下载文档原格式
2020年27期应用科技科技创新与应用Technology Innovation and Application小波阈值降噪法在心电信号处理中的应用徐冰鑫（齐鲁工业大学（山东省科学院），山东济南250000）前言心电信号作为医学临床最重要的生物电信号，与其他生物电信号相较而言，更适用于临床检测当中，具备较强的直观性与规律性。
根据实际反馈情况来看，心电信号在很大程度上可以视为心脏电活动体表的综合表现，对于临床心脏疾病诊断与检测具有较强的应用意义。
1心电信号问题的相关研究及概述1.1心电图诊断常见流程心电图诊断常见流程主要从导联、获取心电信号入手，按照前置放大原则及要求，正确处理好高通滤波与低通滤波。
在此基础上，按照后置放大原则及要求，做好波形识别工作。
最后，根据波形显示情况确定参数测量标准，并做好诊断工作。
通常来讲，获取心电信号之后检测人员需要做好预处理工作，目的在于抑制干扰问题[1]。
其中，在波形识别方面要求检测人员应该在提取完心电信号之后，根据各波段主要特征，如峰点、起止点等，进行合理识别。
在波形参数测量方面要求检测人员应该在做好波形识别工作之后，科学计算出各波幅度、时间间隔等参数数值。
需要注意的是，在此过程中检测人员需要按照一定的检测标准，实现对各参数问题的分析与处理过程，以便更好地判断出波形中所含的病变因素。
1.2心电信号噪声干扰问题心电信号（ECG ）在很大程度上可以视为具备非平稳特征的强噪声，属于随机信号的领域范畴。
一般来说，正常心电信号频率主要介于0.01Hz-100Hz 之间。
其中，90%心电信号在频谱能量方面主要介于0.25Hz-35Hz 之间。
根据以往的经验来看，心电信号采集过程中会受到多方面因素的干扰而出现检测精确度不高的问题，如存在噪声干扰问题[2]。
目前，心电信号噪声干扰问题的主要来源可以从下述方面入手掌握：一方面，工频干扰。
工频干扰出现的主要原因在于供电设备运行期间会受到较多因素的干扰而出现质量隐患问题。
小波在信号检测中的应用毕业论文诚信书我谨在此保证：本人所写的毕业论文(设计)，凡引用他人的研究成果均已在参考文献或注释中列出。
论文(设计)主体均由本人独立完成，没有抄袭、剽窃他人已经发表或未发表的研究成果行为。
如出现以上违反知识产权的情况，本人愿意承担相应的责任。
声明人(签名)：年月日摘要小波分析作为最新的时-频分析工具，在信号分析、图像处理、特征提取、故障诊断等各领域得到了广泛的应用。
小波变换具有表征信号局部特征的能力和多分辨率的特征,因此，很适于探测信号中的瞬态和奇异现象, 并可展示其成份。
本文在综述小波变换的基本思想与具体性质和原理的基础上，重点介绍了小波在滚动轴承机械故障检测中的应用。
滚动轴承机械故障信号分析中基函数的不同将导致对信号的观测角度和观测方法的不同，在小波基函数的选取方面Fourier变换、短时Fourier变换和小波变换各自的基函数有着的本质区别。
本文通过比较故障诊断中常用的各种小波基函数的性能和特点，研究不同的故障信号特征与各种小波基函数的内在联系。
利用连续小波变换方法将滚动轴承振动信号的特征信息转化为能量谱与尺度的关系，进而建立尺度和能量相对应的特征向量，为滚动轴承的快速诊断提供了新方法。
本文提出一种应用 Daubechies 小波包多层分解、重构提取滚动轴承各部件的故障特征频率和能量特征，通过小波包多层分解确定滚动轴承机械振动的奇异点的方法, 实现故障的精确诊断。
关键词：小波分析、故障诊断、滚动轴承、多层分解AbstractWavelet analysis as the latest time - frequency analysis tool in signal analysis, image processing, feature extraction, fault diagnosis and other fields has been widely used.Characterization of the signal wavelet transform has the ability of local features and characteristics of multi-resolution, therefore, it is very suitable for detection