摘要在心电信号的采集过程中，不可避免地会混入肌电噪声和各种干扰信号，为了获得含有较小噪声的ECG信号，便于分析，需要对采集到的ECG信号作消噪处理。目前对心电信号滤波器的设计有多种方法，自适应滤波器就是其中的一种。在自适应滤波器的实现过程中，需要一个与噪声信号相关而与原始信号无关的参考信号，这一参考信号很难从体表直接采到。本文介绍一种基于自适应的新的滤波技术，通过预测滤波器将原始信号中的信号与噪声分离从而由原始信号中直接获得参考信号，我们用它处理心电信号及背景噪声，可将噪声抑制12dB以上。

中图分类号TN911.72，R318

A New Filter Technology Based on Adaptive Filter

Wang Jian,Xu Xiaohan

(Electronics Science and Engineering Department Nanjing University,Nanjing 210093)

AbstractIn the processing of getting the ECG signals,we can not get rid of noise.In order to get ECG signal with less noise,and easy to analyse ECG signals.We should remove noise from the ECG signals obtained.At present,there are many mathods to design the ECG filter,and the adaptive filter is one of them.In the implementati on of adaptive filter,we need a reference signal that is independant with the or iginal signals,but is not related to getting the reference singnal directly from a part of the body is difficult.In this paper,we suggest a new method based on adaptive filter.The reference signal can be obtained directly from the original signal by separating the noise and signal by using a prediction filter.We used it to process the ECG signals and background noise when the noise was depressed by more than 12dB.

Key words:Adaptive filter;ECG signal;Noise;Suppress

0引言

在自适应滤波的实现过程中，除原始输入外，还需有一个与噪声信号存在某种相关性而与信号无关的参考输入信号。这对于含有肌电噪声和各种空间电磁场干扰的ECG信号，是很难从体表采集到满足要求的参考信号的。本文介绍一种新的数字滤波方法，直接从原始输入信号出发进行滤波，得到了令人满意的效果。

1原理

图1是滤波器的结构。

图1机械呼吸一氧化氮吸入方框图

图1中，原始输入信号X_n为ECG信号S₁叠加上噪声N₁(X_n=S₁+N₁)。我们用一个自回归(AR)预测滤波器(prediction filter)来处理输入的原始信号X_n，以此来预测原始信号中噪声，用含参数ε的一个简单非线性函数将预测误差信号分为小辐度部分(噪声)和大幅度部分(ECG信号)，从而提取参考噪声信号Y_n。将此参考信号与原始输入信号一起输入一个自适应滤波器，即可得到系统输出Z。

预测滤波器对估计的噪声信号作自回归预测：

这里，a_m是自回归模型的系数，M是阶数。

预测误差e_n通过一个非线性函数F(·)，输出为U_n^［2］。

e_n=X_n-Y_n1₁

U_n=F(e_n)

F(·)函数如图2所示：

图2非线性函数F(·)的定义

由此可见｜F(·)｜≤ε，ε是区分信号和噪声的参数。

这样，参考噪声信号可由下式得到

Y_n=Y_n1₁+U_n

以下结论很容易得出：

当｜e_n｜≤ε时，U_n=F(e_n)=e_n,因此Y_n=Y_n1₁+U_n=Y_n1₁+(X_n-Y_n1₁)=X_n,即当输入信号X_n的预测误差e_n的绝对值小于参数ε时，参考噪声信号输出Y_n就是输入信号本身。

当｜e_n｜＞kε时，U_n=F(e_n)=0,Y_n=Y_n1₁+U_n=Y_n1₁,即当输入信号X_n的预测误差e_n的绝对值大于参数kε时，参考噪声信号输出Y_n为自动回归预测值本身。

当ε＜｜e_n｜≤kε时，Y_n=Y_n1₁+U_n=Y_n1₁+ε，即参考噪声信号输出Yn包含一部分预测误差

^［3］。

无论预测误差e_n的绝对值大小如何，输入信号X_n都等于噪声信号与非噪声信号的叠加。这里采用含参数ε的非线性函数F(·)将预测误差信号e_n分成了小幅度部分和大幅度部分。当e_n幅度小时，认为输入信号为噪声，参考噪声信号为输入信号；当e_n幅度大时，认为输入信号中无噪声，参考噪声信号为自回归预测值本身；而当e_n幅度不大不小时，则认为输入信号中含有部分噪声，参考噪声信号为自回归预测值加部分预测误差。这样我们就将所需的参考噪声信号提取出来。

将原始信号X_n与参考噪声Y_n输入自适应滤波器，自适应滤波器采用LMS算法及横向滤波器结构，如图3所示。

图3LMS算法示意图

Y_t=X^T_tW_t

e_t=d_t-Y_t

W_t+1₊₁=W_t+2ue_tX_t

W^T_t=［W_1t,W_2t,…,W_nt］是t时刻滤波器的权重，X^T_t=［X_1t,X_2t,…,X_nt］是t时刻的参考输入矢量，在这里X_t=Y_n；d_t是原始输入信号，在这里d_t=X_n;Y_t是滤波器的输出，它是d_t的最佳最小平方估计，在这里Y_t=Y。系统输出Z即为所需的去噪后的ECG信号。

2结果与讨论

本滤波器的性能与滤波器的各项参数的选取有直接关系。滤波器的参数主要有M，k,ε,u及N^［4，5］。

对于M的取值，一般越大分辨率越好，但M较大时会使自回归模型的预测结果不稳定，而且计算量也会增大，本系统中M取值20，参数k取值为3，参数ε的取值应根据心电信号中稳态噪声的大小而作相应的变化