心音信号的去噪
基于MATLAB心音信号的去噪研究与实现毕业任务书
毕业论文任务书学院信息科学与工程学院专业电子信息科学与技术姓名王玉杰班级电子0602 学号20061206051题目基于MA TLAB的心音信号去噪研究与实现一、毕业论文的内容心音是心脏及其心细血管系统机械运动状况的反映，其中包含着心脏各个部分本身及其相互之间的作用的生理和病理信息，因此心音信号的研究成了国内外一个热门课题。
然而心音在采集的过程中包含许多噪声如：心音传感器与皮肤的摩擦音、呼吸噪音、人体的干扰信号以及采集系统的噪音等。
这些噪音如果不滤除，会影响到心音信号研究的可靠性和对病理研究的正确性。
因此对心音信号去噪的研究非常重要。
本论文要求熟悉心音去噪的原理，研究各种心音去噪算法，利用MATLAB工具进行仿真，对实验结果对比分析，达到对心音信号去噪的最优化。
二、毕业论文的要求（1）熟悉心音信号的去噪原理；（2）研究各种心音信号的去噪算法；（3）利用MATLAB工具进行仿真；（4）。
对实验结果进行分析、比较并给出结论。
三、毕业论文应完成的工作1. 查阅资料，在查阅各种资料之后对这个课题有所熟悉，完成毕业设计任务书和开题报告；2. 掌握MATLAB仿真工具，并能熟练应用；3.提出整体方案，给出算法和建立模型；4. 设计程序，实现仿真，给出结果，进行比较并得出结论；5. 撰写毕业论文，准备答辩。
济南大学四、毕业论文进程安排五、参考资料及文献查询方向、范围文献查询方向：1. 小波变换，心音信号去噪的相关知识2. 对小波阈值函数的研究3. matlab编程4. matlab在心音信号去噪中的应用文献查询范围：相关书籍、国内外期刊、会议论文、图书馆资料及互联网等论文开始日期2010年 3 月3 日指导教师：王玉泰助理指导教师：论文完成日期2010年 6 月22 日系主任：院长：济南大学。
心电信号噪声处理的研究
摘要本文首先分析了心电信号中存在的噪声源以及它的幅值和频率表现，并对于不同噪声选取不同的降噪方法，最后通过对夹杂噪声的信号源进行matlab仿真试验，结果显示采用滑动平均方法和最小二乘多项式拟合方法可以得到比较理想的降噪效果。
【关键词】心电噪声滑动平均方法最小二乘多项式拟合方法近年来随着社会的发展，人们的生活水平越来越高，心脏病的发病率有着上升的趋势，它影响着人类的健康和生命。
在我国每年的死亡人数中，心脏病也占有比较高比例。
在临床上，医生一般采用心电图对患者心脏健康状态进行分析，从而采取必要的治疗手段。
1 心电噪声种类心电信号在采集的时候会受到各种各样的干扰，噪声来源多，种类丰富，不同的心电噪声要采用不同的处理方法。
一般来说，心电噪声有三种类型：工频噪声、肌电噪声和基线漂移。
1.1 工频噪声在心电信号中存在着细小的转折，工频噪声的存在会淹没这些转折，这样就会使心电信号的特征出现变化，从而影响对于心脏病情的判断。
工频噪声表现为心电图上规律的细小波纹，噪声幅度最高可达心电信号峰值的50%。
这样就会影响心电图对于病情的诊断。
1.2 基线漂移采集的原始信号中存在的很多噪声源都会使心电信号基线漂移，这种干扰噪声一般是由于信号记录和处理的电子设备干扰引起，呼吸干扰和运动伪迹等也会引起。
比如呼吸引起的基线漂移变化幅度为心电信号峰值的15%。
人的呼吸频率是固定的范围0.25～0.33hz，运动后心跳加快，呼吸频率也随之加快，最高可达1hz，这样基线漂移的频率一般为0.15～0.3hz，少数达到1hz。
基线漂移噪声如果滤波方法不当，就会造成信号的严重失真，影响诊断。
1.3 肌电噪声人的肌肉神经系统在进行活动的时候，众多的肌肉纤维会收缩引起生物电的变化，经过心电电极引导、放大、记录就形成了噪声，这些被称为肌电噪声。
此外，某些研究表明人体内外表皮层一般有30mv的皮肤电势差，当皮肤处于伸展时，这种电势差会降低到25 mv，这种变化反映到心电信号中，就会形成肌电噪声。
心电信号去噪设计报告
基于MATLAB的心电信号去噪设计报告摘要心脏是人体血液循环的动力源泉，而心脏病作为一种多发慢性疾病，却是威胁人类生命的主要疾病。
心电图作为一种无创伤性的检查手段，对于心脏基本功能诊断和病理研究具有重要参考价值，在临床上的作用无可替代。
研究开发具有心电信号采集、预处理、自动诊断、远程监护等功能心电监护诊断系统，可以及早发现心脏病征兆，可以给予心脏病患者实时监护，因此具有很高的临床价值和应用价值，满足人们对提高生命和生活质量的要求，是心电图设备的发展方向。
心电信号在心脏疾病的诊断中具有不可替代的地位，心电信号在采集、放大、检测、记录过程会受到多种噪声的干扰，包括由电力系统引起的工频干扰，人体呼吸引起的基线漂移、肌肉震颤引起的肌电干扰、电极脱落引起的电极接触噪声以及运动伪差等。
由于生物电十分微弱，存在的噪声会对心电信号分析产生很大影响，所以采集心电信号后的首要任务便是滤波。
心电信号相对于存在的环境是一种微弱信号，极易受到噪声的干扰。
