从0开始学心电信号处理（2）——心电信号的预处理

目录

一、心电信号噪声

二、心电信号预处理

---

一、心电信号噪声

        EGG信号具有微弱、低幅值、低频、随杋性的特点，很容易被噪声干扰，而噪声可能来自生物体内，如呼吸、肌肉颤抖，也可能因为接触不良而引起体外干扰。是ECG信号主要的三种噪声为工频干扰、肌电干扰和基线漂移3，也是在滤波过程中急需被抑制去除的噪声干扰。

（1）工频干扰：是由采集心电信号的设备周身的供电环境引起的电磁干扰，幅值低，噪声频率为50Hz左右，其波形很像一个正弦信号，该噪声常常会淹没有用的心电信号，也会影响P波和T波的检测。

（2）肌电干扰：在心电图采集过程中，因为人体运动肌肉不自主颤抖造成，这种干扰无规律可言，波形形态会急速变化，频率很高，并且分布很广，范围在0-2000Hz内，能量集中在30-300Hz内，持续时间一般为50ms，肌电干扰与心电信号会重合在一起，这会导致有用的心电信号细微的变化很可能被忽视。

（3）基线漂移：属于低频干扰，频率分布在0.15-0.3Hz内，由于电极位置的滑动变化或者人体的呼吸运动造成心电信号随时间缓慢变化而偏离正常基线位置产生基线漂移，幅度和频率都会时刻变化着。心电信号中的PR波段和ST波段非常容易受到影响产生失真。

二、心电信号预处理

        小波变换（Wavelet Transform, WT）可以进行时频变换，是对信号进行时域以及频域分析的最为理想工具。本例子对含噪心电信号采用基于小波变换的去噪处理方法，分为以下3个步骤：

（1）由于噪声和信号混杂在一起，首先选择一个小波基函数，由于噪声和信号混杂在一起，所以要用小波变换对含噪心电信号进行某尺度分解得到各尺度上的小波系数。

（2）心电信号经过小波变换尺度分解后，幅值比较大的小波系数就是有用的信号，幅值比较小的小波系数就是噪声，根据心电信号和夹杂噪声的频率分布，对各尺度上的小波系数进行阈值处理，把小于阈值的小波系数置零或用阈值函数处理。

（3）分别处理完小波尺度分解后的低频系数和高频系数，再重构信号。

小波变换和小波阈值去噪，请参考：https://blog.csdn.net/JK198310/article/details/8520439

import wfdb
import pywt
import matplotlib.pyplot as plt
import numpy as np
print("正在读取 " + 100 + " 号心电数据...")
record = wfdb.rdrecord('ecg_data/' + '100', channel_names=['MLII'], sampto=1500)
data = record.p_signal.flatten()
# 用db5作为小波基，对心电数据进行9尺度小波变换
coeffs = pywt.wavedec(data=data, wavelet='db5', level=9)
cA9, cD9, cD8, cD7, cD6, cD5, cD4, cD3, cD2, cD1 = coeffs
# 阈值去噪
threshold = (np.median(np.abs(cD1)) / 0.6745) * (np.sqrt(2 * np.log(len(cD1))))
## 将高频信号cD1、cD2置零
cD1.fill(0)
cD2.fill(0)
## 将其他中低频信号按软阈值公式滤波
for i in range(1, len(coeffs) - 2):
    coeffs[i] = pywt.threshold(coeffs[i], threshold)

# 小波反变换,获取去噪后的信号
rdata = pywt.waverec(coeffs=coeffs, wavelet='db5')

plt.figure(figsize=(20, 4))
plt.plot(data)
plt.show()
plt.figure(figsize=(20, 4))
plt.plot(rdata)
plt.show()