肌电信号去噪：DWT与EMD方法对比与实现

1. 肌电信号去噪的核心挑战与解决思路

肌电图（EMG）信号是神经肌肉系统活动时产生的生物电信号，广泛应用于临床诊断、康复工程和人机交互领域。但原始EMG信号信噪比通常只有10-20dB，主要受以下干扰影响：

• 工频干扰（50/60Hz及其谐波）
• 运动伪迹（电极与皮肤相对位移）
• 基线漂移（呼吸或身体移动）
• 肌电串扰（邻近肌肉群信号耦合）
• 电子设备本底噪声

传统去噪方法如巴特沃斯滤波器会损失有用频段信息。我们采用时频分析领域的两种代表性方法进行对比研究：

• 离散小波变换（DWT）：多分辨率分析，适合处理瞬态干扰
• 经验模态分解（EMD）：数据自适应分解，擅长处理非平稳信号

关键提示：肌电信号有效成分主要集中在20-500Hz，其中运动单元动作电位（MUAP）的时域特征对诊断至关重要，去噪过程需保留这部分波形特征。

2. 离散小波变换(DWT)实现方案

2.1 小波基函数选型

通过Matlab Wavelet Toolbox测试了db4、sym5、coif3三种小波基：

matlab复制wnames = {'db4', 'sym5', 'coif3'};
for i = 1:length(wnames)
    [LoD,HiD,LoR,HiR] = wfilters(wnames{i});
    subplot(3,2,2*i-1); stem(LoD); title(['分解滤波器-' wnames{i}]);
    subplot(3,2,2*i); stem(LoR); title(['重构滤波器-' wnames{i}]);
end

实测发现sym5小波具有：

• 最优的时频局部化特性
• 与MUAP波形相似度最高（相关系数0.82）
• 重构误差低于1%

2.2 阈值处理策略

采用改进的SURE阈值法，对第3-5层细节系数进行处理：

matlab复制lev = 5;
[c,l] = wavedec(emg_signal, lev, 'sym5');
sigma = median(abs(c))/0.6745;
for i = 1:lev
    thr = sigma*sqrt(2*log(length(c)))*sqrt(l(i+1)/l(end));
    c(l(i