心电信号去噪中的小波方法
小波变换去噪原理
小波变换去噪：如何去除噪声效果更好？
随着现代技术的发展，许多领域都需要处理各种类型的信号。
有些信号可能会受到不同类型的噪声干扰，导致信号质量下降，影响信号分析和处理的结果。
小波变换是一种有用的信号处理技术，可以通过多尺度分析和快速计算来检测和提取信号中的有用信息。
小波变换还可以用于去除噪声，这是通过提取信号中的高频噪声并将其过滤掉来实现的。
小波变换去噪的基本原理是将信号转换成时频域，使用小波变换在不同尺度下分解信号。
然后将信号的高频噪声过滤掉，并将其他部分重新综合起来。
这样可以保留信号中的有用信息并且去除噪声。
使用小波变换去噪的步骤如下：
1. 将信号进行小波变换，得到小波系数
2. 将小波系数进行阈值处理，使高频小波系数为0
3. 对处理后的小波系数进行反变换，得到去除噪声后的信号
在进行小波变换去噪时，有几个关键因素需要考虑，如选择合适的小波基函数、设置合适的阈值、以及在多个尺度下分解信号。
这些因素可以影响去噪的效果，需要根据具体情况进行调整。
因此，小波变换去噪是一种强大的信号处理技术，可以有效地处理不同类型的噪声，并保留信号中的有用信息。
掌握其基本原理和步骤可以为信号处理提供更好的结果。
心电信号去噪小波分析
二、小波分析与传统信号处理方法的比较
傅式变换又有其局限性：傅立叶变换的核函数是正弦 函数，它在时间域上是无限的，非局部化的。
在去噪方面，由于傅立叶分析是将信号完全在频率域中 进行分析，它不能给出信号在某个时间点的变化情况， 使得信号在时间轴上的每一点突变，都会影响信号的整 个频域，所以，它不能有效的区分信号中可能包含的尖 峰或突变部分还是不平稳的白噪声。
面阻抗所致的频响,一般小于1 Hz 的基线漂移； 这些噪声干扰与心电信号混杂,引起心电信号的畸
变,使整个心电信号波形模糊不清,对随后的信号分析处 理,尤其是计算机自动识别诊断造成误判和漏判,因此, 心电信号的消噪有重要的意义。
一、心电信号的噪声特点
Voltage / mV
ECG signal 100.dat 1
F=F+f(ii); M=M+m(ii); end;
八、小波去噪程序
SNR=10*log10(F); MSE=M/N; SM=SNR/MSE; %对比原始信号和除噪后的信号 subplot(2,1,1); plot(s(1:1000)); title('原始信号') subplot(2,1,2); plot(XC(1:1000)); title('除噪后的信号') SNR,MSE
五、阈值函数和阈值的选取
１．阈值函数 阈值函数分为软阈值和硬阈值两种。
设w为小波系数，wλ阈值后的小波系数，λ为阈值。
(1).硬阈值(hard threshol ding)
当小波系数的绝对值大于等于给定阈值时， 保持不变，而小于时，令其为０。即：
五、阈值函数和阈值的选取
(2).软阈值(soft threshol ding) 当小波系数的绝对值大于等于给定的阈值时，令其值 为减去阈值；而小于时，令其为０．即：
基于离散平稳小波变换的心电信号去噪方法
塑 垒： 塑
工 程 技 术
Ｓｃｉ ｃｅ ａ Ｔ ｅ ｅｎ ｎｄ ｃｈｎ ｏｇｙ ｎｎ ｏｌ Ｉ ｏｖａｔｏｎ ｉ Ｈｅｒ ｄ ａｌ
基于离散平稳小波 变换的心 电周波
（ 南昌航空航空大学 自动化学院 江西 南昌 ３ ０ ６ ） ３ ０ ３
