【CN109846473A】一种检测单导联10秒心电图噪音干扰程度的方法【专利】
心电信号处理中的噪声干扰消除算法研究
心电信号处理中的噪声干扰消除算法研究引言：心电信号是一种重要的生物电信号，对于研究心血管疾病和诊断心脏健康状态具有重要价值。
然而，心电信号在采集和传输过程中会受到各种类型的噪声干扰，干扰对信号质量的影响不可忽视。
因此，开发有效的噪声干扰消除算法成为心电信号处理的关键任务。
一、噪声干扰的类型在心电信号处理中，常见的噪声干扰类型包括基线漂移、肌电干扰、交流干扰、呼吸运动干扰和电极偏移等。
这些噪声干扰会降低心电信号的质量，使得信号处理和分析的结果不可靠。
1. 基线漂移是指心电信号在采集过程中由于传感器运动、电极与皮肤接触状态的变化或电极质量的差异产生的缓慢漂移。
基线漂移使得心电信号的幅值动态范围受限，对于心电信号的精确分析产生重大影响。
2. 肌电干扰是指由心脏周围的肌肉活动引起的干扰信号。
人体的骨骼肌活动、瞬间肌肉收缩或其他无意义的运动会导致肌电干扰。
肌电干扰信号的频谱与心电信号重叠较大，极大地增加了信号处理的难度。
3. 交流干扰是指来自电力线的干扰信号，通过电极和电缆传导到心电信号中附带的干扰。
交流干扰信号的频率通常为50/60 Hz，并且幅度可能随距离电力线的远近而变化。
这种干扰不仅会引起心电信号的偏移，也会造成噪声信号的增加。
4. 呼吸运动干扰是指由于呼吸而引起的胸部和腹部肌肉活动所产生的机械振动。
这种干扰信号的频率范围通常为0.15 Hz至0.5 Hz，与心电信号的频率范围有一定的重叠。
呼吸运动干扰会使心电信号的幅值和形态发生明显变化。
5. 电极偏移是指心电信号采集电极安装不当或电极脱落引起的干扰。
电极偏移会导致心电信号的形态异常，使得信号处理结果不可靠。
二、噪声干扰消除算法的研究为了消除心电信号中的噪声干扰，研究人员开发了多种算法和方法。
以下介绍几种常见的噪声干扰消除算法。
1. 基线漂移补偿算法基线漂移是心电信号中常见的干扰源，为了有效去除基线漂移，研究人员提出了许多补偿算法。
其中一种常用的方法是高通滤波器。
【CN109770858A】一种心电图的异常检测方法、装置、设备和存储介质【专利】
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910243973.0(22)申请日 2019.03.28(71)申请人 广州视源电子科技股份有限公司地址 510530 广东省广州市黄埔区云埔工业园云埔四路6号(72)发明人 胡静 (74)专利代理机构 北京品源专利代理有限公司11332代理人 孟金喆(51)Int.Cl.A61B 5/00(2006.01)A61B 5/04(2006.01)A61B 5/0452(2006.01)(54)发明名称一种心电图的异常检测方法、装置、设备和存储介质(57)摘要本发明公开了一种心电图的异常检测方法、装置、设备和存储介质。
该方法包括：在心电图中确定心拍，所述心拍中具有参考点与待检测的波段；在所述心拍中确定所述待检测的波段相对于所述参考点的离散程度值；根据参考波段对应的离散平均值确定所述待检测的波段对应的阈值，所述参考波段为位于所述待检测波段之前的波段；若所述离散程度值大于所述待检测的波段对应的阈值，则确定所述待检测的波段异常。
解决了直接获取心电图中待检测波段的数据，再与通过大数据获得的待检测波段的参考数据进行比对，进而推断待检测波段是否发生异常的方案，不能很好的适用于个体，容易造成误判的问题。
权利要求书2页 说明书10页 附图3页CN 109770858 A 2019.05.21C N 109770858A权 利 要 求 书1/2页CN 109770858 A1.一种心电图的异常检测方法，其特征在于，包括：在心电图中确定心拍，所述心拍中具有参考点与待检测的波段；在所述心拍中确定所述待检测的波段相对于所述参考点的离散程度值；根据参考波段对应的离散平均值确定所述待检测的波段对应的阈值，所述参考波段为位于所述待检测波段之前的波段；若所述离散程度值大于所述待检测的波段对应的阈值，则确定所述待检测的波段异常。
心电信号的噪声去除及其应用
