2025《基于IEMD心电信号自适应去噪算法分析案例》4400字.docxVIP

基于IEMD心电信号自适应去噪算法分析案例

目录

TOC\o1-3\h\u25898基于IEMD心电信号自适应去噪算法分析案例 1

310961.1心电信号IEMD分量频率成分分析 1

5901.2基于IEMD算法的高频噪声去噪方法研究 3

57571.2.1去噪算法设计 3

35941.2.2高频噪声去噪算法效果验证 4

26951.3基于EMD的自适应ECG信号基线漂移消除方法设计 8

116021.3.1IMF分量频率指标的确定 8

304901.3.2基于EMD的消除ECG信号基线漂移算法 9

211101.3.3仿真结果分析与应用 11

1.1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