一种去除心电信号中静电干扰的方法和装置的制造方法
【技术领域】
[0001] 本发明属于信号处理技术领域，尤其涉及一种去除心电信号中静电干扰的方法和 装置。
【背景技术】
[0002] 心电信号能够给医生提供重要的临床信息，因而被广泛地用于健康状态的监测。 由于外部电场的影响，心电信号的检测常常受到静电信号的干扰。因为静电信号的频谱和 心电信号的频谱重叠，所以传统的频率滤波器难以去除静电干扰。目前常用小波变换和扩 展卡尔曼滤波器去除心电信号中的静电干扰，但是，小波变换的复杂度大，无法应用于心电 信号中静电干扰的去除。卡尔曼滤波器能够根据观测量动态估计状态量，作为一种时域算 法，特别适合用于去除频谱和信号频谱重叠的噪声。所谓扩展卡尔曼滤波器，是一种针对传 统卡尔曼滤波器对所处理的系统的线性化要求，根据一阶泰勒级数展开理论，将非线性的 系统展开成线性近似后，对传统卡尔曼滤波器进行了相应地调整后，所形成新型滤波器，以 含有噪声的心电信号作为观测量，扩展卡尔曼滤波器可以动态地估计出心电信号，从而实 现心电信号中静电干扰的去除。然而，扩展卡尔曼滤波器去除心电信号中静电干扰的准确 率不高。
[0003] 故，有必要提出一种新的技术方案，以解决上述技术问题。
【发明内容】
[0004] 鉴于此，本发明实施例提供一种去除心电信号中静电干扰的方法和装置，以解决 现有扩展卡尔曼滤波器去除心电信号中静电干扰准确率不高的问题。
[0005] 本发明实施例的第一方面，提供一种去除心电信号中静电干扰的方法，所述方法 包括：
[0006] 获取待处理信号的前向卡尔曼滤波数据；
[0007] 根据所述前向卡尔曼滤波数据，获取所述待处理信号中的心电信号。
[0008] 本发明实施例的第二方面，提供一种去除心电信号中静电干扰的装置，所述装置 包括：
[0009] 数据获取模块，用于获取待处理信号的前向卡尔曼滤波数据；
[0010] 信号获取模块，用于根据所述前向卡尔曼滤波数据，获取所述待处理信号中的心 电信号。
[0011] 本发明实施例与现有技术相比存在的有益效果是:本发明实施例通过前向卡尔曼 滤波获取待处理信号的前向卡尔曼滤波数据，根据所述前向卡尔曼滤波数据和RTS平滑理 论，平滑估计出待处理信号中的心电信号，从而实现心电信号中静电干扰的去除，解决了现 有扩展卡尔曼滤波器去除心电信号中静电干扰准确率不高的问题。
【附图说明】
[0012] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述 中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些 实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些 附图获得其他的附图。
[0013] 图1是本发明实施例一提供的去除心电信号中静电干扰的方法的实现流程图；
[0014] 图2是本发明实施例二提供的去除心电信号中静电干扰的方法的实现流程图；
[0015] 图3是本发明实施例二提供的心电信号R波检测的结果示例图；
[0016] 图4是本发明实施例二提供的多个心电周期的平均ECGmean示例图；
[0017] 图5是本发明实施例二提供的用计算出的模型参数重构的心电信号示例图；
[0018] 图6是本发明实施例二提供的扩展卡尔曼滤波器估计出的心电信号和扩展卡尔曼 RTS平滑器估计出的心电信号的示例图；
[0019] 图7是本发明实施例三提供的去除心电信号中静电干扰的装置的组成示意图；
[0020] 图8是本发明实施例四提供的去除心电信号中静电干扰的装置的组成示意图。
【具体实施方式】
[0021] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对 本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并 不用于限定本发明。
[0022] 实施例一:
[0023] 图1示出了本发明实施例一提供的去除心电信号中静电干扰的方法的实现流程， 所述实现流程详述如下：
[0024]在步骤SlOl中，获取待处理信号的前向卡尔曼滤波数据；
[0025] 在本发明实施例中，所述待处理信号为含有静电干扰的心电信号。
[0026] 在本发明实施例中，利用扩展卡尔曼滤波器获取待处理信号的前向卡尔曼滤波数 据。
[0027]传统扩展卡尔曼滤波理论的具体内容如下：
[0028]利用扩展卡尔曼滤波器去除心电信号中噪声的本质是:把含有噪声的心电信号作 为观测量，利用扩展卡尔曼滤波器动态估计状态量，即心电信号。