of transient signals and singular phenomenon, even to display its components.General speaking the summary of this paper, the basic ideas of wavelet transform and the specific nature, the most important of this paper is focusing on the wavelet applications of fault detection in the rolling machine. In the mechanical failure of the rolling bearing signal analysis, the different basis functions lead to a difference of signal point of observing views and observing methods, which are the essential differences among wavelet transform Fourier transform, short-time Fourier transform.In this paper, by comparing the performances and characteristics of a variety of common used small-wavelet fonctions in fault diagnosis, I research on the internal relations between different characteristics of the fault signal and wavelet fonctions.Making using of continuous wavelet transform method, this paper changes the characteristics of rolling bearing vibration signal information into the relationship of energy spectrum and measure, coming to the establishment a feature vector corresponding to energy and scale, creats the new method for the rapid diagnosis of rolling bearings. In order to accurately diagnosis of fault type, this paper proposes the application of multi-decomposition of Daubechies wavelet packet, reconfiguration of the extraction of fault characteristic frequency and energy feature in components rolling bearing components, by analysing multi-decomposition of Daubechies wavelet packet, we can clearly see the failure point of mechanical vibration in rolling bearing.Key words：Wavelet analysis, fault diagnosis, rolling bearing, multi-decomposition目录摘要Abstract第1章绪论 (1)1.1 论文选题背景和意义 (1)1.2 论文研究现状 (1)1.2.1：小波分析现状 (1)1.2.2：机械故障诊断现状 (9)1.3 论文研究方法和内容 (12)第2章小波分析的理论基础 (13)2.1 傅立叶分析及其优缺点 (13)2.1.1傅立叶变换(Fourier Transform) (13)2.1.2傅立叶变换的优点与缺点 (13)2.2小波分析 (15)2.3小波基性能研究 (17)2.4针对故障诊断处理的小波分类 (19)2.5小波变换对信号奇异性检测的基本原理 (20)2.5. 