利用小波对含噪的原始信号分解后 - Read.PPT

小波分析在心电信号去噪中的应用 2006.9.25 主要内容 心电信号的噪声特点 小波分析与传统信号处理方法的比较 小波去噪的基本原理 小波去噪的基本步骤 小波去噪中的阈值函数和阈值的选取 小波去噪中小波函数的选择 去噪效果的评价 程序说明 总结 一、心电信号的噪声特点 （1）由于电源磁场作用于心电图机与人体之间的环形电路所致的50 Hz/ 60 Hz 工频干扰; （2）由于病人肌肉紧张产生的肌电干扰; （3）由于病人呼吸运动或者由电极—电极—皮肤之间界面阻抗所致的频响,一般小于1 Hz 的基线漂移； 这些噪声干扰与心电信号混杂,引起心电信号的畸变,使整个心电信号波形模糊不清,对随后的信号分析处理,尤其是计算机自动识别诊断造成误判和漏判,因此,心电信号的消噪有重要的意义。 一、心电信号的噪声特点 二、小波分析与传统信号处理方法的比较 二、小波分析与传统信号处理方法的比较 傅式变换又有其局限性：傅立叶变换的核函数是正弦函数，它在时间域上是无限的，非局部化的。 在去噪方面，由于傅立叶分析是将信号完全在频率域中进行分析，它不能给出信号在某个时间点的变化情况，使得信号在时间轴上的每一点突变，都会影响信号的整个频域，所以，它不能有效的区分信号中可能包含的尖峰或突变部分还是不平稳的白噪声。 小波变换的特点 小波变换是将时间信号展开为小波函数族的线性叠加，小波变换的核函数是小波函数，它在时间和频率域内都是局部化的。所以，小波变化可对信号同时在时－频域内进行联合分析。 　　 在去噪方面，小波分析由于能同时在时－频域中对信号进行分析，具有多分辨分析的功能，所以在不同的分解层上有效的区分信号的突变部分和噪声，从而实现信号的消噪。 三、小波分析的去噪原理 三、小波分析的去噪原理 有用信号通常表现为低频信号或是相对比较平稳。而噪声信号通常表现为高频信号。 利用小波对含噪的原始信号分解后，含噪部分主要集中在高频小波系数中，并且，包含有用信号的小波系数幅值较大，但数目少；而噪声对应的小波系数幅值小，数目较多。 基于上述特点，可以应用门限阈值法对小波系数进行处理。（即对较小的小波系数置为０，较大的保留或削弱），然后对信号重构即可达到消噪的目的。 四、一维信号利用小波除噪的步骤 四、一维信号利用小波除噪的步骤 五、阈值函数和阈值的选取 五、阈值函数和阈值的选取 五、阈值函数和阈值的选取 五、阈值函数和阈值的选取 五、阈值函数和阈值的选取 六、小波函数的选择 六、小波函数的选择 七、小波去噪效果评价 八、小波去噪程序 八、小波去噪程序 八、小波去噪程序 八、小波去噪程序 九、总结： * * 心电信号（ECG）是典型的强噪声的非平稳的随机信号。正常心电信号的频率范围在0.01 Hz-100Hz之间，而90%的ECG频谱能量又集中在0.25 H z-35H z之间。 在心电信号的采集和A/ D 转换过程中,心电信号不可避免地受到各种类型的噪声干扰,概括起来主要包括以下三类噪声: 一、心电信号的噪声特点 傅立叶变换的特点： 在传统的信号处理方法中，傅立叶变换作为划时代的工具架起了时间域和频率域的桥梁。 傅立叶变换实际上是将信号展为不同频率正弦信号的线型叠加。从信号的傅立叶变化，能看出信号各种不同频率成分的强弱，信号能量在频率域的分布。 在实际工程应用中，通常所分析的信号具有非线性，非平稳,并且奇异点较多的特点。含噪的一维信号模型可表示为： 其中，f(t)为真实信号，s(t)为含噪信号，e(t)为噪声， 为噪声标准偏差。 CD3 CD2 CA3 CA2 s CA1 CD1 小波分解的结构示意图 小波分解系数示意图 小波分解示意图： 1.小波变换去噪的流程示意图： 预处理 小波变换多尺度分解 各尺度小波系数除噪 小波逆变换重构信号 除噪后的信号 含噪信号 ２．小波除噪的具体步骤： (1) 对含噪信号进行预处理,并进行小波分解。选择小波确定分解的层数N,然后对信号s进行N层分解。 (2) 小波分解的高频系数的阈值量化。对第一层到第N层高频系数，选择软阈值或硬阈值量化处理。 (３) 一维小波重构。根据小波分解的第N层低频系数和第一层到第N层的高频系数，进行一维重构。 在上面的步骤中，最为关键的就是如何选取阈值和如何阈值量化，从某种意义上讲，它直接影响信号去噪的质量。 １．阈值函数 　　阈值函数分为软阈值和硬阈值两种。 (1).硬阈值(hard threshol ding) 当小波系数的绝对值大于等于给定阈值时，保持不变，而小于时，令其为０。即： (2).软阈值(soft threshol ding) 当小波系数的绝对值大于等于给定的阈值时，令其值为减去阈值；而小于时，令其为０