基于IEMD心電信號(hào)自適應(yīng)去噪算法分析案例目錄TOC\o"1-3"\h\u25898基于IEMD心電信號(hào)自適應(yīng)去噪算法分析案例 1310961.1心電信號(hào)IEMD分量頻率成分分析 15901.2基于IEMD算法的高頻噪聲去噪方法研究 357571.2.1去噪算法設(shè)計(jì) 335941.2.2高頻噪聲去噪算法效果驗(yàn)證 426951.3基于EMD的自適應(yīng)ECG信號(hào)基線漂移消除方法設(shè)計(jì) 8116021.3.1IMF分量頻率指標(biāo)的確定 8304901.3.2基于EMD的消除ECG信號(hào)基線漂移算法 9211101.3.3仿真結(jié)果分析與應(yīng)用 111.1心電信號(hào)IEMD分量頻率成分分析目前，國內(nèi)外學(xué)者對(duì)心電信號(hào)頻率進(jìn)行了大量的研究，但是由于采用的心電信號(hào)標(biāo)準(zhǔn)不同，分析方法各異，測(cè)量機(jī)器也不相同等問題，不同的研究結(jié)果并沒有達(dá)成統(tǒng)一的標(biāo)準(zhǔn)。曹細(xì)武[77]等針對(duì)這些問題，通過ST-TDatabase數(shù)據(jù)庫中的信號(hào)，提取出相應(yīng)心電成分的頻譜和寬帶進(jìn)行分析，具有一定的權(quán)威性。研究發(fā)現(xiàn)，整個(gè)心電信號(hào)頻譜能量雖然在0.05~100Hz，但是主要能量集中在0~40Hz的范圍內(nèi)，這一頻帶范圍內(nèi)心電信號(hào)的能量占據(jù)心電信號(hào)總能量的99%。在心電信號(hào)各組成成分中，P波能量主要集中在0~20Hz，其中波峰能量集中在3~12Hz；QRS波群能量主要集中在0~38Hz，波峰主要集中在8~16Hz范圍；而T波能量主要集中在0~8Hz之間，T波波峰能量集中在0~7Hz范圍內(nèi)。本論文中采用IEMD分解MIT-BIH心率失常數(shù)據(jù)庫中的標(biāo)準(zhǔn)心電數(shù)據(jù)來分析各個(gè)IMF分量中的信號(hào)成分。首先，將IEMD分解mitdb100的IMF分量通過FFT變換得到IMF1~IMF15分量的傅里葉頻譜。如下圖所示：圖4-1IEMD產(chǎn)生IMF1~IMF15的FFT變換Fig4-1IEMDgeneratesFFTtransformofIMF1~IMF15從圖4-1可以知道，IEMD分解mitdb100數(shù)據(jù)產(chǎn)生的前五個(gè)IMF分量能量均勻分布在整個(gè)頻域中，其中IMF2，IMF3，IMF4，IMF5分量中可以明顯觀察到60Hz的工頻噪聲及其諧波分量。從IMF6分量開始，信號(hào)能量主要集中在40Hz以下，說明開始出現(xiàn)心電信號(hào)成分；之后的IMF7，IMF8和IMF9保持了IMF6的頻率分布特點(diǎn)，并且分量的能量逐漸向低頻聚集；IMF10之后的信號(hào)頻率成分減少，可以從圖中明顯觀察到它們是一些單頻分量和它的諧波分量或者就是單頻成分，有低頻漂移量的特征。結(jié)合上圖可知，IEMD分解可以比較明確的將工頻干擾，高斯白噪聲和基線漂移噪聲與心電信號(hào)分離。IEMD分解信號(hào)的特性，提供了一種心電信號(hào)的去噪思路，即通過一定的篩選手段，就可以將心電信號(hào)所屬IMF分量與噪聲分量分離。從而重構(gòu)出濾波后的心電信號(hào)。1.2基于IEMD算法的高頻噪聲去噪方法研究1.2.1去噪算法設(shè)計(jì)由上一節(jié)提到，心電信號(hào)的大部分能量集中在0~40Hz頻段范圍內(nèi)，而IEMD分解心電信號(hào)產(chǎn)生的前幾個(gè)分量頻率分布在整個(gè)采樣頻率二分之一的范圍內(nèi)分布比較均勻?；谝陨侠碚摚菊撐脑O(shè)計(jì)一種基于IEMD和FFT頻率篩選的心電信號(hào)高頻噪聲去噪算法；需要一提的是，在噪聲IMF分量和信號(hào)IMF分量之間，判斷為心電信號(hào)的IMF分量中有一部分噪聲能量；如果不做處理，則去噪后的信號(hào)中含有部分噪聲。