1奇异性的定义 (20)2.5. 2小波变换的卷积表达形式 (20)2.5. 3小波变换的极值点、过零点与信号奇异性的联系 (21)2.6 小波基的选择 (22)2.7 最佳小波基的选取 (23)2.8 Daubechies小波 (24)2.9 小波分解与尺度选择 (25)第3章滚动轴承的故障及诊断技术 (26)3.1滚动轴承的结构 (27)3.2滚动轴承失效的基本形式 (27)3.3滚动轴承故障的振动诊断 (28)3.4 滚动轴承的振动机理及故障特征频率 (29)3.4.1滚动轴承的振动机理 (29)3.4.2滚动轴承各元件单一缺陷的特征频率 (30)3.4.3由滚动轴承构造所引起的振动 (31)3.4.5滚动轴承的非线性引发的振动 (31)3.4.6滚动轴承损伤(缺陷〕而引起的振动 (32)第4章MATLAB对故障奇异信号进行分析 (32)4.1检测第一类间断点 (32)4.2检测第二类间断点 (34)4.3滚动轴承的保持架机械振动信号的故障分析 (36)4.4滚动轴承的外滚道机械振动信号的故障分析 (38)4.5滚动轴承的内滚道机械振动信号的故障分析 (39)第5章总结与展望 (43)参考文献 (44)至谢 (45)附录 (46)浙江理工大学本科毕业设计(论文)第1章绪论1.1 论文选题背景和意义在信号处理的领域中，存在众多的频域分析方法，其基本思想都是通过研究信号的频谱特征来得到进行信号处理的基本信息，傅里叶分析方法是一种最古老也是发展最充分的方法，但是傅里叶分析方法的严重不足在于不能表达时域信息，应用很受局限，后来提出的短时傅里叶变换虽然可以表达时域信息，但是在空间中的分辨率是固定的，不够灵活，不能反映信号瞬变的特点。
设计与分析♦Sheji yu Fenxi基于提升方案的双小波心电信号去噪研究杨园格（西安明德理工学院，陕西西安710124）摘要:心电信号在釆集过程中伴随大量的干扰噪声，为了便于心电特征诊断需对其进行去噪处理。
以提升小波为基础，提出了釆用双小波函数相结合来实现提升小波变换的方法，并在分解过程中利用改进的阈值函数实现小波系数的量化处理，以进一步提高信噪比。
利用MIT-BIH心电数据库进行验证表明，该算法能有效心电信号中的噪声，小，于单一小波的去噪效果，以满足心电，时复杂低、速度快,有利于实时信号处理便携算法的实现。
关键词：心电信号;提升小波;双小波函数;去噪；阈值处理0引言心电信号学中一的生物电信号，了大量心系信，一低低幅值的信号，在采集过程中 噪声干扰。
噪声干扰分为工干扰、基、电干扰R干扰心电信号的波特征断提R，心电信号的噪声对进一步分诊断心有R在心电信号的噪声干扰方，方法有数波、波、数学学、小波变换法。
从算法实现的复杂、实时处理速以心电波的方，采用了小波变换提升小波来进行去噪处理，时采用了改进的阈值算法，来阈值算法阈值算法的。
为进一步提高信噪比，提出了采用双小波函数结合的方法，实现对心电信号的噪声去除。
1小波去噪分析心电噪声-其在的-基要分布在1Hz以下，没有与心电信号，以过波。
工干扰（50/60Hz）在心电信号中有掩盖心电信号的某细微波动电干扰呈现白噪声 特，分在各个段，在本研究中对这两种噪声进行1.1小波函数和阈值选取对于小波函数的选唯一的，根据心电信号的波特征，需选合适的函数对其进行处理前常用的小波函数［3］有bior Nr.Nd、db N以及sym N 。
由于sym N小波的对称于db N小波，再结合波长支撑长的对比，将sym4小波作为信号处理的小波函数，其兼顾了对称快速算法的特点。
对于辅助小波函数，算法实现的复杂度以构信号的逼近程问题，将bior4.4、db4、db8作为研究的辅助小波函数,来进一步研究最优的双小波组合。
心电信号的降噪处理及其评价研究孔令杰【摘要】为抑制心电信号中存在的噪声干扰，以利于准确提取反映心电信号的特征信息，文章提出应用一维离散小波变换实现对心电信号的降噪处理方法。
通过对MIT/BIH心电数据库中的心电信号进行仿真，研究结果表明，该方法能够有效地去除心电信号中的噪声，对实现心电信号特征信息的提取具有一定的实用价值。
