滤除ECG肌电和宽频率范围工频干扰的小波算法.doc

第3期　　　　　　　　　　赵　捷,等.滤除ECG中肌电和宽频率范围工频干扰的小波算法225 通道两种。在单通道中的自适应泸波器可使用频率估计,来跟踪在一定范围内跟踪工频干扰的频率变化[5]。在多通道中常用的方法是Widrow提出的自适应噪音滤波方法,该方法的前提是假设心电信号和干扰信号不相关,在此基础上利用自适应滤波方法,自动调整滤波器系数,以跟踪输入过程,实现工频干扰的抵消[6]。但自适应泸波器的缺点是频率跟踪范围较窄;3):2dentcomponent))波器虽然能通过平滑抑制噪音,但同时也会使信号的边沿模糊。高通滤波器可以使边沿更加陡峭,但背景噪音同时被加强。小波变换(wavelettransform,WT)是一种时频局部化、多分辨分析方 法,具有自动“变焦距”的功能。以WT为理论基,,能,因此在临床。多resolutionanalysis)又称多尺度分析。它的基本思想是利用正交小波基函数的多尺度特性将信号在不同尺度下展开并加以比较,以得到有用的信息。多分辨率分析不但为正交小波基函数的构造提供了一种简单的方法,而且还为正交小波变换的快速算法(Mallat算法)提供了理论依据。离散二进小波变换的Mallat算法为: mm-1 (n-2m-1k)x(n)=∑h0(k)x k 相互统计独立的信源经线性组合而产生的混合信号,最终从混合信号中提出各自的独立的信号分量,使用ICA可从多通道心电信号中分出工频干扰信号[7]。ICA的缺点是使用多通道,不适合仅有一两个通道的各类心电监护仪使用。 另外工频干扰其中还包含丰富的谐波分量,以及因电网不稳定造成的其它噪声干扰。因此对工频干扰需要设计多吸收点,以消除工频干扰的基频和谐波成分。上面3种算法都不能很好地满足对谐波成分的吸收。 心电信号中肌电干扰主要由骨骼肌产生。它的频率范围很宽,一般在2～500Hz之间,表现为不规则的快速变化波形。由于肌电的频谱较宽,而且又与心电的频谱混在一起,故很难用一般常规的方法将其与心电分开。常规的心电图及一般使用转折频率为37Hz的低通模拟滤波器,这样在滤除部分肌电干扰的同时,也使QRS波群的高频成分受到了衰减,表现为R波幅度的降低。 mm-1 (n-2m-1k)d(n)=∑h1(k)x k 其中m,n∈Z,m:为尺度,xm(n)是分辨率为 2m的信号,称为近似(approximations)。x0(n)为被处理的原始数字信号x(n),dm(n)为信号m-1 (n)的二进小波变换,称为细节(details)。x 01 h(n)和h(n)为有限冲击响应滤波器,称为分 解滤波器。信号xm-1(n)可由如下Mallat重构算法来恢复: xm-1(n)=∑g0(k)xm(n-2k)+∑g1(k) k k d(n-2k) m 这里g0(n)和g1(n)为有限冲击响应滤波器,称为重构滤波器。 这里选取双正交小波(biorthogonal)中的小波函数(bior2.2)。双正交小波的主要特征是具有线性相位、对称性和正规性,这点在心电处理中尤为重要,因为相位失真将导致心电波形的失真。小波函数(bior2.2)分解滤波器系数如下: h0(-2,-1,0,1,2) 小波除噪算法 从广义上来说,含干扰的心电信号可表示为 x(n)=s(n)+v(n),其中:x(n)是实测的心电 信号,s(n)是不含噪声的心电信号,v(n)是各种干扰信号总和,如50/60Hz工频干扰、肌电干扰等。x(n)具有较强的随机性和背景噪声,而且属于非线性、非平稳的微弱信号。此类信号如果采用经典频谱分析方法,则即难以有效去噪,又难以揭示出信号的动态变化过程。 传统的建立在付氏变换基础上的滤波方法在提高信噪比和提高分辨率之间存在矛盾。低通滤 ={0,0,0.3536, 0.7071,0.3536}; h1(-2,-1,0,1,2)={0.1768,0.3536,- 1.0607,0.3536,0.1768}。 小波函数(bior2.2)重构滤波器系数如下: g0(-2,-1,0,1,2)={-0.1768,0.3536,1.0607,0.3536,-0.1768}; 第2/5页 226　　　　　　　　　　航天医学与医学工程　　　　　　　　　　　　　　　　　　第17卷 g1(-2,-1,0,1,2)={0,0.3536, -0.7071,0.3536,0}。 根据上述分析可知,基于小波变换分析的多 分辨分析即相当于对信号进行低通和高通滤波,可将信号分解为位于不同频带和时段内的各个成分。因此,通过Mallat算法将信号分解后,就可根据先验知识,引入门限来作为甄别受到噪声污染的小波系数。由噪声产生,小波系数,,再由Mallat来重建信号,从而即获得滤除噪声后的信号,又不致于引起重建结果的明显失真。这就是非线性小波