心电信号处理中的50Hz工频噪声抑制技术

1. 心电信号处理中的50Hz工频噪声问题

心电信号（ECG）是临床诊断中最常用的生物电信号之一，它记录了心脏电活动在体表的电位变化。然而在实际采集过程中，ECG信号极易受到各种噪声干扰，其中50Hz（或60Hz，取决于地区电力标准）的工频干扰是最常见且影响最严重的噪声源之一。

这种干扰主要来源于：

• 电力系统中的交流电源泄漏
• 医疗设备之间的电磁耦合
• 电极与皮肤接触不良导致的阻抗变化
• 周围电子设备的电磁辐射

工频噪声的特点是：

1. 频率固定（50Hz或60Hz）
2. 幅度可能随时间变化
3. 常伴有谐波成分（100Hz、150Hz等）
4. 与有用ECG信号频带（0.05-100Hz）有重叠

传统的硬件滤波方法（如模拟带阻滤波器）虽然能部分解决问题，但存在以下局限：

• 无法适应噪声频率的微小波动
• 会引入相位失真
• 对谐波成分抑制效果有限
• 硬件参数固定，无法自适应调整

2. 自适应滤波技术原理与选型

2.1 自适应滤波基本框架

自适应滤波器通过实时调整自身参数来最小化输出信号与期望信号之间的误差。其核心优势在于：

• 能够跟踪噪声特性的变化
• 不需要精确的噪声先验知识
• 可同时抑制基波和谐波成分

基本结构包含：

1. 参考输入（通常为噪声源或其特征频率）
2. 自适应算法（用于调整滤波器系数）
3. 误差信号（用于驱动算法更新）

2.2 NLMS算法原理

归一化最小均方（NLMS）是LMS算法的改进版本，其系数更新公式为：

w(n+1) = w(n) + μ/(ε+x^T(n)x(n)) * e(n)x(n)

其中：

• w(n)为当前滤波器系数向量
• μ为步长因子（0<μ<2）
• ε为小常数（防止除零）
• x(n)为输入向量
• e(n)为误差信号

NLMS相比标准LMS的优点：

• 收敛速度更快
• 对输入信号功率变化更鲁棒
• 步长选择范围更宽松

2.3 RLS算法原理

递归最小二乘（RLS）算法通过最小化加权误差平方和来更新系数，其核心步骤包括：

1. 增益向量计算： k(n) = P(n-1)x(n)/(λ + x^T(n)P(n-1)x(n))

2. 误差计算： e(n) = d(n) - w^T(n-1)x(n)

3. 系数更新： w(n) = w(n-1) + k(n)e(n)

4. 逆相关矩阵更新： P(n) = λ^-1[P(n-1) - k(n)x^T(n)P(n-1)]

其中λ为遗忘因子（0<<λ≤1），控制历史数据的权重。

RLS的优势：

• 收敛速度极快
• 对非平稳信号适应能力强
• 稳态误差小

2.4 算法选型对比

对于心电去噪应用：

• 当处理资源有限时优选NLMS
• 对收敛速度要求高时选择RLS
• 可考虑两者结合的分段处理策略

3. 陷波滤波器设计与实现

3.1 自适应陷波器结构

本文采用的陷波滤波器结构基于二阶IIR滤波器，其传递函数为：

H(z) = (1 - 2cosω0 z^-1 + z^-2)/(1 - 2rcosω0 z^-1 + r^2 z^-2)

其中：

• ω0 = 2πf0/fs（中心频率对应的数字频率）
• r为极点半径（控制带宽，0<r<1）
• fs为采样频率

自适应过程通过调整ω0来精确跟踪噪声频率变化。

3.2 MIT-BIH数据库介绍

MIT-BIH心律失常数据库是心电研究的标准数据集，包含：

• 48条半小时的双导联记录
• 采样频率360Hz
• 带宽0.1-100Hz
• 包含各种心律失常类型

本文选用记录编号100、101、103等典型数据作为测试样本。

3.3 MATLAB实现步骤

3.3.1 数据预处理

% 加载MIT-BIH数据 [signal, Fs, tm] = rdsamp('mitdb/100'); ecg = signal(:,1); % 取第一导联 % 添加50Hz噪声模拟实际干扰 t = (0:length(ecg)-1)/Fs; noise = 0.5*sin(2*pi*50*t); % 噪声幅度设为ECG峰值的50% noisy_ecg = ecg + noise';

