[发明专利]一种基于K-SVD与OMP算法结合的心电信号去噪方法

说明书

本发明涉及一种基于稀疏分解的心电信号去噪方法，主要解决采集心电信号时其含有多种噪音对心电信号的影响。步骤如下：第一步，获取含有噪音的原始心电信号；利用近似奇异值分解的稀疏K‑SVD算法对超完备字典进行训练；在此字典基础上，利用基于残差比迭代方式的OMP算法对信号进行稀疏表示得出稀疏编码系数，利用训练好的字典与稀疏编码系数来重构去噪后的信号。本发明有效地解决了不同强度噪音下心电信号去噪问题。

技术领域

本发明属于信号处理领域，特别涉及到一种基于K-SVD的字典训练算法与正交匹配算法结合的去燥方法。

背景技术

随着国家经济的快速发展与人民生活水平的不端提高，国内心血管疾病的发病率也在不端的上升。心电图(Electrocardiogram，ECG)作为临床医学常规检查方法之一，它对心血管疾病的诊断具有重要意义。心电信号作为人体微弱信号，采集的过程中会有大量噪音，将其有效部分提取出来成为心电检测与识别的前提。传统的去噪方法有FIR数字滤波器、自适应滤波器、小波滤波器、神经网络滤波器等方法。这些方法存在各样缺点，如局部滤波效果差、实时性等问题。近年来，稀疏分解理论在信号处理以及图像处理方面取得了卓越成果。为了克服这些问题，本发明提出利用稀疏理论的方法对信号进行去噪，它利用信号的稀疏性将信号稀疏表示，再将其重构出原始信号。因此，本发明是一种准确且高效的心电信号去噪方法。

发明内容

心电信号作为心脏电活动在人体体表的表现，信号比较微弱，极易受环境的影响，且其含有不同类型的噪声，主要有肌电干扰、工频干扰和基线漂移。对其进行去噪处理是必要的。针对现有技术存在的不足，本发明提供了一种利用K-SVD与OMP相结合算法的心电信号去噪方法，利用K-SVD算法将初始超完备字典训练为具有完整特征的心电信号的超完备字典，利用OMP算法将其重构出，从而达到去噪效果。经实验验证其功能具有准确、且设计合理的优点。

一、K-SVD算法学习过程

如图2所示，K-SVD算法学习过程为：

(1)初始化字典D。选取Gabor原子库来作为初始样本。Gabor函数的表达式如下所示：

其中g(t)为高斯窗函数，γ是由s,u,v,w四种参数决定的时频参数，s为尺度因子，决定了函数能量分布率。v为频率调制因子，决定了函数主频；u为平移因子，决定了函数波形的位置；w为相位因子，决定了函数的相位。通过次函数便可以生产Gabor字典。

(2)设给定训练样本集其中N表示此训练集合共有N个信号；字典D∈R^n×k为Gabor字典。为训练信号稀疏表示的稀疏向量集合。字典学习的过程表示一个优化问题，即

其中，T₀表示稀疏系数非零个数的最大值。

(3)逐列更新字典D。信号分解表示为

其中，x_j是α_j所对应系数矩阵X的第j行向量，E_k为去掉α_j的信号集y的残差。然后，引入参数进行SVD分解。

w_k表示的是训练样本集{y_i}分解时用到原子d_k时所有y_i的索引所构成的集合，即的索引。σ_k为N×|ω_k|矩阵。分别为y、E_k去掉零输入后的结果。此时，式(3)转化为