针对现有算法的不足和心电信号去噪的具体要求，本文提出了基于MATLAB的心电信号去噪算法，可以很好的去除心电信号中的高频噪声，分别利用不同滤波器处理非稳态信号的优势，算法复杂度减小，信噪比提升大，实时性好。
结合小波分解与重构算法可以完美地去除心电信号中的噪声。
本文对三种不同滤波器用于工频干扰、基线漂移和肌电干扰问题作了研究，重点解决工频波动和基线漂移导致ST段频率重叠问题。
分别使用Butterwort 滤波器、切比雪夫滤波器和零相移滤波器对工频干扰、肌电干扰和基线漂移等噪声进行初步滤除。
由于三种滤波器的局限性未能将噪声完全滤去，所以我们最后采取小波变换对初步滤波后的心电信号进行改善和修复，得到较为纯净的心电信号。
关键词：心电信号小波变换 Butterwort滤波器切比雪夫滤波器零相移滤波器一、问题的重述1.1 问题背景心电信号十分微弱，在某些采集过程中，比如运动心电，由于受到仪器、人体等多方面影响，心电信号会受到强干扰的影响，引起心电信号畸发。
心电去噪方法研究
仿真结果
图（2） 波形对比
图（1） 滤波器特性
小波分析去噪
设计方案：
选择‘db5’小波，对心电信号S进 行3层分解(小波分解各层小波系数 如图（3）所示)。
利用MATLAB提供的默认阈值命令对 各层的高频系数CD1、CD2、CD3进行 阈值处理后。
IMF有2个特点：一是在整个信号长度上 极大值点数与极小值点数和过零点数相等 或相差为1；二是在任意一点，由包络线 定义的极大值与极小值的均值为零。
EMD的实质是对一个时间序列信号进行平 稳化处理，其结果是将信号中不同尺度的 波动或趋势逐级分解开来，产生一系列具 有不同特征尺度的数据序列，每一个序列 称为IMF分量 。
项c 1 h 变1 k,成r 1 单 调X ( 函t)数 c 时1 ,，X 原(t) 始 信r 1 号的EMD分解结束。最后得到
rn c n
rn
n
X(t) ci rn i1
经验模态分析去噪
经验模态去噪步骤：
首先，利用EMD对原始信号进行分解，得到不同尺度的IMF分量
和剩余信号。
然后，对各尺度上的IMF分量进行类似于小波去噪的阈值处理 。 最后，信号重构 。即：阈值处理后的各尺度上的IMF分量以及
经验模态分析去噪
（结4果）的以标准h1差1 代：替 X (t) ，重复以上三步，直到连续两次筛选
2
T
SD
h k1
(t)hk
(t)
t0
hk21(t)
小于指定的标准（一般为0.2至0.3之间）时，即可认为
符合IFM分量的要求，为一IFM分量，则记作：
h1k
（5）重复以上四步，直到 或 比预定值小；或剩余
心电信号的小波变换消噪方法
心电信号的小波变换消噪方法赵国良,杨俊春,孙 (哈尔滨工程大学自动化学院,黑龙江哈尔滨150001)摘 要:人体心电信号微弱,信噪比较低.为了消除心电信号中的噪声,提高心电监护仪的性能和计算机自动诊断效率,人们已提出了多种方法来消除这些噪声.小波变换是一种信号的时间尺度(即时间频率)分析方法,具有多分辨率分析的特点。
它对信号具有的自适应性,使其成为数字信号处理领域中的一个重要工具.这里提出了一种采用阈值预处理的小波变换消噪方法,该方法可以降低模极大值消噪算法计算的复杂程度,又可保证心电信息特征不被丢失.试验表明,该方法能较好地实现心电信号的消噪.显然,该方法也适合于信噪比较低的生物信号的处理中.关键词:心电信号;小波变换;去噪中图分类号:TN911 文献标识码:A 文章编号:1006-7043(2004)05-0631-04Noise rejection method of w avelets for ECG signalZHAO Guo 2liang ,YAN G J un 2chun ,SUN Shen(School of Automation ,Harbin Engineering University ,Harbin 150001,China )Abstract :The ECG (electrocardiogram )signal is one of mini 2voltage.The ratio of signal 2noise is lower.In order to eliminate the noise in ECG ,improve the performance of ECG monitors and increase the diagnosis efficiency of computer 2aided systems ,various kinds of noise rejection methods have been proposed.Wavelet transform is a kind of analytical tool in time 2scale (i.e.time 2frequency )domain.It has the feature of multi 2resolution analysis.The adaptation characteristic of the