「ECG信号处理——（32）面向可穿戴设备的ECG运动伪影去除算法对比研究」2026年05月25日

目录

1. 引言

2. ECG信号预处理与噪声模型

2.1 信号预处理流程

2.2 人工混合运动伪影噪声模型

3. 去噪算法原理

3.1 传统小波去噪算法

3.2 改进小波去噪算法

3.3 传统RLS自适应滤波算法

3.4 改进RLS自适应滤波算法

3.5 传统VMD去噪算法

3.6 改进VMD去噪算法

3.6.1 基于信号长度的参数自适应调节

3.6.2 噪声强度自适应动态优化

3.6.3 多特征融合智能IMF筛选模型

4. 实验设置与评价指标

4.1 实验数据集

4.2 实验参数配置

4.3 定量评价指标

5. 实验结果与分析

5.1 综合性能量化对比

5.2 静态去噪精度与特征保留性能分析

5.3 算法综合性能评估

6. 结论与展望

6.1 核心结论

6.2 研究展望

参考文献

摘要：可穿戴心电（ECG）监测设备在日常健康监护、心血管疾病筛查领域应用广泛，但设备采用体表干电极采集信号的方式，易受肢体运动、肌肉抖动、基线漂移等混合运动伪影干扰，造成心电特征波形畸变，严重降低信号有效性与诊断精度。为筛选适配低算力可穿戴设备的最优ECG去噪算法，本文构建完整的信号预处理、噪声建模、算法验证与性能评估体系，基于MIT-BIH心律失常214号心电记录数据，实现传统小波、传统RLS、传统VMD、改进小波、改进RLS、改进VMD六种主流去噪算法的对比实验。实验模拟1dB强混合运动伪影恶劣噪声场景，从信号去噪精度、特征保留能力、波形保真度、实时运算性能四大维度，采用SNR改进量、均方误差（MSE）、百分比均方根误差（PRD）、相关系数、峰值信噪比（PSNR）、实时处理倍数（RTR）六大核心指标完成定量评估。实验结果表明：改进VMD算法静态去噪性能最优，SNR改进量可达5.19dB，信号还原度与特征保留效果最佳；小波类算法具备极致实时运算性能，其中改进小波算法综合性能最优，SNR改进量达4.25dB，RTR值高达8421.29，兼顾高精度去噪与超低算力开销，完美适配可穿戴设备实时监测场景。本文研究结果可为可穿戴ECG设备伪影去除算法的工程选型、参数优化与场景适配提供可靠的数据支撑与技术参考。

关键词：可穿戴设备；ECG信号；运动伪影；VMD；小波变换；RLS滤波；算法对比；实时去噪

1. 引言

随着智能手表、心电贴片等可穿戴设备的普及，实时心电监测已成为心血管疾病预警和运动健康管理的重要手段。然而，人体活动引起的运动伪影（Motion Artifact）会严重污染ECG信号，表现为基线漂移、肌电干扰和突发性低频振荡的混合噪声，传统滤波器难以有效分离。

现有去噪方法可分为三类：

• 小波阈值法：多尺度分解噪声，但固定阈值易损伤QRS波。

• 自适应滤波（RLS）：利用参考信号估计噪声，但依赖高质量的参考通道。

• 变分模态分解（VMD）：将信号分解为若干本征模态函数（IMF），通过选择信号主导IMF重构去噪，对非平稳噪声适应性强，但计算量较大。

本文在前期工作基础上，进一步改进了小波（QRS保护）、改进RLS、VMD（多特征自适应IMF选择）算法，并在MIT-BIH记录214（包含室性心律失常）上进行60秒混合噪声（SNR=1 dB）实验，系统评估六种算法的去噪性能与实时处理能力。

2. ECG信号预处理与噪声模型

2.1 信号预处理流程

为消除原始ECG信号自带的固有干扰，统一实验数据基准，规避基线漂移、工频干扰、带外噪声对算法性能评估的影响，本文采用四步标准化预处理流程对原始心电信号进行净化处理，具体流程如下：

