我试图从信号中去除低频，直觉上我选择了高通滤波器，更具体地说 - 巴特沃斯滤波器，4 阶（因为我不确定如何正确选择阶，4 似乎是一个不错的选择）和截止频率为 50 Hz。问题是，滤波器去除了低频，但是，仍然可以看到由这些低频引起的峰值。
我还阅读了有关自适应滤波的信息，但根据文献，我需要一个参考信号，它将用作所需信号。我尝试实现一个自适应 RLS/LMS 滤波器并作为参考信号，我使用低通滤波器处理我的数据 - 巴特沃斯，四阶，截止频率为 50 Hz。这种方法也没有让我走远。
我提供了一份我的数据副本，它的采样频率为 1500 Hz。
您想去除心跳信号并保留“噪音”。我们可以通过使用去噪算法，并从原始信号中减去去噪信号来解决这个问题。
为频域滤波器设置频率截止可能会变得很棘手，并且会变成一场打地鼠游戏，因为在心跳信号（由于突然上升和下降）中存在“高频”分量，并且在心跳的T波和下一次心跳的P波。
粗略地说，这个去噪问题的要求如下：
这听起来像是应用去噪或总变差去噪的好地方。这个想法是用信号来近似给定信号的导数是“稀疏的”，即它不会太频繁地变化，但是当它变化时，变化很大。去噪估计由下式给出：
我在 Python 中使用 proxTV 工具箱来解决这个优化问题。
import scipy.io as sio
import numpy as np
import matplotlib.pyplot as plt
import prox_tv as ptv
mat_struct = sio.loadmat('Signal1.mat')
noisy_signal = mat_struct['x'].T[0]
filtered_signal = ptv.tv1_1d(noisy_signal, 50)
time_vec = np.linspace(0, len(noisy_signal)/1500., len(noisy_signal))
plt.close('all')
fig, ax = plt.subplots(3,1,sharex=True)
ax[0].plot(time_vec,noisy_signal)
ax[0].set_title('noisy signal')
ax[1].plot(time_vec,filtered_signal)
ax[1].set_title('filtered signal')
ax[2].plot(time_vec,noisy_signal - filtered_signal)
ax[2].set_title('noise')
ax[2].set_xlabel('time (s)')
plt.tight_layout()
plt.show(block=False)
这是结果图：
当然，您必须使用这种技术来玩另一种“打地鼠”：参数设置为。