【技术实现步骤摘要】
一种心电信号的噪声去除方法
[0001]所属领域
[0002]本专利技术涉及一种心电信号的处理方法,具体地说是一种心电信号的噪声去除方法
。
技术介绍
[0003]对于心电信号噪声去除的算法,最初的尝试是基于经典的线性滤波器,如低通滤波器
、
自适应滤波器和滤波器组等
。
针对多种噪声,人们开始尝试将多种方法结合起来,以达到更好的去噪效果
。EEMD
将含噪
ECG
信号分解为一系列固有模态函数
(IMF)
,然后对分解后的信号进行局部均值滤波
(LM)。
最后,通过重构滤波后的
IMF
或细节分量和近似分量来恢复去噪后的
ECG
信号
。
[0004]为了避免外界加入的噪声对原始信号的过度影响,有人将信号分解成不同的频率来处理,不同频率下信号本身的特征更显著,外界噪声更容易被发现剔除
。
将小波分解和变分模式分解
(VMD)
相结合,通过相关系数区分噪声信号和有效信号,有针对性的处理不同频率下的信号
。
或者先利用
CEEMDAN
对信号分解,然后通过小波和数学形态学分别对高频信号和低频信号进行处理
。
模态分解将一整条信号根据频率分解开,后续对不同频率范围选用不同的方法,以达到更好的去噪目的
。
[0005]为了获取并利用更多的心电信息,有人考虑利用心电信号历史数据预测下一刻信号
【技术保护点】
【技术特征摘要】
1.
一种心电信号的噪声去除方法,其特征是,包括以下步骤:
S1、
特征提取:对
12
导联中的每个导联都进行模型构造,模拟信号在经过目标去噪导联之外的其他
11
个导联的过程中都进行关联关系的提取;
S2、
网络训练:将
12
导联信号的前
10000
个采样点输入
GRNN
神经网络,
GRNN
神经网络中的隐含层通过这
10000
个采样点获得的历史数据对
12
导联之间的非线性关联关系进行提取并存储,经训练后,
GRNN
神经网络中的隐含层保留病人以往历史数据的信息特征,其中包括每个导联的特异性以及
12
导联之间相互的关联关系;
S3、
网络测试:将目标去噪导联之外的其他
11
导联作为输入进入
GRNN
神经网络,以便得到多导联中一条干净的心电信号;在
11
导联信号的任意位置随机添加时长为1~2秒用以模拟真实环境的噪声,
GRNN
神经网络利用提取到的导联间的关联关系,从
11
导联中推导出
y
单导联信号,对整条数据的剩余采样点进行测试验证;
S4、11
导联信号经过
GRNN
神经网络进行拟合,得到指导信号后,对含有噪声的心电信号进行指导滤波;根据加性噪声模型得到干净心电信号
q
i
:
q
i
=
p
i
-
N
i
;其中,
p
i
为输入信号,
N
i
为噪声;对所有的输出数据进行平均,以平均值作为最终的输出数据:其中,
a
k
和
b
k
均为常量系数,
ω
k
是窗口,
I
i
是引导信号;含噪声的心电信号在通过指导滤波后即得到最终结果
。2.
根据权利要求1所述的心电信号的噪声去除方法,其特征是,步骤
D1
包括如下子步骤:
S1
‑1所述
GRNN
神经网络包含四个基本层:输入层...
【专利技术属性】
技术研发人员:刘秀玲,熊鹏,杜海曼,张杰烁,李铭溪,何聪,
申请(专利权)人:河北大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。