心电信号ECG去噪：Matlab实现低通滤波与小波分解结合

最新推荐文章于 2026-08-12 15:13:00 发布

原创最新推荐文章于 2026-08-12 15:13:00 发布 · 384 阅读

本内容遵循CC 4.0 BY-SA版权协议

心电信号ECG去噪，Matlab程序，使用低通滤波和小波分解结合。先去除高于80Hz的高频噪声，再去除高于50Hz的噪声和工频干扰等，最后去除基线漂移。具体工作如下： 1、读取一段ECG信号，采样率为200Hz，时长10秒，画出时域、频域图； 2、构造低通滤波器，截止频率为80Hz，去除ECG高频噪声； 3、使用小波分解，进一步去除高于50Hz的噪声和工频干扰等； 4、使用小波分解去除基线漂移，程序结果如图。程序运行如遇问题可帮忙远程调通。换成自己的ECG信号时需要根据信号情况调整程序参数。

在生物医学信号处理领域，心电信号（ECG）的准确分析至关重要。然而，ECG信号在采集过程中常常受到各种噪声的干扰，影响其后续分析与诊断。本文将介绍如何通过Matlab程序，利用低通滤波和小波分解相结合的方法，有效地去除ECG信号中的噪声。

1. 读取ECG信号并绘制时域、频域图

首先，我们需要读取一段ECG信号。假设信号采样率为200Hz，时长10秒。在Matlab中，我们可以这样实现：

fs = 200; % 采样率
t = 0:1/fs:(10 - 1/fs); % 时间向量
% 这里假设已有生成好的ECG信号数据存储在变量ecg_signal中
% 如果是从文件读取，可以使用load函数，例如load('ecg_data.mat');
% 假设文件中ECG信号变量名为ecg_signal
ecg_signal = sin(2*pi*10*t) + 0.5*randn(size(t)); % 这里简单模拟一个ECG信号

% 绘制时域图
figure;
subplot(2,1,1);
plot(t, ecg_signal);
xlabel('时间 (s)');
ylabel('幅值');
title('ECG信号时域图');

% 绘制频域图
n = length(ecg_signal);
f = (0:n - 1)*(fs/n);
ecg_fft = abs(fft(ecg_signal));
subplot(2,1,2);
plot(f, ecg_fft(1:length(f)));
xlabel('频率 (Hz)');
ylabel('幅值');
title('ECG信号频域图');

上述代码中，首先定义了采样率fs和时间向量t。这里我们简单模拟了一个ECG信号，实际应用中可从文件读取真实数据。通过plot函数绘制了时域图，直观展示信号随时间的变化。利用fft函数进行快速傅里叶变换，得到信号频域信息并绘制频域图，以便观察信号的频率分布情况。

2. 构造低通滤波器去除高频噪声

接下来，构造截止频率为80Hz的低通滤波器，去除高于80Hz的高频噪声。

fc1 = 80; % 截止频率
[b1, a1] = butter(5, fc1/(fs/2)); % 5阶巴特沃斯低通滤波器
ecg_filtered1 = filter(b1, a1, ecg_signal);

% 绘制滤波后时域图
figure;
subplot(2,1,1);
plot(t, ecg_filtered1);
xlabel('时间 (s)');
ylabel('幅值');
title('80Hz低通滤波后ECG信号时域图');

% 绘制滤波后频域图
n1 = length(ecg_filtered1);
f1 = (0:n1 - 1)*(fs/n1);
ecg_fft1 = abs(fft(ecg_filtered1));
subplot(2,1,2);
plot(f1, ecg_fft1(1:length(f1)));
xlabel('频率 (Hz)');
ylabel('幅值');
title('80Hz低通滤波后ECG信号频域图');

这里使用butter函数设计了一个5阶巴特沃斯低通滤波器，截止频率为fc1。filter函数将设计好的滤波器应用到ECG信号上，得到滤波后的信号ecg_filtered1。同样绘制了滤波后信号的时域图和频域图，从频域图中可以清晰看到高于80Hz的高频成分已被有效抑制。

3. 利用小波分解去除高于50Hz的噪声和工频干扰

进一步利用小波分解来去除高于50Hz的噪声和工频干扰等。

% 小波分解
wname = 'db4'; % 选用db4小波
level = 5; % 分解层数
[c, l] = wavedec(ecg_filtered1, level, wname);
% 获取高频系数
for i = 1:level
    detcoeffs{i} = detcoef(c, l, i);
end
% 获取低频系数
approxcoeff = appcoef(c, l, wname, level);

% 设定阈值去除高频噪声
for i = 1:level
    thresh = wthrmngr('dw1ddenoLVL', 'rigrsure', detcoeffs{i});
    detcoeffs{i} = wthresh(detcoeffs{i}, 'h', thresh);
end

% 重构信号
new_c = [approxcoeff; detcoeffs{:}];
ecg_filtered2 = waverec(new_c, l, wname);

% 绘制小波分解后时域图
figure;
plot(t, ecg_filtered2);
xlabel('时间 (s)');
ylabel('幅值');
title('小波分解去除50Hz以上噪声后ECG信号时域图');

代码中选用db4小波进行5层小波分解，wavedec函数得到分解系数c和长度向量l。通过detcoef和appcoef分别获取高频和低频系数。利用wthrmngr函数基于rigrsure准则计算阈值，对高频系数进行阈值处理去除噪声。最后使用waverec函数重构信号，得到进一步滤波后的ecg_filtered2，并绘制其时域图。

4. 使用小波分解去除基线漂移

最后，再次利用小波分解去除基线漂移。

% 再次小波分解去除基线漂移
wname2 = 'db6'; % 选用db6小波
level2 = 8; % 分解层数
[c2, l2] = wavedec(ecg_filtered2, level2, wname2);
% 获取低频系数（基线漂移主要在低频部分）
approxcoeff2 = appcoef(c2, l2, wname2, level2);
% 去除低频系数（即去除基线漂移）
new_c2 = c2;
new_c2(l2(1):end) = 0;
ecg_filtered3 = waverec(new_c2, l2, wname2);

% 绘制去除基线漂移后时域图
figure;
plot(t, ecg_filtered3);
xlabel('时间 (s)');
ylabel('幅值');
title('去除基线漂移后ECG信号时域图');

这里选用db6小波进行8层小波分解，获取低频系数，将低频系数置零（因为基线漂移主要存在于低频部分），然后重构信号得到去除基线漂移后的ecg_filtered3，并绘制其时域图。