[0029]卡尔曼滤波器要求所处理的系统必须能够用一个线性的状态转移方程和一个线 性的观测方程写成如公式(1-1)所示的形式。
[0030]
M-I1
[0031] 其中，Xk+1Sk+l时刻的状态矢量，Wk+Ι为k+Ι时刻的过程噪声，F(k+l，k)为k+Ι时刻 的状态转移矩阵，Yk为k时刻的观测矢量，Vk为k时刻的观测噪声，C(k)为k时刻的观测矩阵。
[0032] 卡尔曼滤波器属于贝叶斯滤波框架，它由预测过程和更新过程组成。k时刻的卡尔 曼滤波值可以由以下四个公式计算得到。
[0033] 利用公式(1-2)计算k时刻的状态量的估计量：
[0034]
(1-2)
[0035] 其中，f为状态转移抽象函数，Wk为k时刻的过程噪声，μ丨为k时刻的过程噪声估计 量。
[0036] 利用公式(1-3)计算k时刻的新息过程：
[0037]
( 1 -3)
[0038] 其中，g为观测量与状态量之间的抽象函数，Vk为k时刻的观测噪声，&为k时刻的 观测噪声估计量。
[0039] 利用公式(1-4)计算k时刻的卡尔曼滤波系数：
[0040] Kgk = Pk,k_C(k)(C(k)Pk,k-iC(k)+Rk)-1 (1-4)
[0041] 其中，Pk,k为卡尔曼滤波误差自相关矩阵，Pk^1为卡尔曼滤波预测误差自相关矩 阵，Rk为观测误差自相关矩阵，C(k)为单位矩阵。
[0042] 利用公式(1-5)计算k时刻的卡尔曼滤波输出值：
[0043] Α?>)= .V1 (A;) +%, ?,. ^ I -5 I
[0044] 计算k+1时刻的卡尔曼滤波输出值;T (> +1；)时，将k时刻的卡尔曼滤波输出值; 和卡尔曼滤波误差自相关函数Pk,k传递到k+Ι时刻的卡尔曼滤波。
[0045] 为了利用卡尔曼滤波器去除心电信号中的静电干扰，必须将卡尔曼滤波理论与实 际的心电信号模型结合。
[0046] 目前，常用的心电信号模型如公式(1-6)所示：
[0047]
:(.1-6.)
[0048] 其中，心电信号模型用五个高斯函数对应地表不心电信号的五个波，ai，bi，Θi为这 五个高斯函数对应的模型参数，为一个心电信号周期的所有抽样点均勾分布与0到2π后， k时刻的采样数据对应的弧值，δ为采样间隔，ω为全局采样角速度，Ae = (Qk-Qi)moc^JT), Zk为k时刻的采样数据对应的心电幅值，η为建模不确定性。
[0049]利用卡尔曼滤波估计心电信号时，状态矢量Xk由心电信号数据点的弧值0k和数据 点的幅值Zk组成，而观测矢量Yk由含有静电干扰心电信号的数据点的弧值％和数据点的幅 值S k组成，过程噪声Wk由抽样角速度，抽样间隔δ以及15个模型参数组成，即Wk=[co g，n，ap， aQ，CJr，as，ατ，bp，bo，bR，bs，t)T，θρ，9q，0R，0S，θ τ]。
[0050]系统的观测方程为现象的，但是，系统的状态转移方程为非线性的，需利用一阶泰 勒级数展开理论，将其展开成近似线性的形式，非线性的系统可以用非线性抽样函数表示 为公式(1-7)所示的方程组：
[0051 ]
( 1-7 )
[0052] 其中，f为状态转移抽象函数，g为观测量与状态量之间的抽象函数，Wk+1为k+1时刻 的过程噪声，V kSk时刻的观测噪声。
[0053] 对公式（1-7)进行线性近似，如公式（1-8)所示：
[0054]
(1-8)
[0055] 其中，415^15,〇1{，61{为对应的偏导数，其计算公式如公式(1-9)所示 ：
[0056]
.(1.-.9)
[0057]对应的扩展卡尔曼滤波计算公式如（1-10)所示：
[0058]
(1-10)
[0059] 由心电信号模型可知，系统的状态转移方程组为：
[0060]
Cl-11').
[0061 ]偏导数Ak为2 X 2矩阵，偏导数Fk为2 X 17矩阵，它们的计算公式如公式（1-12)、（1-13)所示：
[0062]
(1-1:2)
[0063]
(1-13)
[0064] 在步骤S102中，根据所述前向卡尔曼滤波数据，获取所述待处理信号中的心电信 号。
[0065] 在本发明实施例中，在扩展卡尔曼滤波器的基础上结合RTS平滑理论，去除心电信 号中的静电干扰，获取待处理信号中的心电信号。
[0066] 卡尔曼平滑器的输出由卡尔曼前向滤波的输出值和卡尔曼后向滤波，过 程噪声Wk和观测噪声Vk相互独立，可用前向卡尔曼滤波的误差自相关矩阵Pf(k)和后向卡 尔曼滤波的预测误差Kb(k_l，k)组合得到k时刻卡尔曼平滑的估计误差自相关矩阵，如公式 (1-14)所示：
[0067]
[0068]
[0069]
[0070]假设矩阵为正定矩