心电信号的噪声去除及其应用心电信号是指记录人体心脏活动产生的电信号，在临床应用中，心电图是一种常见的检测方法，而信号噪声会直接影响到心电图的精确度。
因此，在对心电图进行分析和诊断时，必须对信号进行噪声去除。
心电信号噪声的种类心电信号噪声种类主要有三种，分别为基线漂移、交流电干扰和肌电干扰。
1. 基线漂移基线漂移是指信号低频部分的偏移，由于人体的呼吸、体位变化等因素引起，它会通过采集传感器传输到信号中。
由于基线漂移偏移程度比较小，通常采用直流耦合方式，将信道中的低频内容全部去除，以达到去除基线漂移的目的。
2. 交流电干扰由于电源线受电网电压的影响，会发生电压波动，从而产生交流电干扰。
在采集信号的传感器中与电源线联系紧密的接口，更容易受到干扰。
在处理信号时，可以使用电源线分离器来消除干扰。
3. 肌电干扰肌电干扰产生于人体肌肉的运动中，会通过皮肤传感器的引导进入心电信号中。
在采集信号时，应尽可能地减少肌电干扰，可以采用差分式滤波器、暂态抑制器等技术，消除或削弱肌电干扰。
心电信号噪声去除技术1. 滤波技术滤波技术是常见的信号去噪技术之一。
根据信号的不同特征，可以对信号进行高通、低通、带通、带阻滤波。
同时，滤波技术也有局限性，过滤程度过高会影响信号特性，因此应根据实际情况选择合适的滤波器。
2. 小波变换技术小波变换技术是目前应用较为广泛的处理心电信号噪声的一种方法。
小波变换可以使本质上非稳态的信号更易于处理，同时也可以剖析出信号的不同频度成分，从而找到并去除信号中的噪声。
3. 自适应噪声估计技术自适应噪声估计技术是一种新型的信号去噪技术，可以根据信号本身对噪声进行自适应估计，从而实现噪声去除。
自适应噪声估计技术需要基于统计方法进行模型建立，需要对信号有较深入的了解和研究。
心电信号噪声去除的应用1. 心脏疾病诊断心电信号是诊断心脏疾病的重要依据之一，精确且清晰的信号可以有效地帮助医生进行准确判断。
在去除噪声后，可以更准确地看到心电图中的异常波形，从而更准确地进行疾病诊断。
心电图机的干扰及其正确处理方法
心电图机的干扰及其正确处理方法心电图机是记录人体体表各点随时间而变化的心电波形的医疗仪器。
医生根据心电图机所记录的波形的形态、波幅大小以及各波之间的相对时间关系来鉴别诊断心脏疾病。
因此，心电图机所记录的心电图的精确度对于心脏疾病的鉴别诊断至关重要。
但是，由于心电信号比较微弱，仅为mV级，所以，和其他生理参数测量一样，心电图机进行心电信号测量时，除了要受到来自心电图机本身的干扰外，还不可避免地要受到使用环境的干扰。
一般我们把被测参数以外的信号统称为干扰。
为了获得高质量的心电图，排除干扰尤为重要。
通常有以下几种形式的干扰：1．来自电极噪声的干扰；2．来自无线电波及高频设备的干扰；3．来自被测生理变量以外的人体电现象（如：肌电信号等）所引起的噪声干扰；4．来自人体上工作的医疗仪器的噪声干扰；5．来自电子器件的噪声干扰；6．来自电路布线所引起的干扰；7．来自带电衣服的静电噪声干扰以及来自50Hz交流干扰等等。
重点谈谈35Hz肌电干扰和50Hz交流干扰的产生原因以及处理方法。
肌电信号和交流信号都不是我们在作心电图检测时所需要的心电信号，故称为干扰信号。
这两种干扰都是心电图机在使用过程中极为常见的干扰形式。
因其频率也处于心电频带的范围内（一般常见的肌电信号的频率为35Hz，交流信号的频率为50Hz。
而心电信号频带范围在0．05—150Hz之间），极易混入心电信号，并被放大，需要对它们进行抑制处理，以保证心电图记录的质量。
所以，为了提高心电图机对35Hz肌电干扰和50Hz交流干扰的抗干扰能力，一般心电图机均设计有35Hz与50Hz两种干扰抑制电路。
在电路设计中，对35Hz的肌电干扰，通常用一个35Hz（-3dB）的高截RC滤波器来进行抑制；而对50Hz的交流干扰，通常选用RC 双T选频网络等来进行抑制。
在使用心电图机时，当干扰出现，只要拨动相应的抗干扰功能开关，即可有效地消除掉干扰，使用非常方便。
但是，由于高截RC滤波器，特别是对于RC双T选频网络，品质因数较低，特性曲线不够尖锐，在抑制干扰信号的同时会将有用的相邻频率的心电信号也滤除掉。
