4.1 ECG信号去噪研究
通过人体体表采集到的心电信号,不可避免地存在大量的噪声干扰:如肌电干扰、工频干扰等。去除采集到的心电信号中的噪声是对心电信号作进一步分析处理的基础。傅立叶变换是一种常规的信号去噪技术,然而由于ECG信号的非线性和非稳定性质,该方法在ECG去噪的能力方面受到限制。为了克服这个缺点,目前已有研究成果提出了几种新的方法。其中基于小波变换(WT)的方法被广泛使用,因为它们具有去除高斯噪声的能力。然而,基于WT的去噪性能,取决于它们选择的母小波。由于在WT中使用的母小波独立于处理的信号,所以难以找到总是提供有利的滤波结果的合适的母小波。
Huang等人提出的经验模态分解(EMD)是一种强大的算法,通过将给定的信号,分解成多个被称为固有模态函数(IMF)的经验模式来分析信号。EMD的一个重要优点是其自适应性质,其中来自信号分解的IMF对应于信号中固有的自然振荡分量,不像传统基于小波的方法需要固定的基函数。因此,许多研究人员已经在几种不同的应用中使用EMD,包括生物医学、语音增强、故障诊断和水印应用。特别地,EMD已经在使用基于小波分析的技术的生物医学信号的去噪中显示非常有希望的结果。
文献[39]提出一种适应性ECG信号去噪方法,采用集合经验模态分解(EEMD)和基于遗传算法(GA)的阈值技术相结合。在该方法中,首先通过EEMD将噪声的ECG信号解复用为一系列固有模态函数(IMF);接着使用基于Kullback-Leibler发散的相似性度量,将其分为信号和噪声的概率密度函数。然后使用基于GA的阈值技术,自适应地去除噪声;最后,通过组合信号IMF和去噪的噪声IMF来重建去噪信号。
文献[40]介绍了基于EMD的ECG信号增强算法,以最小的信号失真消除高频噪声和基线漂移。文献[41]提出了EMD和小波域中的ECG去噪方法,以丢弃存在于IMF中的噪声,同时保留QRS 复合信息。Labate等人比较了小波分析和EMD技术的性能,从单通道ECG提取呼吸波形,并且得出EMD算法在恢复呼吸信号的形状方面优于小波分析。然而,常规的基于EMD的去噪模型受到一些问题的限制,例如以有效的方式,自适应地选择IMF,并且在不丢失有用信息的情况下,减少噪声IMF中的噪声。在文献[42]中,Komaty等提出了一种通过利用输入信号的概率密度函数(PDF)与其每个IMF之间的相似性度量,来区分噪声优势或不相关的IMF的有效方案,然后丢弃不相关的IMF来部分地重构去噪的信号。虽然这种方法对于各种信号都展示出了有前景的去噪结果,但是丢弃了IMF中的一些有用信息。(https://www.daowen.com)
为了解决现有基于EMD的去噪方法中固有的这些缺点,文献[43]提出了一种使用EMD变化的自适应去噪方法,称为集合经验模态分解(EEMD)和基于遗传算法(GA)的阈值技术滤除ECG信号中固有的噪声。文献[44]提出一种基于自适应傅立叶分解(AFD)的新颖的ECG去噪方法。AFD根据其能量分布来分解信号,从而使得该算法适于分离具有重叠频率范围,但不同能量分布的纯ECG信号和噪声。基于噪声信号的估计信噪比(SNR)来计算AFD中的迭代分解处理的停止标准。在大多数情况下,AFD的去噪性能比用于肌肉和电极运动伪像的Butterworth 低通滤波器、WT和EMD的去噪性能更好。
ECG信号去噪的广泛使用的技术之一是离散小波变换(DWT)。基于小波变换(WT)的技术,由于其表征时域信号的时频域信息的能力而更受欢迎和广泛实现,并可以消除来自ECG信号的电力线干扰。文献[45]提出使用自适应小波滤波方法可以从ECG信号中去除肌电噪声。文献[46]提出一种使用自适应双阈值滤波器(ADTF)和离散小波变换(DWT)的ECG信号去噪的有效方法。该方法基于去噪的三个步骤,即DWT分解、ADTF步骤和最高峰值校正步骤,能够很好地处理消除EMG噪声、电力线干扰和可能扰乱ECG信号的高频噪声。
目前心电信号的数字滤波算法主要有EMD分解、小波变换等方法。文献[47]提出了一种心电图(ECG)信号自适应去噪方法,采用了集合经验模态分解(EEMD)和基于遗传算法的自适应阈值去除混合噪声。虽然该文献的实验结果表明该方法有一定优势,但是自适应阈值估计是基于概率统计,不但计算量复杂而且结果也存在不确定性。文献[48]提出使用一种基于遗传算法的IMF阈值技术。实验结果表明该方法优于传统的基于EMD降噪中的方法。文献[49]提出通过心电图信号增强技术消除噪声分量,在时域上消除的心电图信号噪声,提高信噪比(SNR)的同时保持了较低的均方根误差(RMSE)。文献[50]、文献[51]所论述的方法由于没有考虑信号本身的特征,因此在去噪的同时也可能会消除信号中的奇异点。并且以EMD为基础的算法存在一定的局限性,在实践应用中受到限制。目前小波变换分析处理心电信号,在生物医学工程中得到了广泛运用。文献[52]提出了基于小波分析对心电信号进行提取:首先通过对腹部和胸部信号,进行连续小波变换处理(SWT),并对分解系数采用LMS 算法处理。然后将处理的小波系数的相关性进行计算。实验表明该方法在去噪方面要优于EMD算法。但是对如何选用小波基函数,如何分层处理方面没有进一步讨论。从近几年的文献来看,处理数字生命信号的主要方法还是经典小波变换与提升格式的小波变换,但大部分方法在使用小波变换,涉及小波的具体参数与特征时,比如小波消失矩、小波支撑长度,具体使用什么样的小波基等方面,基本上以经验与实验为主来确定参数,缺乏系统的理论分析说明。本书从分析小波滤波器消失矩与频率特性入手,研究分析处理心电信号时,如何选择和使用合适的小波基函数,如何在小波变换的过程中精确过滤特定频率特征的噪声。小波消失矩阶数与小波滤波器的频率特性是小波的重要参数,明确小波频率特征及与小波滤波器消失矩之间的关系,可以为选择最优小波基提供理论依据。本书通过数学建模研究分析小波的频率特征,阐明了小波频率特征与消失矩之间的数学关系,根据ECG信号的幅频特性,分层次选择最优小波基函数,并针对噪声的频率特性实现精确陷波去噪。实验结果表明,针对不同频率特征的心电信号选择最优正交小波分析处理,可以使高频能量分布更加稀疏。本书提出的陷波去噪方法,有效地保留了信号的奇异点,减少了信号失真。