一种自适用心电信号噪音处理方法与流程

1.本发明涉及心电信号降噪的技术领域，尤其涉及一种自适用心电信号噪音处理方法。


背景技术：

2.随着现代经济的迅速发展，城镇化进程加速以及人口老龄化现象不断加重，心血管疾病影响因素日趋明显，从而导致越来越多的人患上了心血管疾病，心电图是目前检测心血管疾病的有效手段，然而心电信号极易受到外界因素的干扰，比如医疗设备的干扰，生理活动，身体活动产生的运动干扰等等，这些干扰严重影响了波形和心电信号的细节信息，给医疗检测带来了困难，如何对心电信号进行去噪处理，成为当前研究的热门话题。
3.传统心电信号去噪方法包括小波变换法和经验模态分解法，小波变换法可以在去除心电信号噪声的同时去除传统的高斯噪声，但是利用小波变换法完成心电信号降噪后得到的心电信号的幅值会降低；经验模态分解法在降噪过程中有可能会丢失信号的有用信息。
4.鉴于此，本发明提出一种自适用心电信号噪音处理方法，通过利用小波变换方法以及自适用经验模态分解方法对心电信号进行预处理，对于预处理后的心电信号，利用拉格朗日乘子法自适用更新调整线性滤波器参数，利用自适用调整的线性滤波器实现心电信号降噪处理。


技术实现要素：

5.本发明提供一种自适用心电信号噪音处理方法，目的在于(1)实现心电信号的自适用模态分解处理；(2)利用拉格朗日乘子法自适用更新调整线性滤波器参数，利用自适用调整的线性滤波器实现心电信号降噪处理。
6.实现上述目的，本发明提供的一种自适用心电信号噪音处理方法，包括以下步骤：
7.s1：采集心电信号，利用小波变换方法处理心电信号，并利用经验模态分解方法去除不相关或者相关性较小的心电信号；
8.s2：将处理后的心电信号作为线性滤波器的输入，并结算线性滤波器输出响应和期望响应的误差；
9.s3：利用拉格朗日乘子法确定线性滤波器中权重系数的更新步长；
10.s4：根据计算得到的权重系数更新步长和响应误差，自动调整线性滤波器参数，利用自适用调整的线性滤波器实现心电信号降噪处理。
11.作为本发明的进一步改进方法：
12.所述s1步骤中采集人体的心电信号，利用小波变换方法处理心电信号，包括：
13.将心电电极片固定在人体皮肤部位，心电电极片持续获取人体的心电信号，并将心电信号传输到心电传感器，心电传感器利用小波变换算法对采集的心电信号x(t)进行小波变换处理，所述小波变换算法流程为：
14.1)固定尺度因子a，利用小波函数ω(t)对采集得心电信号x(t)进行小波变换处理，在本发明一个具体实施例中，小波函数为daubechies小波函数，所述小波变换处理公式为：
[0015][0016]
其中：
[0017]
b表示小波函数的位移因子；
[0018]
d(a,b)表示小波变换得到的小波系数；
[0019]
2)改变小波函数的位移因子并重复步骤1)，得到在尺度因子a下的小波系数集合；
[0020]
3)改变尺度因子a，重复步骤1)2)，得到心电信号在不同尺度因子、位移因子下的小波系数d(a,b)，直到
[0021]
4)确定小波阈值为σ；
[0022]
5)删除小于小波阈值σ的小波系数，保留大于小波阈值σ的小波系数，得到的小波系数为q(a,b)
′
，将小波系数重构为心电信号u(t)，则小波逆变换方法的公式为：
[0023][0024]
其中：
[0025]
u(t)为重构得到的心电信号。
[0026]
所述s1步骤中利用经验模态分解方法去除不相关或者相关性较小的心电信号，包括：
[0027]
利用经验模态分解方法对心电信号进行处理，所述经验模态分解方法流程为：
[0028]
1)对小波重构后的心电信号u(t)加入同长度的白噪声n(t)，得到信号x(t)：
[0029]
x(t)＝u(t)+n(t)
[0030]
2)遍历出信号x(t)中所有的极大值点和极小值点，将所有的极大值点以及所有的极小值点分别用三次样条曲线连接，分别得到信号x(t)的上包络线以及下包络线，上下包络线的均值曲线即为m1(t)，则h1(t)＝x(t)-m1(t)；
[0031]
