基于粒子群优化算法和离散小波变换的心电信号去噪算法附Matlab代码

PSO-DWT心电信号去噪算法

原创于 2025-10-18 22:36:01 发布 · 1.3k 阅读

16 ·

CC 4.0 BY-SA版权

文章标签：

#算法 #matlab #开发语言

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。

🔥 内容介绍

心电信号（Electrocardiogram, ECG）作为反映心脏电生理活动的重要生物信号，是心血管疾病诊断（如心律失常、心肌缺血）的关键依据。然而，心电信号在采集过程中易受多种噪声干扰，包括工频干扰（50/60Hz）、肌电噪声（肌肉收缩产生的高频噪声）、基线漂移（呼吸或身体姿态变化导致的低频噪声）等，这些噪声会掩盖 QRS 波群、P 波、T 波等关键特征，影响诊断准确性。离散小波变换（Discrete Wavelet Transform, DWT）凭借 “多分辨率分析” 特性，能在不同尺度下分离信号与噪声，但传统 DWT 去噪依赖经验阈值，难以自适应匹配心电信号的非平稳特性。粒子群优化算法（PSO）可通过全局寻优自适应确定最优小波阈值，构建 “PSO-DWT 心电信号去噪算法”，实现噪声高效抑制与关键特征精准保留的平衡。本文从心电信号噪声特性、算法核心设计、实验验证展开，全面解析该算法的创新价值与临床应用潜力。

一、心电信号的噪声特性与传统去噪痛点

1.1 心电信号的噪声类型与分布特征

心电信号属于典型的非平稳微弱信号（幅值范围 50μV-5mV，频率范围 0.05-100Hz），主要噪声类型及分布特征如下：

工频干扰：源于电力系统，频率固定为 50Hz（我国）或 60Hz（欧美），属于窄带噪声，能量集中在 50Hz 附近，易叠加在 QRS 波群（10-40Hz）频段，导致波群轮廓模糊；

肌电噪声：由胸部肌肉收缩产生，属于宽带噪声，频率范围 20-2000Hz，能量主要集中在 50-300Hz，会在信号中形成高频毛刺，干扰 P 波、T 波等低幅值特征的识别；

基线漂移：由呼吸运动（频率 0.2-0.5Hz）、电极接触阻抗变化等引起，属于低频噪声，频率范围 < 1Hz，会导致心电信号整体上下偏移，影响波形幅度测量（如 ST 段偏移判断）；

其他噪声：包括电极噪声、放大器噪声等，幅值较小但分布随机，进一步增加信号分析难度。

这些噪声在不同频率尺度上与心电信号叠加，传统去噪方法难以在多尺度下实现信号与噪声的精准分离。

1.2 传统心电信号去噪的关键痛点

传统心电信号去噪方法（如数字滤波、传统 DWT 去噪）存在三大痛点，难以满足临床诊断需求：

固定滤波难以适配非平稳特性：巴特沃斯、切比雪夫等数字滤波器采用固定截止频率，无法根据心电信号的动态变化（如心率波动导致的 QRS 波频率偏移）调整滤波范围，易出现 “过度滤波”（丢失 QRS 波细节）或 “滤波不足”（工频干扰残留）；

传统 DWT 阈值自适应能力弱：传统 DWT 去噪采用 VisuShrink、SureShrink 等经验阈值，未考虑心电信号的个体差异（如不同患者的 QRS 波幅值、心率不同）。例如，对幅值较小的儿童心电信号，经验阈值易导致 “过阈值”，丢失 P 波、T 波；对幅值较大的成人信号，易导致 “欠阈值”，肌电噪声残留；

多尺度噪声分离协同性差：心电信号的不同噪声分布在不同频率尺度（如基线漂移在低频尺度、肌电噪声在高频尺度），传统 DWT 对所有尺度采用统一阈值，无法针对不同噪声的分布特性优化阈值，导致多尺度去噪效果不均衡（如抑制肌电噪声的同时，基线漂移未有效消除）。

这些痛点使得传统方法难以兼顾 “噪声抑制” 与 “特征保留”，而 PSO-DWT 算法通过自适应阈值优化，为解决上述问题提供了有效路径。

二、PSO-DWT 心电信号去噪算法的核心设计

2.1 算法整体架构

PSO-DWT 心电信号去噪算法以 “DWT 多尺度分离信号与噪声，PSO 全局优化多尺度阈值” 为核心逻辑，架构分为 “信号预处理层 - DWT 多尺度分解层 - PSO 阈值优化层 - DWT 重构层” 四层，具体流程如下：

信号预处理层：对原始心电信号进行预处理，包括去除基线漂移（采用小波分解低频系数置零法）、初步抑制工频干扰（采用 50Hz 陷波滤波），为后续 DWT 分解提供更纯净的输入；

DWT 多尺度分解层：选择适配心电信号的小波基与分解尺度，对预处理后的信号进行 DWT 分解，得到低频近似系数（含心电信号主要特征）与多组高频细节系数（含不同类型噪声）；

PSO 阈值优化层：以 “去噪后信号的信噪比（SNR）最大化” 与 “QRS 波群特征保留度最高” 为双目标，通过 PSO 迭代优化各高频尺度的阈值，输出最优多尺度阈值组合；

DWT 重构层：使用优化后的阈值对高频细节系数进行阈值处理，保留含心电特征的系数，抑制含噪声的系数，再通过 DWT 逆变换重构去噪后的心电信号。

2.2 关键模块设计

2.2.1 DWT 多尺度分解参数选择

心电信号的频率特性决定了 DWT 分解的参数选择，需兼顾 “噪声分离精度” 与 “特征保留完整性”：

小波基选择：心电信号的 QRS 波群具有陡峭上升沿、窄脉冲特性，需选择时域局部性好、频域分辨率高的小波基。实验验证表明，db4 小波（Daubechies 4 小波）最适配心电信号 —— 其支撑长度短（6 个采样点），能精准捕捉 QRS 波的陡峭变化；频域分辨率高，可有效分离不同频率的噪声（如 50Hz 工频干扰、高频肌电噪声）；