%In order to inhibit noise interference for extracting the characteristics of ECG signals,a noise reduction method based on one-dimensional discrete wavelet transform was discussed in this paper. The results obtained by simulation of the MIT/BIH ECG database demonstrate this method can effectively reduce the noise of ECG signals,which provide a certain practical value for extracting features information of ECG signals.【期刊名称】《淮北师范大学学报（自然科学版）》【年(卷),期】2014(000)003【总页数】5页(P16-20)【关键词】心电信号;小波变换;降噪【作者】孔令杰【作者单位】菏泽学院物理与电子工程系，山东菏泽 274015【正文语种】中文【中图分类】TP391心电信号是心脏电生理活动在体表的外在表现，它蕴涵着心脏功能等生理病理状况的临床医学信息，是一种非常重要的生物医学信号［1］.在实际心电信号的数据采集过程中，由于检测仪器、人体等内外环境多种因素的影响，使得采集的心电信号不可避免地混入了各种噪声干扰，如工频干扰、基线漂移、肌电干扰和运动伪迹等［2］.因此,如何有效地降低各种噪声干扰，准确地提取出干净有用的心电信号，成为心脏病智能诊断的一个重要内容.所以为了能从心电信号中准确地提取更多反映人体全身性和综合性的生理病理特征信息，在处理和分析心电信号之前对其进行降噪处理就成为一项十分重要的工作［3］.从心电信号降噪处理技术的研究角度来讲，现有的滤波方法如自适应滤波、形态学滤波等方法，都可在一定程度上实现心电信号的降噪处理.但这些滤波方法本身也存在着一定的技术缺陷，如采用形态学滤波方法对心电信号进行降噪处理，它在滤除基线漂移干扰时，会得到近乎完美的降噪效果，但在滤除工频干扰时，则会产生截断误差现象［4］.而采用自适应滤波方法对心电信号进行降噪处理，虽可根据心电信号的噪声特点自动地调节滤波器的品质因数和带宽，并且得到的心电信号也不易失真，但该方法具有算法慢、计算量大、实时性差等缺点［5］.而小波变换是一种信号的时频分析方法，它具有多分辨率分析的特点，即在低频部分具有较高的频域分辨率和较低的时间分辨率，而在高频部分具有较高的时间分辨率和较低的频域分辨率，这也与低频信号变化缓慢而高频信号变化迅速的特点相符合.因此这种特性使得小波变换具有对信号的自适应性，也正是这种特性，使得小波变换被誉为“数学显微镜”［6］.鉴于此，该文提出一种基于小波变换的心电信号降噪方法，并通过实验研究验证该方法的有效性和可行性，从而为心电信号特征信息的提取提供一种新的研究思路.1 小波降噪基本原理1.1 一维离散小波变换的Mallat算法在信号处理领域中，一维离散小波变换实现的算法一般是Mallat算法，即先对较大尺度上的信号进行小波变换，再选取其中的低频部分使其在原尺度的1/2尺度上再次进行小波变换［7］.设用如下模型表示一个含噪的一维信号：其中，f(k)为含噪信号，s(k)为原始信号，n0(k)为服从N(0,σ2)的高斯白噪声，N 为信号长度.对一维离散信号 f(k)进行小波变换，利用小波变换的双尺度方程，可以得到小波变换的递归实现，即Mallat分解算法可表示为：其中，j 为分解尺度，J=log2N，h和g 分别是对应小波变换的尺度函数φ和小波函数ψ 的低通滤波器和高通滤波器，Sf(0,k)代表原始一维信号 f(k)，而Sf(j,k)代表尺度系数，Wf(j,k)代表小波系数.相应地在Mallat分解算法的基础上，可得小波变换的重构公式，即Mallat重构算法可表示为：其中与分别是 h和g 的对偶算子.为方便起见，将小波系数Wf(j,k)简记为wj,k.对含噪信号 f(k)进行小波变换，由小波变换的线性性质，可知分解得到的小波系数wj,k 包含两个部分：一部分是原始信号s(k)对应的小波系数Ws(j,k)，简记为μj,k；另一部分是噪声信号n0(k)对应的小波系数Wn0(j,k)，简记为υj,k.