小波 基函数 （ 不具 备唯一性 ， ） 用不 同 的小波 基函数进行 分析 得到的结果相差甚远 ， ２小波变换 的去噪原理 往 往 只有 通过 经验或 不断 的实验 来选择 。本 Ｄ ｎ ｈ 等人提 出对信号进行离散正 交小 文通过 对多种小波基的 实验比较后 ， ｏｏｏ 最终采用 渡变换 ， 然后通过选择适 当小波 系数重构的方 Ｃ ｉ４小 波 。 ０ｆ 法， 得到 埘原 信号的一 个估计 值 ， 种方 法称 ４ ２ 去噪算法 这 为小 波变换 的闽 值去噪 方法 。 其基 本思想 是 在 分析 了心 电信号 中各 类噪 声来源 及其 根据噪声与信号存 各尺度（ 即各频带 ） 的小波 频带分布特 点的基础上 ， 上 基于离散平 稳小波变 系数具有 不同的表现 ， 各尺度上 由噪声 产生 换的 心电信号 去噪算法 描述如 下 ： 将 的小波分量 ， 特别是 去掉或大幅衰 减那些噪声 （） １将含噪心 电信号利 用 ｃ ｉ ｏｌ ４小波基进行 ｌ ０个尺 度的离 散平 稳小波 分解 。 （） ２对基线漂移信号而 言， 其能量大小主要 反映在尺度 ９ ０ 、ｌ 的小波 系数 上 ， 为了比较彻 底地消除基线 漂移 ， 可将这 两个尺度上的 小波 系数 强 制 置零 （） 于肌电干扰信号 ， ３对 其能量 主要反映在 小波分解尺度 ｌ ２ 、 的小波系数上 ； 工频干扰 而 图 １ 正常的心 电信号 和 电极 移动干 扰信号 则主 要反映 在小波分 解 的 ｌ～３尺 度上 ， 由于 这些尺 度 中含 有较 少的 心 电信 号 成 分 。 （） ４ 利用离 散平稳小 波的逆变换 重建原信 号， 得到 去噪后 的心 电 信号 。 ４． 实验 ３ 根 据以 上基 于离散 平稳 小波 变换 的去噪 图 ２ 含有 基线漂移 噪声 、肌 电干扰噪 声的心 电信号 方案 ， 利用 Ｍａｌｂ对心 电工作站数据库 中的 ｔ ａ 实际心 电信号 数据进行去噪 实验 。 图 ｌ 是正常 的心 电信号 ， ２是 含有 严重基 线漂移噪 声 、 图 肌 电干扰 噪声的心 电信号 ， ３ 图 是利 用离散平 稳 小波对 上述含 有上述 两类 噪声 的心 电信号 进行去噪处理 后的结果 。结果表 明： 基于离散 平稳 小波变 换方 法对心 电信号 的噪 声具有 良 好的抑制效果。 图 ３ 离散平 稳小波 对上述含有 上述两类噪 声的心 电信号进 行去噪 处理后 的结果
信号处理之小波去噪方法介绍
本文对各种去噪方法进行了比较，总结了两大类方法的基本思想及实现流程，详细介绍了应用最广的小波阈值去噪。
一、小波去噪主要方法1、基于小波分频的去噪方法——主要用来压制面波等规则干扰；2、小波域去噪方法——主要用于压制随机干扰，目前主要有三种方法： a) 模极大值去噪方法（Mallat 和Zhang ，1992）b) 尺度相关性分析方法（Xu ，1994）c) 小波阈值收缩方法（Dohono 和Johnstone ，1994）其中，小波阈值去噪方法能在最小均方误差意义下得到信号的近似最优估计，计算速度快，适应性广，因此应用最广泛。
二、方法实现的总体流程1、基于小波分频的去噪方法小波时频分析使信号在空间域和频率域同时具有良好的局部分析性质。
小波变换可以将信号分解到各个不同的尺度或各个不同的频段上，并且通过伸缩、平移聚焦到信号的任一细节加以分析。
小波分析的这些特长，结合传统的傅立叶去噪方法，为地球物理信号去噪提供了有效途径。
对于离散序列信号，其小波变换采用 Mallat 快速算法， 信号经尺度j ＝１,２,…,J 层分解后，得到)(2R L 中各正交闭子空间（1W 、2W 、…、J W 、J V ）， 若j j V A ∈代表尺度为j 的低频部分， j j W D ∈代表高频部分，则信号可以表示为J J D D A t f +++= 1)(，据此可重构出信号在尺度j ＝J 时的低频部分和j ＝1,2,…,J 的高频部分。
如果地震数据中的干扰波频率与有效波的频率成分是分开的，通过小波分频很容易消除干扰波；如果两种频率成分存在混叠，也可以用小波分频方法提取混叠部分，再用传统方法分离有效和干扰波。
这样可以最大限度的保留有效波能量。
2、小波域去噪方法小波域去噪方法是利用信号和噪声的小波系数在小波域不同特性来进行的。
信号和噪声的小波系数幅值随尺度变化的趋势不同，随着尺度的增加，噪声的小波系数很快衰减，而信号的小波系数基本不变。
小波变换在心电信号去噪中的应用
呱
式
