在生物医学信号处理中，心电图（ECG）信号的基线漂移和工频干扰是常见的噪声来源。这些噪声会显著降低信号的质量，影响后续分析的准确性。基线漂移通常由呼吸或电极接触不良引起，表现为低频干扰；而工频干扰（50/60Hz）则源于设备与电源的耦合。

为有效去除这些干扰，可以采用以下几种方法：

• 高通滤波器：如截止频率为0.5Hz的Butterworth滤波器。
• 小波变换：通过分解信号去除低频分量。
• 带阻滤波器：如中心频率为50/60Hz的陷波滤波器。
• 自适应滤波技术：结合参考信号动态抑制噪声。

针对上述问题，我们需要深入探讨每种方法的优缺点及适用场景：

以下是基于Python实现的代码示例，展示如何使用高通滤波器和带阻滤波器去除噪声：

import numpy as np
from scipy.signal import butter, lfilter, iirnotch

def butter_highpass(cutoff, fs, order=5):
    nyquist = 0.5 * fs
    normal_cutoff = cutoff / nyquist
    b, a = butter(order, normal_cutoff, btype='high', analog=False)
    return b, a

def apply_filter(data, b, a):
    y = lfilter(b, a, data)
    return y

def notch_filter(data, freq, fs, Q=30):
    b, a = iirnotch(freq, Q, fs)
    filtered_data = lfilter(b, a, data)
    return filtered_data

# 示例参数
fs = 250  # 采样率
cutoff = 0.5  # 高通滤波器截止频率
freq = 50  # 工频干扰频率

# 模拟信号数据
t = np.linspace(0, 1, fs, endpoint=False)
signal = np.sin(2 * np.pi * 1 * t) + 0.5 * np.sin(2 * np.pi * freq * t)

# 应用滤波器
b, a = butter_highpass(cutoff, fs)
filtered_signal = apply_filter(signal, b, a)
final_signal = notch_filter(filtered_signal, freq, fs)

在实际应用中，滤波器参数的选择至关重要。以下是一个参数选择的流程图：

graph TD;
    A[开始] --> B{是否需要去除基线漂移};
    B --是--> C[选择高通滤波器];
    B --否--> D{是否需要去除工频干扰};
    D --是--> E[选择带阻滤波器];
    D --否--> F[结束];
    C --> G[设置截止频率];
    E --> H[设置中心频率];

为了平衡信号质量和计算效率，建议根据具体应用场景进行实验验证。例如，可以通过对比滤波前后的信噪比（SNR）来评估滤波效果。