则小波阈值降噪的基本思想如下所述：首先对含噪信号 f(k)作小波变换，再通过对分解得到的小波系数wj,k 进行阈值量化处理，以得到小波系数 wj,k 的估计值 w j,k，使得 | |w j,k- μj,k 尽可能的小，然后利用小波系数的估计值 w j,k 进行小波重构，以得到降噪处理后的信号 f(k).而对于小波系数的阈值量化处理方法，普遍采用Donoho等人提出的阈值估计原则，其基本思想是根据信号与噪声的小波系数在各尺度上具有不同的空间分布特点，去掉或大幅衰减各尺度上由噪声产生的小波分量，特别是那些噪声分量占主导地位尺度上的噪声小波分量，然后利用小波变换重构原信号.基于阈值量化处理的小波系数估计方法一般又分为硬阈值函数和软阈值函数两种类型，设阈值为噪声均方差，则硬阈值函数和软阈值函数分别表示为：硬阈值函数：软阈值函数：虽然上述两种传统的软硬阈值函数在实际信号降噪应用中取得较好的效果，但这两种方法自身还存有一些缺陷［8］：（1）硬阈值函数在阈值λ 处的整体连续性较差，导致估计得到的小波系数值连续性也较差，使得重构信号可能会产生一些振荡，特别是当信号存在突变或快速变化的不连续点时，这些振荡会演变成伪吉布斯现象，而且在大于阈值的小波系数中常混杂着噪声信号.（2）软阈值函数在阈值λ 处的整体连续性较好，但是经过降噪处理后，信号中一些小的奇异点常被噪声淹没，再加上软阈值函数对于大于阈值的小波系数进行恒定值压缩，这就直接影响重构信号与真实信号之间的逼近程度，给重构信号带来不可避免的误差.鉴于此，该文使用默认阈值法对心电信号进行降噪处理，即使用Matlab7.1软件中的自带函数ddenc⁃mp生成信号的默认阈值，然后利用自带函数wdencmp进行降噪处理.1.2 小波变换降噪步骤一维信号的降噪算法可以简述为以下三个步骤［9］：（1）选择合适的小波，对含噪信号 f(k)进行小波变换，得到小波变换系数wj,k. （2）计算小波阈值λ，选择合适的阈值估计方法，对小波系数进行阈值量化处理，得到新的小波系数w j,k.（3）对得到的新小波系数w j,k 进行小波重构，得到降噪处理后的信号 f(k).2 心电信号的降噪处理实验2.1 心电信号小波分解尺度的选取在信号降噪处理过程中，最大分解尺度 j 一般取值3～5.一方面，j 越大，此时信号和噪声呈现出的不同特性就越明显，则越有利于信噪分离；另一方面，对于信号重构过程来讲，j 越大，意味着失真越大，即重构误差越大.显然提高信噪分离与降低重构误差这是一对矛盾，必须选择适当的分解尺度 j 来兼顾二者.有研究表明，所选小波分解尺度 j 应视原始信号中的信噪比（SNR）值的大小来定，且对于一般的信号而言，若SNR ＞20，则取 j=3；否则，取 j=4 为好.2.2 心电信号小波变换降噪性能的评价指标为了更加精确地描述小波变换的降噪性能，该文又引入信噪比（SNR）、均方根误差（RMSE）和自相关系数（AC）作为评价指标，其表达式分别为［10］：（1）信噪比（SNR）（2）均方根误差（RMSE）（3）自相关系数（AC）其中，yi 为降噪信号序列，y为其平均值；xi 为原信号序列，x为其平均值；N 为降噪信号与原信号的长度.SNR值反映了降噪后信号中含有噪声成分的多少，SNR 值越大，说明信号降噪以后，保留的噪声成分越小；RMSE值反映了降噪后信号与原信号之间的离散程度，RMSE值越小，说明降噪信号与原信号之间的离散程度越小；AC值反映了降噪后信号与原信号之间的相关程度，AC值越大，说明降噪后信号与原信号之间的相关程度越高［11］.2.3 心电信号的降噪处理实验及性能分析为验证上述方法的可靠性和可行性，该文采用MATLAB7.1软件实现编程，并采用MIT/BIH标准心电噪声数据库中的心电噪声数据118e24.dat为例进行仿真实验，该心电噪声数据文件中已含有各种强噪声（如基线漂移、工频干扰、肌电干扰和运动伪迹等）.现分别选取含有以下3种噪声干扰的心电数据进行降噪处理：选取118e24.dat中的第53～63 s心电数据，其中含有基线漂移干扰；选取118e24.dat中的第122～132 s 心电数据，其中含有工频干扰；选取118e24.dat 中的第225～235 s 心电数据，其中含有高频噪声干扰.原始心电信号如图1所示. 