(完整版)心电数据处理与去噪(DOC)
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
燕山大学
课程设计说明书题目心电数据处理与去噪
学院(系):电气工程学院
年级专业: 11级仪表一班
学号: 110103020036
学生姓名:张钊
指导教师:谢平杜义浩
教师职称:教授讲师
燕山大学课程设计(论文)任务书
院(系):电气工程学院基层教学单位:自动化仪表系
说明:此表一式四份,学生、指导教师、基层教学单位、系部各一份。
2014年7月 5 日
摘要 (2)
第1章设计目的、意义 (3)
1.1 设计目的 (3)
1.2设计内容 (3)
第2章心电信号的频域处理方法及其分析方法 (4)
2.1小波分析分析 (4)
2.2 50hz工频滤波分析 (10)
第3章 GUI界面可视化 (14)
学习心得 (15)
参考文献 (15)
信号处理的基本概念和分析方法已应用于许多不同领域和学科中,尤其是数字计算机的出现和大规模集成技术的高度发展,有力地推动了数字信号处理技术的发展和应用。心脏周围的组织和体液都能导电,因此可将人体看成为一个具有长、宽、厚三度空间的容积导体。心脏好比电源,无数心肌细胞动作电位变化的总和可以传导并反映到体表。在体表很多点之间存在着电位差,也有很多点彼此之间无电位差是等电的。心脏在每个心动周期中,由起搏点、心房、心室相继兴奋,伴随着生物电的变化,这些生物电的变化称为心电
它属于随机信号的一种,用数字信号处理的方法和Matlab软件对其进行分析后,可以得到许多有用的信息,对于诊断疾病有非常重要的参考价值。
关键字:信号处理心电信号Matlab
第一章设计目的、意义
1 设计目的
进行改革,增大学生的自主选择权,让学生发展自己的兴趣,塑造自己未来的研究发展方向。课程设计的主要目的:
(1)培养学生文献检索的能力,特别是如何利用Internet检索需要的文献资料。
(2)培养灵活运用所学的电力电子技术知识和创造性的思维方式以及创造能力。
(3)培养学生综合分析问题、发现问题和解决问题的能力。
(4)培养学生用maltab处理图像与数据的能力。
2 设计内容
2.1 设计要求:
要求设计出心电数据处理的处理与分析程序。
(1) 处理对象:心电数据;
(2) 内容:心电数据仿真,心电数据处理(仿真数据,真实数据);
(3) 结果:得到处理结果。
2.2 设计内容:
(1)心电数据仿真;
(2)心电数据处理;
(3)分析处理结果。
(4)可视化界面设计
2.3 实验原理
2.3.1心电产生原理
我们常说的心电图一般指体表心电图,反映了心脏电兴奋在心脏传导系统中产生和传导的过程。正常人体的每一个心动周期中,各部分兴奋过程中
出现的电变化的方向、途径、次序和时问都有一定的规律,这种生物电变化通过心脏周围的导电组织和体液,反映到身体表面,使身体各部位在每一心动周期中也出现有规律的电变化。在人体不同部位放置电极,并通过电联线与心电图机的正负极相连,在心电图机上便可以记录到周期变化的心电图。心电图是通过二次投影形成的。整体心肌细胞的除极和复极所产生的每一瞬l ’日J 的除极、复极综合向量轨迹,在立体心脏的三维空『日J 内按时问顺序将其顶端相连,便构成立体心向量环。立体心向量环在额面和横面的投影,形成平面的心向量环;将平面向量环在导联轴上进行二次投影,就形成相应的心电图。对于标准的12导联来说,额面心向量环在肢体导联上的投影,形成I 、II 、Ill 、avR 、avL 、avF 导联心电图,而横面心向量环在胸导联轴上的投影便形成了V1~V6导联心电图m 。不同导联记录到的心电图,在波形上有所不同,但基本上都包括一个P 波,一个QRS 波和一个T 波,有时候在T 波后还出现一个小u 波。
第二章 心电信号的时域处理及其分析方法
1.小波分析理论
传统的信号分析建立在傅里叶变换基础之上,它运用数学言将信号表示为一组正弦函数或余弦函数之和并把信号分解众多的频率成分,这些频率又可以重构原来的信号,而且这种变换能量不变,因此她把它在信号处理领域长期处于统治地位。但它是一种纯频域的分析方法,反映信号在整个时间轴上的频域特性,并且只适合时不变信号,对于非平稳信号有局限性。
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。
)
(*)()(t e t f t s σ 1
_,,1,0n t
1.2小波去噪理论
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现为高频信号。利用小波对含噪的原始信号分解后,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。
小波分解的结构示意图
小波分解系数示意图
1.3小波变换去噪的流程示意图
1.4小波去噪matlab 程序
clear;
预处理
小波变换多尺度分解
各尺度小波系数除噪
小波逆变换重构信号
除噪后的信号 含噪信号
close all;
a=load('D:\Documents\Desktop\ECG\ECG_A.txt');
data=a(1:200,3);
figure,plot(data);
xlabel('时间(s)');
ylabel('被测变量y');
title('原始信号(时域)');
% mallet_wavelet.m
% 此函数用于研究Mallet算法及滤波器设计
% 此函数仅用于消噪
a=pi/8; %角度赋初值
b=pi/8;
%低通重构FIR滤波器h0(n)冲激响应赋值
h0=cos(a)*cos(b);
h1=sin(a)*cos(b);
h2=-sin(a)*sin(b);
h3=cos(a)*sin(b);
low_construct=[h0,h1,h2,h3];
L_fre=4; %滤波器长度
low_decompose=low_construct(end:-1:1); %确定h0(-n),低通分解滤波器for i_high=1:L_fre; %确定h1(n)=(-1)^n,高通重建滤波器
if(mod(i_high,2)==0);
coefficient=-1;
else
coefficient=1;
end
high_construct(1,i_high)=low_decompose(1,i_high)*coefficient;
end
high_decompose=high_construct(end:-1:1); %高通分解滤波器h1(-n)
L_signal=100; %信号长度
n=1:L_signal; %信号赋值
f=10;
a=load('D:\Documents\Desktop\ECG\ECG_A.txt');
data=a(1:200,3);
figure,plot(data);
xlabel('时间(s)');
ylabel('被测变量y');
title('原始信号(时域)');