wavelet has made it become an important tool in signal processing.A noise rejec 2tion method of wavelets with pre 2threshold was proposed here.The proposed method not only simplifies the com 2plexity of calculation in the noise rejection method with maximum norm ,but also preserves the characteristics of ECG.Experiments show that the proposed method eliminates the noise effectively.The proposed method could also apply to the biomedical signal processing with lower ratio of signal 2noise.K ey w ords :electrocardiogram ;wavelet transform ;noise rejection收稿日期:2004-03-31.基金项目:黑龙江省自然科学基金资助项目(FX -02-048).作者简介:赵国良(1939-),男,教授,博士生导师. 人体心电信号微弱,信噪比较低.在采集心电信号时,由于受仪器、人体等方面的影响,所采集的信号常常存在3种主要干扰:基线漂移,肌电干扰和工频干扰.人们已提出了一些算法来消除这些干扰,诸如:FIR 数字滤波器[1]、FF T 变换、自适应滤波[2]和B -样条函数似合[3],等.从实验结果看,FF T 变换、自适应滤波和B -样条涵数似合,滤波效果好,但计算复杂;FIR 数字滤波器,虽然会出现相位失真,但结构简单,容易实现.因此,寻求更好的抑制各种噪声,减少对信号特征识别影响的方法是心电信号分析的重要课题之一.小波变换是一种信号的时间-尺度(即时间-频率)分析方法,具有多分辨率分析的特点.它在时频两域都具有表征信号局部特性的能力,是一种窗口大小可以改变,即时间窗和频率窗都可以改变的时频局部化分析方法.在低频部分具有较高的频率分辨率和较低的时间分辨率,而在高频部分又有较高的时间分辨率和相对较低的频率分辨率[4].这里提出采用阈值预处理的小波变换方法来实现心电信息的消噪.1 小波变换去噪原理李氏指数(Lipschitz exponent ,简记L.E.)是数学上表征函数局部特性的一种度量,其定义[5]是:第25卷第5期 哈 尔 滨 工 程 大 学 学 报 Vol.25№.52004年10月 Journal of Harbin Engineering University Oct.2004设信号x(t)在t0附近具有下述特性|x(t0+h)-p n(t0+h)|≤A|h|a,n<α<n+1.(1)式中:h是一个充分小量;p n(t)是过x(t0)点的n 次多项式(n∈z);A为大于零的常数.则称x(t)在t0处的L.E.为α.一般情况下,函数越光滑,L.E.越大.已经证明:斜坡函数L.E.=1,阶跃函数L.E.= 0;函数L.E.=-1,白噪声L.E.=-0.5-ε(ε>0),一般信号L.E.>0.此外,当t在区间[t1,t2]中,如果有|W T a x(t)|≤Kaα,(2)也就是log|W T a x(t)|≤log K+αlog a.(3)式中:K是一个与所用的小波函数Ψ(x)有关的常数,则x(t)在区间[t1,t2]中为均匀Lipschitzα.当a=2j时,式(3)变成|W T2j x(t)|≤K2jα(4)或log2|W T2j x(t)|≤log2K+jα.(5)式(5)中jα这一项把小波变换的尺度特征j与Lip2 schitz指数α联系起来.由式(5)可知,当α>0时,小波变换的模极大值随尺度的增大而增大;当α<0时则随尺度的增大而减小;当α=0时,小波变换的模极大值将不随尺度改变.因此,通过它的奇异点在多尺度上的综合表现就可以很方便地从信号中分离出噪声.设m(x)是方差为σ2的平稳噪声,ω2j m(x)是其二进小波变换,小波Ψ(x)为实函数,则ω2j m(x)也是一随机过程,其方差为E[|ω2j m(x)2|]=‖Ψ‖22jσ2.(6)式(6)表明|ω2m(x)|2的平均幅度反比于尺度j.由于白噪声几乎是处处奇异的,Lipschitz指数为-1/2-ε,对于任意的ε>0,随着尺度j的增大白噪声的极值点逐渐减少.可见白噪声的局部模极大值的变化与有用信号完全不同.另外,Mallat等人研究表明,ω2j m(x)在尺度j上的模极大值的平均密度为ds=12jπ‖ψ(2)‖‖ψ(1)‖+‖ψ(1)‖‖ψ‖.(7)式中:ψ(1)(x)和ψ(2)(x)为ψ(x)的一阶和二阶导数.由此可见,高斯白噪声的小波模极大值的平均密度反比于尺度j—尺度越大,模极大值越稀疏.