、
甲
止
子
、
在 手 持 心 电图机 中 造 价 是一 个不 得 不 考虑 的问 题 而 硬件是直 接 影 响造 价 的主 要因素 所以 正 确设 计是 在保证
。 ,
,
做移位
, ,
信号 不失真的原则下 采用尽可能简
, , 。
,
做 内积
一
单 可靠 的放大 电路 而进 一 步的滤波和陷波采 用软件 来完成 这样可降低成本 并取得更好的滤波效果 因 此 决 定在单片 机 中采用小 波 分 析方 法对 行滤波 处 理
一
口 一
,
,
两
其 中 是 一 个与信号无 关的常数
图 利用 传统滤波后的
一
伪 离散化的小
信号
波 系数
。
小波消噪方法 小波 消噪 的方 法 一 般有 种
一
小波分析是
,
世纪
年代 后期形成的一 个新兴 的
。 ,
默认 闭值消噪 处 理 在
, 。
,
中禾」 用 函数进行消
,
数学分 支 是在傅 立 叶 分析的基 础上 发 展 起 来 的 但 小 波 分析 与 傅立叶分 析 存在极 大 的不 同 傅立 叶分 析是 整 体 域 分析 用 单独 的频域表 示 信 号 的特 征 而 小 波分 析
了 八 乙 月 ‘ 伪 八 一 八 。 峥 卜 ,
在实际应用中一 般对变 换进行 二进 制离 散 则 叭 仄 表示为琳
。
二
甲
天
称
,
,一
,
,
相应的离散
, ,
,
信 号进
。
丁切玛 小波变换公 式为琳 以 了 小 波的尺度 取 多 伪
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
小波去噪原理
小波去噪原理
小波去噪是一种信号处理的方法，通过将信号分解为不同频率的小波系数，并对这些小波系数进行处理，来实现去除噪声的目的。
其原理主要包括以下几个步骤：
1. 小波分解：利用小波变换将原始信号分解为不同频率的小波系数。
小波变换是通过将信号与一组小波基函数进行卷积运算得到小波系数的过程，可以得到信号在时频域上的表示。
2. 阈值处理：对于得到的小波系数，通过设置一个阈值进行处理，将小于该阈值的小波系数置零，而将大于该阈值的小波系数保留。
这样做的目的是去除噪声对信号的影响，保留主要的信号成分。
3. 逆小波变换：通过将处理后的小波系数进行逆小波变换，将信号从小波域恢复到时域。
逆小波变换是通过将小波系数与小波基函数的逆进行卷积运算得到恢复信号的过程。
4. 去噪效果评估：通过比较原始信号和去噪后信号的差异，可以评估去噪效果的好坏。
常用的评价指标包括信噪比、均方根误差等。
小波去噪的原理基于信号在小波域中的稀疏性，即信号在小波系数中的能量主要分布在较少的小波系数上，而噪声的能量主要分布在较多的小波系数上。
因此，通过设置适当的阈值进行处理，可以去除噪声对信号的影响，保留原始信号的主要成分。
小波去噪三种方法
小波去噪常用方法目前，小波去噪的方法大概可以分为三大类：第一类方法是利用小波变换模极大值原理去噪，即根据信号和噪声在小波变换各尺度上的不同传播特性，剔除由噪声产生的模极大值点，保留信号所对应的模极大值点，然后利用所余模极大值点重构小波系数，进而恢复信号；第二类方法是对含噪信号作小波变换之后，计算相邻尺度间小波系数的相关性，根据相关性的大小区别小波系数的类型，从而进行取舍，然后直接重构信号；第三类是小波阈值去噪方法，该方法认为信号对应的小波系数包含有信号的重要信息，其幅值较大，但数目较少，而噪声对应的小波系数是一致分布的，个数较多，但幅值小。
基于这一思想，在众多小波系数中，把绝对值较小的系数置为零，而让绝对值较大的系数保留或收缩，得到估计小波系数，然后利用估计小波系数直接进行信号重构，即可达到去噪的目的。
1：小波变换模极大值去噪方法信号与噪声的模极大值在小波变换下会呈现不同的变化趋势。
小波变换模极大值去噪方法，实质上就是利用小波变换模极大值所携带的信息，具体地说就是信号小波系数的模极大值的位置和幅值来完成对信号的表征和分析。