為解決上述問題，本論文采用小波硬閾值的思想，結(jié)合IMF分量零均值的特性，將判斷為噪聲的IMF分量疊加求平均，得到臨界IMF分量的硬閾值，IMF分量中大于閾值的信號(hào)判斷為噪聲，小于閾值的信號(hào)判斷為噪聲。具體步驟如下：（1）將原始心電信號(hào)經(jīng)過IEMD分解，得到一組IMF分量；（2）將IEMD分解得到IMF分量經(jīng)過FFT變換，得到各個(gè)IMF分量的傅里葉頻譜；（3）如果IMF的頻譜中0~59Hz的能量占整個(gè)頻域能量的90%，則判斷為心電信號(hào)分量，否則判斷為高頻噪聲分量和白噪聲分量；（4）將高頻噪聲IMF分量與信號(hào)IMF分量的臨界IMF分量進(jìn)行硬閾值去噪；（5）將判斷為心電信號(hào)的IMF分量和臨界IMF分量去噪后的結(jié)果進(jìn)行重構(gòu)，得到去除高頻噪聲的心電信號(hào)。1.2.2高頻噪聲去噪算法效果驗(yàn)證為驗(yàn)證本算法去除白噪聲和工頻干擾的性能，需要定量分析，因?yàn)镸IT-BIH心率異常數(shù)據(jù)庫中的數(shù)據(jù)本身含有的基線漂移噪聲未知，許多研究都會(huì)對(duì)數(shù)據(jù)庫中的數(shù)據(jù)進(jìn)行一些處理，以得到近似沒有基線漂移噪聲的信號(hào)，但這些處理顯然無法完全得到干凈的信號(hào)，致使后續(xù)的實(shí)驗(yàn)和研究不能讓人完全信服。所以本文采用ECGSYN[78]生成的模擬理想ECG信號(hào)x(t)，其中加入高斯白噪聲和60Hz的工頻干擾噪聲，得的帶有白噪聲和工頻噪聲的ECG信號(hào)X(t)，這樣就提前已知了信號(hào)和噪聲的全部信息。a（ECGSYN生成的理想心電）b（ECG生成理想心電疊加噪聲信號(hào)）圖4-2理想心電及疊加的白噪聲以及60Hz工頻噪聲Fig4-2IdealECGandsuperimposedwhitenoiseand60Hzpowerfrequencynoise將上面生成的X(t)，經(jīng)過本節(jié)設(shè)計(jì)的去噪算法進(jìn)行去噪，IEMD算法分解含有白噪聲和60Hz工頻噪聲的理想心電產(chǎn)生的IMF分量如下圖所示：圖4-3模擬加噪心電IEMD分解Fig4-3IEMDdecompositionofsimulatednoisyECG經(jīng)過算法篩選，0~59Hz頻譜內(nèi)信號(hào)能量占據(jù)90%以上的IMF分量為IMF9~IMF17，其中IMF9為高頻噪聲和心電信號(hào)的臨界分量；經(jīng)過硬閾值去噪后，疊加得到去噪后的信號(hào)如下圖所示：圖4-4去噪信號(hào)Figure4-4Denoisingsignal與上一章節(jié)類似，通過信噪比，相關(guān)系數(shù)和均方根誤差三個(gè)指標(biāo)驗(yàn)證驗(yàn)證算法性能。并與EMD，EEMD硬閾值和db8小波閾值法去噪進(jìn)行對(duì)比分析如下：表4-1算法性能對(duì)比Tab4-1AlgorithmperformancecomparisonSNR(dB)ρRMSEEMD硬閾值80.95250.95520.0066EEMD硬閾值83.51410.97410.0045db8小波閾值81.15830.96800.0064IEMD硬閾值91.29570.97720.0041從中數(shù)據(jù)可以得到，本論文基于IEMD算法設(shè)計(jì)的心電信號(hào)高頻噪聲去噪算法明顯優(yōu)于其他三種方法。其中以信噪比提升最為明顯，說明本算法在去噪方面有更好的表現(xiàn)。1.3基于EMD的自適應(yīng)ECG信號(hào)基線漂移消除方法設(shè)計(jì)經(jīng)過上一節(jié)去除高頻噪聲后，本節(jié)對(duì)重構(gòu)的ECG信號(hào)進(jìn)行自適應(yīng)基線漂移噪聲的去除。本節(jié)將EMD算法與心電信號(hào)準(zhǔn)周期特性相結(jié)合，篩選出EMD分解重構(gòu)信號(hào)后的代表基線漂移噪聲的IMF分量。