心率变异性数据预处理代码

心率变异性（Heart Rate Variability, HRV）是一种生理指标，通常用于评估心血管健康和自主神经系统的功能。对于HRV数据的预处理，主要包括以下几个步骤：

1. **缺失值处理**：检查数据集中是否有异常值或缺失值。可以采用插值法（如线性插值、样条插值等）填充缺失值，或者删除包含大量缺失值的记录。

2. **滤波**：由于HRV信号可能存在噪声，常用低通滤波（例如Butterworth或Chebyshev滤波器）去除高频噪声，保留低频的心率变异信息。

3. **基线漂移消除**：使用某种算法（如指数平滑或移动平均）识别并移除基线漂移，使得心跳频率更稳定。

4. **标准化**：对数据进行归一化，比如z-score标准化或min-max缩放，使其在同一尺度上进行分析。

5. **分割信号**：将连续的数据集切分成心动周期（R-R间期）序列，以便后续计算HRV特征。

6. **计算HRV特征**：常见的HRV特征有时间域特征（如均值、标准差、极差）、频率域特征（如LF-HF比值、PNN50等）以及非线性特征（如小波变换、熵等）。

以下是一个简单的Python示例，使用了NumPy和SciPy库进行基本预处理：

import numpy as np
from scipy.signal import butter, lfilter

def preprocess_hrv(data, fs, low_cut=0.5, high_cut=None):
    # 滤波
    nyquist_freq = 0.5 * fs
    if high_cut is None:
        high_cut = nyquist_freq / 2
    b, a = butter(4, [low_cut/(nyquist_freq), high_cut/(nyquist_freq)], 'bandpass')
    filtered_data = lfilter(b, a, data)

    # 基线漂移消除（这里简化为简单平滑）
    baseline_corrected = moving_average(filtered_data, window_size=30)

    # 标准化
    standardized_data = (filtered_data - np.mean(filtered_data)) / np.std(filtered_data)

    return standardized_data

# 示例：假设data是HRV信号数组，fs是采样频率
hrv_preprocessed = preprocess_hrv(data, fs)