3.3.2 NLMS陷波器实现

% NLMS参数设置 order = 2; % 滤波器阶数 mu = 0.01; % 步长 epsilon = 0.1; % 正则化因子 % 参考输入生成（假设50Hz频率已知） ref_noise = sin(2*pi*50*(0:length(ecg)-1)/Fs)'; % NLMS初始化 w_nlms = zeros(order,1); output_nlms = zeros(size(noisy_ecg)); error_nlms = zeros(size(noisy_ecg)); % NLMS主循环 for n = order:length(noisy_ecg)-1 x = ref_noise(n:-1:n-order+1); output_nlms(n) = w_nlms' * x; error_nlms(n) = noisy_ecg(n) - output_nlms(n); w_nlms = w_nlms + (mu/(epsilon + x'*x)) * error_nlms(n) * x; end

3.3.3 RLS陷波器实现

% RLS参数设置 lambda = 0.99; % 遗忘因子 delta = 0.01; % 初始化参数 % RLS初始化 w_rls = zeros(order,1); P = delta*eye(order); output_rls = zeros(size(noisy_ecg)); error_rls = zeros(size(noisy_ecg)); % RLS主循环 for n = order:length(noisy_ecg)-1 x = ref_noise(n:-1:n-order+1); k = (P * x) / (lambda + x' * P * x); output_rls(n) = w_rls' * x; error_rls(n) = noisy_ecg(n) - output_rls(n); w_rls = w_rls + k * error_rls(n); P = (P - k * x' * P) / lambda; end

4. 性能评估与优化

4.1 量化评价指标

1. 信噪比改善（SNR Improvement）： ΔSNR = 10log10(Σx^2/Σe^2) - 10log10(Σx^2/Σ(y-x)^2)

2. 均方误差（MSE）： MSE = 1/N Σ(x - y)^2

3. 波形相关系数（CC）： CC = cov(x,y)/(σx σy)

4. 计算时间（CT）：算法运行耗时

4.2 实测结果对比

4.3 参数优化建议

1. NLMS步长选择：

   • 初始建议μ=0.01
   • 若收敛慢可增大至0.05
   • 出现震荡则减小至0.001

2. RLS遗忘因子：

   • 典型值λ=0.99
   • 对快速变化噪声可降至0.95
   • 需要更平稳输出时可增至0.995

3. 滤波器阶数：

   • 一般2阶足够抑制单频
   • 如需抑制谐波可增至4-6阶
   • 阶数过高会导致计算量剧增

4.4 实际应用中的注意事项

1. 参考信号质量：

   • 理想情况下应直接测量电源噪声
   • 无实测时可生成正弦参考
   • 频率误差>0.5Hz时性能急剧下降

2. 初始收敛问题：

   • RLS初始阶段系数不稳定
   • 可设置1-2秒的预收敛期
   • 或使用NLMS初始化RLS

3. 计算资源管理：

   • 嵌入式设备优选NLMS
   • PC处理可采用RLS
   • 实时性要求高时可降低采样率

5. 临床ECG处理中的扩展应用

5.1 多频段噪声抑制

实际ECG中常存在：

• 基线漂移（<0.5Hz）
• 肌电干扰（20-500Hz）
• 电极运动伪迹

解决方案：

1. 级联多个自适应陷波器
2. 结合小波变换的多分辨率分析
3. 使用广义陷波滤波器结构

5.2 心律失常检测中的预处理

典型处理流程：

1. 50Hz陷波滤波
2. 0.5-40Hz带通滤波
3. 小波变换去噪
4. QRS波群检测

5.3 移动心电监测应用

移动设备面临的特殊挑战：

• 更强的运动伪迹
• 不稳定的电源质量
• 有限的计算资源

优化方向：

• 改进的变步长NLMS
• 基于运动传感器的参考生成
• 低功耗硬件实现

我在实际项目中发现，对于便携式心电设备，采用NLMS与固定陷波器结合的混合方案往往能取得最佳性价比。具体实现时，先用硬件滤波器做初步抑制，再用自适应算法消除残余干扰，这样既能保证实时性，又能获得良好的噪声抑制效果。