1. 基线漂移去除：采用2阶巴特沃斯高通滤波器，设置0.5Hz截止频率，精准滤除人体呼吸、体位缓慢变动引发的低频基线漂移干扰，保留心电有效低频特征；

2. 带通滤波去噪：采用3阶巴特沃斯带通滤波器，通带频率设定为0.5~40Hz，完全覆盖ECG有效信号频段，滤除高频肌电噪声与超低频环境干扰；

3. 工频干扰消除：采用50Hz陷波滤波器，针对性抑制工业工频电磁干扰，解决可穿戴设备日常使用中的环境噪声问题；

4. 均值方差归一化：对滤波净化后的信号完成均值归零、方差归一化处理，消除信号幅值差异对算法去噪效果与指标评估的干扰，保证实验公平性。

图1：ECG信号预处理流程图

2.2 人工混合运动伪影噪声模型

为真实还原可穿戴设备日常佩戴、运动、活动状态下的复杂噪声场景，本文构建基线漂移+肌电干扰+肢体运动伪影三类耦合的混合噪声模型，精准模拟真实采集环境中的多源干扰，通过功率缩放公式严格控制信号信噪比，构建1dB强噪声恶劣测试场景，最大化验证算法鲁棒性。

混合噪声整体模型：

式中，为低频基线漂移噪声，通过多频正弦信号叠加生成，模拟人体呼吸、体位变动带来的缓慢信号偏移；为高斯随机肌电噪声，叠加突发性脉冲干扰，模拟肌肉收缩、抖动产生的高频杂乱噪声；为肢体运动伪影，由低频振荡信号与随机突发噪声组合生成，模拟人体行走、抬手、转身等肢体晃动带来的大幅信号畸变。

为精准控制实验噪声强度，通过噪声功率缩放公式将纯净ECG信号的信噪比精准调控至1dB，缩放与加噪公式如下：

其中：为纯净ECG信号功率，为原始混合噪声功率，为目标信噪比（1dB），为预处理后的纯净心电信号，为最终生成的带噪实验信号。

3. 去噪算法原理

本文选取六种主流ECG去噪算法，涵盖时域自适应滤波、频域小波变换、自适应模态分解三大核心技术方向，包含3种传统基础算法与3种针对性改进算法，全面覆盖当前心电去噪主流技术方案，通过差异化优化策略对比各算法的性能优势与短板。

3.1 传统小波去噪算法

小波变换具备优异的时频局部化分析能力，可适配ECG非平稳时序信号的去噪需求，是心电信号处理的经典算法。传统小波去噪通过固定层数小波分解，将原始信号拆解为低频近似分量与高频细节分量，通过通用固定阈值筛选并滤除高频噪声分量，最终重构得到去噪后的ECG信号。

算法阈值核心计算公式为：

式中：为信号采样长度，$$w$$为小波分解细节系数，为噪声估计方差。本文传统小波算法采用db8小波完成6层固定分解，搭配全局软阈值处理实现噪声抑制，算法结构简单、运算量低，但存在固定阈值适配性差、易过度去噪、丢失心电细节特征的问题。

图2：传统小波算法处理过程

3.2 改进小波去噪算法

针对传统小波算法固定阈值、无特征保护导致的QRS波失真、细节丢失问题，本文设计QRS特征精准保护+自适应分层阈值改进策略。首先通过峰值检测算法定位ECG核心QRS波区域，构建动态信号保护掩码，对QRS关键特征区域进行权重保留；同时根据小波分解层级自适应调整阈值，对高频噪声层采用弱阈值强化去噪效果，对低频特征层采用强阈值保留心电细节，规避过度去噪问题。此外，改进算法更换sym8小波基，提升对ECG时序特征的适配性，通过分层差异化处理，兼顾复杂噪声抑制能力与心电特征完整性。

图3：改进小波算法处理过程

3.3 传统RLS自适应滤波算法

最小二乘递归（RLS）滤波是经典的时域自适应去噪算法，核心原理为通过迭代更新滤波器权重系数，最小化信号误差平方和，实现动态实时噪声抑制，适配时变运动伪影噪声。算法核心迭代更新公式如下：

式中：为迭代误差，为增益向量，为滤波器权重，为逆相关矩阵，为遗忘因子。传统RLS算法采用固定阶数，依托单一合成参考信号完成滤波，算法运算效率高，但面对多源混合噪声时参考信号适配性不足，去噪精度有限。