【CN110101407A】一种胎心音去噪方法、系统、装置及存储介质【专利】
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910302397.2(22)申请日 2019.04.16(71)申请人 华南师范大学地址 510006 广东省广州市天河区中山大道西55号申请人 广州爱听贝科技有限公司(72)发明人 张金区 钱朗 熊孝天 欧建荣 宋立国 罗虎 (74)专利代理机构 广州嘉权专利商标事务所有限公司 44205代理人 胡辉(51)Int.Cl.A61B 7/04(2006.01)(54)发明名称一种胎心音去噪方法、系统、装置及存储介质(57)摘要本发明公开了一种胎心音去噪方法、系统、装置及存储介质，包括步骤：将获取的胎心音音频信号转换成数字信号的重构矩阵，对重构矩阵进行奇异值分解并反演计算每个奇异值对应的原始分量信号，根据所述原始分量信号的频域信号特征，选取出频域信号特征与所述胎心音音频信号的频域信号特征一致的原始分量信号，叠加选取出的原始分量信号后获得胎心音降噪信号。
本发明将奇异值的选择变换到频域，通过比较分量信号与胎心音音频信号的频率特征的一致性进行选择，对比分析奇异值对应分量信号的频域信号特征与胎心音音频信号的频率特征的关联性进行选择，更符合实际应用，从而获得更准确的降噪信号。
本发明可广泛应用于胎心音处理技术领域。
权利要求书2页 说明书7页 附图4页CN 110101407 A 2019.08.09C N 110101407A权 利 要 求 书1/2页CN 110101407 A1.一种胎心音去噪方法，其特征在于，包括：将获取的胎心音音频信号转换成数字信号的重构矩阵；对所述重构矩阵进行奇异值分解后得到若干个奇异值，反演计算若干个奇异值对应的原始分量信号；根据若干个所述原始分量信号的频域信号特征，选取出频域信号特征与所述胎心音音频信号的频域信号特征一致的原始分量信号，叠加选取出的原始分量信号后获得胎心音降噪信号。
多导联动态心电图中去除强噪声的滤波算法研究
多导联动态心电图中去除强噪声的滤波算法研究
全海英;刘志成;李霞;任朝晖
【期刊名称】《北京生物医学工程》
【年(卷),期】2007(026)006
【摘要】为提高动态心电图自动分析的准确率,本文提出一种检测动态心电图中强噪声段及去噪的方法.采用奇异点检测、脉冲分布密度等方法提炼特征数据并进行统计分析检出噪声段,并进行时空域的滤波.结果表明该方法能够准确检出强噪声段,有效去噪.
【总页数】3页(P638-640)
【作者】全海英;刘志成;李霞;任朝晖
【作者单位】首都医科大学生物医学工程学院,北京,100069;首都医科大学生物医学工程学院,北京,100069;首都医科大学生物医学工程学院,北京,100069;首都医科大学生物医学工程学院,北京,100069
【正文语种】中文
【中图分类】R318.04
【相关文献】
1.一种新型的去除图像中强脉冲噪声滤波器 [J], 王保平;李宗领
2.十二导联动态心电图中ST段压低对冠心病的诊断价值 [J], 王钊;马伟;李国庆;雷建新;任澎
3.基于小波分析的去除心电图信号中高频噪声算法研究 [J], 李嘉; 张阳
4.基于小波分析的去除心电图信号中高频噪声算法研究 [J], 李嘉; 张阳
5.十二导联动态心电图中ST段压低与冠状动脉造影结果的关系 [J], 李星群;王永光;匡永东
因版权原因，仅展示原文概要，查看原文内容请购买。
- 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)。
(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201910208965.2
(22)申请日 2019.03.19
(71)申请人 苏州哈特智能医疗科技有限公司
地址 215151 江苏省苏州市高新区鸿禧路
32号F-1厂房301室
(72)发明人 夏鹤年 张雷刚 时海西 何红
刘伍 朱健 周星 毕光涛
陈元凤 纪迎兵 高勇
(74)专利代理机构 北京青松知识产权代理事务
所(特殊普通合伙) 11384
代理人 郑青松
(51)Int.Cl.
