发布时间 : 星期六 文章肌电信号的时域和频域分析更新完毕开始阅读33c7743902020740bf1e9b18
3.2 功率谱分析
能量谱密度、功率谱密度函数表示信号的能量、功率密度随频率变化的情况。通过研究功率谱密度，可以帮助了解信号的功率分布情况，确定信号的频带等。 功率密度谱虽然描述了随机信号的功率在各个不同频率上的分布，但因为它仅与幅度频谱有关，没有相位信息，所以从已知功率谱还难以完整地恢复原来的功率信号。
通过执行相应程序后，其功率谱的显示图如下所示：
其部分程序代码如下所示： global a; global t;
5
global s; s=fft(a,2000);
[C L]=wavedec(a,3,'db5'); cA3=appcoef(C,L,'db5',3); cD1=detcoef(C,L,1); cD2=detcoef(C,L,2); cD3=detcoef(C,L,3);
thr1=thselect(cD1,'rigrsure'); thr2=thselect(cD2,'rigrsure'); thr3=thselect(cD3,'rigrsure'); TR=[thr1,thr2,thr3]; SORH='s';
[XC,CXC,LXC,PERFO,PERF2]=wdencmp('lvd',a,... 'db5',3,TR,SORH); y1=fft(XC,20000); fs=2000; N=length(y1); mag=abs(s); f=(0:N-1)/N*fs;
power1=(mag.^2)/2000;plot(handles.axes1,power1)
6
第四章 小波去噪分析
小波分析方法是一种窗口大小（即窗口面积）固定但其形状可改变，时间窗和频率都可改变的时频局域化分析方法，即在低频部分具有较高的频率分辨率和较低的时间分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率，所以被称为数学显微镜。正是这种特性，是小波变换具有对信号的自适应性[4]。
4.1 常用的小波分析方法
4.1.1 小波消噪
一维的小波消噪过程主要分为以下三个步骤：①一维信号的分解：获得各尺度上的细节分量和近似分量；②细节分量的阈值化：对1到N尺度的上的每层细节分量选取合适的阈值，进行阈值化处理，保留有用信息，去除噪声成分；③一维信号的重构：根据小波分解的第N层近似分量和经阈值化处理后的第1层到第N层细节分量，进行一维信号的小波重构。本文还利用小波的多分辨率特性将心电信号分解为多层，然后进行有用信号的重构，将一些噪声信号去除。
4.1.2 小波函数的选取
同一信号，选取不同的小波函数进行处理，将得到不同的效果，所以小波函数的选取显得尤为重要。对于心电信号滤波来说，选择支集长度较短的小波可提高处理的实时性；选取对称性的小波可满足相移为基本线性，使心电信号不失真；选取正则性的小波可使重构以后的信号比较平滑。经过对比降噪效果，在本文中用db5小波基进行消噪处理。
4.1.2 阈值选取
阈值的确定是小波收缩消噪最关键的一步，阈值过小，则方差偏大，数据欠平滑；阈值过大，会使数据过平滑，信号的奇异性可能丧失。对小波系数进行阈值操作过程中，有两种方式，其一对每一个小波系数进行阈值操作，其二是成块习俗进行阈值操作。由信号的奇异性理论，心电信号里的噪声具有负的奇异性，
7
其幅度和稠密度随尺度的增大而减小，而信号则相反，因此阈值的选取不能单一。 阙值函数体现了对小波系数的不同处理策略，主要分为软阈值函数和硬阈值函数它们的基本思想都是去除小幅值的系数，对大幅值的系数进行保留。它们的去噪效果各有特点(可以从后面的具体例子中看出)：硬阈值法可以很好的保留信号的边缘等局部特征，但去噪的结果具有较大的方差，会出现伪Gibbs现象等视觉失真；软闭值法去噪结果相对平滑，但有较大的偏差，可能会造成边缘模糊等失真现象。
4.2 小波去噪的具体分析
为了确定和比较本次设计中小波去噪的效果，先对小波进行一层分解，二层分解，三层分解，四层分解，让它们单独对同一信号进行消噪处理。其结果图如下所示：
8