MATLAB, Comment filtrer un signal discret?

J'ai une matrice 1 par 10000 de doubles stockés dans un fichier nommé "fecg.mat". La matrice représente l'amplitude d'un signal FECG enregistré.

Je l'ai tracé en fonction du temps (de 0 à 9999):

Pour supprimer la ligne de base, je me demande si je peux utiliser un filtre passe-haut. Comment concevoir un filtre approprié?

Le traitement du signal PS n'est pas mon domaine d'étude. Je ne sais pas comment filtrer un signal discret dans le domaine temporel.

Le moyen le plus simple de supprimer la ligne de base consiste à supprimer la moyenne:

filtered = original - mean(original);

En fait, la moyenne est le premier coefficient de la transformée de Fourier, il s'agit donc en fait d'un filtrage très pointu: vous éliminez le coefficient DC.

Si vous voulez un filtrage plus classique, vérifiez les fonctions comme butteret amis, qui synthétiseront un filtre IIR, puis utilisez filterpour filtrer votre signal.

Matlab comprend également un outil de conception de filtres.

MATLAB dispose d'un outil de conception de filtres appelé fdatool. Exécutez le fdatool dans MATLAB, il vous donne une interface graphique visuelle, dans laquelle vous pouvez modifier les paramètres du filtre. Choisissez un filtre passe-haut à partir de là et choisissez une fréquence de coupure. lorsque vous êtes satisfait de la forme du filtre, exportez-la vers l'espace de travail MATLAB. Disons que votre nom de filtre est myFilter et que votre nom de signal est mySignal. Puis pour filtrer le signal en type MATLAB: filterSignal = conv (mySignal, myFilter).

Si vous connaissez le contenu fréquentiel du signal souhaité, vous pouvez passer un peu au-dessus de cette fréquence. Disons que vous ne vous intéressez qu'au signal supérieur à 2 Hz et que votre fréquence d'échantillonnage est de 100 Hz, alors vous pouvez le faire comme suit:

[b,a] = butter(3,2/(100/2),'high');
outputData = filter(b,a,inputData);

Cet exemple spécifique utilise un passe-haut Butterworth de troisième ordre.

Le filtre à utiliser dépend vraiment de l'application spécifique. - Un filtre trop grossier pourrait supprimer les informations que vous recherchez!

L' algorithme Pan-Tompkins largement utilisé (pour la détection QRS) spécifie un filtre pour la suppression de la ligne de base dans les données ECG. Mais il est difficile de déterminer si ce filtre convient à votre application à partir des informations limitées que vous avez fournies. Veuillez élaborer pour une réponse plus précise.

Je vous suggère d'utiliser un filtre adaptatif pour supprimer le bruit de base de 50 Hz. un filtre adaptatif lms ferait très bien l'affaire:

xk = sin(2*pi*50*t1);
dk = ecg1; 
bk = [0 0 0];                       %Gewichteter Vektor (FIR Koefizienten mit Anfangswert 0)
                                    %Die Werte ändern sich ständig bis sich
                                    %das System adaptiert hat

mu = .1;                            %Konvergenzgeschwindigkeit des Algorithmes.
                                    %( 0 < mu < 1/(20*(L+1)*Potenz_xk); L Filterorder)                                
Pot_x=mean(xk.*xk);
%mu=1/(100*(L+1)*Pot_x);            % Konvergenzgeschwindigkeit des Algorithmus.
                                    % Bei den Prädiktiven Adaptiven filter
                                    % gilt die Potenz nicht




yk=zeros(size(xk));                 % Ausgangssignal zum Zeitpunkt t=0 von der FIR.
ek=zeros(size(xk));                 % Fehlersignal zum ZEitpunkt t=0.

%Algorithmus für FIR Adaptiven Filter:
for n = 3:(punkte - 1)                          %Arranca en 3 porque tiene que almacenar las dos muestras anteriores y la actual (FIR de 2 coeficientes)
    xkn = [xk( n ) xk( n - 1 ) xk( n - 2 )];    %Vector niésimo (2 posiciones porque son dos coeficientes).
    yk(n) = xkn * bk';                          %Resultado parcial de la salida por el vector bk traspuesto.
    ek(n) = dk(n) - yk(n);                      %Señal de error parcial.
    bk = bk + 2*mu*ek(n)*xkn;                   %Actualización instante a instante del vector de pesos.  
end                                             %Ende des adaptiven Algorithmes.

Eje1 = figure(1);
set(Eje1,'name','Übung 1: FIR Adaptive Filter','position',[10 10 900 650]);
subplot( 2, 1, 1 );
plot( t1, xk, 'r');
xlabel('n');
ylabel('EKG mit Rauschen');
title('Eingangssignal: Bewegungsartifakt zu filtern');
subplot( 2, 1, 2 );
plot( t1, ek, '-k');
xlabel('n');
ylabel('d[k] - y[k]');
title('Ausgangssignal: EKG ohne Rauschen');