這里不在IEMD方法的基礎(chǔ)上進(jìn)行，是因?yàn)镋MD對(duì)于心電信號(hào)低頻成分的分解沒有混疊效應(yīng)，同時(shí)在上一節(jié)處理的基礎(chǔ)進(jìn)行EMD分解，相當(dāng)于可以分解出更多的IMF分量，提高了篩選的精度[80]。1.3.1IMF分量頻率指標(biāo)的確定由于ECG信號(hào)的基線漂移噪聲主要由患者的呼吸或運(yùn)動(dòng)引起，相對(duì)心電信號(hào)來說是一種低頻噪聲，所以由第二章的理論可知，通過EMD分解，低頻的基線漂移噪聲被分解到高階IMF分量中。第二章提到每一個(gè)IMF分量都有一個(gè)連續(xù)的頻率范圍，而且高階的IMF分量頻率范圍低于低階的IMF分量（可能會(huì)有重疊）。而如果將每一個(gè)IMF分量相鄰兩個(gè)極大值點(diǎn)或極小值點(diǎn)中間的時(shí)間尺度視為其局部的頻率指標(biāo)，定義為Sk，k為第k個(gè)時(shí)間尺度，求出這些時(shí)間尺度的平均值，定義為每一個(gè)IMF分量的“周期”，并將其作為IMF分量的頻率指標(biāo)，用Tn來表示，n為IMF階數(shù)。有：Tn其中N為第n個(gè)IMF分量中Sk的個(gè)數(shù)。這里必須指出，理論上高階IMF分量的Tn小于低階IMF分量，但有必要進(jìn)行驗(yàn)證，分別使用GSTA和MIT-BIH心率失常數(shù)據(jù)庫的100信號(hào)（MLII導(dǎo)聯(lián)，取3600個(gè)數(shù)據(jù)點(diǎn)）進(jìn)行驗(yàn)證。結(jié)果如表4-2所示。表4-2GSTA與MIT-BIH100的IMFs周期Tab4-2IMFscycleofGSTAandMIT-BIH100IMF的周期（IMF階數(shù)由低到高）GSTA3.277.3516.336.873.5147147MIT-BIH1003.687.531740.47513325745072018003599由表4-2可以看出無論GSTA數(shù)據(jù)還是MIT-BIH100數(shù)據(jù)的IMFs的“周期”都是隨著IMF分量階數(shù)的升高而增大的。說明這里定義的“周期”在實(shí)際使用中與理論一致，可以反映IMF分量的頻率指標(biāo)。1.3.2基于EMD的消除ECG信號(hào)基線漂移算法基于上一節(jié)給出的IMF分量的“周期”Tn，可以得到一種自適應(yīng)的ECG信號(hào)的基線漂移去除算法。假設(shè)一種情況，一個(gè)ECG信號(hào)中只有一個(gè)心率周期的數(shù)據(jù)，通過EMD分解之后最高階的IMF分量的“周期”理應(yīng)是一個(gè)心率周期的長度，拓展到一個(gè)ECG信號(hào)中有多個(gè)心率周期的數(shù)據(jù)，當(dāng)通過EMD分解之后產(chǎn)生的IMF分量中，有理由認(rèn)為包含心電信號(hào)的IMF分量的“周期”不大于心率周期，即EMD分解產(chǎn)生的“周期”大于ECG信號(hào)周期的IMF分量都認(rèn)為是基線漂移噪聲的分解。這里值得一提的是，通過對(duì)理想ECG信號(hào)模型進(jìn)行EMD分解，發(fā)現(xiàn)ECG本身存在直流分量，即理想ECG信號(hào)模型最后的剩余分量（最后一個(gè)IMF分量）（如圖1所示）。所以有理由認(rèn)為，醫(yī)學(xué)上測(cè)量的ECG信號(hào)存在直流分量，同時(shí)通過EMD分解，ECG信號(hào)的直流分量被分解到最后一個(gè)IMF分量中。所以，在基于EMD的ECG基線漂移去除算法中，直接將最后一個(gè)IMF分量去除是不合適的。a（原始信號(hào)及前三個(gè)IMF分量）b（IMF4~IMF7）c（IMF8~IMF12）圖4-5EMD分解模擬標(biāo)準(zhǔn)ECG信號(hào)Fig4-5EMDdecompositionsimulationstandardECGsignal.