3)对h1(t)进行步骤2)操作，得到h2(t)；
[0032]
4)重复步骤3)，得到{h1(t),h2(t),
…
,h
10
(t)}，将所得到的h
10
(t)作为信号x(t)的第一组imf分量c1(t)，第一组imf分量的剩余分量r1(t)＝y(t)-c1(t)；
[0033]
5)判断剩余分量ri(t)中的i是否大于k，若i≤k，对ri(t)进行步骤2)-4)，即将ri(t)作为步骤2)中待遍历的信号，步骤4)中输出的剩余分量为r
i+1
(t)，并输出第i组imf分量，若i》k,则转到步骤6)；
[0034]
6)得到k-1组imf分量c2(t),c3(t),
…
,ck(t)以及剩余分量rk(t)＝r
k-1
(t)-ck(t)；则将信号x(t)分解为下式：
[0035][0036]
计算每组imf分量的周期：
[0037][0038]
其中：
[0039]
ti表示第i组imf分量ci(t)的周期；
[0040]si,k
表示第i组imf分量相邻两个极大值点或极小值点中间的第k个时间尺度；
[0041]
ni表示第i组imf分量中s
i,k
的数目；
[0042]
获取心电信号的r-r周期为tr，删除imf分量周期大于tr的imf分量，去除不相关或者相关性较小的心电信号imf分量，将剩余的imf分量进行如下式的信号重构处理，得到处理后的心电信号x
′
(t)：
[0043][0044]
其中：
[0045]
j表示保留的心电信号imf分量组数，cj(t)为保留的imf分量。
[0046]
所述s2步骤中将处理后的心电信号作为线性滤波器的输入，得到线性滤波器输出响应和期望响应的误差，包括：
[0047]
将处理后的心电信号x
′
(t)作为线性滤波器的输入，线性滤波器将心电信号x
′
(t)进行离散化采样处理，离散化采样结果为x(n)＝[x
′
(1) x
′
(2) x
′
(3)
ꢀ…ꢀ
x
′
(n)]，其中n表示线性滤波器对心电信号x
′
(t)的采样总数，x
′
(n)表示线性滤波器对心电信号x
′
(t)的第n个采样点；
[0048]
线性滤波器的输出响应为：
[0049]
y(n)＝x(n)
t
ω(k)
[0050]
其中：
[0051]
t表示转置；
[0052]
ω(k)表示第k次迭代的线性滤波器权重系数，在本发明一个具体实施例中，ω(k)表示线性滤波器抽头权系数向量ω(k)＝[ω1(k) ω2(k)
ꢀ…ꢀ
ωn(k)]
t
；
[0053]
则线性滤波器输出响应和期望响应的误差为：
[0054]
e(n)＝d(n)-y(n)
[0055]
其中：
[0056]
d(n)为线性滤波器的期望响应。
[0057]
所述s3步骤中确定线性滤波器中权重系数的更新步长，包括：
[0058]
利用拉格朗日乘子法确定线性滤波器权重系数的更新步长，所述利用拉格朗日乘子法的流程为：
[0059]
1)使用拉格朗日乘子法确定线性滤波器权重系数更新的代价函数：
[0060]
g(k)＝||δω(k+1)||2+re[λ(d(n)-x(n)
t
ω(k+1))]
[0061]
δω(k+1)＝ω(k+1)-ω(k)
[0062]
其中：
[0063]
re[
·
]表示取实部运算；
[0064]
λ表示拉格朗日乘子；
[0065]
2)确定代价函数的约束条件：
[0066]
x(n)
t
ω(k+1)＝d(n)
[0067]
3)基于代价函数，求得线性滤波器更新的最优解为：
[0068][0069]
将最优解结果代入约束条件：
[0070][0071]
则线性滤波器的更新步长r为：
[0072][0073]
其中：
[0074]
e(n)为线性滤波器输出响应和期望响应的误差。
[0075]
所述s4步骤中根据计算得到的权重系数更新步长和响应误差，自动调整线性滤波器参数，包括：
[0076]
根据计算得到的权重系数更新步长：
[0077][0078]
向权重系数更新步长中引入参数因子β，其中β》0，得到线性滤波器中权重系数参数的更新公式：
[0079][0080]