A61B 5/0402(2006.01)
(54)发明名称
一种检测单导联10秒心电图噪音干扰程度
的方法
(57)摘要
本发明公开了一种检测单导联10秒心电图
噪音干扰程度的方法，包括以下步骤：对原始心
电信号进行处理，以提取噪音识别特征；利用已
知心电数据库训练用于判断各心电图信号是否
为噪音污染的逻辑回归模型；利用训练好的模型
求得各心电图信号为噪音污染的概率。
本发明利
用包含多种心律失常的MIT -BIH数据库以及MIT -
BIH Noise Stress Test Database，经过反复试
验，选取了一组可有效衡量心电图噪音干扰程度
的特征参数，从而能更安全有效的滤除被严重干
扰的心电图，避免误警报。
本发明利用前述特征
训练逻辑回归算法模型，使检测技术具有更好的
准确性与鲁棒性。
权利要求书1页 说明书4页 附图2页CN 109846473 A 2019.06.07
C N 109846473
A
权 利 要 求 书1/1页CN 109846473 A
1.一种检测单导联10秒心电图噪音干扰程度的方法，其特征在于，包括以下步骤：
(1)预处理心电图信号，进行除噪，将除噪后的心电信号重采样至某一固定采样率；
(2)采用基于小波变换和逻辑回归算法的方法提取心电图QRS波特征点，具体方法为：综合多种波形特征，利用机器学习算法自动从海量数据中学习获得各特征权值，判别疑似QRS波是否真实；同时，对每一个疑似QRS波给出一个是真实QRS波的概率，当信号质量较差时，该概率值普遍较低，因此这些值可以用于衡量心电信号的质量；
(3)采用基于瞬时心率的动态确定的搜索窗查找T波，同时，对QRS波附近的区域进行直线化处理，以突出T波部分；
(4)采用基于小波变换和K平均聚类算法的方法提取心电图信号中的P波，该方法限定各P波搜索范围为前一个T波终止位置到当前Q波起始位置之间，可以涵盖所有可能的P波，包括在房室传导阻滞发生时；
(5)对每个QRS，选取该QRS T波终止点与下一个QRS P波起始点之间的心电信号，也即该心电图在当前QRS与下一个QRS之间的基线；计算基线的电压平均变化速率作为第1个特征，计算方式为：平均值{绝对值{s[n]-s[n-1]}}，其中n为从1到N的所有整数，N是这段基线的长度；
(6)计算步骤(2)中获得的各QRS为真实QRS的概率的平均值，作为第2个特征；
(7)计算各QRS幅值的平均值，即QRS起始点与终止点之间最大电压与最小电压的电压差的平均值；如果平均值小于某选定阈值，第3个特征值为1，表示该QRS电压较小，反之第3个特征值为0；如果平均值小于某更小的阈值，第4个特征值为1，表示该QRS电压非常小，反之第4个特征值为0；
(8)将MIT-BIH心电数据库和Noise Stress Test心电数据库中的各个心电记录划分成多个心电图片段，每个心电图片段10秒；
(9)对各个10秒心电图片段按步骤(1)-步骤(7)进行处理，获得一个判别噪音程度的特征参数矩阵，该矩阵的行数等于所有10秒心电图片段的数目，列数等于4，列数为步骤(1)-步骤(7)中获得的特征参数的数目；
(10)将步骤(9)获得的特征参数矩阵输入一个逻辑回归模型中，以梯度下降法为优化方法，设置学习率为0.02，迭代直至收敛；训练中，采用留1交叉验证的方法，即将训练数据随机分成K份，取其中K-1份做训练，剩下1份做验证，如此重复N次；全部训练完成后对所得N 个模型做平均，得到最终模型；最后，以F1分数为指标选取概率阈值，在阈值以下，认为心电图的噪音污染程度可接受，阈值以上，认为心电图的噪音污染程度不可接受；
(11)对任一新的待分析的10秒心电片段，采用步骤(1)至步骤(7)的方法进行处理，获得该心电图的噪音判别特征参数组合；采用步骤(10)中训练获得的模型进行分类，获得其为完全噪音的概率；这个概率值可用来判断信号的噪音污染程度，概率越大表明噪音污染程度越大；最后可利用步骤(10)中确定的概率阈值决定该心电图的噪音污染程度是否可接受。
2。