而有用信号的Lipschitz指数是大于零的,其模极大值的幅度随尺度的增加而增大,因此式(6)和(7)成为区分信号和噪声在多尺度空间中各尺度中模极大值变化趋势的重要特性之一.考虑到心电信号中存在着各种噪声,如果用小波变换来提取它的奇异特性,则在尺度较小时,噪声所对应的小波变换模极大值平均密度非常大,也就是说,尺度较小时小波变换所得的模极大值几乎都是噪声产生的;当尺度逐渐变大时,噪声所产生的局部模极大值的分量越来越少,当尺度分解到一定级数时,可以认为此时的模极大值主要是由信号的奇异性产生.也就是说,心电信号在大尺度上的模极大值必在小尺度上有代表同一信号本质奇异性的对应点.QRS波信号特性对应的模极大值在尺度空间可以跟踪较大范围,当尺度变大到一定值时,信号本质奇异性仍然对应有模极大值.而噪声所产生的局部模极大值的分量则越来越少.因此,可根据小波变换某一级的模极大值,按尺度逐渐减小的方向,搜索每一级与上一级对应的模极大值,省去不是由上一级的模极大值传递过来的模极大值,最后可根据所保留的模极大值来组成各级小波变换,再用重构算法来进行信号复原,达到信号去噪的目的.值得注意的是,当信噪比比较小时,测量信号的小波变换模极大值在最小尺度上几乎完全由噪声控制,若要将其全部保留,其后处理工作量甚大.这时的传统方法是将最小尺度上的所有的模极大值置零,最后将按其上一尺度上的模极大值进行插补或代替,但这会使第一尺度上所包含的信息丢失.对此,提出采用对第一尺度上的小波变换系数进行阈值预处理的方法,这样,不仅可大大减少由噪声产生的模极大值的数量,降低计算的复杂程度,而且避免了将第一尺度上的所有模极大值置零而造成的原信号的信息丢失问题.具体步骤如下:1)对包含噪声的ECG信号进行二进离散小波变换,尺度数取为4,因为在这一尺度上ECG有用信号的极值点个数占优且信号的重要奇异点没有丢失.2)对第一尺度上的小波变换进行阈值预处理,W T=W T,|W T|≥T0;0,|W T|<T0.(8)式中:T0为阈值.3)搜索第4级尺度上全部模极大值,并记下所有点.4)从最大尺度开始,对于尺度j上系数的每个极大值对应的位置点x0,向上一尺度j-1搜索其・236・哈 尔 滨 工 程 大 学 学 报 第25卷对应的位置点,并做如下相应处理:①设尺度j 上点x 0的前后出现极值点的位置分别为x 1、x 2,x 1对应于尺度j -1上的位置点为x 11,则x 0对应于尺度j -1上的位置点将会在区间L =(max (x 1,x 11),x 2)内;②在区间L 内,与x 0处极大值同符号的极大值点设为(a 1,a 2,…,a n ),如果a i 满足|a i -x 0|≤13|a j -x 0|,j =1,2,…,n ,j ≠i ,那么,a i 为x 0的对应位置点x 10.如果这样的点不存在,则在此区间内幅度最大的模极大值对应的位置即为x 0的对应位置点x 10;③设x 10=a i 是x 0的对应位置点,若x 10处的极大值是x 0处的极大值的2倍(或以上),则它们均将被作为噪声的极值点去掉.5)重复以上过程直到尺度21. 6)若所有的对应位置点对(x 0,x 10,…,x j -10),…,(x n -1,x 1n -1,…,x j -1n -1)存在,则将它们位置点上的模极大值全部保留,反之则全部去掉[6].7)将各个尺度上保留的极大值点用Mallat 重建算法恢复信号,完成信号去噪.2 实 验图1所示曲线是由便携式动态心电记录仪记录的含有噪声的心电曲线.图2是对该心电信号进行四尺度小波分解的结果,图3是用带阈值预处理的小波变换去噪方法重构得到的心电信号.图1 带有噪声的心电信号Fig.1 The ECG signal withnoise图2 心电信号的四尺度小波分解Fig.2 Four scale decompositions of wavelet transform for ECGsignal图3 去除噪声后的心电信号Fig.3 The ECG signal after rejecting noise 由各尺度下的小波变换可以明显看出,噪声信号的极值点随尺度的增加迅速减少,而有用信号的模极大值点随尺度的增加而逐渐趋于稳定;此外,噪声信号的模极大值随尺度的增加逐渐变小,而有用的心电信号的模极大值变化则恰好相反.由小波变换最大尺度开始,逐次向上消除各尺度上的噪声极值点,然后利用信号模极大值点进行信号重建.虽然基于信号模极大值的重建方法只能提供信号的近似表示,但由于信号的奇异点携带着信号的主要信息,重构ECG 信号明显地消除了噪声,相对准确地再现出原始信号及其奇异点的位置.也就是说,重构的心电信号可以很好地去掉噪声的影响,又保证了・336・第5期 赵国良,等:心电信号的小波变换消噪方法主要的心电特征信息不被丢失.实验结果表明,当心电信号受到强噪声的干扰时,在第一尺度上的小波变换绝大部分是由噪声产生的,这时如果将第一尺度上的小波变换系数全部置为零,必然会丢失心电信号中的部分信息,但如果不进行处理,当在第一尺度上寻找模极大值时会使算法变得很复杂.