态函数(IntrinsicMode Function,IMF),其中采用集成经验模态分解方法对ECGnoise进行模态分解的具体过程为:
S1、先生成100组均值与方差均为0的高斯白噪声序列,且每组高斯白噪声序列所包含的样本点数量与ECGnoise包含的样本点数量相同,将生成的第i组高斯白噪声序列记为w(i),i=1,2,....,100;
S2、构造x(i)=ECGnoise+βw(i),其中,x(i)为在ECGnoise中加入第i组高斯白噪声序列后所构造出的信号,将其称为第i个构造信号,β为信噪比控制系数,β=0.05;
S3、设定模态分解次数变量为k,对k进行初始化,令k=0;
S4、进行第k+1次模态分解,具体过程为:
S4-1、将第k次模态分解得到的第i个残差rk (i)作为第k+1次模态分解的第i个输入信号,计算出第i个输入信号rk (i)的所有极大值点和极小值点,其中,当k=0时,rk (i)=x(i),将第i个输入信号rk (i)中每相邻两个极大值点均作为一组极大值点,分别采用三次样条插值法在第i个输入信号rk (i)的每组极大值点中两个极大值点之间进行插值,然后将第i个输入信号rk (i)的每个极大值点与此时得到的所有插值依次相连得到第i个输入信号rk (i)的上包络线emax-(k+1) (i),同理,将第i个输入信号rk (i)的每相邻两个极小值点作为一组极小值点,分别采用三次样条插值法在第i个输入信号rk (i)的每组极小值点中两个极小值点之间进行插值,然后将每个极小值点与此时得到的所有插值依次相连得到第i个输入信号rk (i)的下包络线emin-(k+1) (i);
S4-2、采用公式(1)计算第i个输入信号rk (i)的平均包络线em-(k+1) (i):
em-(k+1) (i)=(emax-(k+1) (i)+emin-(k+1) (i))/2 (1)
S4-3、设定第k+1代需进一步判断的第i组候选固有模态函数,将其记为dk+1 (i),采用公式(2)计算得到dk+1 (i):
dk+1 (i)=rk (i)-em-(k+1) (i) (2)
S4-4、判断当前得到的dk+1 (i)是否为固有模态函数,具体判断过程为:先计算dk+1 (i)所有极值点数量与过零点数量,然后判断以下两个条件是否同时成立:①dk+1 (i)的极值点与过零点的数量相同或至多相差一个;②dk+1 (i)的极大值不存在负数,dk+1 (i)的极小值不存在正数;如果上述两个条件同时成立,则保存当前dk+1 (i),然后通过rk+1 (i)=rk (i)-dk+1 (i)计算得到第k+1次模态分解得到的第i个残差rk+1 (i),并进入步骤S4-5,其中计算时dk+1 (i)的取值为其当前最新值,如果上述两个条件不能同时成立,则采用当前得到的dk+1 (i)更新rk (i),此时第k次模态分解得到的第i个残差rk (i)被更新,然后基于更新后的rk (i)重复步骤S4-1至步骤S4-4,直至计算得到第k+1次模态分解得到的第i个残差rk+1 (i);
S4-5、将第k+1次模态分解得到的固有模态函数记为IMFk+1,采用式(3)计算得到IMFk+1:
式(3)中,dk+1 (i)为当前得到的dk+1 (i);
S4-6、判断第k+1次模态分解得到的第1个残差rk+1 (1)至第100个残差rk+1 (100)是否都满足以下条件:同时具有2个以上极值点以及具有至少1个过零点;如果不是都满足该条件,则模态分解结束,统计当前得到的所有固有模态函数的数量,将其记为y,进入步骤3,如果都满足该条件,则采用k的当前值加1的和更新k的取值,然后返回步骤S4进行下一次模态分解;
步骤3.采用式(4)分别对步骤2得到的y个固有模态函数进行Hilbert变换:
其中,IMFj(tL)为第j个固有模态函数IMFj对应于ECGnoise中第t个样本点采样时刻tL的幅值,*代表卷积运算,H[·]为Hilbert变换函数,π表示圆周率;
步骤4.使用式(5)所示相位函数计算第j个固有模态函数IMFj对应于ECGnoise中第t个样本点采样时刻tL的相位θj(tL):
此时,得到每个固有模态函数对应于ECGnoise中各样本点采样时刻的相位,其中每个固有模态函数中对应于ECGnoise中所有样本点采样时刻的相位构成该固有模态函数的一组相位;
步骤5.由瞬时频率的定义得到第j个固有模态函数IMFj对应于ECGnoise中第t个样本点采样时刻tL的瞬时频率ωj(tL):
式(6)中,表示θj(tL)对tL求导数,此时,得到每个固有模态函数中对应于ECGnoise中各样本点采样时刻的瞬时频率,其中每个固有模态函数中对应于ECGnoise中所有样本点采样时刻的瞬时频率构成该固有模态函数的一组瞬时频率,即得到y组瞬时频率;
步骤6.分别获取每组瞬时频率的中心瞬时频率(即该组瞬时频率的中位数),并根据中心瞬时频率对每个固有模态函数进行分类:当某组瞬时频率的中心瞬时频率小于1Hz时,该组瞬时频率对应的固有模态函数被判别为基线漂移噪声为主的固有模态函数,属于第1类,当某组瞬时频率的中心瞬时频率在1Hz~40Hz之间时,该组瞬时频率对应的固有模态函数被判别为信号为主的IMF固有模态函数,属于第2类,当某组瞬时频率的中心瞬时频率大于40Hz时,该组瞬时频率对应的固有模态函数被判别为高频噪声为主的固有模态函数,属于第3类;
