基于经验模态分析心电信号预处理研究

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (14): 216-218.

基于经验模态分析心电信号预处理研究

康健楠¹,李昕²,王秀清²,张涛¹

1.河北大学电子信息工程学院,河北保定 071002
2.燕山大学电气工程学院,河北秦皇岛 066004

收稿日期:2007-12-25 修回日期:2008-03-17 出版日期:2008-05-11 发布日期:2008-05-11
通讯作者: 康健楠

Preprocessing of ECG signal based on empirical mode decomposition

KANG Jian-nan¹,LI Xin²,WANG Xiu-qing²,ZHANG Tao¹

1.College of Electronic and Information Engineering,Hebei University，Baoding，Hebei 071002,China
2.College of Electrical Engineering,Yanshan University,Qinhuangdao,Hebei 066004,China

Received:2007-12-25 Revised:2008-03-17 Online:2008-05-11 Published:2008-05-11
Contact: KANG Jian-nan

摘要/Abstract

摘要： 心电信号是典型的强噪声下非平稳弱信号，其分析效果受各种干扰影响很大。因此，选择有效的滤波方法对心电信号分析有着非常重要的意义。提出一种基于经验模态分解阈值处理的新滤波方法用于心电信号预处理，并以MIT/BIH标准数据库中的心律失常数据作为仿真对象进行仿真分析，并取得了令人满意的消噪效果。

关键词: 心电信号, 经验模态分析, 阈值

Abstract: Cardiac diseases are one of the majors that do harm to the human health.The application of Electro-Cardio Gram(ECG)is essential for the clinical diagnosis of cardiac diseases.ECG is a typical unsmooth and weak signal with strong noises.The noises affect the signal analysis.It is important to select an effective method to get rid of the noises.In this paper,empirical mode decomposition is discussed.Through this method,lighten the affection of the noise in the ECG.The MIT/BIH database is used to simulate.

Key words: Electro-Cardio Gram(ECG), empirical mode decomposition, thresholding

康健楠¹,李昕²,王秀清²,张涛¹. 基于经验模态分析心电信号预处理研究[J]. 计算机工程与应用, 2008, 44(14): 216-218.

KANG Jian-nan¹,LI Xin²,WANG Xiu-qing²,ZHANG Tao¹. Preprocessing of ECG signal based on empirical mode decomposition[J]. Computer Engineering and Applications, 2008, 44(14): 216-218.

[1]	于多，黄永东. 基于SPCA和域变换递归滤波的高光谱图像分类[J]. 计算机工程与应用, 2021, 57(4): 199-208.
[2]	齐小祥，李敏，朱颖，宋雨，杜卫东. 基于边缘检测的SAR图像自适应区域分割[J]. 计算机工程与应用, 2021, 57(22): 232-240.
[3]	孙玮婕，杨军. 改进的简单非迭代聚类的遥感影像分割研究[J]. 计算机工程与应用, 2021, 57(13): 185-192.
[4]	郑淋文，周金治，黄静. 深度稀疏自编码器在ECG特征提取中的应用[J]. 计算机工程与应用, 2021, 57(11): 156-161.
[5]	陈晓文，刘光帅，刘望华，李旭瑞. 成对旋转不变的共生自适应完全局部三值模式[J]. 计算机工程与应用, 2021, 57(1): 219-226.
[6]	刘杰，房俊，雷峰津. 电能质量异常数据在线检测方法[J]. 计算机工程与应用, 2020, 56(9): 240-247.
[7]	颜建军，陈松晔，燕海霞，王忆勤，郭睿. 基于递归图和卷积神经网络的脉象分析识别[J]. 计算机工程与应用, 2020, 56(7): 170-175.
[8]	宋杰，许冰，杨淼中. 基于自适应步长果蝇优化算法图像分割[J]. 计算机工程与应用, 2020, 56(4): 184-190.
[9]	常戬，贺春泽，董育理，任营. 改进双边滤波和阈值函数的图像增强算法[J]. 计算机工程与应用, 2020, 56(3): 207-213.
[10]	谭正华，戴立平，文阳，李国泰. 基于约简属性和阈值分割的决策树构建方法[J]. 计算机工程与应用, 2020, 56(22): 160-165.
[11]	陈健，刘明，熊鹏，孟宪辉，杨林. 基于卷积自编码神经网络的心电信号降噪[J]. 计算机工程与应用, 2020, 56(16): 148-155.
[12]	刘永芳，郝晓燕，刘荣. 中国英语新词语料库构建技术研究[J]. 计算机工程与应用, 2020, 56(16): 165-168.
[13]	王春丹，谢红薇，李亚旋，张昊. 融合改进的三帧差分和ViBe算法的运动目标检测[J]. 计算机工程与应用, 2020, 56(13): 199-203.
[14]	宋森森1，贾振红1，杨杰2，Nikola KASABOV3. 结合Ostu阈值法的最小生成树图像分割算法[J]. 计算机工程与应用, 2019, 55(9): 178-183.
[15]	李艳，张欣. 外1-平面图的均匀边染色[J]. 计算机工程与应用, 2019, 55(24): 37-40.