以上提出的带阈值预处理的小波变换心电信号去噪方法,在降低算法复杂程度的同时,又保证了心电信息不被丢失.3 结束语带阈值预处理的心电图小波变换去噪方法,是根据信号与噪声在小波变换下截然不同的特性来对信号进行消噪的,其特点是根据信号与噪声奇异点性质的不同而进行滤波.这种方法对于检测信号的强弱及形式不敏感,非常适合于非平稳弱信号的检测和定位,能够在去噪同时最大限度地保留信号的原始信息,因而也适合于信噪比较低的生物信号的提取中.参考文献:[1]AL STE J,SCHIDER T S.Removal of baseline wander andpowerline interference from the ECG by an efficient FIR fil2 ter with a reduced number of taps[J].IEEE Trans Biomed Eng,1985,32(12):1052-1060.[2]杨福生.生物医学信号处理[M].北京:高等数育出版社,1989.Y AN G Fu2sheng.Biomedical signal processing[M].Bei2 jing:High Education Press,1989.[3]杨 丰,岳小荣.基于三次B-样条函数心电图数据滤波[J].北京生物医学工程,1994,13(4):193-196.Y AN G Feng,YU E Xiao2rong.A filtering method for ECG using cubic B spline function[J].Beijing Biomedical Engi2 neering,1994,13(4):193-196.[4]胡昌华,张军波,夏 军,等.基于MA TLAB的系统分析与设计———小波分析[M].西安:西安电子科技大学出版社,1999.HU Chang2hua,ZHAN G J un2bo,XIA J un,et al.System analysis and design based on MA TLAB2Wavelet transform [M].Xi’an:Xidian University Press,1999.[5]杨福生.小波变换的工程分析与应用[M].北京:科学出版社,1999.Y AN G Fu2Sheng.Engineering analysis and application of wavelet transform[M].Beijing:Science Press,1999.[6]MALLA T S,HWAN G L.Singularity detection and pro2cessing with wavelet[J].IEEE Trans on IT,1992,38(2): 617-643.[责任编辑:陈 峰]・436・哈 尔 滨 工 程 大 学 学 报 第25卷。
心音信号的去噪
心音信号去噪方法比较研究2016 年 01 月 06 日摘要 (1)关键词 (1)第一章绪论 (2)1.1研究背景 (2)1.1.1心音信号基础知识 (2)1.1.1.1心音的形成机制 (2)1.2心音信号的特性 (3)1.2.1心音的时域特性 (3)1.2.2心音的频率特性 (3)第二章去噪方法分析 (4)2.1 巴特沃斯滤波器 (4)2.2 切比雪夫低通滤波器 (5)2.3 小波变换 (6)第三章心音信号的获取及预处理 (12)3.1 心音信号的采集 (13)3.2 心音信号的预处理 (14)第四章心音信号去噪的实验过程 (14)4.1 常规方法 (14)4.2 小波去噪 (17)第五章滤波方法比较 (21)第六章实验总结 (21)参考文献 (22)附录 (24)摘要心音是最重要的信号之一。
然而，许多外界因素会影响心音信号的采集。
心音是弱电气信号以至很弱的外部噪声就能导致信号中的病理和生理信息的错误判断，从而导致疾病的错诊。
因此对心音信号去噪的研究非常重要。
本文研究并比较了几种基于matlab的心音去噪的方法。
首先我们采用经典的butterworth低通滤波器和切比雪夫低通滤波器对心音信号进行去噪，结果表明这两种滤波器对高频噪声的消除效果明显，但不能滤除低频噪声。
其次，我们采用了小波变换对含噪心音信号进行处理。
一种方法中丢弃分解信号的高频部分和部分细节，将分解后的信号近似和第四层细节相加作为样本信号的代替。
这种方法简单且能有效的消除高频噪声，但由于丢失了部分细节，易使信号失真。
然后，我们采用haar小波阈值法对信号去噪，取得的较好的去噪效果，但高频噪声残留较多。
最后，我们db6小波进行去噪，得到了很好的信号波形，而且高频噪声残留较少。
通过实验，我们得出结论，无论哪种去噪方式都有其自身的局限性，单独的使用一种去噪方法很难将噪声完全滤除。
应该采用综合滤波方法，结合各个方法的优势联合滤波。
首先使用巴特沃斯低通滤波器或切比雪夫滤波器低通滤波器滤除高频噪声，再用db小波阈值或haar小波阈值法去噪法进行去噪。