步骤7.设定包含n个样本点的信号u,将属于第2类的所有固有模态函数的所有样本点幅值一一对应相加后得到的值一一对应作为信号u的n个样本点的幅值,对信号u采用非局部均值(Non-Local Means,NLM)滤波方法去噪,得到第一个去噪信号
2.根据权利要求1所述的一种基于EEMD-Hilbert变换的ECG去噪方法,其特征在于所述的步骤8中对信号u采用非局部均值(Non-Local Means,NLM)滤波方法去噪,得到第一个去噪信号的具体过程为:
A、先对信号u前后进行对称填充,得到填充后信号:在信号u初始样本点前填充10个样本点,这10个样本点为信号u的前10个样本点的镜像点,在信号u末尾样本点后填充10个样本点,这10个样本点为信号u的最后10个样本点的镜像点,将填充后信号记为
B、采用式(7)进行去噪:
式(7)中,为信号u的第v个样本点去噪后的幅值,即填充后信号的第v+10个样本点去噪后的幅值,v=1,2,...,n,n为信号u的长度;构造出以填充后信号的第v+10个样本点为中心再取中心前后各10个样本点的幅值组成一个包含21个样本点的幅值的滤波块,再构造出以填充后信号的第v+10个样本点的幅值为中心再取中心前后多个样本点的幅值组成一个搜索邻域,将该搜索邻域的范围记为[r1,r2],搜索邻域按照以下规则确定:当v-190≤0且v+210≤n时,r1取v+10,r2取v+210;当v-190≤0且v+210>n时,r1取v+10,r2取n;当v-190>0且v+210≤n时,r1取v-190,r2取v+210;当v-190>0且v+210>n时,r1取v-190,r2取n;将搜索邻域包含的样本点幅值的总数量记为q,设遍历搜索邻域过程中,第r1个样本点的幅值至第r2个样本点的幅值中,除第v+10个样本点的幅值以外的某个样本点的幅值为第p个样本点的幅值,即p=r1,r1+1,...,,r2,且p≠v+10,分别以第p个样本点的幅值为中心,取中心前后各10个样本点的幅值,在搜索邻域中构造q-1个包含21个样本点的幅值的对比滤波块,Z(v)表示以填充后信号的第v+10个样本点的幅值为中心所构成滤波块与在搜索邻域内构造出的q-1个对比滤波块的相似滤波权重之和, 为填充后信号中第p个样本点的幅值,W(v,p)为以填充后信号的第v+10个样本点的幅值为中心的滤波块与搜索邻域内第p个样本点的幅值为中心的对比滤波块的相似滤波权重,W(v,p)表示为:其中exp(·)为指数函数;LΔ为信号u以第v个样本点的幅值为中心对应的滤波块的大小,取值为21;λ为平滑滤波参数,取值为0.5σ,σ为信号的噪声标准差,采用公式计算得到,mean(u)表示信号u中所有的样本点的幅值的平均值,u(m)为信号u的第m个样本点的幅值,d2(v,p,ε)为填充后信号中以第v+10个样本点的幅值为中心再取中心前后各10个样本点的幅值组成一个包含21个样本点的幅值的滤波块和搜索邻域内的第p个样本点的幅值为中心再取中心前后各10个样本点的幅值组成一个包含21个样本点的幅值的对比滤波块的差值的平方,d2(v,p,ε)通过式计算得到,其中,为填充后信号的第v+ε+10样本点的幅值,为填充后信号的第p+ε样本点的幅值,ε=-10,-9,...,9,10;
a.首先计算信号g的噪声标准差γ:
其中,median(·)为取中位数函数;g'为信号g中n个样本点的幅值绝对值的集合。
b.根据噪声标准差计算阈值T:
c.采用阈值函数对信号g进行去噪,阈值函数为:
其中,sgn(·)为符号函数,ln(·)为对数函数,b为阈值函数可调整参数,取0.1,g(a)为信号g的第a个样本点的幅值,| |为取绝对值符号,a=1,2,…,n;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210020923.8A CN114548147A (zh) | 2022-01-10 | 2022-01-10 | 一种基于EEMD-Hilbert变换的ECG去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210020923.8A CN114548147A (zh) | 2022-01-10 | 2022-01-10 | 一种基于EEMD-Hilbert变换的ECG去噪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114548147A true CN114548147A (zh) | 2022-05-27 |
Family
ID=81670297
