心电信号作为一种生物信号，含有大量的临床应用价值的信息，在现代生命医学研究中占有重要的地位。但心电信号低频、低幅值的特点，使其在采集和传输的过程中经常受到噪声的干扰，使心电波形严重失真，从而影响后续的病情分析和疾病诊断，因此，心电信号预处理在波形检测中显得尤为重要。为了减少噪声对心电信号的影响，众多学者对去除基线漂移干扰，工频干扰以及降低白噪声干扰等领域进行了研究。
基线漂移是一种低频噪声，该噪声是由病人吸气或者移动仪器时产生的。去除基线漂移对于心电图预处理至关重要，因为它可能会掩盖心电信号中包含的重要信息以及产生一些虚假信息，影响诊断医生诊断。基线漂移的频率相对较低，采用高通滤波器就基本可以消除。常用的去基线漂移的方法有：中值滤波器、零相位 IIR 滤波器和FIR 滤波器 ，三种数字滤波器都能够有效地去除基线漂移，但零相位 IIR 滤波器对 ST段的失真最小。去除基线漂移的另一种常用方法是多项式拟合法。均值滤波和中值滤波也有用于基线校正的，均值中值滤波既能有效地保持基线漂移的轮廓，又能避免波形失真。
工频干扰是生物电势测量期间产生的一种显著噪声，具有随机相位但频率恒定的正弦波。工频干扰是由于不良接地设备、电力泄漏、松散触点或脏电极等原因产生，导致不希望的谐波引入ECG 中并使得分析变得困难，因此，去除工频干扰是心电信号处理的重要一步。我国的交流电的频率是 50Hz，欧美地区多为 60Hz，工频干扰的频率多是固定的，可以用陷波滤波器来处理。
鉴于此，采用一种无偏归一化自适应心电ECG信号降噪方法，运行环境为MATLAB R2018A。
for i = 1:num_sigmas_w
% loop over noise levels
fprintf('progress = %f\n', i/num_sigmas_w);
for j = 1:Nr
% loop over realizations
x = sparse_signal(N, rho, sigma_x);
y = x + sigma_w(i) * randn(N, 1);
x_hat = sparse_denoise_MAD(y); % signal estimation
SNR_x_hat_vals(i, j) = SNR(x_hat, x);
SNR_y_vals(i, j) = SNR(y, x);
MSE_vals(i, j) = mean((x_hat-x).^2);
end
end
%% Average across realizations
SNR_x_hat = mean(SNR_x_hat_vals, [2]);
SNR_y = mean(SNR_y_vals, [2]);
MSE = mean(MSE_vals, [2]);
完整代码：https://mbd.pub/o/bread/Y56Uk5tx
擅长领域：现代信号处理，机器学习，深度学习，数字孪生，时间序列分析，设备缺陷检测、设备异常检测、设备智能故障诊断与健康管理PHM等。
擅长领域：现代信号处理，机器学习，深度学习，数字孪生，时间序列分析，设备缺陷检测、设备异常检测、设备智能故障诊断与健康管理PHM等。