心电信号的噪声去除及其应用
心电信号的噪声去除及其应用心电信号是指记录人体心脏活动产生的电信号，在临床应用中，心电图是一种常见的检测方法，而信号噪声会直接影响到心电图的精确度。
因此，在对心电图进行分析和诊断时，必须对信号进行噪声去除。
心电信号噪声的种类心电信号噪声种类主要有三种，分别为基线漂移、交流电干扰和肌电干扰。
1. 基线漂移基线漂移是指信号低频部分的偏移，由于人体的呼吸、体位变化等因素引起，它会通过采集传感器传输到信号中。
由于基线漂移偏移程度比较小，通常采用直流耦合方式，将信道中的低频内容全部去除，以达到去除基线漂移的目的。
2. 交流电干扰由于电源线受电网电压的影响，会发生电压波动，从而产生交流电干扰。
在采集信号的传感器中与电源线联系紧密的接口，更容易受到干扰。
在处理信号时，可以使用电源线分离器来消除干扰。
3. 肌电干扰肌电干扰产生于人体肌肉的运动中，会通过皮肤传感器的引导进入心电信号中。
在采集信号时，应尽可能地减少肌电干扰，可以采用差分式滤波器、暂态抑制器等技术，消除或削弱肌电干扰。
心电信号噪声去除技术1. 滤波技术滤波技术是常见的信号去噪技术之一。
根据信号的不同特征，可以对信号进行高通、低通、带通、带阻滤波。
同时，滤波技术也有局限性，过滤程度过高会影响信号特性，因此应根据实际情况选择合适的滤波器。
2. 小波变换技术小波变换技术是目前应用较为广泛的处理心电信号噪声的一种方法。
小波变换可以使本质上非稳态的信号更易于处理，同时也可以剖析出信号的不同频度成分，从而找到并去除信号中的噪声。
3. 自适应噪声估计技术自适应噪声估计技术是一种新型的信号去噪技术，可以根据信号本身对噪声进行自适应估计，从而实现噪声去除。
自适应噪声估计技术需要基于统计方法进行模型建立，需要对信号有较深入的了解和研究。
心电信号噪声去除的应用1. 心脏疾病诊断心电信号是诊断心脏疾病的重要依据之一，精确且清晰的信号可以有效地帮助医生进行准确判断。
在去除噪声后，可以更准确地看到心电图中的异常波形，从而更准确地进行疾病诊断。
胎儿心音信号处理
胎儿心音信号处理在孕妇腹部向胎儿发射一固定频率的超声波，由于胎儿的心脏在跳动，由多普勒原理，回波信号的频率也会相应的做出变化，通过对此信号进行处理，可以听到胎儿心脏跳动的声音，以及计算出心跳速率。
采样数据是wav声音波形文件：fecg.wav。
1、波形频谱分析>>[z, fs, bn]=waveread(‘fecg.wav’); %装入波形数据、采样频率、和采样值位数>>[N, m]=size(z); %计算数据采样点数N采样频率fs=44.1kHz，采样点个数为N=2646000，即采样时间为60秒。
取5秒的数据进行频谱分析：>>M=5*fs;>>x=z(1:M,1);>>t=0:(M-1);>> t=t/fs;>>s=(0: (M-1))*fs/M;>>subplot(2,1,1); %选中上半部分画图区域>>plot(t, x); %画时域波形图>>xlabel(‘time second’);>>subplot(2,1,2); %选中下半部分画图区域>>x=x-mean(x); %去掉直流分量>>f=abs(fft(x)); %计算信号的幅频谱>>plot(s(1:5000), f(1:5000)); %画幅频谱前5000个点结果见下图。
从时域波形可以看出，信号带有噪声，从幅频谱图看出，信号主要集中在200~400 Hz，是窄带信号。
2、设计滤波器滤除噪声选择4阶Butterworth带通滤波器>>hf=fs/2; %采样频率的一半>>[B,A]=buttor(4,[200/hf 400/M]); %计算4阶Butterworth 带通滤波器的滤波器系数； >>y=filter(B,A,x); %对信号进行滤波>>subplot(2,1,1); %选中上半部分画图区域>>plot(t, y); %画滤波后的时域波形图>>xlabel(‘time second ’);>>subplot(2,1,2); %选中下半部分画图区域>>f=abs(fft(y)); %计算滤波后的信号的幅频谱>>plot(s(1:5000), f(1:5000)); %画幅频谱前5000个点从图中可以看出，与原信号相比，噪声被大大消弱。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
心音信号去噪方法比较研究2016 年 01 月 06 日摘要 (1)关键词 (1)第一章绪论 (2)1.1研究背景 (2)1.1.1心音信号基础知识 (2)1.1.1.1心音的形成机制 (2)1.2心音信号的特性 (3)1.2.1心音的时域特性 (3)1.2.2心音的频率特性 (3)第二章去噪方法分析 (4)2.1 巴特沃斯滤波器 (4)2.2 切比雪夫低通滤波器 (5)2.3 小波变换 (6)第三章心音信号的获取及预处理 (12)3.1 心音信号的采集 (13)3.2 心音信号的预处理 (14)第四章心音信号去噪的实验过程 (14)4.1 常规方法 (14)4.2 小波去噪 (17)第五章滤波方法比较 (21)第六章实验总结 (21)参考文献 (22)附录 (24)摘要心音是最重要的信号之一。