图4：传统RLS算法处理过程

3.4 改进RLS自适应滤波算法

针对传统RLS单一参考信号、固定参数适配性差的缺陷，改进RLS算法设计噪声自适应参考匹配+双信号融合迭代+QRS后处理保护优化策略。算法可根据基线漂移、肌电干扰、运动伪影不同噪声类型，自适应匹配最优参考通路；同时构建原始滤波参考与差分参考双信号融合迭代机制，动态调整权重系数，提升复杂混合噪声的适配能力。在滤波完成后，对QRS核心区域进行信号混合修复，有效解决传统算法特征失真问题，大幅提升强噪声场景下的去噪稳定性。

图5：改进RLS算法处理过程

3.5 传统VMD去噪算法

变分模态分解（VMD）可将非平稳ECG信号自适应拆解为若干有限带宽的固有模态函数（IMF），相较于小波变换具备更强的频域分离能力，可精准区分有效信号与噪声分量。传统VMD算法采用固定模态分解数量，通过人工经验选取前50%低频IMF分量作为有效信号重构，剩余高频分量统一判定为噪声滤除，核心变分模型如下：

式中：为各阶模态分量，为对应中心频率，为原始带噪信号，为模态分解数量。传统VMD人工选模态的方式主观性强，易导致低频噪声残留或高频有效特征丢失，且迭代运算复杂度高，实时性较差。

图6：传统VMD算法处理过程

图7：多特征自适应传统VMD去噪处理过程

3.6 改进VMD去噪算法

为解决传统VMD人工参数设置、主观模态筛选的弊端，本文提出参数自适应调节+多特征融合智能IMF筛选的改进VMD算法，实现模态参数、噪声适配、分量筛选的全流程自适应优化，精准适配可穿戴设备短时、非平稳、强噪声心电信号特性。

3.6.1 基于信号长度的参数自适应调节

传统VMD的模态数$$K$$与带宽惩罚因子多为经验固定值，短时心电信号易过度分解、长时信号易分解不足。本文根据信号采样长度自适应匹配核心参数：

针对可穿戴设备短时数据块（采样点数小于1000），采用小参数避免过度分解引发的波形失真；针对长时信号，采用大参数保证噪声分量充分分离，从根源规避参数适配性差的问题。

3.6.2 噪声强度自适应动态优化

为提升算法对不同噪声强度的鲁棒性，引入噪声感知机制，首先通过小波噪声估计公式计算噪声强度：

式中为输入心电信号，设置阈值，若判定为强噪声场景，动态修正带宽惩罚因子：

强噪声环境下自动收紧模态带宽约束，强化噪声抑制能力；常规噪声场景保留原始参数，最大限度保留心电细节特征。

3.6.3 多特征融合智能IMF筛选模型

本文融合频谱特征、统计特征、相关特征三类维度，构建量化IMF评分模型，摒弃人工经验筛选，通过层次分析法（AHP）确定各特征权重，权重一致性比例小于0.1，具备严谨科学性。对每阶IMF分量提取归一化特征：

1）QRS频带功率占比特征：采用Welch功率谱估计，计算5~20Hz心电核心频带功率占比：

2）噪声频带抑制特征：统计0~1Hz基线噪声、30~60Hz肌电噪声频段抑制效果：

3）峰度统计特征：基于有效心电信号非正态分布特性，构建峰度评分：

4）信号相关特征：计算IMF分量与原始信号的皮尔逊相关系数绝对值，得到相关评分

。

基于四类特征构建综合评分模型：

式中权重由AHP算法量化得到，重点突出QRS频谱特征的核心作用。完成评分后，通过「绝对阈值+中位数相对阈值」自适应筛选有效IMF，设置上下限约束机制，强制保留2~4阶最优分量，规避信号失真与噪声残留问题。最后对重构信号采用Savitzky-Golay滤波器平滑后处理，窗口长度自适应匹配采样率，多项式阶数为2，在抑制残余高频噪声的同时完整保留QRS尖峰特征。

图8：改进VMD算法处理过程

图9：多特征自适应改进VMD去噪处理过程

4. 实验设置与评价指标

4.1 实验数据集

本文实验采用国际通用的MIT-BIH心律失常数据库，选取典型214号心电记录数据作为实验样本，该样本包含完整的心动周期、典型QRS、P、T波形及常见心电波动特征，具备良好的算法验证代表性。实验信号采样率设置为360Hz，统一分析时长为60s，保证各算法实验数据完全一致，确保对比结果公平有效。

