基于EMD滤波的心电信号50Hz噪声消除方法的比较分析

信息学在医学解锁8（2017）54基于EMD滤波的心电信号50Hz噪声消除方法的比较分析M. Suchetha a，N. Kumaravelb，M. Jagannath a，Saravana Kumar Jaganathan caVIT大学电子工程学院，印度b印度金奈Guindy Anna大学工程学院电子与通信工程系c马来西亚科技大学生物科学与医学工程学院，Skudai 81310，马来西亚A R T I C L E I N F O关键词：心电图经验模态分解自适应滤波器电源线干扰伪影A B S T R A C T心电图（ECG）是由心肌电生理模式引起的心脏电活动的程序记录。但是在临床环境中，在采集期间，ECG信号被各种类型的伪影破坏。将优选信号与由诸如肌肉伪影、电力线干扰、基线漂移和运动伪影之类的伪影引起的噪声分开是一个很大的约定。 在这些噪声中，频率为50 Hz的电力线干扰更为严重，并使信号的形态发生波动。除了传统的滤波器之外，还有各种工具，如小波变换和经验模式分解（EMD）用于滤波。基于EMD的噪声消除是一种完全依赖于信号的方法，本质上是自适应的，可以用于实时应用。本文研究了不同噪声幅值下，基于EMD的滤波方法对频率为48 ~ 51 Hz的心电信号进行消噪的对比分析。1. 介绍生物医学信号的噪声消除对于在噪声中识别信号的本质特征具有重要 意 义 。 小 波 变 换 是 研 究 非 平 稳 信 号 的 有 力 工 具 。 Donoho 和Johnstone[1]提出的小波收缩概念是去噪方法中的新思想。用设计的收缩法[2]比较了经验小波系数和阈值。在该方法中，如果其幅度小于阈值，则将其设置为零。Poornachandra和Kumaravel [3，4]开发了一种用于ECG信号去噪的子带自适应收缩函数。但是小波阈值的形成依赖于这样的猜想，即信号幅度控制小波描述中的噪声幅度，使得如果小波系数的幅度小于确定的阈值，则小波系数可以被设置为零[5]。小波方法的另一个约束是基函数是固定的，因此不一定匹配所有的真实信号。经验模态分解（EMD）是近年来人们比较熟悉的一种方法，用于处理非线性、非平稳信号。它具有自适应性和信号依赖性[6]。Nimunkar和Tompkins[7]提出了一种降低ECG信号中50 Hz干扰的方法，该技术的进展是，当SNR较低时，干扰在第一个固有模式函数（IMF）中被分离。Blanco-Velasco等人[8]使用后续程序对信号进行降噪：（i）描绘并分离QRS波群;（ii）使用适当的窗口来保留QRS波群;（iii）使用统计测试来调节对噪声有贡献的IMF的数量;（iv）通过部分重建过滤噪声。Kopsinis和McLaughlin[9]开发了一种使用小波阈值的基于EMD的去噪方法。2. 经验模态分解黄等人[6]熟悉EMD，它有助于自适应地将信号分解为各种AM-FM分量。这是一个完全依赖数据的方法，它不需要任何基函数的先验。这种方法非常适合于非线性变化和非平稳的信号。通过这种算法，它将信号分裂成一个整体的固有模式功能。具有相等数量的极值和零交叉的函数称为IMF [7，8]。每个IMF都是一个简单的振荡方法，作为傅立叶分析中使用的简谐函数对于任何信号x（t），EMD算法的工作原理如下：*Correspondent author.电子邮件地址：suchetha_mt@yahoo.com（M. Suchetha），kumaravel_n@annauniv.edu（N. Kumaravel），jagan.faith @ gmail.com（M. Jagannath），saravana@utm.my（S.K. Jaganathan）。http://dx.doi.org/10.1016/j.imu.2017.01.003接收日期：2016年11月10日;接收日期：2016年12月26日;接受日期：2017年1月19日2017年1月22日在线提供2352-9148/© 2017由Elsevier Ltd.发布 这是CC BY-NC-ND许可下的开放获取文章（http：//creativecommons.org/licenses/BY-NC-ND/4.0/）。目录可在ScienceDirect医学信息学杂志主页：www.elsevier.com/locate/imuM. Suchetha等人信息学在医学解锁8（2017）54551. 要检测信号x（t）2. 使用三次样条插值x（t）的局部最大值以形成包络eu（t）。类似地，连接最小值的包络表示为el（t）。3. 计算两个包络的平均值m1（t）：m1（t）=[eu（t）+el（t）]/ 2。4. 通过从信号中减去平均值来计算细节h（t）h（t）=x（t）−m1（t）。5. 在残差m1（t）上重复迭代。