一种心电信号自动降噪方法技术

本发明专利技术公开了一种心电信号的自动降噪算法，其处理过程是：A）建立回声状态网络并初始化；B）获取人体心电信号并在此基础上构建训练集；C）利用基于递归最小二乘法的在线训练算法训练回声状态网络，获得训练好的回声状态网络；D）构建测试集，将测试集输入训练好的回声状态网络，得到干净的心电信号。经本发明专利技术方法的处理，去噪后的干净心电信号不但有效滤除噪声，且恢复了心电信号低频特征波，保留了心电信号的有效信息。

An automatic noise reduction method for ECG signal

This invention discloses an automatic noise reduction algorithm for ECG signal, which is A) to establish echo state network and initialize; B) to obtain human ECG signal and build training set on this basis; C) to train the echo state network by using the online training algorithm based on recursive least square method to obtain the trained echo. The state network (D) constructs the test set and inputs the test set into the trained echo state network to obtain clean ECG signals. After the processing of this method, the clean ECG signal after de-noising can not only effectively filter out the noise, but also restore the low frequency characteristic wave of the ECG signal, and keep the effective information of the ECG signal.

【技术实现步骤摘要】
一种心电信号自动降噪方法
本专利技术涉及心电信号自动检测与分析方法，具体的说是一种心电信号自动降噪方法。
技术介绍
心血管疾病已成为人们健康的头号杀手，具有着高发病率、高致残率、高死亡率。其中，心电信号的低频成分对心血管疾病的智能诊断十分很重要，如其低频成分之一的ST段，代表着心室除极结束后、心室复极开始的一段时间内的电位变化情况，是诊断心肌缺血的重要指标。但与此同时，心电信号本身具有生物电信号的共性：幅值微弱、低频、阻抗大、随机性等，这些特点使得心电信号在采集过程中极易受到各种噪声的干扰。尤其在如今远程医疗背景下，心电信号采集时的噪声呈现了更为复杂特征，从而极易导致心电信号的低频部分被复杂噪声淹没，有效信息丢失的现象发生。目前常用的方法有三种：第一种，经验模态分解(EMD)是提取固有模态函数(IMF)从而对含噪ECG信号进行了降噪，结果可以去除95％的高斯白噪声。然而，EMD并不能分离出与ECG信号频率相似的信号。因此，这种降噪方法有可能从信号将P波和T波滤除，从而导致误诊。第二种，主成分分析(PCA)和独立成分分析(ICA)都是用于从非高斯噪声信号中寻找独立的源信号的盲源分离技术，对于带内滤波有着明显的优势。但其模型对于含噪ECG信号的细微变化十分敏感，并不太适用ECG信号中含有较为复杂的噪声的情况。第三种,小波去噪方法在去除高频噪声方面取得了不错的结果，但其小波基的选择及阈值的设定是需要通过大量的实验来确定，且对最终滤波效果有直接的影响。由此可见，已有算法在降噪过程中容易丢失心电信号的有效低频信息，影响医生的判断。
技术实现思路
本专利技术的目的是提供一种电信号自动降噪算法，以在实现心电信号降噪的同时保留低频特征波，克服已有算法在降噪过程中容易丢失心电信号的有效低频信息的问题。本专利技术的目的是这样实现的：一种心电信号的自动降噪算法，包括以下几个步骤：A)建立回声状态网络并初始化；B)获取人体心电信号并在此基础上构建训练集；C)利用基于递归最小二乘法的在线训练算法训练回声状态网络，获得并保存训练好的回声状态网络；D)以训练集之后紧邻的心电信号构建测试集，将测试集输入训练好的回声状态网络，得到干净的心电信号。