图1 原始心电信号从图1中可以看出，该心电信号不够平滑，这将直接影响心电信号特征信息的提取，所以应对这段心电信号进行降噪处理.由于人体心电信号是一种微弱信号，信噪比较低，故该文选用db3小波基对心电信号进行4层分解，以实现对心电信号的降噪处理.小波默认阈值降噪处理后的心电信号如图2所示.图2 小波默认阈值降噪结果从图2中可以看出，与原始心电信号相比，用默认阈值降噪后得到的心电信号重构结果的光滑性较好，且降噪后心电信号的P、Q、R、S、T波形基本保持了原始心电特征.另外，采用SNR、RMSE和AC值三种指标分别对使用db3小波基降噪后的心电信号进行降噪评价，评价结果如表1所示.表1 三种指标的降噪评价结果噪声类型基线漂移干扰工频干扰高频噪声干扰指标SNR 80.120 6 71.462 2 70.245 4 RMSE 0.019 0 0.025 0 0.029 3 AC 0.999 10.997 8 0.996 6由RMSE和AC值可见，基于小波变换降噪后的心电信号与原始心电信号之间高度相关，且采用默认阈值降噪后的心电信号信噪比SNR值得到了显著提高，这使得降噪后的心电信号中含有较少的噪声，进而有利于下一步对心电信号进行特征信息的提取.综上所述，基于小波变换的降噪方法能够有效地抑制心电信号中的噪声，较好地保留其原始信息，降噪性能优越，从而有利于实现心电信号特征信息的提取和辨识.3 结语针对心电信号中存在的噪声干扰问题，该文利用小波变换进行具体分析，得到如下结论：使用小波分解与重构算法，能够同时有效地去除心电信号中常见的基线漂移、工频干扰和高频噪声等噪声干扰，并能较好地保留原始心电信号的特征信息，从而为实现心电信号特征信息的提取和辨识奠定了基础.同时，实验研究的结果也表明,采用SNR、RMSE和AC值等3种指标评价小波降噪性能具有一定的有效性和可行性，它可以普及到任何心电信号中去，也可以在其他信号降噪处理过程中得到广泛使用.参考文献：［1］MARTINEZ J P，ROCHA A P.A wavelet based ECG delineator［J］.Transactions on Biomedical Engineering，2004，51（4）：570-581. ［2］高清维，李海鹰，庄镇泉,等.基于平稳小波变换的心电信号噪声消除方法［J］.电子学报，2003，32（2）：235-240.［3］王玉静，宋立新，康守强.基于EMD和奇异值分解的心律失常分类方法［J］.信号处理，2010，26（9）：1423-1427.［4］赵志华，许爱华.基于形态学的ECG小波自适应去噪算法［J］.计算机工程与设计，2008，29（8）：2140-2142.［5］季虎，孙即祥，毛玲.基于小波变换与形态学运算的ECG自适应滤波算法［J］.信号处理，2006，22（3）：333-337.［6］胡昌华，张军波，夏军，等.基于Matlab的系统分析与设计-小波分析［M］.西安：西安电子科技大学出版社，1999.［7］HAN Yaqin，LI Gang，YE Wenyu，et al.An improved algorithmic of adaptive cabernet model in the application of electrocardiograph［J］.Signal Processing，2002，18（3）：244-248.［8］徐洁，王阿明，郑小锋.基于小波阈值去噪的心电信号分析［J］.计算机仿真，2011，28（12）：260-263.［9］林克正，李殿璞.基于小波变换的去噪方法［J］.哈尔滨工程大学学报，2000，21（4）：21-23.［10］顾远.心电信号去噪及效果评价研究［D］.天津：天津理工大学，2012. ［11］侯宏花，桂志国.基于小波熵的心电信号去噪处理［J］.中国生物医学工程学报，2010，29（1）：22-28.。
小波变换在心电信号去噪中的应用
魏珑
【期刊名称】《电子质量》
【年(卷),期】2010(000)002
【摘要】文章根据coiflet小波在各个尺度上的不同的带通滤波特性,并利用小波变换多分辨的特点对心电信号进行滤波.文中通过软、硬阈值折衷函数及自适应阈值策略对MIT/BIH 国际标准数据库中的ECG信弓进行了处理与验证.实验结果表明,该算法能较好的抑制心电信号中的各类噪声干扰.
