引言

　　脈搏信號是人體生理病理的最常見的外在反映，其中脈搏信號的各種特征，例如幅度、頻率能夠給醫(yī)生臨床診斷提供重要依據(jù)[1]。根據(jù)脈搏信號來診斷病癥，給人們提供健康狀況的預測，越來越受到人們的重視。

　　但是，脈搏信號是一種比較微弱的、且易受干擾的信號。而且，受到不同的人體內生理狀況、外在環(huán)境條件和數(shù)據(jù)采集方法的影響，脈搏信號通常都有很大差異。一般地，影響脈搏信號的噪聲可分為50Hz工頻干擾、高頻隨機干擾、人體微小動作引起的干擾(例如人體呼吸、肌肉收縮等)。而脈搏信號的頻率主要集中分布在0.5~5Hz[2]，因此，脈搏信號中的有用信號經(jīng)常和低頻噪聲混雜在一起。

　　本文采用了改進閾值的小波分解和經(jīng)驗模態(tài)分解的人體脈搏信號濾波算法，濾除了上述噪聲信號，保留了有用信號，取得了較好的濾波效果，為脈搏信號的研究提供了一個新的思路。

　　1 改進閾值的小波算法

　　Donoho[3]等在1994年首次提出小波系數(shù)硬閾值計算和軟閾值計算模型?；驹頌椋簩π盘栕鲂〔ǚ纸獾贸鲈诓煌叨认碌男〔ㄏ禂?shù)，根據(jù)閾值計算公式，將小于閾值的小波系數(shù)置零，保留大于閾值的小波系數(shù)，最后得出估計小波系數(shù)。但是無論是軟閾值還是硬閾值計算模型，估計的小波系數(shù)都存在缺陷，前者導致小波系數(shù)在在閾值處是不連續(xù)的，后者估計的小波系數(shù)總小于真實值，重構信號與真實信號存在偏差。

　　針對軟硬閾值計算模型的缺陷，文獻[4]給出改進閾值的小波系數(shù)模型(如下所示公式1)，如附圖1所示

　　為小波變換系數(shù)，為估計小波系數(shù)，λ為閾值，當混入噪聲信號經(jīng)小波變換后的小波系數(shù)由原始信號的小波系數(shù)和噪聲信號的小波系數(shù)組成，含混入噪聲信號的小波系數(shù)總大于原始信號的小波系數(shù)，而去噪的目的就是令估計小波系數(shù)無限接近于原始信號的小波系數(shù)，通過引進動量因子α實現(xiàn)。

　　選擇緊支性和正交性較優(yōu)良Daubechies小波族中的db8小波基，選用信噪比、均方差值和相關系數(shù)三個指標，評價了改進閾值的小波算法分別在濾除高頻信號和低頻信號的效果，圖2為改進閾值法濾除高頻噪聲仿真結構(左圖為含噪聲信號，右圖為去噪以后信號)，圖3為改進閾值法濾除低頻噪聲仿真結構(左圖為含噪聲信號，右圖為去噪以后信號)，表1

為改進閾值法濾除高頻噪聲和低頻噪聲評價指標對比。

　　從仿真結果可知，改進閾值法在濾除脈搏信號中高頻噪聲方面有優(yōu)勢，信噪比、均方差值和相關系數(shù)三個指標參數(shù)均高于該種方法用于濾除低頻噪聲的效果。

　　2 基于閾值的經(jīng)驗模態(tài)分解

　　2.1 經(jīng)驗模態(tài)分解

　　1998年，Norden E. Huang等[5]首次提出一種非線性信號分析方法-經(jīng)驗模態(tài)分解方法(Empirical Mode Decomposition，簡稱EMD)：即在不同的特征尺度下，對信號序列做分離模態(tài)處理，得到若干平穩(wěn)的固有模態(tài)函數(shù)(Intrinsic Mode Function，簡稱IMF)和一個殘余分量，各IMF分量反映信號內在局部特征，

殘余分量體現(xiàn)了信號緩慢變化趨勢。

　　EMD分解過程是基于下列假設：信號由若干IMF分量組成，這些IMF分量可以是線性的，也可以是非線性的，且每一個IMF分量的極值點數(shù)和過零點數(shù)相等。符合IMF條件：1.任意一個固有模態(tài)函數(shù)的極大值點和極小值點的數(shù)目之和，等于該IMF中的零點數(shù)，或最多相差1;2.任意一個固有模態(tài)函數(shù)的上包絡線(由該IMF的局部極大值確定)和下包絡線(由該IMF的局部極小值確定)的平均值為零。