其中：
[0081]
k的初始值为0，重复上述线性滤波器权重系数更新公式，直到线性滤波器中权重系数ω(k+1)保持不变，最终不变的线性滤波器权重系数为ω(τ),将最终不变的线性滤波器权重系数ω(τ)作为自适用调整后线性滤波器的权重参数。
[0082]
所述s4步骤中将心电信号输入到自适用调整后的线性滤波器，线性滤波器输出心电信号降噪结果，包括：
[0083]
将心电信号输入到自适用调整后的线性滤波器，线性滤波器的输出结果为：
[0084]y′
(n)＝x(n)
t
ω(τ)
[0085]
其中：
[0086]
x(n)为线性滤波器对心电信号x
′
(t)进行离散化采样处理的结果；
[0087]
ω(τ)为线性滤波器自适用调整后的权重系数；
[0088]y′
(n)为心电信号降噪后的离散化结果。
[0089]
相对于现有技术，本发明提出一种自适用心电信号噪音处理方法，该技术具有以下优势：
[0090]
首先，本方案提出一种自适用的经验模态分解方法，利用经验模态分解方法对心电信号进行处理，所述经验模态分解方法流程为：利用经验模态分解方法分解得到心电信号的k组imf分量c1(t),c2(t),c3(t),
…
,ck(t)；则将信号x(t)分解为下式：
[0091][0092]
通过计算每组imf分量的周期：
[0093][0094]
其中：ti表示第i组imf分量ci(t)的周期；s
i,k
表示第i组imf分量相邻两个极大值点或极小值点中间的第k个时间尺度；ni表示第i组imf分量中s
i,k
的数目；获取心电信号的r-r周期为tr，删除imf分量周期大于tr的imf分量，去除不相关或者相关性较小的心电信号imf分量，将剩余的imf分量进行如下式的信号重构处理，得到处理后的心电信号：
[0095][0096]
其中：j表示保留的心电信号imf分量组数，cj(t)为保留的imf分量。相较于传统方案，本方案通过比较imf分量与原始心电信号的周期差异，选择删除imf分量周期大于心电信号周期的imf分量，即去除频率与心电信号不相关或者相关性较小的心电信号imf分量，实现心电信号的粗略去噪。
[0097]
同时，本方案提出一种基于拉格朗日乘子法的线性滤波器权重系数更新策略，其方法流程为：使用拉格朗日乘子法确定线性滤波器权重系数更新的代价函数：
[0098]
g(k)＝||δω(k+1)||2+re[λ(d(n)-x(n)
t
ω(k+1))]
[0099]
δω(k+1)＝ω(k+1)-ω(k)
[0100]
其中：re[
·
]表示取实部运算；λ表示拉格朗日乘子；确定代价函数的约束条件：
[0101]
x(n)
t
ω(k+1)＝d(n)
[0102]
基于代价函数，求得线性滤波器更新的最优解为：
[0103][0104]
将最优解结果代入约束条件：
[0105][0106]
则线性滤波器的更新步长r为：
[0107][0108]
其中：e(n)为线性滤波器输出响应和期望响应的误差。根据计算得到的权重系数更新步长：
[0109][0110]
向权重系数更新步长中引入参数因子β，其中β》0，得到线性滤波器中权重系数参数的更新公式：
[0111]
[0112]
其中：k的初始值为0，重复上述线性滤波器权重系数更新公式，直到线性滤波器中权重系数ω(k+1)保持不变，最终不变的线性滤波器权重系数为ω(τ),将最终不变的线性滤波器权重系数ω(τ)作为自适用调整后线性滤波器的权重参数，将心电信号输入到自适用调整后的线性滤波器，线性滤波器输出心电信号降噪结果。本方案通过利用变步长的线性滤波器权重系数更新策略，在权重系数迭代更新初期误差e(n)较大，权重系数更新步长也会较大，缩短了线性滤波器达到全局收敛的时间，能使得线性滤波器能更快达到稳定，而在权重系数迭代后期误差e(n)较小，使得权重系数更新步长较小，能避免错过最优权重系数解，得到可用于心电信号降噪的线性滤波器。
附图说明
[0113]
图1为本发明一实施例提供的一种自适用心电信号噪音处理方法的流程示意图；
