基于EMD的ECG信号去噪MATLAB实现与优化

1. 心电图信号处理概述

心电图(ECG)信号是临床诊断中最常用的生物电信号之一，它记录了心脏电活动随时间变化的波形。典型的ECG信号包含P波、QRS波群和T波等特征波形，这些波形的形态、幅度和时间间隔对心脏疾病的诊断至关重要。然而在实际采集过程中，ECG信号往往会受到多种噪声干扰，主要包括：

• 基线漂移(0.05-2Hz)：由呼吸运动和电极接触不良引起
• 工频干扰(50/60Hz)：来自电源线的电磁干扰
• 肌电噪声(5-2000Hz)：肌肉活动产生的随机高频噪声
• 运动伪迹：由患者移动导致的低频干扰

传统的滤波方法如FIR、IIR滤波器在处理ECG信号时存在局限性，因为它们需要预先确定噪声频带，而ECG信号和噪声的频带往往存在重叠。经验模态分解(EMD)作为一种自适应信号处理方法，能够有效解决这一问题。

2. EMD算法原理详解

2.1 EMD基本概念

EMD(Empirical Mode Decomposition)是由Huang等人提出的一种自适应信号分解方法，特别适合处理非平稳、非线性信号。其核心思想是将复杂信号分解为有限个本征模态函数(IMF)和一个残余项：

code复制原始信号 = IMF1 + IMF2 + ... + IMFn + 残余项

每个IMF必须满足两个条件：

1. 极值点数量与过零点数量相等或最多相差1
2. 由局部极大值和局部极小值定义的包络线均值为零

2.2 EMD分解步骤

1. 识别信号x(t)的所有极值点
2. 用三次样条插值连接极大值点形成上包络线emax(t)，连接极小值点形成下包络线emin(t)
3. 计算均值包络线：m(t) = [emax(t)+emin(t)]/2
4. 提取细节分量：h(t) = x(t) - m(t)
5. 判断h(t)是否满足IMF条件，若满足则作为IMF，否则重复步骤1-4
6. 从原始信号中减去IMF，对剩余信号重复上述过程

2.3 EMD在ECG去噪中的优势

1. 完全数据驱动，无需预设基函数
2. 能自适应处理非平稳信号
3. 可有效分离不同时间尺度的信号成分
4. 特别适合处理ECG这种瞬时频率变化的信号

3. MATLAB实现ECG信号EMD去噪

3.1 数据准备与预处理

matlab复制%