一种便携式心电监护设备用心电信号运动伪影噪声去除方法

1.本发明涉及心电信号运动伪影噪声去除领域，尤其涉及一种便携式心电监护设备用心电信号运动伪影噪声去除方法。


背景技术：

2.随着科学技术的迅速发展，便携式医疗电子设备开始逐渐进入人们的视野，而便携式医疗电子设备准确有效的数据追踪和大数据分析模型的逐渐完善，使得其在移动医疗得到了越来越多的关注和应用。
3.心电图(electrocardiogram，ecg)是反映心脏电活动的一种方法，是最重要的生物信号之一，可用于观察人体心脏活动状况，临床上常用于筛选心血管疾病、评估心脏以及心血管功能。
4.运动伪影主要是由传感器与接触面发生位移产生的，产生的具体原因有：电极与接触面接触不稳定；肌肉收缩；呼吸。
5.它们都在心电信号采集的过程中不可避免，这使得基于电容式电极的便携式心电监测设备在日常生活中难以使用。因此，去除运动伪影在应用电容电极监测系统诊断、分析生物医学信号中起着至关重要的作用。由于人体的呼吸和肌肉的收缩等现象无法避免，且电容电极具有高灵敏性，这决定了便携式电容电极心电监测系统在测量的过程中无法仅通过硬件方式去除运动伪影，而需要结合软件方法去除。因此提出一种便携式心电监护设备用心电信号运动伪影噪声去除方法。


