如何用Python修复SciPy内置EKG数据集的基线漂移问题

针对EKG信号的基线漂移（由人体运动等导致的低频基线波动），以下是几种实用的修复方法，基于SciPy或自定义实现：

1. 巴特沃斯高通滤波（医疗设备主流方案） #

基线漂移属于低频干扰（通常<0.5Hz），高通滤波可直接剔除这类信号。使用SciPy的signal.butter设计巴特沃斯滤波器，配合filtfilt做零相位滤波，避免信号相位失真。

import numpy as np
import scipy.signal as signal
from scipy.datasets import electrocardiogram
import matplotlib.pyplot as plt

# 加载内置EKG数据，采样频率360Hz
ekg = electrocardiogram()
fs = 360

# 设计4阶巴特沃斯高通滤波器，截止频率0.5Hz
order = 4
cutoff = 0.5
nyq = 0.5 * fs
normal_cutoff = cutoff / nyq
b, a = signal.butter(order, normal_cutoff, btype='high', analog=False)

# 零相位滤波（避免信号偏移）
ekg_filtered = signal.filtfilt(b, a, ekg)

# 对比可视化
time = np.arange(ekg.size) / fs
plt.figure(figsize=(12, 6))
plt.subplot(2,1,1)
plt.plot(time, ekg, label='原始信号')
plt.title('原始EKG信号（含基线漂移）')
plt.subplot(2,1,2)
plt.plot(time, ekg_filtered, label='滤波后信号', color='red')
plt.title('去除基线漂移后的EKG信号')
plt.tight_layout()
plt.show()

2. 形态学开运算去除基线漂移 #

形态学开运算（先腐蚀后膨胀）能保留QRS波的尖锐峰值，同时提取缓慢变化的基线。用中值滤波近似实现，适合处理非平稳的基线突变。

import numpy as np
import scipy.signal as signal
from scipy.datasets import electrocardiogram
import matplotlib.pyplot as plt

ekg = electrocardiogram()
fs = 360

# 定义结构元素长度：覆盖QRS波宽度（取0.2s，对应72个采样点）
struct_len = int(0.2 * fs)

# 用中值滤波估计基线（忽略QRS波尖峰）
baseline = signal.medfilt(ekg, kernel_size=struct_len)

# 原始信号减去基线得到校正后信号
ekg_corrected = ekg - baseline

# 对比可视化
time = np.arange(ekg.size) / fs
plt.figure(figsize=(12,6))
plt.subplot(2,1,1)
plt.plot(time, ekg, label='原始信号')
plt.plot(time, baseline, label='估计基线', color='orange')
plt.legend()
plt.subplot(2,1,2)
plt.plot(time, ekg_corrected, label='校正后信号', color='red')
plt.legend()
plt.tight_layout()
plt.show()

3. 改进的滑动中位数基线估计 #

替换粗糙的移动平均为滑动窗口中位数（不受QRS波尖峰干扰），再用三次样条插值平滑基线，适合处理分段平稳的漂移。

import numpy as np
import scipy.signal as signal
from scipy.interpolate import CubicSpline
from scipy.datasets import electrocardiogram
import matplotlib.pyplot as plt

ekg = electrocardiogram()
fs = 360
# 取1秒窗口（覆盖多个心跳）
window_size = int(1.0 * fs)

# 计算滑动窗口中位数
baseline_est = []
for i in range(0, len(ekg), window_size):
    window = ekg[i:i+window_size]
    baseline_est.append(np.median(window))

# 三次样条插值得到平滑基线
x = np.arange(0, len(ekg), window_size)
x_full = np.arange(len(ekg))
cs = CubicSpline(x, baseline_est)
baseline_smooth = cs(x_full)

ekg_corrected = ekg - baseline_smooth

# 对比可视化
time = np.arange(ekg.size) / fs
plt.figure(figsize=(12,6))
plt.subplot(2,1,1)
plt.plot(time, ekg, label='原始信号')
plt.plot(time, baseline_smooth, label='平滑基线', color='orange')
plt.legend()
plt.subplot(2,1,2)
plt.plot(time, ekg_corrected, label='校正后信号', color='red')
plt.legend()
plt.tight_layout()
plt.show()

内容的提问来源于stack exchange，提问作者aero-man