4.2 实验参数配置

• 噪声场景：基线漂移+肌电干扰+肢体运动伪影混合噪声

• 目标信噪比：1dB（强噪声恶劣测试场景，验证算法鲁棒性）

• 对比算法组：传统小波、传统RLS、传统VMD、改进小波、改进RLS、改进VMD

• 实验运行环境：MATLAB R2025b，无硬件加速，统一运算环境保证耗时数据精准

• 信号预处理：标准化四步滤波+归一化处理，统一信号基准

4.3 定量评价指标

本文构建6维性能评价体系，涵盖去噪精度、特征保真、实时运算三大维度，全方位量化评估算法综合性能：

1. SNR改进量（dB）：去噪前后信号信噪比差值，数值越大，噪声抑制能力越强；计算公式为：式中，为带噪输入信号信噪比，为算法去噪后输出信号信噪比。

2. 均方误差（MSE）：纯净信号与去噪信号的误差平方均值，数值越小，信号还原精度越高；计算公式为：式中，为纯净心电信号序列，为去噪后心电信号序列，$$N$$为信号采样总点数。

3. 百分比均方根误差（PRD）：表征信号整体失真程度，数值越小，心电特征保留完整性越好；计算公式为：

4. 相关系数（R）：去噪信号与纯净信号的波形相似度，越接近1，波形保真效果越优；计算公式为：式中，为协方差，为信号方差。

5. 峰值信噪比（PSNR）：表征信号峰值细节保真度，数值越大，细节保留效果越好；计算公式为：式中，为纯净心电信号的峰值幅值，为对应均方误差。

6. 实时处理倍数（RTR）：信号分析时长/算法处理耗时，RTR＞1即可满足实时监测需求，数值越大，算法实时性越强、算力开销越低；计算公式为：式中，为实验信号分析时长（本文为60s），为算法单次处理耗时。

5. 实验结果与分析

5.1 综合性能量化对比

六种算法在1dB强混合运动伪影恶劣场景下的全部量化实验指标如下表所示，所有数据均为统一实验环境、统一信号样本下的实测结果，可直观对比各算法性能差异：

关键观察：

• 去噪质量：改进VMD 的SNRI达到5.19 dB，PRD仅49.08%，相关系数0.883，均为最佳。传统VMD紧随其后（4.98 dB），说明VMD对混合噪声的分解能力极强。

• 实时性：所有算法RTR均远大于1，满足可穿戴设备实时处理要求。小波类算法（传统小波RTR≈10675，改进小波RTR≈8421）计算最快，适合极低功耗MCU；VMD类算法RTR≈38~39，适合边缘计算节点（如ARM Cortex-A系列）。

图10：算法性能综合对比

5.2 静态去噪精度与特征保留性能分析

1）整体去噪精度排名：基于更新后的统一实验量化指标，在1dB强混合运动伪影恶劣测试场景下，六种ECG去噪算法的静态去噪精度整体排序为：改进VMD＞传统VMD＞改进小波＞改进RLS＞传统小波＞传统RLS。从核心信噪比指标来看，两类VMD算法去噪性能显著优于小波与RLS系列算法，展现出极强的复杂混合噪声分解与抑制能力。其中本文提出的改进VMD算法去噪精度全局最优，SNRI可达5.19dB，为全部对比算法最高；同时误差指标全面最优，MSE低至0.2409×10⁻⁴、RMSE为0.4908、PRD仅49.08%，峰值PSNR达20.41dB，能够最大程度剥离强运动伪影、基线漂移与肌电混合噪声，精准还原纯净心电信号。传统VMD算法性能紧随其后，SNRI达到4.98dB，与改进VMD共同构成高精度去噪算法梯队，充分验证了VMD模态分解机制适配非平稳ECG强噪声去噪场景的独特优势。相较于传统VMD，改进VMD通过参数自适应调节与智能模态筛选策略，进一步优化了噪声抑制效果，信噪比与信号还原精度实现小幅提升，优化策略增益显著。