【总页数】3页(P54-56)
【作者】魏珑
【作者单位】莱芜职业技术学院,山东,莱芜,271100
【正文语种】中文
【中图分类】TN911.7
【相关文献】
1.小波变换在手持心电图机中的心电信号去噪应用 [J], 方清;崔翠红;赵海洋;陈斌;张文超
2.改进EEMD算法在心电信号去噪中的应用 [J], 潘广贞;王凤;孙艳青
3.小波变换在心电信号去噪中的应用 [J], 崔翠红;赵海洋;方清;陈斌;张文超
4.改进GOMP算法在心电信号去噪中的研究与应用 [J], 汤伟; 王权; 刘嫣; 王玲利
5.改进小波阈值在心电信号去噪中的应用 [J], 檀雪;叶继伦;张旭;李晨洋;周晶晶;窦可建
因版权原因，仅展示原文概要，查看原文内容请购买。
I***********本科毕业设计（论文）题目心电信号与小波消噪研究与应用姓名******专业10 电子科学与技术学号*********指导教师***电气工程学院二Ｏ一四年05月07日目录摘要......................................................................... 错误！未定义书签。
Abstract.................................................................. 错误！未定义书签。
1 绪论..................................................................... 错误！未定义书签。
1.1 引言 (2)1.2 心电图概述 (3)2 小波变换理论的基础 (9)2.1 连续小波点换简介 (9)2.2 离散二进制小波变换简介 (13)2.3 多分辨分析与Mallat快速算法 (14)2.4 小波基函数的特性 (15)3MATLAB简介 (16)3.1Matlab算法 (16)3.2Matlab工具 (17)3.3本章小结 (18)3.4小波分析方法............................................. 错误！未定义书签。
4仿真与调试.......................................................... 错误！未定义书签。
4.1 仿真与调试 (20)4.2结论 (23)结论 (24)展望与结论 (25)参考文献 (26)致谢 (27)附录 (28)小波变换的心电信号摘要心脏病是危害人类健康的一大常见疾病，对其防治和诊断技术的研究具有十分重要的意义。
而ECG是为心脏病诊断的一个重要依据，是研究焦点在心脏病诊断领域。
在根据对生物医学信号处理的广泛的分析的这篇文章上国内外，为在ECG信号处理的现有的缺乏，根据小波“的精选在ECG”这个主题信号处理技术变换。
由于有小波变革的好定期频率地方化特征、小波分析理论和方法在信号处理，图象处理和其他区域越来越用途广泛。
这种研究工作在ECG被处理使用小波变换理论。
主要内容如下：首先，介绍基本的理论，并且小波变换传统坚硬阈值化，denoising软门限的原则。
为了克服门限denoising在过程中导致的ECG假吉布斯现象，我们使用根据小波变换和门限denoising的方法的翻译不变式联合解决问题。
根据哪些心脏针对噪音的信号减少方法，即，首先在除频率干涉之外的能适应的陷波滤波器和门限法律和违反与平底锅的法律不是以前的改革，并且撤除、电干扰和基础线在MIT/BIH心率失常数据库在心脏漫步，使用这个方法的电为仿效，并且检验，结果表明方法有可行性和有效率。
其次，QRS波浪侦查在研究中。
在研究，关于信号变化问题的原则，反之谈论信号稀有(R波浪峰顶)和它的小波中变换关系的过零点的很大的价值。
同样在电信的MIT/BIH心率失常数据库，于实验，和使用方法，从分离的QRS波浪噪声的很大的价值，并且可以是准确地提取的R波浪，以及波浪QRS起点。
最后，研究了大量的数据的心电图信号压缩方法的心电图特征。
使用自适应方法的小波变换的ECG 信号压缩编码压缩结果表明，使用的压缩方法得到更好的压缩比，和重建的信号失真较小。
关键词：心电信号；小波变换；去噪处理；QRS 波检测；心电信号压缩ABSTRACTAbstractThe heart disease is endangers the human health a big common disease, to its research of prevention and diagnostics has the extremely important significance. But ECG for an important basis of heart disease diagnosis, is studies the focal point in the heart disease diagnosis domain. In according to biomedical signal processing the article of widespread analysis in domestic and foreign, for in existing lacking of ECG signal processing, according to wavelet \"selection in ECG\" this subject signal processing technology transformation. Because there is the good regular