然而，许多外界因素会影响心音信号的采集。
心音是弱电气信号以至很弱的外部噪声就能导致信号中的病理和生理信息的错误判断，从而导致疾病的错诊。
因此对心音信号去噪的研究非常重要。
本文研究并比较了几种基于matlab的心音去噪的方法。
首先我们采用经典的butterworth低通滤波器和切比雪夫低通滤波器对心音信号进行去噪，结果表明这两种滤波器对高频噪声的消除效果明显，但不能滤除低频噪声。
其次，我们采用了小波变换对含噪心音信号进行处理。
一种方法中丢弃分解信号的高频部分和部分细节，将分解后的信号近似和第四层细节相加作为样本信号的代替。
这种方法简单且能有效的消除高频噪声，但由于丢失了部分细节，易使信号失真。
然后，我们采用haar小波阈值法对信号去噪，取得的较好的去噪效果，但高频噪声残留较多。
最后，我们db6小波进行去噪，得到了很好的信号波形，而且高频噪声残留较少。
通过实验，我们得出结论，无论哪种去噪方式都有其自身的局限性，单独的使用一种去噪方法很难将噪声完全滤除。
应该采用综合滤波方法，结合各个方法的优势联合滤波。
首先使用巴特沃斯低通滤波器或切比雪夫滤波器低通滤波器滤除高频噪声，再用db小波阈值或haar小波阈值法去噪法进行去噪。
这样既能完全滤除高频噪声，又能较好的抑制低频噪声，使滤波效果达到最优化。
关键词：心音、去噪、巴特沃斯滤波器、切比雪夫滤波器、小波分解与重构、d b6小波、haar小波第一章绪论1.1研究背景心音信号是用于检测心脏性能，获取胜利和病理信息的重要信号之一。
然而，在心音信号的采集过程中不可避免的会受到周围噪声的影响，比如电磁干扰，工频噪声，由本身的呼吸、肺音产生的电干扰等。
因此，我们采集到的式混合信号。
有时噪声信号会严重干扰有效信号，造成有效信号的丢失，这对于提取相应的病理信息是极为不利的。
为了减少有用信息丢失，去噪是采集信号中的至关重要的过程。
心音信号去噪旨在消除干扰信号保留有效信号。
随着研究的深入，如今科学上对心音信号的去噪方法多种多样，大大提高了去噪能力，能够相当接近的还原心音信号。
但哪一种方法去噪效果最好，哪几种方法组合起来效果最佳，在科学上尚无定论。
本文旨在通过比较几种常用的心音去噪方法，探讨哪些方法适用于心音信号的去噪那些方法的组合能达到最优的去燥效果。
1.1.1心音信号基础知识1.1.1.1心音形成的生理机制心脏的瓣膜和大血管在血流冲击下形成的振动，以及心脏内血流的加速与涡流对心脏瓣膜、心房、室壁作用产生的振动,再加上心肌在周期性的心电活动作用下其刚性的迅速增加和减小形成的振动，经过心胸传导系统到达体表形成了体表心音。
用传感器把心音转换成的电信号，叫做心音信号，心音信号的波形图，叫做心音图。
心脏的一次收缩和舒张，称为一个心动周期。
心音发生在心动周期的某些特定时期，其音调和持续时间也有一定的规律。
正常心脏有四个心音：即第一、第二、第三和第四心音，通常称为S1、S2、S3、S4。
多数情况下只能听到第一心音和第二心音，在某些健康儿童和青年人中也可听到第三心音，四十岁以上的健康人也可能出现第四心音。
第一心音(S1)发生在心室收缩期，这时心室开始收缩，心室内压迅速升高。
当心室内压超过心房内压时，血液有从心室流向心房的倾向，正好推动房室瓣(二尖瓣、三尖瓣)关闭。
此后随着心室肌的强烈收缩导致心室内压急剧升高，并超过主动脉内血压，动脉瓣打开，心室将血液射入主动脉。
从房室瓣关闭开始到动脉瓣开启稍后的一段时间，在房室瓣突然关闭引起的振动，心室射血引起的大血管扩张而发生的涡流引起的低频振动，心肌收缩房室瓣关闭、大血管扩张产生的振动的共同作用形成了第一心音,即S1。
在心室收缩末期,心室内的血液大部分己射入动脉血管,心室内压开始下降。
当心室内压低于主动脉和肺动脉内的压力时，主动脉和肺动脉内的血液突然减速，动脉瓣关闭，心室进入舒张期。
随着心室肌的舒张，心室内压以极大的速度下降低于心房内压，房室瓣打开。
血液顺着房一室内压梯度方向进入了心室，称为快速充盈状态。
从动脉瓣关闭到房室瓣开启这一段时间，由动脉瓣关闭引起的振动，形成了第二心音，即S2。
心室收缩时,房室瓣纤维环移向心尖。
而在心室快速充盈期间，心室长度明显延长，心基底线突然上升，和心尖距离增大，但房室瓣和腱索不能跟着延长，于是腱索和乳头振动,形成第三心音，即S3。
当心房收缩时，血液冲入心室，在房室瓣下面形成涡流，将瓣膜上推。
由于心房收缩也增加了心室容量，引起腱索和乳头张紧，将房室瓣拉向或维持在与涡流作用相反的方向，于是腱索和乳头振动产生了第四心音，即S4。
1.2、心音信号的特性1.2.1、心音的时域特性第一心音的特点为音响低钝，相当于心电图上QRS波开始后0.02~0.04秒, 持续时间长,占0.08~0.135秒左右。