所述的心电信号的自动降噪算法，步骤A)包括初始化权值矩阵和网络参数初始化设定，其中：①初始化权值矩阵过程是：将输入单元与储备池内部连接的权值矩阵Win和储备池内部神经元连接权值矩阵W随机初始化，使之都服从均匀分布；将输出单元与储备池的连接权值矩阵Wback、储备池与输出单元连接权值矩阵Wout初始化为零矩阵；②网络参数初始化设定过程是：输入神经元个数设定为4，输出神经元个数设定为1，储备池中神经元个数设定为N＝1000±300；储备池稀疏程度SD＝m/N，其中，m是储备池中相互连接的神经元个数，SD取值范围为1～5％；储备池谱半径SR的取值根据在0～1范围内以0.1为步长进行调试，以结果最优时所对应的SR值为最终取值，SR＝max{abs(W的特征值)}；储备池输入单元尺度IS的取值为在-1～1范围内以0.01为步长进行调试，以结果最优时所对应的IS值为最终取值。所述的心电信号的自动降噪算法，步骤B)具体过程如下：①从所获取的人体心电信号数据中截取若干连续心拍x(n),n＝1,2,…,M,M＝55±2，然后以当前时刻的含噪心电信号x(n)、其上一时刻的含噪心电信号x(n-1)、当前时刻的含噪心电信号的一阶导数x′(n)、当前时刻的含噪心电信号的二阶导数x″(n)构成回声状态网络的输入信号xr(n)，表示为定义当前时刻的含噪心电信号x(n)所对应的干净心拍数据为d(n)；由xr(n)与d(n)组成训练集(xr(n),d(n),n＝1,2,…,M)；②定义其中g(·)为输出神经元激活函数，选为恒等函数，即输出神经元为一个线性神经元，该函数中，矩阵v(n)定义为其中r(n)为储备池状态变量；③定义误差e(n)＝d(n)-y(n)。所述的心电信号的自动降噪算法，步骤C)具体过程是：①选定网络的储备池状态变量初始值为0，即r(0)＝0，训练集(xr(n),d(n),n＝1,2,…,M)中的样本xr(n)经过Win，d(n)经过Wback分别加到储备池中，利用公式r(n)＝(1-α)[f(W·r(n-1)+Win·u(n)+Wback·d(n))]+α·r(n-1)进行储备池状态变量r(n)的更新；其中f(·)为储备池神经元激活函数，选为非线性的tanh(·)函数；u(n)＝ψ(n-1)·v(n)，ψ(n)为v(n)的相关系数矩阵并通过公式来进行更新，其中，λ为遗忘因子，其取值在0.95～1范围以0.0001为步长进行调试，以结果最优时λ值为最终取值，ψ(0)＝δ·I，I为单位矩阵，δ为一个极小的正数，其取值在0～0.001范围内以0.00001为步长调试，以结果最优时δ值为最终取值；α为遗忘率，其取值在0～1范围内以0.1的步长进行调试，以结果最优时的α值为最终取值；②根据公式Wout(n)＝Wout(n-1)+k(n)·e(n)进行输出权重Wout的更新；③通过更新Wout(n)和r(n)使y(n)逼近干净ECG信号d(n)，使误差e(n)能够近似于0，得到训练完成的回声状态网络。所述的心电信号的自动降噪算法，步骤D)具体过程是：以构建训练集时所截取的M个心拍之后紧邻的T个心拍构建测试集，测试集(Xr(n),n＝1,2,…,T,T＝200±10)，其中，即其包含当前时刻的心电信号X(n)、其上一个心电信号X(n-1)、其一阶导数X′(n)和二阶导数X″(n)；将测试集(Xr(n),n＝1,2,…,T)中的Xr(n)输入训练完成的回声状态网络，网络输出干净心电信号Y(n)。经本专利技术方法的处理，去噪后的干净心电信号不但有效滤除噪声，且恢复了心电信号低频特征波，保留了心电信号的有效信息。附图说明图1是本专利技术方法实施过程流程图。图2是回声状态网络结构示意图。图3是人体心电信号波形结构示意图。图4是滤波前含噪心电信号图。图5是滤波后干净心电信号图。具体实施方式本实施例在IntelXeonCPUE5-2697@2.70GHz，内存为128.00GB，Win7，64位操作系统的计算机中实现，整个心电信号自动分类算法采用Matlab语言实现。结合图1，本专利技术的实施过程如下：A)建立回声状态网络(EchoStateNetwork，ESN)：①、初始化权值矩阵：随机初始化输入单元与储备池内部连接的权值矩阵Win和储备池内部神经元连接权值矩阵W，并且使其都服从均匀分布；输出单元与储备池的连接权值矩阵Wback、储备池与输出单元连接权值矩阵Wout初始化为零矩阵；②、参数设定：ESN的输入神经元个数设定为4，输出神经元个数设定为1，储备池中的神经元的个数即储备池规模N＝1000；ESN的储备池稀疏程度SD按公式SD＝m/N计算得到，其中，m是储备池中相互连接的神经元个数，本例中将m取为m＝20，则SD＝2％；储备池谱半径SR定义为SR＝max{abs(W的特征值)}，由于当SR＜1时，ESN才具有回声状态性质，本例中SR取值根据0～1范围内以0.1为步长进行调试，结果最优时取为SR＝0.4；定义WS为一个随机生成的服从均匀分布本文档来自技高网...