[0114]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0115]
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0116]
s1：采集心电信号，利用小波变换方法处理心电信号，并利用经验模态分解方法去除不相关或者相关性较小的心电信号。
[0117]
所述s1步骤中采集人体的心电信号，利用小波变换方法处理心电信号，包括：
[0118]
将心电电极片固定在人体皮肤部位，心电电极片持续获取人体的心电信号，并将心电信号传输到心电传感器，心电传感器利用小波变换算法对采集的心电信号x(t)进行小波变换处理，所述小波变换算法流程为：
[0119]
1)固定尺度因子a，利用小波函数ω(t)对采集得心电信号x(t)进行小波变换处理，在本发明一个具体实施例中，小波函数为daubechies小波函数，所述小波变换处理公式为：
[0120][0121]
其中：
[0122]
b表示小波函数的位移因子；
[0123]
d(a,b)表示小波变换得到的小波系数；
[0124]
2)改变小波函数的位移因子并重复步骤1)，得到在尺度因子a下的小波系数集合；
[0125]
3)改变尺度因子a，重复步骤1)2)，得到心电信号在不同尺度因子、位移因子下的小波系数d(a,b)，直到
[0126]
4)确定小波阈值为σ；
[0127]
5)删除小于小波阈值σ的小波系数，保留大于小波阈值σ的小波系数，得到的小波系数为q(a,b)
′
，将小波系数重构为心电信号u(t)，则小波逆变换方法的公式为：
[0128][0129]
其中：
[0130]
u(t)为重构得到的心电信号。
[0131]
所述s1步骤中利用经验模态分解方法去除不相关或者相关性较小的心电信号，包括：
[0132]
利用经验模态分解方法对心电信号进行处理，所述经验模态分解方法流程为：
[0133]
1)对小波重构后的心电信号u(t)加入同长度的白噪声n(t)，得到信号x(t)：
[0134]
x(t)＝u(t)+n(t)
[0135]
2)遍历出信号x(t)中所有的极大值点和极小值点，将所有的极大值点以及所有的极小值点分别用三次样条曲线连接，分别得到信号x(t)的上包络线以及下包络线，上下包络线的均值曲线即为m1(t)，则h1(t)＝x(t)-m1(t)；
[0136]
3)对h1(t)进行步骤2)操作，得到h2(t)；
[0137]
4)重复步骤3)，得到{h1(t),h2(t),
…
,h
10
(t)}，将所得到的h
10
(t)作为信号x(t)的第一组imf分量c1(t)，第一组imf分量的剩余分量r1(t)＝y(t)-c1(t)；
[0138]
5)判断剩余分量ri(t)中的i是否大于k，若i≤k，对ri(t)进行步骤2)-4)，即将ri(t)作为步骤2)中待遍历的信号，步骤4)中输出的剩余分量为r
i+1
(t)，并输出第i组imf分量，若i》k,则转到步骤6)；
[0139]
6)得到k-1组imf分量c2(t),c3(t),
…
,ck(t)以及剩余分量rk(t)＝r
k-1
(t)-ck(t)；则将信号x(t)分解为下式：
[0140][0141]
计算每组imf分量的周期：
[0142][0143]
其中：
[0144]
ti表示第i组imf分量ci(t)的周期；
[0145]si,k
表示第i组imf分量相邻两个极大值点或极小值点中间的第k个时间尺度；
[0146]
ni表示第i组imf分量中s
i,k
的数目；
[0147]
获取心电信号的r-r周期为tr，删除imf分量周期大于tr的imf分量，去除不相关或者相关性较小的心电信号imf分量，将剩余的imf分量进行如下式的信号重构处理，得到处理后的心电信号x
′
(t)：
[0148][0149]
其中：
[0150]
j表示保留的心电信号imf分量组数，cj(t)为保留的imf分量。
[0151]
s2：将处理后的心电信号作为线性滤波器的输入，并结算线性滤波器输出响应和期望响应的误差。
