【《基于IEMD心电信号自适应去噪算法分析案例》4400字】

基于IEMD心电信号自适应去噪算法分析案例目录TOC\o"1-3"\h\u25898基于IEMD心电信号自适应去噪算法分析案例 1310961.1心电信号IEMD分量频率成分分析 15901.2基于IEMD算法的高频噪声去噪方法研究 357571.2.1去噪算法设计 335941.2.2高频噪声去噪算法效果验证 426951.3基于EMD的自适应ECG信号基线漂移消除方法设计 8116021.3.1IMF分量频率指标的确定 8304901.3.2基于EMD的消除ECG信号基线漂移算法 9211101.3.3仿真结果分析与应用 111.1心电信号IEMD分量频率成分分析目前，国内外学者对心电信号频率进行了大量的研究，但是由于采用的心电信号标准不同，分析方法各异，测量机器也不相同等问题，不同的研究结果并没有达成统一的标准。曹细武[77]等针对这些问题，通过ST-TDatabase数据库中的信号，提取出相应心电成分的频谱和宽带进行分析，具有一定的权威性。研究发现，整个心电信号频谱能量虽然在0.05~100Hz，但是主要能量集中在0~40Hz的范围内，这一频带范围内心电信号的能量占据心电信号总能量的99%。在心电信号各组成成分中，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范围；而T波能量主要集中在0~8Hz之间，T波波峰能量集中在0~7Hz范围内。本论文中采用IEMD分解MIT-BIH心率失常数据库中的标准心电数据来分析各个IMF分量中的信号成分。首先，将IEMD分解mitdb100的IMF分量通过FFT变换得到IMF1~IMF15分量的傅里叶频谱。如下图所示：图4-1IEMD产生IMF1~IMF15的FFT变换Fig4-1IEMDgeneratesFFTtransformofIMF1~IMF15从图4-1可以知道，IEMD分解mitdb100数据产生的前五个IMF分量能量均匀分布在整个频域中，其中IMF2，IMF3，IMF4，IMF5分量中可以明显观察到60Hz的工频噪声及其谐波分量。从IMF6分量开始，信号能量主要集中在40Hz以下，说明开始出现心电信号成分；之后的IMF7，IMF8和IMF9保持了IMF6的频率分布特点，并且分量的能量逐渐向低频聚集；IMF10之后的信号频率成分减少，可以从图中明显观察到它们是一些单频分量和它的谐波分量或者就是单频成分，有低频漂移量的特征。结合上图可知，IEMD分解可以比较明确的将工频干扰，高斯白噪声和基线漂移噪声与心电信号分离。IEMD分解信号的特性，提供了一种心电信号的去噪思路，即通过一定的筛选手段，就可以将心电信号所属IMF分量与噪声分量分离。从而重构出滤波后的心电信号。1.2基于IEMD算法的高频噪声去噪方法研究1.2.1去噪算法设计由上一节提到，心电信号的大部分能量集中在0~40Hz频段范围内，而IEMD分解心电信号产生的前几个分量频率分布在整个采样频率二分之一的范围内分布比较均匀。基于以上理论，本论文设计一种基于IEMD和FFT频率筛选的心电信号高频噪声去噪算法；需要一提的是，在噪声IMF分量和信号IMF分量之间，判断为心电信号的IMF分量中有一部分噪声能量；如果不做处理，则去噪后的信号中含有部分噪声。为解决上述问题，本论文采用小波硬阈值的思想，结合IMF分量零均值的特性，将判断为噪声的IMF分量叠加求平均，得到临界IMF分量的硬阈值，IMF分量中大于阈值的信号判断为噪声，小于阈值的信号判断为噪声。具体步骤如下：（1）将原始心电信号经过IEMD分解，得到一组IMF分量；（2）将IEMD分解得到IMF分量经过FFT变换，得到各个IMF分量的傅里叶频谱；（3）如果IMF的频谱中0~59Hz的能量占整个频域能量的90%，则判断为心电信号分量，否则判断为高频噪声分量和白噪声分量；（4）将高频噪声IMF分量与信号IMF分量的临界IMF分量进行硬阈值去噪；（5）将判断为心电信号的IMF分量和临界IMF分量去噪后的结果进行重构，得到去除高频噪声的心电信号。