利用信号与噪声的局部奇异性不一样，其模极大值的传播特性也不一样这些特性对信号中的随机噪声进行去噪处理。
算法的基本思想是，根据信号与噪声在不同尺度上模极大值的不同传播特性，从所有小波变换模极大值中选择信号的模极大值而去除噪声的模极大值，然后用剩余的小波变换模极大值重构原信号。
小波变换模极大值去噪方法，具有很好的理论基础，对噪声的依赖性较小，无需知道噪声的方差，非常适合于低信噪比的信号去噪。
这种去噪方法的缺点是，计算速度慢，小波分解尺度的选择是难点，小尺度下，信号受噪声影响较大，大尺度下，会使信号丢失某些重要的局部奇异性。
2：小波系数相关性去噪方法信号与噪声在不同尺度上模极大值的不同传播特性表明，信号的小波变换在各尺度相应位置上的小波系数之间有很强的相关性，而且在边缘处有很强的相关性。
- 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)。
【摘要】心电信号的降噪处理是获得清晰、有效心电图信息的必要步骤，随着医学的进步，对心电信号的信噪比和分辨率提出了越来越高的要求。
小波分析作为一个新兴的数学方法在心电信号去噪中有着巨大的潜力。
总结心电信号去噪中的各种小波方法，详细分析它们在心电信号去噪中的特点及应用范围，最后简要叙述了心电信号小波去噪的一些问题和发展趋势。
【关键词】阈值去噪；极大模值；小波变换；心电信号去噪1 引言心电信号处理是国内外近年来迅速发展的一个研究热点，是现代生命科学研究的重要组成部分，其目的是为了从获得的信号中提取有用信息。
心电信号通过记录体表电位差获得，它反映了心脏的活动状况，对于心脏疾病的诊断提供了主要的依据，但是心电信号的波形复杂（主要由P、Q、R、S、T波组成），而且易受各种噪声影响，因此如何从受噪声污染的心电信号中提取清晰、有效的临床信息成为人们关注的焦点。
在去噪过程中，由于心电信号具有非平稳特性且污染噪声分布范围大，限制了传统线性滤波器的使用，所以在过去的几年中小波分析被广泛地应用于心电信号的去噪中。
许多学者根据心电信号噪声的特点不断提出新的小波去噪方法，使得它在心电信号的去噪应用中不断得到完善，为心电图的清晰识别奠定了基础。
本研究总结小波分析在心电信号去噪中的各种方法，分析其特点及应用范围，最后阐述了心电信号小波去噪的一些问题和发展趋势。
2 心电信号噪声的来源及特点心电信号在经过采集、数模转换过程中，不可避免的受到各种类型的噪声干扰，这些干扰使得得到的心电信号的信噪比较低,甚至淹没了心电信号。
通常心电信号中主要包括以下3种噪声：①工频干扰主要包括50HZ 电源线干扰及高次谐波干扰。
由于人体分布电容的存在使入体具有天线效应以及较长的导联线暴露在外，50HZ的工频干扰在心电信号中是常见的，依情况不同，其干扰幅度达心电信号峰一峰值的0~50%。
②肌电干扰由于病人的紧张或寒冷刺激，以及因某些疾病如甲状腺机能亢进等，都会产生高频肌电噪声，其产生是众多肌纤维分时随机收缩时引起的，频率范围很广(DC-1000V), 谱特性接近白噪声，其频率一般在5HZ~2KHZ之间。
③基线漂移这种噪声是因呼吸、肢体活动或运动心电图测试所引起的。
稍微剧烈的肢体运动将引起心电信号波形发生改变，严重地破坏了心电信号分析的准确性。
上下波动和扭曲的心电图也令医师眼花缭乱，影响诊断，其频率一般在0.05~2HZ之间。
3 心电信号去噪中的常用小波方法在应用小波方法进行心电信号去噪处理时，无论使用哪种方法小波基的选择是首要的问题，不同的小波基可能对滤波效果有很大差异，因此首先对小波的选择做以讨论。
3.1 小波基的选择在心电信号的去噪研究中，小波基的选择是一个重要的问题，不同的小波基对于心电信号的处理结果可能有很大差别。
在利用小波分析对心电信号去噪的过程中小波基的选择问题是首要问题。