[0152]
所述s2步骤中将处理后的心电信号作为线性滤波器的输入，得到线性滤波器输出响应和期望响应的误差，包括：
[0153]
将处理后的心电信号x
′
(t)作为线性滤波器的输入，线性滤波器将心电信号x
′
(t)
进行离散化采样处理，离散化采样结果为x(n)＝[x
′
(1) x
′
(2) x
′
(3)
ꢀ…ꢀ
x
′
(n)]，其中n表示线性滤波器对心电信号x
′
(t)的采样总数，x
′
(n)表示线性滤波器对心电信号x
′
(t)的第n个采样点；
[0154]
线性滤波器的输出响应为：
[0155]
y(n)＝x(n)
t
ω(k)
[0156]
其中：
[0157]
t表示转置；
[0158]
ω(k)表示第k次迭代的线性滤波器权重系数，在本发明一个具体实施例中，ω(k)表示线性滤波器抽头权系数向量ω(k)＝[ω1(k) ω2(k)
ꢀ…ꢀ
ωn(k)]
t
；
[0159]
则线性滤波器输出响应和期望响应的误差为：
[0160]
e(n)＝d(n)-y(n)
[0161]
其中：
[0162]
d(n)为线性滤波器的期望响应。
[0163]
s3：利用拉格朗日乘子法确定线性滤波器中权重系数的更新步长。
[0164]
所述s3步骤中确定线性滤波器中权重系数的更新步长，包括：
[0165]
利用拉格朗日乘子法确定线性滤波器权重系数的更新步长，所述利用拉格朗日乘子法的流程为：
[0166]
1)使用拉格朗日乘子法确定线性滤波器权重系数更新的代价函数：
[0167]
g(k)＝||δω(k+1)||2+re[λ(d(n)-x(n)
t
ω(k+1))]
[0168]
δω(k+1)＝ω(k+1)-ω(k)
[0169]
其中：
[0170]
re[
·
]表示取实部运算；
[0171]
λ表示拉格朗日乘子；
[0172]
2)确定代价函数的约束条件：
[0173]
x(n)
t
ω(k+1)＝d(n)
[0174]
3)基于代价函数，求得线性滤波器更新的最优解为：
[0175][0176]
将最优解结果代入约束条件：
[0177][0178]
则线性滤波器的更新步长r为：
[0179][0180]
其中：
[0181]
e(n)为线性滤波器输出响应和期望响应的误差。
[0182]
s4：根据计算得到的权重系数更新步长和响应误差，自动调整线性滤波器参数，利用自适用调整的线性滤波器实现心电信号降噪处理。
[0183]
所述s4步骤中根据计算得到的权重系数更新步长和响应误差，自动调整线性滤波
器参数，包括：
[0184]
根据计算得到的权重系数更新步长：
[0185][0186]
向权重系数更新步长中引入参数因子β，其中β》0，得到线性滤波器中权重系数参数的更新公式：
[0187][0188]
其中：
[0189]
k的初始值为0，重复上述线性滤波器权重系数更新公式，直到线性滤波器中权重系数ω(k+1)保持不变，最终不变的线性滤波器权重系数为ω(τ),将最终不变的线性滤波器权重系数ω(τ)作为自适用调整后线性滤波器的权重参数。
[0190]
所述s4步骤中将心电信号输入到自适用调整后的线性滤波器，线性滤波器输出心电信号降噪结果，包括：
[0191]
将心电信号输入到自适用调整后的线性滤波器，线性滤波器的输出结果为：
[0192]y′
(n)＝x(n)
t
ω(τ)
[0193]
其中：
[0194]
x(n)为线性滤波器对心电信号x
′
(t)进行离散化采样处理的结果；
[0195]
ω(τ)为线性滤波器自适用调整后的权重系数；
[0196]y′
(n)为心电信号降噪后的离散化结果。
[0197]
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
[0198]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
[0199]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。