1.2.2高频噪声去噪算法效果验证为验证本算法去除白噪声和工频干扰的性能，需要定量分析，因为MIT-BIH心率异常数据库中的数据本身含有的基线漂移噪声未知，许多研究都会对数据库中的数据进行一些处理，以得到近似没有基线漂移噪声的信号，但这些处理显然无法完全得到干净的信号，致使后续的实验和研究不能让人完全信服。所以本文采用ECGSYN[78]生成的模拟理想ECG信号x(t)，其中加入高斯白噪声和60Hz的工频干扰噪声，得的带有白噪声和工频噪声的ECG信号X(t)，这样就提前已知了信号和噪声的全部信息。a（ECGSYN生成的理想心电）b（ECG生成理想心电叠加噪声信号）图4-2理想心电及叠加的白噪声以及60Hz工频噪声Fig4-2IdealECGandsuperimposedwhitenoiseand60Hzpowerfrequencynoise将上面生成的X(t)，经过本节设计的去噪算法进行去噪，IEMD算法分解含有白噪声和60Hz工频噪声的理想心电产生的IMF分量如下图所示：图4-3模拟加噪心电IEMD分解Fig4-3IEMDdecompositionofsimulatednoisyECG经过算法筛选，0~59Hz频谱内信号能量占据90%以上的IMF分量为IMF9~IMF17，其中IMF9为高频噪声和心电信号的临界分量；经过硬阈值去噪后，叠加得到去噪后的信号如下图所示：图4-4去噪信号Figure4-4Denoisingsignal与上一章节类似，通过信噪比，相关系数和均方根误差三个指标验证验证算法性能。并与EMD，EEMD硬阈值和db8小波阈值法去噪进行对比分析如下：表4-1算法性能对比Tab4-1AlgorithmperformancecomparisonSNR(dB)ρRMSEEMD硬阈值80.95250.95520.0066EEMD硬阈值83.51410.97410.0045db8小波阈值81.15830.96800.0064IEMD硬阈值91.29570.97720.0041从中数据可以得到，本论文基于IEMD算法设计的心电信号高频噪声去噪算法明显优于其他三种方法。其中以信噪比提升最为明显，说明本算法在去噪方面有更好的表现。1.3基于EMD的自适应ECG信号基线漂移消除方法设计经过上一节去除高频噪声后，本节对重构的ECG信号进行自适应基线漂移噪声的去除。本节将EMD算法与心电信号准周期特性相结合，筛选出EMD分解重构信号后的代表基线漂移噪声的IMF分量。这里不在IEMD方法的基础上进行，是因为EMD对于心电信号低频成分的分解没有混叠效应，同时在上一节处理的基础进行EMD分解，相当于可以分解出更多的IMF分量，提高了筛选的精度[80]。1.3.1IMF分量频率指标的确定由于ECG信号的基线漂移噪声主要由患者的呼吸或运动引起，相对心电信号来说是一种低频噪声，所以由第二章的理论可知，通过EMD分解，低频的基线漂移噪声被分解到高阶IMF分量中。第二章提到每一个IMF分量都有一个连续的频率范围，而且高阶的IMF分量频率范围低于低阶的IMF分量（可能会有重叠）。而如果将每一个IMF分量相邻两个极大值点或极小值点中间的时间尺度视为其局部的频率指标，定义为Sk，k为第k个时间尺度，求出这些时间尺度的平均值，定义为每一个IMF分量的“周期”，并将其作为IMF分量的频率指标，用Tn来表示，n为IMF阶数。有：Tn其中N为第n个IMF分量中Sk的个数。这里必须指出，理论上高阶IMF分量的Tn小于低阶IMF分量，但有必要进行验证，分别使用GSTA和MIT-BIH心率失常数据库的100信号（MLII导联，取3600个数据点）进行验证。结果如表4-2所示。表4-2GSTA与MIT-BIH100的IMFs周期Tab4-2IMFscycleofGSTAandMIT-BIH100IMF的周期（IMF阶数由低到高）GSTA3.277.3516.336.873.5147147MIT-BIH1003.687.531740.47513325745072018003599由表4-2可以看出无论GSTA数据还是MIT-BIH100数据的IMFs的“周期”都是随着IMF分量阶数的升高而增大的。说明这里定义的“周期”在实际使用中与理论一致，可以反映IMF分量的频率指标。1.3.2基于EMD的消除ECG信号基线漂移算法基于上一节给出的IMF分量的“周期”Tn，可以得到一种自适应的ECG信号的基线漂移去除算法。