继续进行，直到残差是这样的，没有IMF可以提取和示范一个单调函数。用于提取IMF的上述技术被称为筛选过程。最后，原始信号的EMD可以被表示为IMF和残差的总和（等式2）。（1））：Nx（t）=∑ci（t）+r（t）i=1（1）IMF是满足以下两个条件的函数：（a）极值的数量和零交叉的数量必须在整个数据集中相等或最多相差一个，以及（b）由局部最大值定义的包络和由局部最小值定义的包络的平均值在每个点都是零3. 建议的去噪方法3.1. 基于EMD的部分重构被破坏的ECG信号被自适应地分解成称为固有模式函数（IMF）的若干固有分量[8]。该滤波机制旨在对分解信号进行部分重构。它是基于这样的方法开发的，即信号的大部分重要结构都集中在较低频率的模式（最后的IMF）上，并向高频模式（第一IMF）下降。每个电平上的频谱说明了第一个IMF电平中50 Hz分量和所有其他电平中剩余信号分量的分离。筛选过程结束时的残留信号具有0.5Hz的频率，对应于基线漂移的频率。因此，通过使用IMF对信号进行部分重构的滤波与去除第一IMF电平和残余信号相匹配。IMF水平的持久信号结构的重建给出了一个完美的去噪ECG信号。这种方法不使用任何预处理或后处理，可以在任何噪声水平下使用[10]。3.2. 基于EMD的自适应滤波技术信号的部分重建可以很好地完成，而不考虑噪声信号，但它有机会去除某些ECG成分。因此，在第一次IMF中使用自适应滤波器来降低50Hz干预。自适应滤波器是消除50 Hz电力线信号的预期选择，可以根据最小均方算法调节其系数[11，12]。它是一种先进的滤波技术，由于其计算复杂性较低而被广泛使用。新的权重更新方程由以下方程给出：（2）.w（n+1）=w（n）+μe（n）x（n）（2）其中w（n）是权重;x（n）是时间延迟输入值的输入向量，μ被称为步长参数，e（n）是误差信号。X（n）=[x（n）x（n-1）x（n-2）..x（n-N+1）] T和W（n）=[w0（n）w1（n）w2（n）..用符号表示时间n处的自适应有限脉冲响应（FIR）滤波器抽头权重向量的系数。双权值自适应滤波结构的构造如图1所示。主信号是有噪声的ECG信号，参考信号是50 Hz噪声。两个加权的和然后从ECG输出中减去参考信号的不同版本以产生误差信号。这些与加权输入一起收集的误差信号被应用于最小均方（LMS）算法，该算法控制应用于两个权重的调整。在这种情况下，自适应噪声消除器充当可变陷波滤波器[13，14]。在这项工作中，应用EMD后得到的分解IMF水平是主要的噪声ECG信号。结果是50 Hz干扰在第一个IMF电平中被分离，其余电平不受干扰分量影响。因此，在IMF 1级执行两个加权的自适应滤波。这种结构将控制信号的幅度和相位变化。主信号取为d = x + n（信号+噪声），IMF1信号作为参考信号，完成自适应。信号的最佳最小二乘近似是均方误差（MSE）最小化。自适应滤波器y（n）的输出是在消除50 Hz电力线干扰的情况下计算的。3.3. 基于EMD提取干扰的自适应滤波在这种技术中，IMF 1被作为参考信号，并被传递到带通滤波器。带通滤波器（BPF）的范围被认为是原始信号中不需要的干扰的范围。滤波后的信号频带作为自适应结构的输入。滤波后的信号的相移版本作为自适应滤波器的另一个输入。自适应通过估计误差信号e（n）的反馈来执行。该技术的主要优点是，除了50 Hz干扰部分之外，没有其他ECG分量被去除[15]。4. 结果和讨论在本节中，我们讨论了过滤概念的模拟结果，以评估我们提出的方法。性能指标与一些最先进的方法进行比较，以确认拟议的研究。4.1. 输入的详细说明在 这项 仿真 研 究中 ， 我们 使用 模 拟的 心 电信 号和 MIT 使 用从physionet下载的ecgsyn软件获得合成ECG信号，表1显示了本研究中考虑的规范。ECG信号降低50 Hz，并以360 Hz采样用于研究目的。被破坏的ECG信号被进一步分解成不同的IMF和一个残差。图2仅显示了IMF的前五个水平（IMF 1 -5）。从前四个IMF水平获得的频谱图如图3所示，从中可以清楚地观察到电力线干扰。4.2. 业绩评价和比较所提出的技术的性能进行评估，通过关联，ING它与小波技术的软，硬阈值方法一样的滤波。在MATLAB 2015 b ®环境中进行了模拟，并进行了定性和定量评估。4.2.1. 定性评价首先，所提出的去噪算法的性能进行了定性比较，通过视觉评估。图4示出了从三种所提出的方法（例如，部分重构、自适应滤波和通过提取干扰的自适应滤波）获得的去噪信号。带通滤波器被放置在噪声信号的路径中，以仅精确地分离噪声分量。频带选择为48- 51 Hz。这是一个启示，M. Suchetha等人信息学在医学解锁8（2017）5456Fig. 1. 双权重自适应滤波结构的典型框图。