随着社会的发展与进步,人们对自己的健康越来越关注。然而工作上的压力,不合理的饮食以及遗传等因素的影响,导致很大一部分人到了一定的年纪后,容易患上如高血压、冠心病等心脏类疾病,对人们身体造成了极大的危害。心电图作为监测人体心电活动最精确的手段之一,是医务人员为心血管类疾病患者诊断的有效依据。然而,心电信号是一种及其微弱的信号,且在采集过程中会受到各种各样的干扰,这为医生对患者病理信息的判断带来了难题。所以,心电信号噪声的去除成为了一个重要的研究课题。针对传统心电信号去噪算法误差较大、去噪效率低、去噪后的波形有缺失等缺陷,本文围绕提高算法的去噪效率以及去噪后得到一个完整的心电信号波形,提出了两种自适应算法,并通过仿真获得了较好的结果。首先,论文针对集合经验模式分解(Ensemble Empirical Mode Decomposition,EEMD)在心电信号去噪中完备性差且计算量太大的缺陷,提出了改进自适应互补集合经验模式分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)方法在心电信号去噪中的应用。该方法在分析加噪准则的基础上,引入峰值误差(Peak Error,PE)作为加入噪声的评价指标,通过峰值误差来自适应确定最佳加噪幅值;然后利用原始信号以及加入噪声的幅值标准差的比值系数,对不同信号自适应获取分解的总体平均次数;最后将该方法运用到由美国麻省理工学院建立的MIT-BIH心电数据库中,很好地实现了对目标信号的去噪。实验表明,所提方法的平均信噪比(Signal to Noise Ratio,SNR)达到了 19.2497,最小均方误差(Root Mean Square Error,RMSE)仅为0.0473,平均平滑度指标R只有0.0305。算法有效地去除了原始心电信号噪声,改善了信号的平滑度,提高了运算效率。其次,针对归一化最小均方算法(Normalized Least Mean Square,NLMS)在心电信号去噪中难以均衡好计算效率和稳态误差的难题,在对归一化最小均方算法以及动量项最小均方算法(Momentum Least Mean Square,MLMS)的研究基础上,提出了改进自适应NLMS方法对心电信号去噪。该方法首先对心电信号进行最小均方算法(Least Mean Square,LMS)滤波,然后通过心电信号滤波前后的相对误差来自适应地确定变步长的大小,最后设置期望误差来判断去噪是否达到预期要求,未达到要求则再次进行第一步的LMS滤波处理,达到要求就输出需要得到的去噪后心电信号。然后将该方法运用到由美国麻省理工学院建立的MIT-BIH心电数据库中,很好地实现了对目标信号的去噪。实验表明,所提方法的平均SNR为17.6016,RMSE仅为0.0334,平均平滑度指标R达到了 0.0325。在主观评价方面,将几种算法去噪前后波形进行对比分析,证明了该算法拥有着更好的去噪效果。最后,设计一个自适应心电信号去噪系统,包括心电信号的采集模块、心电信号处理模块、MCU控制模块以及显示模块,然后将所提算法运用到系统中。该设计首先对采集到的心电信号进行各种滤波器的预处理;为了获得一个更为纯净的心电信号,选择将预处理后的心电信号结合改进自适应CEEMD心电信号去噪算法,再次对心电信号进行去噪处理;最后把去噪后的心电信号显示在智能终端,以便于监测与诊断。