frequency localization characteristics, a Wavelet theory and method that the wavelet transforms in the signal processing, other data processing and region more and more versatilities. This research work was processed the use wavelet theory in ECG. The primary coverage is as follows：Secondly, we study how to detect the QRS wave and give the theory related to the discontinuity point of signal. Then the relationship between signal singularity and signal zero-crossing point of the wavelet transformed modulus maximum pairs is discussed. Similarly we can get the experimental results from the MIT/BIH arrhythmia database. This method can be used to separate the QRS wave from noise and extract the R wave crest points and the QRS wave initial points.Finally, to study a large amount of data of the ECG signal compression method of ECG features. Using the adaptive method of wavelet transforms the ECG signal compression and coding compression results indicate that compression method used by the better compression, and reconstruction of the distortion of the signal is small.Key words: Electrocardiogram Signal；Wavelet Transformation；De-noising Processing；QRS Wave Detecting,；Compression of ECG第一章绪论1.1 引言近年来，和与生活的快速的步幅和增量的压力在心血管病的成为了对全球性的一个威胁人民和大量生活的主要疾病的多数和健康一。
根据世界心脏联盟，全世界，为在33%总死亡人数的死亡的数量的心血管病，能被看见心脏病成为了危险对人类健康和他们的生活安全“第一凶手”。
心电图是生物医学信号，它是表面上看，心脏电活动的综合反映和心电图信号处理是一类型的生物医学工程应用 [1]。
生物医学工程是一个全新的领域，结合理论与工程、生物学和医学的方法，研究人类的躯体，并利用技术手段来控制这种变化，目的是处理有关医疗、保护人类健康、疾病预防、诊断、治疗和康复服务的问题时，在各级系统的状态。
电加工方法的核心是主要的硬件和软件处理，随着科学技术的快速发展，硬件条件不再是一个问题；然而的传统，以及与现有软件地址理论和实践方法在某些程度上，有不足之处，并因此有需要进一步研究，寻找一个更可靠的解决方案。
最近几年的小波变换小波变换 WT）理论、傅里叶变换（傅立叶) 理论的新发展，作为一种新，这尤其适合非光滑信号处理，目前正在对减少噪音、特征点提取、图像压缩、图像处理和其他领域的数字信号多分辨率方法是研究的分析的广泛的应用。
在真实的应用程序和电信，处理就是分析诊断系统的准确性的关键步骤、可靠性的诊断和治疗，并甚至病人的生命危在旦夕。
为此原因和电信的加工提高我们国家的社会和经济利益可能的重要性。
1.2 心电图概述1.2.1 心电图基础活动的核心是心电图，以及经常性的图案。
从兴奋，第一次传导和心房，心房刺激，除电气命名 P 波。
在上部、右心房开始除 0.04 至 0.06 秒，激动的打开光束的房间。
然后，通过房间、室线束（希族塞人的线束）、心室的兴奋，心室刺激，和心室刺激，从而导致非常电动命名为 qrs。
心房和心室的兴奋（除了非常完整，复极，复极过程，第一次心房复极和心室后。
生产很小的心电图心房复极，很难观察，对心室复极过程的命名 T 波。
根据订单的兴奋、周期的冲击波形由 P 波，QRS 复合波，T 波，ST 和 U 波。
冲击波形如图所示的典型心。
1.1所示：低频率特性：人类心脏信号频率在0.05 至100 赫兹之间；随机性：心电图反映了人体的生理功能的人类的身体，是人类身体的信号传输系统的一部分，因为身体不均匀性和易受外来影响的信号来接很容易更改与变化的外界干扰，有一定的随机性与非平稳。
1.2.3 MIT-BIH 心律失常数据库简介国际公认标准的心脏数据库有3个，麻省理工学院在美国大学麻省理工学院-波黑数据库、 AHA 美国心脏协会数据库所提供的以及欧洲 ST-T 心脏数据库作为当前。
麻省理工学院-波黑数据库应用程序在近年来已较广泛，并为我心脏医学工程部门。
麻省理工学院-波黑心律失常数据库2是美国麻省理工学院和贝斯以色列医院建立数据库。