表1处理ECG信号时考虑的规范以下指标用于比较（等式3x（n）SNR（dB）=20 logx（n）−d（n）（三）MSE =1N∑（x（n）−x <$（n））2从所提出的方法产生的去噪ECG信号更类似于原始ECG信号，并且与PRD =Nn=1X100（四）（五）从小波方法获得的信号。SNRimp（dB）= 10log10Nn=1 x（n）−x（n）2（6）4.2.2. 定量评价现在，基于以下指标，将所提出的方法的性能与其他方法进行定量比 较 。 利 用 信 噪 比 （ SNR ） 、 均 方 根 差 （ PRD ） 、 改 进 信 噪 比（SNRimp）、均方根误差（RMS）和峰值信噪比（PSNR）等指标对去噪后信号的性能进行了分析，以研究重构信号的质量。SNR是恢复的信号功率与噪声功率的比率。RMS误差是输入信号的RMS值与恢复信号的RMS值之间的差。PSNR是指示恢复信号的质量的参数。其中，x（n）是原始信号，而x（n）是恢复信号。本文的新颖之处在于，在实时环境中的幅度变化和频率变化被认为是。实际上，噪声在48-51 Hz的范围内变化。 筛选过程有两个效果：（i）消除骑波和（ii）平滑不均匀的振幅。为了保证IMF分量将保留足够的幅度和频率调制的物理意义，有必要停止筛选过程。这是通过限制使用从两个连续筛选结果计算的标准偏差（SD）来实现的。SD通常在0.2和0.3之间。在我们的实验中，我们考虑了0.10IMF 1电话：+86-10 - 88888888传真：+86-10 - 88888888货币基金组织样本250电话：+86-021 - 88888888传真：+86-021-88888888IMF 3样品50电话：+86-021 - 88888888传真：+86-021-88888888IMF 4样品20电话：+86-21 - 88888888传真：+86-21 - 88888888样本IMF520电话：+86-21 - 88888888传真：+86-21 - 88888888样品∑Nn=1 （x（n）−x（n））2∑N x2（n）i=1∑Nn=1 y（n）−x（n）2振幅（mV）∑振幅（mV）振幅（mV）振幅（mV）振幅（mV）参数符号价值选择ECG采样频率斯费格360 Hz心跳的近似次数N256加性均匀分布测量噪声阿努什0 mV平均心率小时平均60次/分心率标准差HRSD1次/分钟M. Suchetha等人信息学在医学解锁8（2017）5457图2. 噪声ECG的经验模态分解及其固有模态函数水平（IMF 1 -5）。M. Suchetha等人信息学在医学解锁8（2017）54580.40.2IMF1信号200100IMF2信号00 50100频率（Hz）IMF3信号20010000 50100频率（Hz）00 50 100频率（Hz）IMF4信号20010000 50 100频率（Hz）图三. IMF 1 -4的光谱噪声幅值变化分别为5%、10%、15%、20%和30%。进行了详细的研究，并计算了在每个噪声水平和频率变化范围内的性能指标。在不同频率下，当噪声变化为10%和20%时，部分重建方法的信噪比变化为43-45 dB。MSE也存在相应的变化，并且在频率为49.5 Hz的10%噪声下获得0.0035的非常低的值。自适应滤波技术在不同频率下的性能比较列于表2。在不同的噪声频率值下，考虑10%、20%和30%的噪声水平。在该技术中，SNR值的范围为40 dB至42 dB。在以下条件下获得0.003的MSE值49.5 Hz频率。但是在这种自适应滤波方法中，一些信号分量也被破坏。接下来的实验是通过在IMF 1中使用带通滤波器对噪声信号进行带通滤波来进行的。IMF 1的该频带作为自适应滤波器的输入给出。的这种滤波方法的性能比其它提出的技术更好。在最小均方误差的情况下实现了45 dB的SNR。这种适应导致未受干扰的ECG信号分量和去除不期望的噪声分量。所提出的方法产生最小的MSE，具有更好的质量（表2与小波方法相比，基于EMD的去噪提供了改善的SNR，而与噪声水平无关。表2-4给出了不同去噪方法在SNR和MSE方面的比较。该方法在噪声较低时信噪比较高，随着噪声的增加信噪比逐渐降低。使用所提出的方法获得了超过20 dB的SNR改善。其主要优点是实现简单，即使在噪声水平变化的情况下也具有更好的精度。它可以适用于任何去噪应用，即使是非常低的频率范围。对噪声水平从0%到210-1电话：+86-21 - 88888888传真：+86-21 - 88888888样品（a）10.50-0.5电话：+86-10 - 88888888传真：+86-10 - 88888888样品（b）（c）图4. 通过三种方法获得去噪的ECG信号：（a）基于EMD的部分重构，（b）基于EMD的自适应滤波和（c）基于EMD的提取干扰的自适应滤波。