matlab 小波分析 滤波,小波变换与小波滤波解析.ppt

程序运行结果： TR =

0.0708 0.3636 1.0552

SNR =

121.6977

MSE =

0.0024 通过一些仿真结果来看，选择不同的小波函数和不同的阈值，去噪的效果相差甚远。选择’db5’小波，默认阈值对心电去噪处理效果较好。 谢谢！ * 即：FT变换只是一种纯频域的分析方法，它在频域里的定位是十分准确的(即频域分辨率最高)，而在时域无任何定位性。 * STFT: Short Time Fourier Transform 又称加窗傅立叶变换 * STFT: Short Time Fourier Transform 又称加窗傅立叶变换 * 均方误差 * * 一个滤波器为低通滤波器，通过该滤波器可得到信号的近似值A(Approximations) 另一个为高通滤波器， 通过该滤波器可得到信号的细节值D(Detail)。 1.6 离散小波变换(DWT) * 实际应用中，信号的低频分量往往是最重要的，而高频分量只起一个修饰的作用。如同一个人的声音一样， 把高频分量去掉后，听起来声音会发生改变，但还能听出说的是什么内容，但如果把低频分量删除后，就会什么内容也听不出来了。 1.6 离散小波变换(DWT) * 图 多级信号分解示意图 (a) 信号分解； (b) 小波分树； (c)小波分解树 * 在使用滤波器对真实的数字信号进行变换时，得到的数据将是原始数据的两倍。 根据尼奎斯特(Nyquist)采样定理就提出了降采样的方法，即在每个通道中每两个样本数据取一个，得到的离散小波变换的系数(coefficient)分别用cD和cA表示 1.6 离散小波变换(DWT) * 将信号的小波分解的分量进行处理后，一般还要根据需要把信号恢复出来，也就是利用信号的小波分解的系数还原出原始信号，这一过程称为小波重构(Wavelet Reconstruction)或叫做小波合成(Wavelet Synthesis)。 1.7 小波重构 这一合成过程的数学运算叫做逆离散小波变换(Inverse Discrete Wavelet Transform，IDWT)。 * 小波重构算法示意图 1.7 小波重构 * (1) 重构近似信号与细节信号 由小波分解的近似系数和细节系数可以重构出原始信号。 同样，可由近似系数和细节系数分别重构出信号的近似值或细节值，这时只要近似系数或细节系数置为零即可。 1.7 小波重构 * 重构近似和细节信号示意 (a) 重构近似信号； (b) 重构细节信号 1.7 小波重构 * (2)多层重构 重构出信号的近似值A1与细节值D1之后，则原信号可用A1＋D1＝S重构出来。对应于信号的多层小波分解，小波的多层重构图: 1.7 小波重构 * 重构过程为：A3＋D3＝A2；A2＋D2＝A1； A1+D1＝S。 1.7 小波重构 心电信号的噪声特点 小波分析与传统信号处理方法的比较 小波去噪的基本原理 小波去噪的基本步骤 小波去噪中的阈值函数和阈值的选取 小波去噪中小波函数的选择 去噪效果的评价 程序说明 总结 心电信号(ECG)是典型的强噪声的非平稳的随机信号。正常心电信号的频率范围在0.01Hz-100Hz之间，而90%的ECG频谱能量又集中在0.25Hz-35Hz之间。 在心电信号的采集和A/D转换过程中,心电信号不可避免地受到各种类型的噪声干扰,概括起来主要包括以下三类噪声: 一、心电信号的噪声特点 (1)由于电源磁场作用于心电图机与人体之间的环形电路所致的50Hz/60Hz工频干扰; (2)由于病人肌肉紧张产生的肌电干扰; (3)由于病人呼吸运动或者由电极—电极—皮肤之间界面阻抗所致的频响,一般小于1Hz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。 在实际工程应用中，通常所分析的信号具有非线性，非平稳,并且奇异点较多的特点。含噪的一维信号模型可表示为： 其中，f(t)为真实信号，s(t)为含噪信号，e(t)为噪声， 为噪声标准偏差。 有用信号通常表现为低频信号或是相对比较平稳。而噪声信号通常表现为高频分解后，含噪部分主要集中在高频小波系数中，并且，包含有用信号的小波系数幅值较大，但数目少；而噪声对应的小波系数幅值小，数目较多。 基于上述特点，可以应用门限阈值法对小波系数进行处理。(即对较小的小波系数置为０，较大的保留或削弱)，然后对信号重构即可达到消噪的目的。 CD3 CD2