EMD算法在ECG信号去噪中的MATLAB实现与优化

1. 心电图信号处理与EMD去噪的核心价值

心电图（ECG）信号是临床诊断中最常用的生物电信号之一，但采集过程中极易受到基线漂移、肌电干扰、工频噪声等多种噪声污染。传统滤波方法如IIR/FIR滤波器在处理非平稳ECG信号时存在明显局限，这正是经验模态分解（EMD）技术大显身手的地方。

我在三甲医院心电科室的实践发现，原始ECG信号中噪声幅度有时能达到R波高度的30%-50%。通过MATLAB实现的EMD去噪方案，信噪比平均提升15dB以上，特别对运动状态下的肌电干扰抑制效果显著。不同于小波变换需要预设基函数，EMD的自适应特性使其能自动分解出信号的本征模态函数（IMF），这种数据驱动的方式特别适合处理个体差异大的生理信号。

2. EMD算法原理与ECG处理适配性

2.1 EMD的核心工作机制

EMD通过"筛分"过程将信号分解为若干IMF分量：

1. 识别信号所有极值点
2. 用三次样条插值拟合上下包络线
3. 计算均值曲线并提取细节分量
4. 迭代直到满足IMF条件（极值点与过零点数量差≤1）

matlab复制function [IMF] = emd(signal)
    while ~isIMFCondition(signal)
        h = signal;
        while ~isStoppageCondition(h)
            upper_env = spline(extrema_max, h(extrema_max));
            lower_env = spline(extrema_min, h(extrema_min));
            mean_env = (upper_env + lower_env)/2;
            h = h - mean_env;
        end
        IMF = h;
        signal = signal - IMF;
    end
end

2.2 ECG信号的特性匹配

ECG的典型特征包括：

• QRS波群：高频成分（5-15Hz）
• P/T波：低频成分（0.5-5Hz）
• 基线漂移：超低频（<0.5Hz）

EMD分解后，高频噪声主要集中在IMF1-IMF3，而Q