ECG信号去噪：EMD算法原理与MATLAB实现

1. 心电图信号处理概述

心电图（ECG）信号是临床诊断心血管疾病的重要依据，但实际采集过程中不可避免地会受到各种噪声干扰。作为一名长期从事生物医学信号处理的工程师，我深刻理解干净、准确的ECG信号对临床诊断的价值。ECG信号中的P波、QRS波群和T波等特征成分蕴含着丰富的心脏电活动信息，任何微小的噪声干扰都可能导致诊断误差。

在医疗实践中，我们常见到以下几种典型的噪声干扰：

• 基线漂移：通常由呼吸运动或电极接触不良引起，频率范围在0.1-0.5Hz
• 肌电干扰：来自肌肉活动的随机高频噪声，频率范围20-300Hz
• 工频干扰：50/60Hz的电力线干扰及其谐波
• 电极接触噪声：由于电极与皮肤接触不良产生的瞬态干扰

这些噪声如果不加以处理，会严重影响后续的心率变异性分析、ST段分析等关键诊断环节。我曾参与过的一个临床项目就曾因为基线漂移问题导致ST段抬高误判，差点造成严重的医疗事故。

2. 传统去噪方法的局限性

在探索EMD方法之前，我们团队尝试过多种传统滤波技术，每种方法都有其明显的局限性：

2.1 线性滤波器的问题

巴特沃斯、切比雪夫等IIR/FIR滤波器虽然计算效率高，但存在两大缺陷：

1. 固定的截止频率无法适应ECG信号的非平稳特性
2. 相位失真会导致QRS波群形态改变

我曾对比过5阶巴特沃斯高通滤波器（截止频率0.5Hz）处理前后的ECG信号，发现P波振幅被衰减了约15%，这在诊断房室传导阻滞时可能造成误判。

2.2 小波变换的挑战

小波变换虽然能提供时频局部化分析，但面临：

• 小波基选择困难（db4、sym4等）
• 分解层数需要经验确定
• 阈值设置对结果影响大

在我们的实验中，使用不同小波基对同一段ECG去噪，QRS检出率差异可达5%以上。

2.3 自适应滤波的限制

LMS、RLS等自适应算法理论上很理想，但实际应用中：

• 参考噪声难以准确获取
• 收敛速度与稳态误差难以兼顾
• 计算复杂度较高

3. EMD算法原理与实现

经验模态分解（EMD）之所以成为ECG去噪的有力工具，关键在于其完全数据驱动的特性。下面我将结合MATLAB实现细节，深入解析EMD的核心机制。

3.1 EMD分解流程

EMD通过迭代筛选过程将信号分解为多个本征模态函数（IMF），具体步骤包括：

1. 识别极值点：使用findpeaks函数定位局部极大值和极小值

matlab复制[max_pks, max_locs] = findpeaks(signal);
[min_pks, min_locs] = findpeaks(-signal);
min_pks = -min_pks;

2. 包络线拟合：采用三次样条插值

matlab复制env_upper = spline(max_locs, max_pks, 1:lengt