【技术保护点】
一种心电信号的自动降噪算法，其特征是，包括以下几个步骤：A)建立回声状态网络并初始化；B)获取人体心电信号并在此基础上构建训练集；C)利用基于递归最小二乘法的在线训练算法训练回声状态网络，获得并保存训练好的回声状态网络；D)以训练集之后紧邻的心电信号构建测试集，将测试集输入训练好的回声状态网络，得到干净的心电信号。

【技术特征摘要】
1.一种心电信号的自动降噪算法，其特征是，包括以下几个步骤：A)建立回声状态网络并初始化；B)获取人体心电信号并在此基础上构建训练集；C)利用基于递归最小二乘法的在线训练算法训练回声状态网络，获得并保存训练好的回声状态网络；D)以训练集之后紧邻的心电信号构建测试集，将测试集输入训练好的回声状态网络，得到干净的心电信号。2.根据权利要求1所述的心电信号的自动降噪算法，其特征是，步骤A)包括初始化权值矩阵和网络参数初始化设定，其中：①初始化权值矩阵过程是：将输入单元与储备池内部连接的权值矩阵Win和储备池内部神经元连接权值矩阵W随机初始化，使之都服从均匀分布；将输出单元与储备池的连接权值矩阵Wback、储备池与输出单元连接权值矩阵Wout初始化为零矩阵；②网络参数初始化设定过程是：输入神经元个数设定为4，输出神经元个数设定为1，储备池中神经元个数设定为N＝1000±300；储备池稀疏程度SD＝m/N，其中，m是储备池中相互连接的神经元个数，SD取值范围为1～5％；储备池谱半径SR的取值根据在0～1范围内以0.1为步长进行调试，以结果最优时所对应的SR值为最终取值，SR＝max{abs(W的特征值)}；储备池输入单元尺度IS的取值为在-1～1范围内以0.01为步长进行调试，以结果最优时所对应的IS值为最终取值。3.根据权利要求2所述的心电信号的自动降噪算法，其特征是，步骤B)具体过程如下：①从所获取的人体心电信号数据中截取若干连续心拍x(n)，n＝1，2，...，M，M＝55±2，然后以当前时刻的含噪心电信号x(n)、其上一时刻的含噪心电信号x(n-1)、当前时刻的含噪心电信号的一阶导数x′(n)、当前时刻的含噪心电信号的二阶导数x″(n)构成回声状态网络的输入信号xr(n)，表示为定义当前时刻的含噪心电信号x(n)所对应的干净心拍数据为d(n)；由xr(n)与d(n)组成训练集(xr(n)，d(n)，n＝1，2，...，M)；②定义其中g(·)为输出神经元激活...

【专利技术属性】
技术研发人员：刘秀玲，张杰烁，熊鹏，刘明，李鑫，王洪瑞，
申请(专利权)人：河北大学，
类型：发明
国别省市：河北,13