技术实现要素：

6.本发明的目的在于提供一种便携式心电监护设备用心电信号运动伪影噪声去除方法，解决了现有的心电信号受运动伪影噪声影响较大，影响对心电信号的评估，导致在日常生活中难以使用的问题。
7.为实现上述目的，本发明提供如下技术方案：一种便携式心电监护设备用心电信号运动伪影噪声去除方法，包括以下步骤：
8.s1：使用经验小波变换方法将原始心电信号分解为噪声主导和心电主导两个部分；
9.s2：经验小波分解：
10.1)对原始心电信号进行傅里叶变换，获得对应的频谱；
11.2)然后使用高斯滤波器对获得频谱进行预处理，获得两个频谱边界公式为：
[0012][0013]
3)以第二个边界作为最终的频谱分割边界ω，将频谱分割为噪声主导和心电主导两个模式；
[0014]
4)根据得到的频谱边界，选择meyer小波作为经验小波变换方法的基函数，得到和两个经验小波分量；
[0015]
s3：小波阈值法去噪：对经验小波分解后的噪声主导经验小波分量选择小波阈值法的
‘
heursure’阈值对其进行滤波，经“小波变换-小波阈值去噪-小波逆变换”过程获得小波阈值滤波分量；
[0016]
s4：小波阈值滤波分量与心电主导经验小波分量叠加，经过经验小波重构，最终获得去噪后的心电信号
[0017]
优选的，所述s2的2)中在高斯滤波器处理时，通过局部极小极大值法将边界指定为两个主要极大值之间的中点。
[0018]
优选的，所述s2的4)中同时需要设计自适应小波滤波器组，根据设计的带通滤波器，对信号进行经验小波分解。
[0019]
优选的，所述s3中小波阈值滤波分量的计算公式为：
[0020][0021]
优选的，所述s4中心电信号的计算公式为：
[0022][0023]
与相关技术相比较，本发明提供的一种便携式心电监护设备用心电信号运动伪影噪声去除方法具有如下有益效果：
[0024]
1、本发明提供一种便携式心电监护设备用心电信号运动伪影噪声去除方法，基于经验小波变换联合小波阈值的算法具有自适应性，适合用于去除心电信号中的运动伪影噪声；
[0025]
2、本发明提供一种便携式心电监护设备用心电信号运动伪影噪声去除方法，基于经验小波变换联合小波阈值的算法能够用于便携式心电监护设备运动伪影噪声去除；
[0026]
3、本发明提供一种便携式心电监护设备用心电信号运动伪影噪声去除方法，通过使用基于经验小波变换联合小波阈值的算法去除便携式心电监护设备运动伪影噪声，有利于进一步分析心电信号特征，为心律失常、疲劳状态等检测提供基础。
附图说明
[0027]
图1为一种便携式心电监护设备用心电信号运动伪影噪声去除方法的经验小波变换流程图。
[0028]
图2为一种便携式心电监护设备用心电信号运动伪影噪声去除方法的算法流程图。
[0029]
图3为一种便携式心电监护设备用心电信号运动伪影噪声去除方法的运动伪影对心电信号的影响。
[0030]
图4为使用基于经验小波变换联合小波阈值的算法对心电信号运动伪影去噪结果。
[0031]
图5为三种去噪方法去噪对比结果。
具体实施方式
[0032]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0033]
实施例一：
[0034]
请参阅图1-5，本发明提供一种技术方案：一种便携式心电监护设备用心电信号运动伪影噪声去除方法，包括以下步骤：
[0035]
s1：使用经验小波变换方法将原始心电信号分解为噪声主导和心电主导两个部分；
[0036]
s2：经验小波分解：
[0037]
1)对原始心电信号进行傅里叶变换，获得对应的频谱；
[0038]
2)然后使用高斯滤波器对获得频谱进行预处理，获得两个频谱边界公式为：
[0039][0040]
3)以第二个边界作为最终的频谱分割边界ω，将频谱分割为噪声主导和心电主导两个模式；
[0041]
4)根据得到的频谱边界，选择meyer小波作为经验小波变换方法的基函数，得到和两个经验小波分量；
[0042]
s3：小波阈值法去噪：对经验小波分解后的噪声主导经验小波分量选择小波阈值法的
‘
heursure’阈值对其进行滤波，经“小波变换-小波阈值去噪-小波逆变换”过程获得小波阈值滤波分量；
[0043]
s4：小波阈值滤波分量与心电主导经验小波分量叠加，经过经验小波重构，最终获得去噪后的心电信号
[0044]
s2的2)中在高斯滤波器处理时，通过局部极小极大值法将边界指定为两个主要极大值之间的中点。
[0045]
s2的4)中同时需要设计自适应小波滤波器组，根据设计的带通滤波器，对信号进行经验小波分解。
[0046]
s3中小波阈值滤波分量的计算公式为：
[0047][0048]
s4中心电信号的计算公式为：
[0049][0050]
1.基于经验小波变换联合小波阈值的心电信号运动伪影噪声去除方法
[0051]
基于经验小波变换联合小波阈值的心电信号运动伪影噪声去除方法分为经验小
波分解和小波阈值去噪两个过程，说明书附图1为经验小波变换流程图，说明书附图2为基于经验小波变换联合小波阈值的心电信号运动伪影噪声去除算法流程图。
[0052]
(1)经验小波分解
[0053]
通过使用经验小波变换方法将原始心电信号分解为噪声主导和心电主导两个部分。首先对原始心电信号进行傅里叶变换，获得对应的频谱。然后使用高斯滤波器对获得频谱进行预处理。并通过局部极小极大值法将边界指定为两个主要极大值之间的中点，获得两个频谱边界公式为：
[0054][0055]
以第二个边界作为最终的频谱分割边界ω，将频谱分割为噪声主导和心电主导两个模式。根据得到的频谱边界，选择meyer小波作为经验小波变换方法的基函数，设计自适应小波滤波器组。根据设计的带通滤波器，对信号进行经验小波分解，得到和两个经验小波分量。
[0056]
(2)小波阈值法去噪
[0057]
对经验小波分解后的噪声主导经验小波分量需要使用合适的滤波方法进行去噪处理，选择小波阈值法的
‘
heursure’阈值对其进行滤波，经“小波变换-小波阈值去噪-小波逆变换”过程获得小波阈值滤波分量。公式如下：
[0058][0059]
小波阈值滤波分量与心电主导经验小波分量叠加，经过经验小波重构，最终获得去噪后的心电信号公式如下：
[0060][0061]
2.实验方法
[0062]
运动伪影是指由于电极运动而在心电信号中产生的噪声，它对心电信号qrs波形有极大的影响，受其影响的心电信号常被动态心电监测设备错误地识别为心律失常，如心室颤动(vf)和室性心动过速(vt)等，因此，去除心电运动伪影噪声是短期和长期心电监测过程中需要解决的主要问题之一，运动伪影对心电信号的影响如说明书附图3所示。
[0063]
本实验结合mit-bih心电库中的数据进行仿真实验，选取mit-bih arrhythmia database中的信号作为无噪心电信号，mit-bih noise stress test database中的'em'信号作为运动伪影，模拟含噪心电信号通过将无噪心电和运动伪影噪声叠加的方式获得。
[0064]
使用基于经验小波变换联合小波阈值的方法对模拟含噪心电信号进行去运动伪影处理，探究本方法的可行性，并与使用小波变换和经验模态分解方法的去噪结果进行比较得出本方法的优越性。
[0065]
小波去噪方法选择'sym5'小波，分解水平为'9'，'heursure'小波软阈值去噪；经验模态分解方法通过去除后4个固有模态函数分量实现噪声的去除。
[0066]
说明书附图4为使用本方法对模拟含运动伪影噪声心电信号去噪的结果，其结果显示同一时间段的三个信号，分别为无噪心电信号、叠加snr＝0运动伪影的含噪心电信号、及经本方法的去噪心电信号。通过图4可以看出，本方法可以有效地去除原始信号中的运动伪影噪声、保留有意义的波形、并且保持qrs波群几乎不失真，本方法在去除心电运动伪影的应用上具有可行性。
[0067]
说明书附图5为使用小波变换、经验模态分解方法和本方法三种不同方法去噪的定性分析结果。由图5可以看出本方法能够有效地从心电信号中去除运动伪影，并保持心电信号的重要特征细节，而经小波变换和经验模态分解方法去噪的结果显示出明显失真现象。图5结果表明本方法与小波变换和经验模态分解方法相比，能够更好地在去除运动伪影的同时保留原始信号中的有用信息，具有明显的优势。
[0068]
且实现了：
[0069]
基于经验小波变换联合小波阈值的算法具有自适应性，适合用于去除心电信号中的运动伪影噪声。
[0070]
基于经验小波变换联合小波阈值的算法能够用于便携式心电监护设备运动伪影噪声去除。
[0071]
通过使用基于经验小波变换联合小波阈值的算法去除便携式心电监护设备运动伪影噪声，有利于进一步分析心电信号特征，为心律失常、疲劳状态等检测提供基础。
[0072]
除上述实施例外，本发明还可以有其他实施方式。凡采用等同替换或等效变换形式的技术方案，均落在本发明的保护范围内。