F.Nazan Ucar［1］最早将小波分析理论应用于心电信号去噪中，提出多分辨分析的心电信号去噪算法，利用Daubechies 和Vetterli-Herley等小波族来去除随机噪声，得到心电信号的近似逼近，但没有对其他小波的滤波效果进行讨论；Agante［2］研究了肌电干扰和工频干扰的去噪方法，从形态学角度来选择小波函数，通过分别比较用Daubechies、Coiflets和一些双正交小波去噪后的心电信号与原信号的QRS波的形似性，确定利用前两类小波去噪；Brij .N［3］对心电信号去噪过程中不同小波基的去噪效果进行了研究，分析Daubechies、分析Daubechies、Coiflets及Symmlet 3类小波族的特性，通过对含有随机噪声的心电信号的处理结果比较，得到DB8是心电信号处理过程中的最适合选择。
文献［4］从带通滤波的性质出发，为了避免由于带通滤波器不是线性相位或广义而产生畸变，选择了具有紧支撑、对称及反对称性质的样条小波；另外，李小燕等［5］选择Coifets小波去除基线漂移，王笑梅等［6］选择二次样条小波处理心电信号中的随机噪声，均收到较好效果，高清维等［7］利用具有七阶消失矩的Symmlet小波去除随机噪声，魏珑等［8］利用coiflet 小波去除基线漂移、工频干扰及肌电干扰。
总之，在利用单小波去除心电信号噪声的过程中，主要选取Daubechies、Coiflets、Symmlet 及样条小波等几类小波进行处理，选取时一般基于以下几个原则：①自相似原则选取的小波与QRS波有一定的相似性，如文献［2］。
②正则性小波基的正则性反映了光滑程度，正则性越高，小波基越光滑，它影响着小波系数重构的稳定性。
③消失矩消失矩越高，光滑函数在小波展开式中的零元越多。
④紧支性支集越短的小波，局部化能力越强，越有利于确定信号的突变点，而且支集越短的小波，产生的大幅值的小波系数就越少；另外，短支集能提高计算速度。
⑤对称性小波具有对称性意味着进行Mallat分解时的滤波器组具有线性相位，对避免信号分解重构时的相位失真非常有用。
3.2 心电信号去噪中的常用小波方法3.2.1 小波分解重构法小波分解重构的快速算法由Mallat于1988年提出。
若fk 为信号f(t) 的离散采样数据，我们可以取尺度系数的初始值为fk=c0,k ，那么f(t) 的正交小波变换的分解公式为：cj,k= ncj-1hn-2kdj,k= ndj-1gn-2k (k=0,1,…,N-1) ，其中cj,k 为尺度系数；dj,k为小波系数；h,g 分别为低通和高通滤波器系数；j为分解尺度；N为离散采样电数。
小波重构过程是分解过程的逆运算，相应的重构公式为：cj-1,n= ncj,nhk-2n+ ndj,ngk-2n一般认为正常人的心电信号的主要频率范围为0.01HZ~100HZ,而90%的心电信号能量又集中在0.5HZ~45HZ之间,其中QRS复合波的能量主要集中在3HZ~45HZ,P波和T波的能量则位于0.5HZ~10HZ;心电信号的3种主要噪声的频域分布为工频干扰固定为50HZ、基线漂移为0.05~2HZ之间,肌电干扰为5HZ~2KHZ之间。
因此对含噪声干扰的心电信号进行多尺度分解后，基线漂移噪声能量主要反映在大尺度的小波系数和尺度系数上，肌电干扰，工频干扰主要反映在小尺度的小波系数和尺度系数上，因此去除噪声所对应的小波分解尺度上的细节分量，再进行小波重构，即可以有效去除心电信号中的噪声。
文献［9］对带有3种噪声的信号进行9尺度分解，分别去除1尺度、2尺度、8尺度和9尺度上的小波系数，然后进行小波重构得到去噪后信号。
文献［4］考虑到计算量的问题，对心电信号进行5尺度分解，将1尺度上的小波系数和5尺度上的尺度系数均置为零，然后对处理后信号进行重构得到去噪后信号。
小波分解重构的方法能有效的去除心电信号中含有的3种噪声，得到较平滑的心电信号。
但也有其自身缺点，对于频带与主要心电信号分离的工频干扰可以准确的去除，而不丢失信号的有用信息，而对于肌电干扰和基线漂移，由于其频带与心电信号频带重叠，如果使用这种方法可能会丢失一些有用信息。
