[发明专利]基于EMD及其能量的心电信号去噪算法、设备和存储介质

说明书

本发明公开了基于EMD及其能量的心电信号去噪算法、设备和存储介质，该算法包括步骤：信号均值化处理及公差值的确定；对信号进行EMD分解，得到各阶IMF；根据EMD分解后各阶IMF的能量，计算能量曲线除边界点以外的第一个极大点和第一个极小点的所在阶数，结合所述公差值，判断需要去噪的IMF阶数变化点，若所述能量曲线的第一个极大点和第一个极小点均不存在，则预设所述IMF阶数变化点；对所述IMF阶数变化点之前的各阶IMF进行阈值去噪；将阈值去噪后的各阶IMF与未进行阈值去噪的IMF以及残差进行重构，生成去噪后的心电信号。本方案能够完整地保留大于阈值部分的信息，并且不会产生附加震荡和跳跃点，较好地保证了原始信号的平滑性，提高了去噪质量。

技术领域

本发明涉及心电信号去噪技术领域，尤其是涉及一种基于EMD及其能量的心电信号去噪算法、设备和存储介质。

背景技术

心电信号(ECG)是人类较早研究并应用于医学临床的一种生理电信号。心电图信号在医学上被广泛运用于心脏病诊断。然而由于如人体的呼吸、运动、以及周边环境中的电磁干扰等等，心电图往往会包含大量的噪声。常见的噪声有工频干扰、肌电干扰和基线漂移。所有这些噪声都可能引起心电波形的畸变，掩盖对诊断有重要意义的微小特征。因此，消除心电信号中的噪声成为必要。

由于心电信号噪声源的种类复杂，对其进行去噪处理成为一个难题，在心电信号的自动处理中，这一困难更加突出。基于经验模式分解(EMD)的新信号分析方法，是将ECG信号分解为“n”个IMF分量和一个残差。低阶IMF分量往往对应于高频噪声。在传统的基于EMD的ECG去噪方法中，为了去除高频噪声分量，通常直接丢弃低阶IMF，然而低阶IMF中往往还包含了QRS波群等信息，因此导致了QRS波群等心电信息的丢失。

在去噪方法上，常用的有硬阈值法和软阈值法两种。传统硬阈值法在均方误差意义上优于软阈值法，但是硬阈值法会产生附加震荡和跳跃点，难以具备原始信号的平滑性。软阈值法得到的去噪后信号相对平滑得多，但是会压缩信号，产生一定的偏差，直接影响到重构的信号与真实信号的逼近程度。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一，第一方面，提出一种基于EMD及其能量的心电信号去噪算法，根据EMD分解后的各阶IMF能量，确定需要去噪的IMF阶数，与传统的直接丢弃低阶IMF的方法相比，有利于提高去噪质量。另外，对阈值去噪方法进行了改进，能有效去除噪声，改善信噪比，较为完整地保留原始信号特征。

根据本发明第一方面实施例的基于EMD及其能量的心电信号去噪算法，包括步骤：

S1、信号均值化处理及公差值的确定；

S2、对均值化处理后的信号进行EMD分解，得到各阶IMF；

S3、根据EMD分解后各阶IMF的能量，得到对应的能量曲线，计算该能量曲线除边界点以外的第一个极大点和第一个极小点的所在阶数，根据所述第一个极大点和第一个极小点的所在阶数及其与所述公差值的大小关系，判断需要去噪的IMF阶数变化点，若所述能量曲线的第一个极大点和第一个极小点均不存在，则预设所述IMF阶数变化点；

S4、对所述IMF阶数变化点之前的各阶IMF进行阈值去噪，所述IMF阶数变化点所在阶数的IMF及其之后的各阶IMF未进行阈值去噪；所述阈值去噪的方法如下：

其中d是需要进行阈值处理的系数，T是阈值，D是阈值处理后的系数；

S5、将阈值去噪后的各阶IMF与未进行阈值去噪的IMF以及残差进行重构，生成去噪后的心电信号。

根据本发明的一些实施例，设待求的所述IMF阶数变化点所在阶数为var_pots，所述能量曲线的第一个极大点所在阶数为max_pots(1)，第一个极小点所在阶数为min_pots(1)，步骤S3中，所述IMF阶数变化点采用以下方法确定：