|Y（f|Y（f振幅（mV）|Y（f振幅（mV）|Y（fM. Suchetha等人信息学在医学解锁8（2017）5459表2基于EMD的部分重构技术在不同噪声水平频率和幅度下的性能比较噪声频率（Hz）5%噪音水平10%噪音水平20%噪音水平表3自适应滤波技术对不同频率和幅值噪声电平的性能比较噪声频率（Hz）10%噪音水平20%噪音水平30%噪音水平表4自适应滤波技术与带通滤波器在不同噪声电平频率和幅度下的性能比较噪声频率（Hz）5%噪音水平10%噪音水平20%噪音水平100%的信号强度。对模拟结果的讨论大致分为低、中和高噪音水平。在最低水平时，噪声范围小于信号幅度的5%，中等水平时为信号幅度的5 - 20%，高水平时大于信号幅度的20%。高达20%的噪声水平范围被认为是实际噪声水平范围，被认为是在任何良好仪器的前置放大器阶段获得的实际噪声水平。噪声水平超过20%被认为是故意噪声的情况下，这是一个不切实际的条件。5. 结论本研究对基于EMD滤波技术的扩展性进行了清晰的总结。提出的新技术揭示了增强的性能与小波去噪的情况下，信号SNR是低的，没有限制，信号幅度应该高于噪声信号。这些技术遵循信号相关性的性质，并且是自适应的。实验结果表明，经验模态分解可以作为一种有效的去噪工具。这些恢复的信号提供了原始ECG信号和处理后的ECG信号之间的高相关值，从而产生了良好的视觉质量。引用[1] Donoho DL，Johnstone IM.通过小波收缩适应未知的平滑性。美国统计学会杂志1995;90（432）：1200-24。[2] 多诺霍湾软阈值去噪。IEEE transInf Theory1995;41（3）：613-27.[3] Poornachandra S，Kumaravel N.提出了一种利用超收缩函数消除心电信号中工频干扰的新方法。数字信号处理2008;18（2）：116-26.[4] Poornachandra S，Kumaravel N.超裁剪收缩法用于心电信号的去噪数字信号处理2005;15（3）：317-27.[5] 波纳钱德拉湾基于子带相关阈值的心电信号小波去噪。 数字信号处理2008;18（1）：49-55.[6] 黄宁，沈忠，龙世荣，吴文忠，施宏华，郑勤，严北生，董昌华，刘宏华。非线性非平稳时间序列的经验模态分解和希尔伯特谱分析。在：伦敦皇家学会A：数学，物理和工程科学454（1971）; 1998年3月。p. 903-95[7] Nimunkar AJ，Tompkins WJ. ECG的基于EMD的60 Hz噪声滤波。在：第29届IEEE医学和生物学工程学会年度国际会议论文集; 2007年8月。p. 1904-07年。[8] Blanco-Velasco M，Weng B，Barner KE.基于经验模态分解的心电信号去噪和基线漂移校正。计算机生物医学2008;38（1）：1-13.[9] Kopsinis Y，McLaughlin S.基于小波阈值的EMD去噪方法的发展。IEEETransSignalProcess 2009;57（4）：1351-62.[10] Boudraa AO，Cexus JC.基于EMD的信号滤波IEEE跨仪器测量2007;56（6）：2196-202。[11] Ziarani AK，Konrad A.一种消除心电信号中工频干扰的非线性自适应方法IEEETrans Biomed Eng2002;49（6）：540-7.[12] Haykin S.自适应滤波器理论，第三版。ed.. Englewood Cli Clans，NJ：Prentice-Hall;1996.SNRMSESNR阻抗PRDPSNRSNR MSESNR阻抗PRDPSNRSNRMSESNR阻抗PRDPSNR4844.81550.007821.63130.003321.051443.2281零点零零七22.03120.003321.041437.54610.0866 26.64760.017610.62748.543.50730.010620.34280.004519.762943.5607 0.007620.34600.004519.723938.34130.0708 27.51830.014711.49774945.39030.007122.05470.002921.474844.3669 0.007122.32050.002921.824838.95660.0638 27.97490.012711.954349.544.12510.013420.92420.005620.761943.9211 0.003420.56420.005620.651938.41890.0711 27.50430.014411.48375045.90660.005822.91620.002622.336344.9230 