一、带你了解基线漂移
1. 什么是基线漂移?
一个特别低频的曲线叠加到了原始信号上,使得原始信号有缓慢的轻微的上下浮动的趋势。如下图:
(参考:信号基线漂移是什么意思?)
(参考:心电 基线漂移的处理研究论文)
(参考:ECG信号读出,检测QRS,P,T 波 —— 去除高频噪声与基线漂移)
(参考:ECG信号 —— ECG噪声来源)
2. 基线漂移的危害?
如果不消除基线漂移/趋势项,那么会把趋势项当作真是采集的原始信号,会影响信号的准确性和后续的数据处理结果。
存在基线漂移时,在进行 FFT 分析、相关性分析和功率谱密度分析等时会出现畸变,造成低频出现尖峰,甚至淹没主频成分,从而严重影响精度。如下图:
二、消除趋势项的方法
基线漂移的本质是在原始信号上叠加了直流分量、低频分量。滤波法和拟合基线法是两类最常用的基漂抑制方法。
(参考:时域信号趋势项的消除办法及案例分析)
1. 最小二乘法拟合
原理:最小二乘法拟合出趋势项,再用原始数据减去趋势项。
2. 小波变换
基线漂移主要为低频分量,通过小波变换的多尺度分解过程,在分解的低频系数中可以观察到信号的基线趋势,用原始信号减去这个基线趋势即可。
(参考:基线漂移的几种方法)
3. EMD
EMD 方法认为任何信号都可以分解为若干个不同的本征模态函数(IMF)和一个残余量稳定态。其中各个不同的本征模态函数反映了信号的局部特性,残余量反映了信号的趋势或均值。所以EMD 方法可以通过 “筛选” 的方法把残余量分离出来。
(参考:基线漂移的几种方法)
其他去除基线漂移的方法还有凸优化、平滑先验方法、VMD、FIR 滤波、中值滤波、低通滤波器等。
(参考:去基线漂移)
(参考:数字信号处理实验(六)—— 心电信号处理 IIR FIR滤波综合题(下篇))
方法 | 优点 | 缺点 |
FIR 滤波 | 原理简单,无累计误差,适用于实时场合 | 幅频失真明显 |
最小二乘法拟合 | 原理简单,Matlab 有库函数可以直接调用 | 对信号的拟合需要事先预测趋势项的类型(直流分量、线性分量、指数函数、幂函数等),随着趋势项复杂程度的增加,拟合的难度也增大,不适用于复杂的实际信号 |
小波变换 | 小波基函数的选取和小波阶次的确定都需要事先预测 | |
EMD | 基于信号本身的时间尺度特征,无需选择基函数,非常适用于非线性、非平稳信号的处理,具有很高的信噪比 |
(参考:脑电信号中的基线漂移总结)
(参考:趋势项消除-方法总结)
三、从 Matlab 仿真角度理解消除趋势项
1. Matlab 命令
1. 消除直流分量和线性趋势
- detrend(x):消除时间序列线性趋势项
- detrend(x, 'constant'):消除时间序列均值
- detrend(x, 'linear', bp):分段消除时间序列中的线性趋势项,bp 为分段点向量
2. 消除多项式趋势项(非线性趋势项)
a = polyfit(t, x, order)
xtrend = polyval(a, t)
xdetrend = x - xtrend
(参考:detrend函数的意义)
(参考:时间序列趋势项提取(Matlab))
2. Matlab 仿真
%% 去除基线漂移
clear; close all; clc; warning off;
%% 1. 消除直流分量
fs = 100; % 采样频率
L = 10;
t = 1 : 1/fs : L;
f = 10; % 信号频率
consValLis = 2 * ones(1, length(t)); % 直流分量
x1 = consValLis + sin(2 * pi * f * t); % 叠加有直流分量的信号
figure(1);
subplot(4, 1, 1); plot(x1, 'linewidth', 1.5); ylim([-2, 4]); title('叠加有直流分量的原始信号');
subplot(4, 1, 2); plot(x1-mean(x1), 'linewidth', 1.5); ylim([-2, 4]); title('去除直流分量的原始信号(x-mean(s)方法)');
subplot(4, 1, 3); plot(detrend(x1), 'linewidth', 1.5); ylim([-2, 4]); title('去除直流分量的原始信号(detrend去除线性趋势项方法)');
subplot(4, 1, 4); plot(detrend(x1, 'constant'), 'linewidth', 1.5); ylim([-2, 4]); title('去除直流分量的原始信号(detrend去除均值方法)');
%% 2. 去除线性趋势项
linearValLis = t .* ones(1, length(t)); % 线性趋势项
x2 = linearValLis + sin(2 * pi * f * t); % 叠加有线性趋势项的信号
[y2, xtrend2] = polydetrend(x2, fs, 1);
figure(2);
subplot(4, 1, 1); plot(x2, 'linewidth', 1.5); title('叠加有线性趋势项的原始信号');
subplot(4, 1, 2); plot(detrend(x2), 'linewidth', 1.5); ylim([-2, 4]); title('去除线性趋势项的原始信号(detrend去除线性趋势项方法)');
subplot(4, 1, 3); plot(y2, 'linewidth', 1.5); ylim([-2, 4]); title('去除线性趋势项的原始信号(ployfit拟合线性项方法)');
subplot(4, 1, 4); plot(xtrend2, 'linewidth', 1.5); title('线性趋势项');
%% 3. 去除多项式趋势(非线性趋势)
nonLinearValLis = 10 * t .* sin(2 * pi * 0.2 * t); % 非线性趋势项
x3 = nonLinearValLis + sin(2 * pi * f * t); % 叠加有非线性趋势项的信号
[y3, xtrend3] = polydetrend(x3, fs, 20);
figure(3);
subplot(3, 1, 1); plot(x3, 'linewidth', 1.5); title('叠加有非线性趋势项的原始信号');
subplot(3, 1, 2); plot(y3, 'linewidth', 1.5); ylim([-2, 4]); title('去除非线性趋势项的原始信号(ployfit拟合非线性项方法)');
subplot(3, 1, 3); plot(xtrend3, 'linewidth', 1.5); title('非线性趋势项');
%% 最小二乘法拟合趋势项函数
function [y, xtrend] = polydetrend(x, fs, order)
% x:带有趋势项的信号
% fs:信号采样频率
% order:最小二乘法拟合多项式阶数
x = x(:); % 转为列向量
N = length(x);
t = (0: N-1)' / fs;
a = polyfit(t, x, order); % 用最小二乘法拟合x的多项式系数a
xtrend = polyval(a, t); % 构成趋势项
y = x - xtrend; % 去除趋势项
运行结果:
注意:使用最小二乘法拟合趋势项需要选取合适的多项式阶数,阶数选择的过高和过低都无法拟合出理想的趋势项! 如下图:
从上图可以看出,阶数为 5 和 10 都无法完全消除趋势项;而阶数为 40 和 80 又因为过拟合造成信号畸变~
(参考:MATLAB从ECG信号数据趋势项的消除)
(参考:基线调整-最小二乘法消除多项式趋势项)
(参考:去除数据的线性趋势)