假设一种情况，一个ECG信号中只有一个心率周期的数据，通过EMD分解之后最高阶的IMF分量的“周期”理应是一个心率周期的长度，拓展到一个ECG信号中有多个心率周期的数据，当通过EMD分解之后产生的IMF分量中，有理由认为包含心电信号的IMF分量的“周期”不大于心率周期，即EMD分解产生的“周期”大于ECG信号周期的IMF分量都认为是基线漂移噪声的分解。这里值得一提的是，通过对理想ECG信号模型进行EMD分解，发现ECG本身存在直流分量，即理想ECG信号模型最后的剩余分量（最后一个IMF分量）（如图1所示）。所以有理由认为，医学上测量的ECG信号存在直流分量，同时通过EMD分解，ECG信号的直流分量被分解到最后一个IMF分量中。所以，在基于EMD的ECG基线漂移去除算法中，直接将最后一个IMF分量去除是不合适的。a（原始信号及前三个IMF分量）b（IMF4~IMF7）c（IMF8~IMF12）图4-5EMD分解模拟标准ECG信号Fig4-5EMDdecompositionsimulationstandardECGsignal.图4-1中IMF4和IMF5中明显存在由于端点效应造成的扰动，在IMF6中边界效应造成的扰动向内移动，在之后的IMF分量都是接近0的一条直线，直到最后的IMF12，明显偏离零值，在0.12附近，可以视为模拟标准ECG信号的“直流部分”。鉴于上述分析，不能直接将最后一个IMF分量舍弃，由于ECG信号是类周期信号，本章将一段ECG信号分成一个一个的周期，每个周期单独进行EMD分解，每个周期分解得到的最后一个IMF分量是几乎一样的，这样理论上一段信号ECG信号经过EMD分解得到的最后一个IMF分量应该近似是一条直线。而实际上，EMD分解ECG信号得到的最后一个IMF分量本身就近似一条直线，同时由于基线漂移来源于患者呼吸或在测量信号过程中的一些动作，EMD分解后不可能存在近乎直流的分量，所以EMD分解ECG信号的最后一个IMF分量就是来源于ECG信号本身的。于是，本文基于EMD的消除ECG信号基线漂移的算法具体步骤如下：（1）使用EMD方法对信号x(t)进行处理，得到n个IMF分量；（2）计算每个IMF分量的“周期”Tn，如公式（2）所示；（3）计算x(t)的平均R-R周期，作为x(t)的心率周期t；（4）将大于t的Tn对应的IMF分量去除，但保留最后一个IMF分量，然后将剩余的IMF分量叠加，得到去除基线漂移噪声的心电信号xdelBW(t)。1.3.3仿真结果分析与应用（1）定性分析为直观看到本文算法的滤波效果，故选用美国麻省理工学院MIT-BIH心率异常数据库中的100信号和103信号（都采用MLII导联，取65536个数据点）用本文算法进行处理效果如下（为了方便观察滤波效果，这里没有将最后一个IMF分量加入滤波后的信号，因为最后的IMF分量是原始ECG信号的直流成分，去除之后只是将滤波后的信号向上平移，与原始信号交错开，方便观察）：a（MIT-BIH100原始数据及去除基线漂移后的数据）b（MIT-BIH100原始数据及去除基线漂移后的数据局部）图4-6MIT-BIH100原始数据及去除基线漂移后的数据Figure4-6MIT-BIH100rawdataanddataafterremovingbaselinedrifta（MIT-BIH103原始数据及去除基线漂移后的数据）b（MIT-BIH103原始数据及去除基线漂移后的数据局部）图4-7MIT-BIH103原始数据及去除基线漂移后的数据Fig4-7MIT-BIH103rawdataandthedataafterremovingthebaselinedrift由图4-6和图4-7可以明显看出经过本算法处理的ECG信号明显平稳了许多，那些明显的非ECG的趋势信号被滤除，而ECG信号的细节得以保留。（2）定量分析为进一步验证本文算法的性能，需要进一步的定量分析。同样采用ECGSYN生成的模拟理想ECG信号x(t)（如图4-4a）所示，其中加入的基线漂移为：bw=0.1sin图4-8理想心电及叠加的模拟基线漂移信号Fig4-8IdealECGandsuperimposedanalogbaselinedriftsignal将合成的