零点零零八22.44620.002622.323438.24120.073827.34040.01511.319850.545.93550.006122.70750.002522.127545.6781 零点零零七22.34750.002522.523537.47280.078927.05080.017911.0302SNRMSESNR阻抗PRDPSNRSNR MSESNR阻抗PRDPSNRSNRMSESNR阻抗PRDPSNR4840.42560.005217.74230.009122.86340.5422 0.005329.66540.008822.663641.2489 0.0045 二十四点三四○五0.007523.30348.541.70550.004418.47390.006723.412240.3267 0.005929.23620.009122.963542.06830.0033 25.67950.006224.78574941.55450.004318.5370.00723.530940.324 0.006328.94610.009321.969542.043224.90310.006223.989149.541.80830.00418.87440.006624.001240.0582零点零六 29.16670.009922.020541.66780.00371832年0.006824.28945041.6350.004218.67620.006923.781840.17470.006328.9090.009621.649342.32540.003541440.005924.514850.541.35260.004418.45690.007323.146140.5456 0.005629.43690.008822.290242.0776 0.0034 二十五点五四七七0.006224.55795140.31850.005117.82230.009322.942940.50460.003132.02240.008925.087842.39250.0032 25.80340.005824.8775SNRMSESNR阻抗PRDPSNRSNR MSESNR阻抗PRDPSNRSNRMSESNR阻抗PRDPSNR4845.59780.004622.76720.002827.859943.83040.006827.11840.004126.206342.3090.0093 31.79210.005924.871648.545.98340.003923.47090.002528.420143.08440.006526.14460.004925.16940.20410.0165 二九七二0.009522.19174945.95310.004822.61920.002527.650343.9429 0.006427.40640.00426.506540.25420.1049 29.73740.009422.816949.545.74220.004622.77090.002727.7644.01390.006727.18580.00426.29239.64450.0203 28.39380.010921.42565045.46640.004822.63210.002827.352544.591 0.005428.10050.003527.16440.22740.0154 29.60990.009522.689350.545.48390.004722.69170.002827.644644.41860.005328.18250.002927.288739.55040.017229.11150.011121.97455145.71180.004422.95580.002727.793744.5194 零点零六一27.63980.003526.739940.43670.0156 29.53590.00922.4243M. Suchetha等人信息学在医学解锁8（2017）5460[13] 汉密尔顿PS。用于降低ECG中电源线干扰的自适应和非自适应滤波器的比较。IEEETrans Biomed Eng1996;43（1）：105-9.[14] Mahmoodabadi SZ，Ahmadian A，Abolhasani MD，Eslami M，Bidgoli JH.基于多分辨率小波变换的心电信号特征提取。2006年：第27届IEEE医学和生物工程国际年会一月 pp. 3902-05[15] Suchetha M，Kumaravel N.基于经验模式分解的滤波技术，用于使用各种自适应结构和减法来降低心电图中的电力线干扰。Biomed信号过程控制2013;8（6）：575-85。