3.2.2 非线性阈值去噪法利用阈值法去噪一般分为3个步骤：①对信号进行分解，得到尺度系数和小波系数；②由噪声能量及分布对每个的尺度选择合适的阈值，对小波系数进行阈值操作得到新的小波系数；③由新的小波系数和尺度系数进行重构得到去噪后的信号。
阈值函数一般有软阈值和硬阈值两种，设W是小波系数，Wλ 是施加阈值后的小波系数大小。
①硬阈值函数当小波系数的绝对值小于给定阈值时，令其为0，而大于时，保持不变，即：Wλ=W, |W|≥λ0, |W|<λ②软阈值函数当小波系数的绝对值小于给定阈值时，令其为0，大于阈值时，令其都减去阈值，即：Wλ=sgn(W)( |W|-λ),|W|≥λ0, |W|<λ上面两式中λ是预先给定的阈值，其选取方法有多种，在心电信号的去噪处理中一般采用固定阈值进行处理［2、8、11-12］，即取λ=σ2lg N, N 为ECG信号采样点个数，σ=medican|dj,k|)/ 0.6745, dj,k为第j层小波变换系数。
P.M Agante［2］最先将阈值去噪法引入到心电信号去噪中，利用软阈值法去除心电信号中的工频干扰（50HZ）和肌电干扰（白噪声），通过原信号和滤波后信号的QRS波形态的相似性来分析去噪结果，得到较好效果；文献［11］综合考虑阈值法和分解重构法，由于工频干扰由50HZ及其谐波构成的一种干扰，采用阈值法将50HZ对应的小波系数进行抑制从而消除噪声；然后利用分解重构法和阈值法相结合滤除肌电干扰，由于肌电干扰频率分布范围大，所以先利用分解重构法去除小尺度上的小波系数，通过阈值法将心电信号频带重叠的部分滤掉，最终滤掉心电信号中的3种噪声。
阈值法对于噪声频带和有用信号频带重叠的信号滤波效果很好，所以能用于对基线和肌电干扰滤波中，但是它们本身也存在一定的缺点。
硬阈值法中，由于经阈值处理后的估计小波系数在±λ 点是不连续的，这有可能会使重构的心电信号产生震荡［10］；软阈值法虽然连续性好，但当小波系数大于阈值时，处理后小波系数与原小波系数间存在恒定的偏差λ ，这也会在一定程度上影响心电信号的精度。
所以一些改进的阈值法被提出，苏丽等［12］在软、硬阈值的基础上提出改进阈值函数：Wλ=sgn(W)( |W|-β(λ-|W|)λ),|W|≥λ0, |W|<λ其中，β为正实数且β-1 ；λ=σ2lg N/ lg(j+1)克服软硬阈值法的上述缺点，并且为了抑制Gibbs现象，提出将平移不变法和改进阈值法相结合的去噪方法，去噪结果明显优于硬阈值和软阈值法且有效的抑制了Gibbs现象的产生。
3.2.3 极大模值去噪法极大模值去噪方法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滤波，对于一般常用信号，其模极大值的幅值随尺度的增加而增大，因而在较大尺度上的模极大值点数将会逐渐接近稳定。
而对于白噪声而言，其局部模极大值随着尺度的增大其极值点逐渐减少，与常见信号的性质完全不同。
因此根据某一级的模极大值，按尺度逐渐减小的方向，搜索每一级与上一级有对应的模极大值，省去不是由上一级的模极大值传递过来的模极大值，并据此来重构各级小波变换结果。
在心电信号去噪中，由于肌电干扰、呼吸波等高频干扰信号的性质与白噪声频谱特性相似，所以可用于这些噪声的消除。
文献［6］对极大模值法在心电信号中的滤波进行讨论，将含噪信号进行4尺度分解，因为在这个尺度上心电信号的极值点个数占优且信号的重要奇异点没有丢失；搜索第4级尺度上全部模极大值，并记下所有点，设4尺度上的极值点的最大幅度为M，将幅度低于M/4的极大值点去掉，因为在这些点上噪声占优；对于尺度小于4上的每个极值点x0 ，确定其上一级上的对应点x′0 ，若x′0的幅度是x0 的两倍，那么这两点将是噪声的极值点而被去掉，否则将被保留；重复以上过程直到尺度2，将第1个尺度上的极值点去掉，将第2个尺度上的极值点的分布及其幅值完全复制到第1个尺度上；最后由重构算法重构。