數字濾波的初步應用

在模數轉換的過程中，數字系統所能表現的波動頻率是有一定限度的，取決於採樣率，如果不考慮振幅失真，那麼數字系統所能表現的最高頻率是採樣率的一半，例如：採樣率1000hz ，那麼最高只能表現500hz的頻率，類比量中高於500hz的分量，會被按照一定規律折返到低頻段，如果再考慮到振幅失真的問題，500hz的分量的振幅失真其實非常嚴重，只有遠遠低於500hz的頻率分量才能被正確的表達。總之，在模數轉換的過程中，只有低頻的分量能夠正確的轉換為數字量，高頻的分量會折返為低頻分量混入數字資料中搗亂。為了減少高頻折返、振幅失真等現象，就要在硬體層做好低通濾波，這是很關鍵的一步，直接影響到採集資料的有效性，但這僅是第一步，想要獲得清晰穩定的訊號，帶阻濾波器的設計很關鍵，特別是50Hz的帶阻濾波器尤其重要（通常來源於50HZ的市電幹擾）。

帶阻濾波器的電路比較複雜，特性受外圍組容元件影響較大，因此採用類比設計往往不太容易獲得很好的特性。並且由於使用環境的差異，例如我國市電是50Hz而許多國家是60Hz，因此導致產品的通用性差。如果能夠採用數字濾波器，不僅穩定性的問題可以迎刃而解，並且對於不同的使用環境只需要對軟體進行修改就可以了，這可以降低硬體設計複雜程度和成本，還能夠提高產品的通用性。這樣的話，硬體層做低通濾波，用來減少高頻折返現象，保證採集到的資料沒有高頻折返過來的成分複雜的分量，然後再用軟體做帶阻濾波，阻帶選擇在45-55Hz之間，幹掉市電幹擾，最終就能獲得清晰、穩定的數字訊號了。

經過一段時間的瞭解，最初選擇了FIR濾波器，經過實驗，發現對50hz幹擾的抑制效果非常明顯。唯一不足的是，對正常的心電訊號的衰減作用也有點大了，可能會影響診斷。後來採用基於人工神經網路的自適應濾波演算法，效果非常好，當然這個濾波演算法的特點是，需要一個自學習的過程，即每次開始採集的時候，前4000個資料要用來訓練人工神經網路，所以前4000個資料是沒法濾波的，採取的方法是：前4000個資料不顯示、不儲存，等4秒鐘後才開始顯示資料、儲存資料。目前還沒有更好的方法解決這個問題，如果減少用來訓練神經網路的資料量，濾波效果就會下降。

附圖：人工神經網路自適應濾波的效果

未經處理資料：

濾波後的資料：