圖4-1中IMF4和IMF5中明顯存在由于端點(diǎn)效應(yīng)造成的擾動(dòng)，在IMF6中邊界效應(yīng)造成的擾動(dòng)向內(nèi)移動(dòng)，在之后的IMF分量都是接近0的一條直線，直到最后的IMF12，明顯偏離零值，在0.12附近，可以視為模擬標(biāo)準(zhǔn)ECG信號(hào)的“直流部分”。鑒于上述分析，不能直接將最后一個(gè)IMF分量舍棄，由于ECG信號(hào)是類周期信號(hào)，本章將一段ECG信號(hào)分成一個(gè)一個(gè)的周期，每個(gè)周期單獨(dú)進(jìn)行EMD分解，每個(gè)周期分解得到的最后一個(gè)IMF分量是幾乎一樣的，這樣理論上一段信號(hào)ECG信號(hào)經(jīng)過EMD分解得到的最后一個(gè)IMF分量應(yīng)該近似是一條直線。而實(shí)際上，EMD分解ECG信號(hào)得到的最后一個(gè)IMF分量本身就近似一條直線，同時(shí)由于基線漂移來源于患者呼吸或在測(cè)量信號(hào)過程中的一些動(dòng)作，EMD分解后不可能存在近乎直流的分量，所以EMD分解ECG信號(hào)的最后一個(gè)IMF分量就是來源于ECG信號(hào)本身的。于是，本文基于EMD的消除ECG信號(hào)基線漂移的算法具體步驟如下：（1）使用EMD方法對(duì)信號(hào)x(t)進(jìn)行處理，得到n個(gè)IMF分量；（2）計(jì)算每個(gè)IMF分量的“周期”Tn，如公式（2）所示；（3）計(jì)算x(t)的平均R-R周期，作為x(t)的心率周期t；（4）將大于t的Tn對(duì)應(yīng)的IMF分量去除，但保留最后一個(gè)IMF分量，然后將剩余的IMF分量疊加，得到去除基線漂移噪聲的心電信號(hào)xdelBW(t)。1.3.3仿真結(jié)果分析與應(yīng)用（1）定性分析為直觀看到本文算法的濾波效果，故選用美國麻省理工學(xué)院MIT-BIH心率異常數(shù)據(jù)庫中的100信號(hào)和103信號(hào)（都采用MLII導(dǎo)聯(lián)，取65536個(gè)數(shù)據(jù)點(diǎn)）用本文算法進(jìn)行處理效果如下（為了方便觀察濾波效果，這里沒有將最后一個(gè)IMF分量加入濾波后的信號(hào)，因?yàn)樽詈蟮腎MF分量是原始ECG信號(hào)的直流成分，去除之后只是將濾波后的信號(hào)向上平移，與原始信號(hào)交錯(cuò)開，方便觀察）：a（MIT-BIH100原始數(shù)據(jù)及去除基線漂移后的數(shù)據(jù)）b（MIT-BIH100原始數(shù)據(jù)及去除基線漂移后的數(shù)據(jù)局部）圖4-6MIT-BIH100原始數(shù)據(jù)及去除基線漂移后的數(shù)據(jù)Figure4-6MIT-BIH100rawdataanddataafterremovingbaselinedrifta（MIT-BIH103原始數(shù)據(jù)及去除基線漂移后的數(shù)據(jù)）b（MIT-BIH103原始數(shù)據(jù)及去除基線漂移后的數(shù)據(jù)局部）圖4-7MIT-BIH103原始數(shù)據(jù)及去除基線漂移后的數(shù)據(jù)Fig4-7MIT-BIH103rawdataandthedataafterremovingthebaselinedrift由圖4-6和圖4-7可以明顯看出經(jīng)過本算法處理的ECG信號(hào)明顯平穩(wěn)了許多，那些明顯的非ECG的趨勢(shì)信號(hào)被濾除，而ECG信號(hào)的細(xì)節(jié)得以保留。（2）定量分析為進(jìn)一步驗(yàn)證本文算法的性能，需要進(jìn)一步的定量分析。同樣采用ECGSYN生成的模擬理想ECG信號(hào)x(t)（如圖4-4a）所示，其中加入的基線漂移為：bw=0.1sin圖4-8理想心電及疊加的模擬基線漂移信號(hào)Fig4-8IdealECGandsuperimposedanalogbaselinedriftsignal將合成的