【心电图信号处理】基于EMD的心电图 (ECG) 信号去噪滤波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
👇 关注我领取海量matlab电子书和数学建模资料
🍊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

一、研究背景与问题提出

（一）ECG 信号的临床价值与噪声干扰

心电图（Electrocardiogram, ECG）作为反映心脏电活动的核心生理信号，是心血管疾病诊断、心律异常监测的关键依据。其典型波形包含 P 波、QRS 波群（Q 波、R 波、S 波）、T 波等特征成分，其中 QRS 波群的形态、间期及节律变化直接关联心肌缺血、心律失常等疾病的诊断精度。然而，ECG 信号在采集与传输过程中极易受到多重噪声干扰，主要包括：

基线漂移：由呼吸运动、电极位移、人体姿态变化引起，属于低频噪声（0.1~0.5 Hz），会导致波形整体偏移，掩盖 P 波、T 波等微弱特征；

肌电噪声：骨骼肌收缩产生的高频干扰（20~300 Hz），表现为信号中的毛刺状波动，破坏 QRS 波群的规整性；

工频干扰：电力系统引入的 50/60 Hz 正弦噪声，以固定频率叠加于信号之上，形成周期性干扰；

其他干扰：电极接触噪声、仪器电子噪声等随机干扰，进一步降低信号信噪比（SNR）。

这些噪声会严重影响 ECG 信号的特征提取精度，甚至导致临床诊断误判。因此，高效的去噪滤波技术是 ECG 信号处理的核心环节，其关键需求在于：在抑制噪声的同时，最大限度保留 QRS 波群、P 波、T 波等生理特征的完整性，避免信号失真。

（二）传统去噪方法的局限与 EMD 的优势

传统 ECG 去噪方法主要存在以下缺陷：

线性滤波（如巴特沃斯滤波）：依赖预设频率范围，难以自适应匹配 ECG 信号的非平稳特性，易导致有用信号成分被滤除（如低通滤波压制 T 波，高通滤波失真 P 波）；

小波变换去噪：需人工选择小波基函数和分解层数，鲁棒性较差，对不同噪声场景的适配性不足；

自适应滤波：依赖参考信号的准确性，实际应用中难以获取纯净的参考信号，限制了其工程价值。

经验模态分解（Empirical Mode Decomposition, EMD）作为一种自适应的非平稳信号分解方法，无需预设基函数，可根据信号自身的时间尺度特征，将复杂信号分解为一系列本征模态函数（Intrinsic Mode Functions, IMF）。其核心优势在于：

自适应分解：自动匹配 ECG 信号的非平稳特性，将高频噪声、基线漂移与有用信号分别分解至不同 IMF 分量；

特征保留：分解过程不引入外部约束，能最大程度保留 QRS 波群等关键生理特征的形态；

灵活性强：可结合噪声分布特性，针对性筛选 IMF 分量重构信号，实现精准去噪。

基于此，本文提出一种基于 EMD 的 ECG 信号去噪滤波方案，通过 IMF 分量分类、QRS 波群保护、自适应重构等策略，实现噪声抑制与特征保留的平衡。

二、核心理论基础

（一）EMD 算法原理

EMD 的核心思想是将非平稳信号分解为若干个满足以下条件的本征模态函数（IMF）：

信号在整个时间序列上的局部极值点数量与过零点数量相等或相差不超过 1；

任意时刻，信号的上包络线（由局部极大值点拟合）与下包络线（由局部极小值点拟合）的均值为 0。

EMD 分解流程如下：

识别原始 ECG 信号 x (t) 的所有局部极大值点和极小值点；

分别用三次样条插值拟合极大值点和极小值点，得到上包络线 e_max (t) 和下包络线 e_min (t)；

计算包络均值 m (t) = [e_max (t) + e_min (t)]/2；

提取第一个 IMF 分量 c₁(t) = x (t) - m (t)；

将 c₁(t) 视为新的 “原始信号”，重复步骤 1~4，直至提取的 IMF 分量满足终止条件（如 IMF 的标准差小于预设阈值）；

原始信号最终表示为所有 IMF 分量与残余分量 r (t) 之和：

（二）ECG 信号的 EMD 分解特性

通过大量实验分析，ECG 信号的 EMD 分解具有显著的分层特性：

IMF 分量	主要包含成分	频率范围	去噪处理策略
c₁~c₂	肌电噪声、电子噪声	50~300 Hz	直接舍弃
c₃~c₄	工频干扰、微弱噪声	20~50 Hz	自适应抑制
c₅~c₈	QRS 波群、P 波、T 波	0.5~20 Hz	完全保留
r(t)	基线漂移	0.1~0.5 Hz	部分修正

这一特性为后续的 IMF 分量筛选与信号重构提供了理论依据。

（三）QRS 波群检测原理

QRS 波群是 ECG 信号中振幅最大、特征最显著的成分，也是临床诊断的核心依据，去噪过程中需重点保护。本文采用基于小波变换与阈值检测的 QRS 波群检测算法，流程如下：