第二心音的特点为音调较高而清脆，相当于心电图上T波末部，持续时间较短，约为第一心音的一半(0.07~0.08秒)。
第一心音与第二心音之间距为心脏的收缩期，第二心音与下一心动周期的第一心音之间距为舒张期。
第三心音相当于心电图上T波以后距S2为0.12~0.20秒，占时约为0.05秒，频率、振幅低。
第四心音相当于心电图P波后0.18~0.14秒,振幅低。
图2.1 正常心音信号为定量地分析心音和方便叙述,定义以下几个心音信号时域属性。
S1时限:指第一心音的持续时问;S2时限:指第二心音的持续时间；S1S2间期：指当前心动周期中第一心音到第二心音之间的时间间隔;S2S1间期：指当前心动周期的第二心音到下一周期的第一心音之间的时间间隔；心音间隙期：指心音成份(S1与S2或S2与S1)之间的部分。
在心音分析中,S1S2间期和S2S1间期对S1、S2的定位是非常重要的,而S1时限和S2时限对确定心音的类型同样是非常重要的。
随年龄的不同，心音的时限与间期有所不同，一般来说，S1时限在70~150ms之间，S2时限60~120ms之间。
心脏的收缩和舒张是由窦房结产生兴奋传向心肌细胞而控制的。
对于一般人来讲, 正常情况下心脏的收缩期短于舒张期,在心音图上表现为S1S2间期小于S2S1间期。
成年人的平均心率为75次/分,心动周期约为0.8s，其中收缩期占0.3s，舒张期占0.5s，S1S2间期与S2S1间期的比例大概是1:2。
1.2.2、心音信号的频率特性心音的各个不同成份具有不同的频率范围，因此，心音的频率分析可以为其识别提供一些重要的信息。
通常心音的频率范围在10Hz~1000Hz之间。
第一心音音调低，持续时间长,主要分布在中、低频范围，其波峰的低频范围为10Hz~50Hz, 中频范围为50Hz~140Hz。
第二心音持续时间较短，频率较高，在低、中、高频范围内都有分布，其波峰的低频范围是10Hz~80Hz，中频范围是80Hz~200Hz,高频范围是220Hz~400Hz。
对于同一个受试者，在同一测试部位，其第一心音音调较低,而第二心音的音调较高、较清脆，即第一心音频率小于第二心音频率。
但是不同的心音样本其能量在不同频带的分布是不固定的。
此外不同噪声的频带和强度也是不同的，这就加大了心音噪声滤除的复杂性。
一般情况下，心杂音的频率高于第一心音和第二心音的频率，这为通过滤波消除心杂音在心音信号处理中的影响提供了条件。
在听诊中按杂音的频率组成性质将其分别描述为：雷鸣音(隆隆样)、叹气样、吹风样、乐音样等。
隆隆样杂音的频率多数较低，其频率在40Hz~100Hz；而吹风样、乐音样等频率较高，其频率在100Hz~400Hz，甚至有在600Hz~800Hz的高频成份。
图2.2 正常心音信号第二章去噪方法分析2.1、巴特沃斯滤波器巴特沃斯滤波器是电子滤波器的一种。
巴特沃斯滤波器的特点是通频带的频率响应曲线最平滑。
这种滤波器最先由英国工程师斯替芬·巴特沃斯（Stephen Butterworth ）在1930年发表在英国《无线电工程》期刊的一篇论文中提出的。
2.1.1、特性 巴特沃斯滤波器的特点是通频带内的频率响应曲线最大限度平坦，没有起伏，而在阻频带则逐渐下降为零。
在振幅的对数对角频率的波特图上，从某一边界角频率开始，振幅随着角频率的增加而逐步减少，趋向负无穷大。
一阶巴特沃斯滤波器的衰减率为每倍频6分贝，每十倍频20分贝。
二阶巴特沃斯滤波器的衰减率为每倍频12分贝、三阶巴特沃斯滤波器的衰减率为每倍频18分贝、如此类推。
巴特沃斯滤波器的振幅对角频率单调下降，并且也是唯一的无论阶数，振幅对角频率曲线都保持同样的形状的滤波器。
只不过滤波器阶数越高，在阻频带振幅衰减速度越快。
其他滤波器高阶的振幅对角频率图和低级数的振幅对角频率有不同的形状。
2.1.2、传递函数巴特沃斯低通滤波器可用如下振幅的平方对频率的公式表示：npn c H 2222)(11)(11)(ωωεωωω+=+= 其中，n=滤波器的阶数c ω＝截至频率＝振幅下降为－3分贝时的频率p ω＝通频带边缘频率22)(11ωεH =+在通频带边缘的数值 3.1.3、心音信号处理中所用到的巴特沃斯滤波器2.2、切比雪夫滤波器切比雪夫滤波器，又名“车比雪夫滤波器”，是在通带或阻带上频率响应幅度等波纹波动的滤波器。
切比雪夫滤波器来自切比雪夫分布，以“切比雪夫”命名，是用以纪念俄罗斯数学家巴夫尼提·列波维其·切比雪夫2.2.1、特性切比雪夫滤波器在过渡带比巴特沃斯滤波器的衰减快，但频率响应的幅频特性不如后者平坦。
切比雪夫滤波器和理想滤波器的频率响应曲线之间的误差最小，但是在通频带内存在幅度波动。
2.2.2、I 型切比雪夫滤波器在通带（或称“通频带”）上频率响应幅度等波纹波动的滤波器称为“I 型切比雪夫滤波器”；“n ”阶第一类切比雪夫滤波器的幅度与频率的关系可用下列公式表示：其中：的放大率（注意：常用的以幅度下降而是滤波器在截至频率3分贝的频率点作为截止频率的定义不适用于切比雪夫滤波器。