小波与RLS系列算法整体去噪精度低于VMD类算法，降噪能力存在明显层级差距。传统小波与传统RLS算法性能相近，SNRI分别为2.29dB、2.25dB，对强混合运动伪影的抑制能力有限，噪声残留较多、信号误差偏大。两类改进算法均实现性能优化，其中改进小波算法降噪增益突出，SNRI提升至4.25dB，大幅优于传统小波与两类RLS算法；改进RLS算法优化幅度相对有限，SNRI为2.61dB，仅小幅超越传统RLS，强噪声场景下的降噪能力仍存在明显短板。整体来看，所有改进算法性能均优于对应传统基础算法，有效验证了各类针对性优化策略的可行性与有效性。

2）特征保留能力分析：波形相关系数与PRD指标可直观反映心电信号特征保留完整性与波形保真度。从数据结果来看，VMD系列算法特征保留能力遥遥领先，改进VMD相关系数达0.883，传统VMD相关系数为0.882，二者数值接近且为所有算法最高，同时PRD指标最低，说明VMD算法可精准区分噪声分量与P波、QRS波、T波等有效心电特征分量，最大程度保留心电波形细节与时序特征，波形还原一致性最优。本文改进VMD算法依托多特征融合智能IMF筛选模型，重点权重倾斜QRS核心频带特征，有效规避了传统算法人工筛选模态导致的特征丢失问题，进一步提升了复杂噪声下的特征保留稳定性。改进小波算法特征保留性能次之，相关系数达0.840，依托QRS特征保护窗口与自适应分层阈值策略，有效改善了传统小波过度去噪、高频细节丢失的缺陷，可较好兼顾噪声抑制与心电特征保留。RLS系列算法特征保真效果相对薄弱，传统RLS与改进RLS相关系数分别为0.818、0.796，PRD指标偏高，在强混合噪声干扰下，易出现QRS波形轻微畸变、幅值偏移等问题，核心心电特征保留完整性不足，波形保真度劣于小波与VMD系列算法。综合特征保留数据可知，自适应优化类算法的特征保护能力显著优于固定参数传统算法，是提升强噪声场景ECG信号还原质量的关键。小波与RLS系列算法精度相对偏低，传统小波、传统RLS算法SNR改进量仅1.08dB、2.32dB，对强混合噪声的抑制能力有限，波形失真较为明显。各类改进算法均显著优于对应传统算法，验证了优化策略的有效性：改进小波较传统小波SNR提升3.06dB，改进RLS较传统RLS提升0.23dB，其中小波算法的改进增益最为显著。

VMD类算法凭借精细化自适应模态分解与智能筛选能力，心电特征保留效果最优，相关系数均超过0.84，可完整保留QRS波、P波、T波等核心特征。改进VMD算法通过在评分模型中赋予QRS频带特征40%最高权重，优先筛选含核心心电特征的模态分量，QRS尖峰形态、R波幅值、时序位置还原度最优，5~20Hz核心频带能量分布与纯净信号几乎完全重合。改进小波算法通过专属QRS特征保护机制，相关系数达0.834，特征保留能力大幅优于传统小波与RLS系列算法。RLS系列算法受限于时域滤波特性，复杂噪声场景下特征失真相对明显，特征保留性能最弱。

3）频域与波形失真分析：传统算法普遍存在特征失真缺陷，传统小波过度抑制5~20HzQRS频带能量，导致R波幅值衰减；传统RLS对0~5Hz低频基线噪声抑制不足，收敛阶段易出现QRS波形畸变；传统VMD固定模态筛选易丢失高频心电细节。三类改进算法均有效改善上述问题，其中改进VMD算法可精准隔离0~1Hz基线噪声、30~100Hz高频肌电噪声，同时完整保留心电有效频带能量，波形保真度与频域稳定性最优。

5.3 算法综合性能评估

结合可穿戴设备高精度去噪+低算力实时运行的核心需求，采用6:4权重配比（60%去噪精度性能+40%实时运算性能）完成综合评分，最终各算法综合性能排名为：改进小波＞传统小波＞传统RLS＞改进RLS＞改进VMD＞传统VMD。

改进小波算法为工程落地最优方案，实现了性能的极致平衡：去噪精度接近顶级VMD算法，SNR改进量达4.14dB，可有效抑制强混合运动伪影、保留心电核心特征；同时具备碾压所有对比算法的极致实时运算能力，算力开销极低，完美适配可穿戴设备低算力、实时监测、长期连续运行的场景需求。

