基于NLMS与RLS的自适应陷波器去除ECG工频干扰：原理、实现与调参

工频干扰是所有做生物电信号处理的人绕不开的一道坎。只要你的设备接的是市电，或者采集环境里存在供电线路、显示器、照明设备，ECG信号上就几乎一定会叠上50Hz（国内标准）的工频噪声。这个噪声最麻烦的地方在于：它的频率正好落在心电信号有效频带的中间区域，QRS波群本身也含有相当比例的50Hz附近频率分量，所以不能简单粗暴地用一个固定频率的带阻滤波器把整个50Hz一刀切掉——切多了，QRS波形的幅度和形态被削弱；切少了，基线照样毛刺遍地，ST段分析根本无法进行。

我这次做的项目，核心就是尝试用自适应陷波的手段来解决这个问题。具体来说，是基于NLMS和RLS两种自适应算法，在MIT-BIH心电数据库的真实数据上做50Hz工频干扰的去除，并用Matlab完成全流程代码和实验报告。这篇博文会把完整的思路、原理、代码结构和调参经验都梳理出来，给正在做心电预处理、自适应滤波，或者毕设方向涉及生物信号去噪的同学一个可以直接参考的样本。

这个项目适合谁？一是信号处理方向的学生，想搞明白LMS和RLS到底在实际工程里长什么样；二是生物医学工程、医学信息处理方向的人，需要在真实心电数据上验证去噪算法；三是刚接触MIT-BIH数据库、还不知道怎么把手里的Matlab代码和数据对接起来的新手。内容包括从数据读取、噪声合成到算法实现、效果评估的完整链路，每一步都有可执行的操作和可量化的结果。

1. 整体设计与方案选型

1.1 为什么是自适应陷波，而不是经典陷波器设计

先说一个常见误区。很多人一看到“去除50Hz噪声”，第一反应是直接设计一个IIR陷波滤波器，比如用Matlab的iirnotch函数，指定中心频率50Hz和品质因数Q，一个指令搞定。确实，对于频谱成分固定的正弦干扰，IIR陷波器简单有效，计算量趋近于零，相位特性也基本可控。但这种方案有两个天然短板。

第一，固定陷波器要求干扰频率严格稳定在50Hz。现实情况是，电网频率在部分地区会有±0.2Hz甚至更大的漂移，更重要的是，ECG采集设备内部如果存在采样钟抖动或者通道间的微弱串扰，实际混入的干扰频率未必恰好卡在50.00Hz。一旦中心频率偏差超过陷波带宽的一半，固定陷波器的抑制效果就会明显恶化——你要把带宽做宽来容忍频率漂移，又不可避免地把QRS波群的50Hz附近频率分量一起削掉，鱼和熊掌不可兼得。

第二，固定陷波器的“陷波”是直接作用在整个信号上的，它不会区分哪些50Hz成分来自工频干扰、哪些来自心电本身。而自适应陷波器的思路完全不同：它不是直接对原始信号开一刀，而是先去估计当前时刻干扰信号的幅度和相位，然后从原始信号里减去这个估计值。估计得越准，减掉的就越接近“纯干扰”，对心电信号的损伤就越小。这在信号处理领域叫自适应噪声对消（Adaptive Noise Cancelling），最早由Widrow在1975年系统性地提出。

1.2 NLMS和RLS各自适合什么场景

NLMS全称是归一化最小均方算法，是经典LMS算法的改进版。LMS的步长因子μ是固定的，如果输入信号的功率忽大忽小，μ选得不好要么收敛太慢，要么直接发散。NLMS在每个迭代步骤里用输入信号的瞬时能量对步长做归一化，相当于自动适配信号的动态范围，工程上稳定性要友好得多。

RLS全称是递推最小二乘算法。它的核心区别在于，每一步迭代都试图在“历史加权误差平方和”最小化的意义下求解最优滤波器系数。这里面有个关键参数——遗忘因子λ，它控制着算法对历史数据的记忆长度。λ越接近1，算法越“博闻强记”，收敛慢但稳态误差小；λ越小，算法越“喜新厌旧”，能快速跟踪干扰的变化，但稳态波动会变大。

在ECG去噪这个场景下，两套算法的取舍其实非常明显：

我在设计实验方案时，把NLMS定位成“快速验证方案”，把RLS定位成“精细去噪方案”。不是说RLS在所有维度上都吊打NLMS——如果滤波器阶数很高，RLS的计算开销确实不可忽视，但在电磁兼容良好的心电采集系统里，工频噪声通常用一个很窄带的参考信号就能描述，自适应滤波器的阶数不需要设计得很高，RLS的计算压力完全可控。

1.3 为什么选用MIT-BIH数据库

MIT-BIH心律失常数据库是心电处理领域最常用的公开数据库，记录了47个受试者的双通道动态心电图，采样频率360Hz，11位分辨率，总时长约30分钟。数据库里有大量真实的心律失常样本，包括室性早搏、房性早搏、传导阻滞等，而且带有人工标注的心拍位置，这意味着一件事——你可以拿标注信息来量化评估去噪效果，比如去看去噪之后的心拍检测准确率有没有提升、ST段形态有没有被破坏。

更重要的是，真实心电数据本身包含了基线漂移、肌电干扰、电极接触噪声等复杂的非理想成分，