【ECG心电信号】基于PCA算法婴儿脑电图信号中去除母亲的心电图附Matlab代码

✅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

主成分分析（PCA）应用于婴儿脑电图（EEG）信号中母亲心电图（ECG）伪影的去除，是一种基于信号盲源分离或伪影 subspace 投影的经典方法。其核心思想是：利用 PCA 分解混合信号（婴儿 EEG + 母亲 ECG 伪影），识别并分离出与母亲 ECG 相关的主成分（PCs），然后通过重构剔除这些成分，得到纯净的婴儿 EEG 信号。以下是详细的实现思路、步骤及技术要点：

一、问题背景与核心挑战

1. 问题背景

婴儿 EEG 信号采集时，由于婴儿与母亲身体接触紧密，母亲的心脏电活动（ECG）会通过电容耦合或电磁感应混入婴儿 EEG 电极，形成ECG 伪影。这种伪影的特征是：

• 存在QRS 波群（尖锐的正向 / 负向峰值），频率集中在0.5-40Hz（与母亲心率匹配，通常 60-100 次 / 分钟，对应 1-1.67Hz 的基频及谐波）；

• 伪影能量较强，可能掩盖婴儿 EEG 的弱信号（如 δ 波、θ 波等脑电特征），影响脑发育评估、癫痫检测等临床分析。

2. 核心挑战

• 伪影与 EEG 信号频段重叠

  ：ECG 伪影的低频成分（如 P 波、T 波）与婴儿 EEG 的 δ 波（0.5-4Hz）、θ 波（4-8Hz）频段重叠，传统滤波（如高通滤波）难以有效分离；

• 无参考信号

  ：通常无法同步采集母亲的 ECG 作为参考，需通过信号本身的特征识别伪影；

• 婴儿 EEG 的脆弱性

  ：婴儿 EEG 信号幅值小（通常 1-10μV），处理过程中需避免有效信号的失真。

二、PCA 算法的核心原理与优势

1. PCA 的核心原理

PCA 是一种数据降维与特征提取算法，通过正交变换将高维数据映射到低维的 “主成分空间”，其中：

• 第 1 主成分（PC1）包含数据的最大方差（对应能量最强的信号成分）；

• 后续主成分（PC2、PC3...）依次包含剩余方差，且与前序成分正交；

• 若混合信号中存在强伪影（如母亲 ECG），其对应的主成分会占据前几个 PCs（方差占比高）。

2. PCA 去伪影的优势

• 盲源分离能力

  ：无需母亲 ECG 参考信号，仅通过混合信号的统计特性即可分离伪影；

• 频段无关性

  ：不依赖信号的频率特征，可处理与 EEG 频段重叠的伪影；

• 计算高效

  ：算法复杂度低，适合实时或批量处理 EEG 数据；

• 保真性

  ：仅剔除伪影对应的主成分，最大程度保留婴儿 EEG 的有效特征。

⛳️ 运行结果

📣 部分代码

function r = rmse(s,y)

p = size(s,1);

r1 = zeros(p,1);

r2 = zeros(p,1);

y_inv = -y;

for i = 1:p

for k = 1:size(s,2)

r1(i) = r1(i) + ( s(i,k)- y(i,k) )^2;

r2(i) = r2(i) + ( s(i,k)- y_inv(i,k) )^2;

end

r(i) = min(r1(i),r2(i));

% in case that signal is "inverted"

r(i) = r(i)/size(s,2);

r(i) = sqrt(r(i));

end

% DELETE INVERTED SIGNAL AND USE THIS Fnct.

🔗 参考文献

[1]武悦.基于心电信号对睡眠呼吸暂停综合征判别算法的研究[D].吉林大学[2025-11-18].DOI:CNKI:CDMD:2.1018.213826.

🎈 部分理论引用网络文献，若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌟 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位、冷链、时间窗、多车场等、选址优化、港口岸桥调度优化、交通阻抗、重分配、停机位分配、机场航班调度、通信上传下载分配优化

🌟 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌟图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌟 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻、公交车时间调度、水库调度优化、多式联运优化

🌟 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划、

🌟 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌟 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌟电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化

🌟 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌟 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌟 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇

5 往期回顾扫扫下方二维码