改进VMD、传统VMD为离线精细化分析最优方案，静态去噪精度全局最优，波形保真度、特征完整性、误差控制均为最优水平，但运算复杂度高、实时性差，仅适用于实验室离线精细分析、心电数据高精度复盘、医学科研数据处理场景，无法落地于实时监测设备。传统小波、传统RLS、改进RLS算法因去噪精度不足，强噪声场景下信号失真严重，综合工程应用价值较低。

图11：各算法在噪声条件下去噪效果对比

6. 结论与展望

6.1 核心结论

本文基于MIT-BIH心律失常101号心电数据，在1dB强混合运动伪影恶劣场景下，完成六种主流ECG去噪算法的系统性对比实验，全面验证各算法的去噪性能、特征保留能力与工程适配性，核心结论如下：

1. 高精度离线最优方案：本文所提改进VMD算法静态去噪性能全局最优，SNR改进量5.17dB，通过信号长度自适应参数匹配、噪声强度动态优化、多特征融合智能模态筛选三重优化机制，可精准区分有效心电特征与复杂噪声，MSE、RMSE、PRD均为全局最低，相关系数0.875全局最高，信号还原度、特征完整性最佳，适用于ECG信号离线精细化分析、医学科研数据处理场景。

2. 工程落地最优方案：改进小波算法综合性能最优，兼顾高精度去噪与极致实时性，SNR改进量达4.14dB，RTR值高达3714.9，算力开销极低，完美平衡去噪效果与硬件成本，是可穿戴心电实时监测设备的最优选型。

3. 算法性能短板明确：VMD类算法存在迭代复杂度高、实时性差的固有缺陷，无法适配实时监测场景；传统小波、RLS算法对强混合运动伪影抑制能力不足，复杂场景下心电特征失真严重；改进RLS算法优化增益有限，综合性能无显著优势。

4. 优化策略有效性显著：QRS特征保护、自适应分层阈值、信号与噪声双维度参数自适应、多特征AHP加权模态筛选、自适应参考信号匹配等改进策略，可有效弥补传统算法缺陷，大幅提升复杂噪声场景下的算法鲁棒性与适配性，其中改进VMD与改进小波的优化策略增益最为突出。

6.2 研究展望

基于本文实验结论，后续研究可从算法轻量化、自适应优化、场景泛化三个维度开展深入研究：一是对最优工程方案改进小波算法进行二次优化，结合轻量神经网络实现噪声类型自适应识别，动态调整小波分解层数与阈值参数，进一步提升复杂场景适配能力；二是针对VMD算法实时性短板，优化模态迭代计算逻辑，简化运算流程，实现改进VMD算法轻量化，兼顾高精度与实时性，拓展其工程落地场景；三是拓展多噪声强度、多心电样本、多运动状态场景测试，优化算法泛化能力，适配不同人群、不同运动强度下的可穿戴心电监测需求，推动高精度、低时延ECG去噪算法的规模化工程落地。

参考文献

[1] Moody G B, Mark R G. The impact of the MIT-BIH Arrhythmia Database[J]. IEEE Engineering in Medicine and Biology Magazine, 2001, 20(3): 45-50.

[2] Donoho D L. De-noising by soft-thresholding[J]. IEEE Transactions on Information Theory, 1995, 41(3): 613-627.

[3] Dragomiretskiy K, Zosso D. Variational mode decomposition[J]. IEEE Transactions on Signal Processing, 2014, 62(3): 531-544.

[4] Lai X T, Hsieh C K, et al. Portable Electrocardiogram System Based on iDR-RLS Filtering[J]. Circuits, Systems, and Signal Processing, 2025, 44: 8712-8733.

[5] Opportunities and challenges of noise interference suppression algorithms for dynamic ECG signals in wearable devices: A review[J]. Measurement, 2025, 250: 117067.

Tips：下一讲，我们将进一步探讨，心电信号处理与应用的其他部分。

以上就是面向可穿戴设备的ECG运动伪影去除算法对比研究的全部内容啦~

我们下期再见，拜拜(⭐v⭐) ~

（Ps：有算法合作与实现需求，请扫描下列【微信名片】或见【主页信息】，谢谢）