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210020923.8A Pending CN114548147A (zh) | 2022-01-10 | 2022-01-10 | 一种基于EEMD-Hilbert变换的ECG去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114548147A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117879652A (zh) * | 2024-03-11 | 2024-04-12 | 辽宁鸿芯科技有限公司 | 一种基于hplc+hrf双模网络通讯方法及*** |
-
2022
- 2022-01-10 CN CN202210020923.8A patent/CN114548147A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117879652A (zh) * | 2024-03-11 | 2024-04-12 | 辽宁鸿芯科技有限公司 | 一种基于hplc+hrf双模网络通讯方法及*** |
CN117879652B (zh) * | 2024-03-11 | 2024-06-07 | 辽宁鸿芯科技有限公司 | 一种基于hplc+hrf双模网络通讯方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110680308B (zh) | 基于改进emd与阈值法融合的心电信号去噪方法 | |
CN108714026B (zh) | 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法 | |
Jenitta et al. | Denoising of ECG signal based on improved adaptive filter with EMD and EEMD | |
CN107272066A (zh) | 一种含噪地震信号初至走时拾取方法及装置 | |
CN108874149B (zh) | 一种基于表面肌电信号连续估计人体关节角度的方法 | |
CN108272451B (zh) | 一种基于改进小波变换的qrs波识别方法 | |
Bahoura et al. | FPGA-implementation of wavelet-based denoising technique to remove power-line interference from ECG signal | |
Rahman et al. | Noise cancellation in ECG signals using computationally simplified adaptive filtering techniques: Application to biotelemetry | |
CN109586688A (zh) | 基于迭代计算的时变可分非下采样图滤波器组的设计方法 | |
CN113297987B (zh) | 一种基于双目标函数优化的变分模态分解信号降噪方法 | |
CN115211869A (zh) | 一种基于经验模态分解和卡尔曼滤波的脑电信号去噪方法、装置及*** | |
CN114548147A (zh) | 一种基于EEMD-Hilbert变换的ECG去噪方法 | |
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 | |
CN113204051A (zh) | 一种基于变分模态分解的低秩张量地震数据去噪方法 | |
CN111582205A (zh) | 一种基于多分辨率奇异值分解模型的降噪方法 | |
CN113375065B (zh) | 管道泄漏监测中趋势信号的消除方法及装置 | |
CN113180680B (zh) | 一种改进的基于奇异谱分析的心电信号降噪方法 | |
CN113567129A (zh) | 一种列车轴承振动信号基于ceemd的降噪方法 | |
CN107315713B (zh) | 一种基于非局部相似性的一维信号去噪增强方法 | |
Kavitha et al. | PPG signal denoising using a new method for the selection of optimal wavelet transform parameters | |
CN114781446B (zh) | 一种基于hin网络和梯度差损失的心电信号降噪方法 | |
Han et al. | Denosing ECG using translation invariant multiwavelet | |
CN105915762A (zh) | 噪声像素自适应滤波方法及噪声像素自适应滤波*** | |
CN117838142A (zh) | 一种降低心电信号噪声干扰的方法、***和设备 | |
Gond et al. | A STATISTICAL COMPARISON OF FIR KAISER WINDOW AND IIR BUTTERWORTH FILTERS IN ECG SIGNAL PRE-PROCESSING |
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 |