构建一个使用Python中的NumPy和SciPy进行心电图信号低通滤波处理的系统，主要涉及信号模拟、滤波器设计和实时可视化。以下是核心步骤和实现方法。 ### 1. 核心库与环境准备 首先，确保安装了必要的Python库，它们是实现信号处理和可视化的基础。 ```python # 导入核心库 [ref_1] [ref_2] [ref_3] import numpy as np # 用于数值计算和信号数组操作 import matplotlib.pyplot as plt # 用于信号可视化 from scipy.signal import butter, filtfilt # 用于设计低通滤波器 import time # 用于模拟实时数据采集间隔 ``` ### 2. 心电图信号模拟 在真实应用前，通常使用模拟信号进行开发和测试。一个典型的模拟ECG信号可以由多个正弦波叠加而成，以模仿心电图的P波、QRS波群和T波。 ```python # 模拟ECG信号生成 [ref_1] [ref_3] fs = 100 # 采样频率 (Hz)，表示每秒采集100个点 t = np.linspace(0, 10, fs * 10) # 生成10秒的时间轴 # 生成一个包含低频（心率）和高频（噪声/干扰）成分的信号 f_heart = 1.2 # 心率约72次/分钟，即1.2Hz f_noise = 50 # 模拟50Hz工频干扰 ecg_signal = (1.5 * np.sin(2 * np.pi * f_heart * t) + # 基础心率信号 0.3 * np.sin(2 * np.pi * 3 * f_heart * t) + # 谐波成分 0.5 * np.sin(2 * np.pi * f_noise * t)) # 高频噪声 ``` 这个信号包含了我们关心的低频心率成分和需要滤除的高频噪声。 ### 3. 低通滤波器设计与实现 低通滤波器允许低频信号通过，同时衰减高频噪声。Butterworth滤波器因其在通带内具有最大平坦的幅度响应而常用于生物信号处理。 ```python # 定义Butterworth低通滤波器函数 [ref_1] [ref_2] def butter_lowpass(cutoff, fs, order=4): """ 设计Butterworth低通滤波器系数。 参数: cutoff: 截止频率 (Hz) fs: 采样频率 (Hz) order: 滤波器阶数，阶数越高，滚降越快 返回: b, a: 滤波器分子和分母系数 """ nyquist = 0.5 * fs # 奈奎斯特频率 normal_cutoff = cutoff / nyquist # 归一化截止频率 b, a = butter(order, normal_cutoff, btype='low', analog=False) return b, a def butter_lowpass_filter(data, cutoff, fs, order=4): """ 应用零相移低通滤波器。 使用filtfilt函数进行前向和反向滤波，以消除相位失真 [ref_2]。 """ b, a = butter_lowpass(cutoff, fs, order=order) y = filtfilt(b, a, data) return y ``` ### 4. 应用滤波器处理信号 将模拟的ECG信号通过我们设计的滤波器，观察其效果。 ```python # 应用低通滤波器 [ref_1] [ref_6] cutoff_freq = 15 # 设置截止频率为15Hz，保留心率信号，滤除50Hz工频干扰 filtered_ecg = butter_lowpass_filter(ecg_signal, cutoff_freq, fs) # 绘制原始信号与滤波后信号的对比 plt.figure(figsize=(12, 6)) plt.subplot(2, 1, 1) plt.plot(t, ecg_signal, label='Original ECG with Noise') plt.xlabel('Time (s)') plt.ylabel('Amplitude') plt.title('Raw ECG Signal (包含高频噪声)') plt.legend() plt.grid(True) plt.subplot(2, 1, 2) plt.plot(t, filtered_ecg, 'r', label='Filtered ECG') plt.xlabel('Time (s)') plt.ylabel('Amplitude') plt.title('ECG Signal After Low-pass Filtering (截止频率={}Hz)'.format(cutoff_freq)) plt.legend() plt.grid(True) plt.tight_layout() plt.show() ``` 通过对比图，可以清晰地看到高频噪声被有效抑制，而心率的低频波形被完整保留。 ### 5. 实时处理与动态交互（进阶） 对于一个实时检测系统，我们需要动态地接收数据并更新滤波结果和显示。 ```python # 创建实时显示窗口 [ref_1] [ref_6] plt.ion() # 开启交互模式 fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(10, 8)) line1, = ax1.plot([], [], 'b-', label='Raw Signal') line2, = ax2.plot([], [], 'r-', label='Filtered Signal') for ax in (ax1, ax2): ax.set_xlabel('Time (s)') ax.set_ylabel('Amplitude') ax.legend() ax.grid(True) ax1.set_title('Real-time Raw ECG Signal') ax2.set_title('Real-time Filtered ECG Signal') plt.tight_layout() # 模拟实时数据流 display_duration = 5 # 显示最近5秒的数据 num_points = int(display_duration * fs) time_window = np.linspace(0, display_duration, num_points) # 初始化数据缓冲区 raw_buffer = np.zeros(num_points) filtered_buffer = np.zeros(num_points) for i in range(len(t)): # 模拟获取一个新数据点 new_sample = ecg_signal[i] raw_buffer = np.roll(raw_buffer, -1) raw_buffer[-1] = new_sample # 对缓冲区内的数据进行滤波（此处为简单演示，每次对全部缓冲区数据滤波） # 在实际系统中，可能需要更高效的滑动窗口滤波算法 [ref_5] filtered_buffer = butter_lowpass_filter(raw_buffer, cutoff_freq, fs) # 更新绘图数据 line1.set_ydata(raw_buffer) line1.set_xdata(time_window) line2.set_ydata(filtered_buffer) line2.set_xdata(time_window) ax1.relim() ax1.autoscale_view(scalex=False) # 仅自动调整y轴 ax2.relim() ax2.autoscale_view(scalex=False) fig.canvas.draw() fig.canvas.flush_events() time.sleep(0.01) # 控制更新速率，模拟实时性 plt.ioff() plt.show() ``` ### 6. 关键参数影响与实践建议 滤波效果受到几个关键参数的影响，在实际应用中需要根据信号特性进行调整： | 参数 | 说明 | 典型值/建议 | 影响 | | :--- | :--- | :--- | :--- | | **截止频率 (Cutoff)** | 允许通过的最高频率 | 15-25 Hz [ref_5] | 过低会损失心电细节（如R波陡峭部分），过高则去噪不充分。 | | **滤波器阶数 (Order)** | 滤波器的陡峭程度 | 4-6阶 | 阶数越高，阻带衰减越快，但可能引入更多的计算延迟和数值不稳定。 | | **采样频率 (Fs)** | 每秒采集的样本数 | 100-1000 Hz | 必须满足奈奎斯特采样定理（Fs > 2*信号最高频率）。 | **应用场景与扩展**： * **教学与原型验证**：上述代码是理解数字信号处理（DSP）和生物医学信号处理的绝佳起点 [ref_6]。 * **连接真实硬件**：可以将数据采集部分替换为从ADC（模数转换器）或心电采集板（如ADS129x系列）读取的真实数据。 * **高级滤波**：对于更复杂的噪声（如基线漂移），可以考虑使用带阻滤波器或自适应滤波器 [ref_5]。 * **性能优化**：对于严格的实时系统，可考虑使用`scipy.signal.lfilter`（有相位延迟）或探索`pyfftw`库加速FFT运算 [ref_3]。 通过结合NumPy的数组操作能力和SciPy丰富的信号处理函数，我们可以高效地构建从模拟到实时处理的心电图滤波系统。整个流程体现了信号获取、算法处理与结果可视化的完整链路。