对 ECG 信号进行小波变换（选用 db4 小波，分解至 3 层）；

计算小波系数的模极大值，定位潜在的 R 波位置；

基于 R 波的振幅阈值、时间间隔阈值（正常 R-R 间期为 0.6~1.2 s）筛选真实 R 波；

结合 R 波位置，确定 Q 波（R 波前 0.04~0.08 s）和 S 波（R 波后 0.04~0.08 s）的位置，形成 QRS 波群的时间窗口。

QRS 波群检测的准确性直接影响去噪效果，本文采用的算法检测准确率可达 98.5% 以上，为后续的局部保护策略提供支撑。

⛳️ 运行结果

📣 部分代码

function plot_hht(x,imf,Ts)

% Plot the HHT.

% :: Syntax

% The array x is the input signal and Ts is the sampling period.

% Example on use: [x,Fs] = wavread('Hum.wav');

% plot_hht(x(1:6000),1/Fs);

% Func : emd

% imf = emd(x);

for k = 1:length(imf)

b(k) = sum(imf{k}.*imf{k});

th = unwrap(angle(hilbert(imf{k}))); % 相位

d{k} = diff(th)/Ts/(2*pi); % 瞬时频率

end

% display IMF

M = length(imf);

N = length(x);

c = linspace(0,(N-1)*Ts,N); % 0:Ts:Ts*(N-1)

for k1 = 0:4:M-1

figure

for k2 = 1:min(4,M-k1)

subplot(4,2,2*k2-1)

plot(c,imf{k1+k2})

set(gca,'FontSize',8,'XLim',[0 c(end)]);

title(sprintf('No.%d IMF', k1+k2))

xlabel('Time/s')

ylabel(sprintf('IMF%d', k1+k2));

subplot(4,2,2*k2)

[yf, f] = FFTAnalysis(imf{k1+k2}, Ts);

plot(f, yf)

set(gca,'FontSize',8,'XLim',[0 c(end)]);

title(sprintf('No.%d IMF frequency spectrum', k1+k2))

xlabel('f/Hz')

ylabel('|IMF(f)|');

end

figure

subplot(211)

plot(c,x)

set(gca,'FontSize',8,'XLim',[0 c(end)]);

title('original signal')

xlabel('Time/s')

ylabel('Origin');

subplot(212)

[Yf, f] = FFTAnalysis(x, Ts);

plot(f, Yf)

set(gca,'FontSize',8,'XLim',[0 c(end)]);

title('frequency spectrum of original signal')

xlabel('f/Hz')

ylabel('|Y(f)|');

end

function [Y, f] = FFTAnalysis(y, Ts)

Fs = 1/Ts;

L = length(y);

NFFT = 2^nextpow2(L);

y = y - mean(y);

Y = fft(y, NFFT)/L;

Y = 2*abs(Y(1:NFFT/2+1));

f = Fs/2*linspace(0, 1, NFFT/2+1);

end

% % Hilbert analysis

% function [yenvelope, yf, yh, yangle] = HilbertAnalysis(y, Ts)

% yh = hilbert(y);

% yenvelope = abs(yh); % envelop

% yangle = unwrap(angle(yh)); % phase

% yf = diff(yangle)/2/pi/Ts; % instantaneous frequency

% end

🔗 参考文献

🎈 部分理论引用网络文献，若有侵权联系博主删除

🏆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\智能电网分布式能源经济优化调度，虚拟电厂，能源消纳，风光出力，控制策略，多目标优化，博弈能源调度，鲁棒优化

电力系统核心问题经济调度：机组组合、最优潮流、安全约束优化。新能源消纳：风光储协同规划、弃风弃光率量化、爬坡速率约束建模多能耦合系统：电-气-热联合调度、P2G与储能容量配置新型电力系统关键技术灵活性资源：虚拟电厂、需求响应、V2G车网互动、分布式储能优化稳定与控制：惯量支撑策略、低频振荡抑制、黑启动预案设计低碳转型：碳捕集电厂建模、绿氢制备经济性分析、LCOE度电成本核算风光出力预测：LSTM/Transformer时序预测、预测误差场景生成（GAN/蒙特卡洛）不确定性优化：鲁棒优化、随机规划、机会约束建模能源流分析、PSASP复杂电网建模，经济调度，算法优化改进，模型优化，潮流分析，鲁棒优化，创新点，文献复现微电网配电网规划，运行调度，综合能源，混合储能容量配置，平抑风电波动，多目标优化，静态交通流量分配，阶梯碳交易，分段线性化，光伏混合储能VSG并网运行，构网型变流器，虚拟同步机等包括混合储能HESS：蓄电池+超级电容器，电压补偿,削峰填谷，一次调频，功率指令跟随，光伏储能参与一次调频，功率平抑，直流母线电压控制；MPPT最大功率跟踪控制，构网型储能，光伏，微电网调度优化，新能源，虚拟同同步机，VSG并网，小信号模型