基于卷积自编码器的双阶段心电信号降噪方法技术

本发明专利技术公开了一种基于卷积自编码器的双阶段心电信号降噪方法。一种基于卷积自编码器的双阶段心电信号降噪方法，包括：准备的心电信号数据采样率为360HZ，心电信号的输入长度固定为统一长度，并给心电信号增加不同程度的噪声；给每一组数据准备了其对应的标签输出，输出即为干净的心电信号；心电信号降噪阶段；心电信号细节重建阶段。本发明专利技术的有益效果：本方法无需将心电信号转换成时频域或者是其他表达函数中，直接能够学习到心电信号的降噪过程，不会产生吉布斯效应；本方法不需要获得噪声参考信号；本方法通过信号的降噪和细节重建过程，能较好地还原出原始信号的细节部分与特征信号。

Two-stage ECG signal denoising method based on convolutional self encoder

【技术实现步骤摘要】
基于卷积自编码器的双阶段心电信号降噪方法
本专利技术涉及心电信号领域，具体涉及一种基于卷积自编码器的双阶段心电信号降噪方法。
技术介绍
在人体不同部位放置电极，并通过导联线与心电图机的正负相连，这种记录心电图的电路连接方法称为心电图导联。心电信号图本质上是一种心脏搏动时电位变化的时间-电压曲线图。在一个正常心动周期中，一个典型的ECG波形是由一个P波，一个QRS波群，一个T波，以及在50％～75％的ECG中可能见到的U波组成[1]。P波对应着心房去极化、QRS波群对应心室去极化、T波对应心室复极化的过程。如图1所示(参考国标YY0782-2010/IEC60601-2-51：2003)。目前临床上应用的多是常规12导联(又称标准十二导联)系统，包括双极肢体导联(I、II、III导联)，加压单极肢体导联(aVR、aVL、aVF导联),胸导联(V1、V2、V3、V4、V5、V6导联)。心电信号(ECG)能有效且无创地检测及预防心血管疾病，但是心电信号采集于人体表面，其振幅非常微弱，幅值范围一般在10uv-5mv内，使其极易受到不同种类的噪声污染，从而导致心电信号本身的有用信息被噪声淹没甚至丢失，信号的失真影响医生对心血管疾病的分析诊断，越来越多的国内外研究人员着重于研究心电信号的预处理，目的是将被干扰的心电信号从噪声中恢复出来，并且尽可能地重现出原始心电信号的细节。心电信号受到的噪声干扰大致有以下四种，电极干扰、基线漂移以及肌电干扰工频干扰，1.电极干扰由贴在人体表面的电极片受到人体皮肤的阻抗和电位的变化产生；2.基线漂移频率一般在0.05-2Hz之间，由呼吸、带电电机或者受试者运动引起；3.肌电干扰来源于肌肉的收缩张运动，它的频率与心电信号的频率有一定的重叠。4.工频干扰，由采样仪器设备缺陷或公共电网辐射引起。在ECG信号上表现为规律性的细小波纹，这种滋扰常常容易覆盖ECG中的细微转折，影响心电图在细节上的表现。所有的这些噪声都有可能导致心电信号波形的变形，甚至影响到医生对疾病的诊断，因此，从心电信号中去除噪声变得非常必要。近年来，心电信号的降噪方法不断改进及创新，有传统降噪方法和深度学习降噪方法。传统的心电信号降噪算法有基于小波变换的算法、经验模态分解法以及自适应滤波算法等等。基于小波的降噪算法是目前较为流行的，该技术通过在时频域中分解信号来实现噪声消除，因其多尺度和多分辨率而广泛地应用在心电信号的降噪上。该算法利用硬阈值或者软阈值来处理小波系数，使得该算法对阈值的依赖程度很高。目前，基于软阈值的方法生成的心电信号相对于硬阈值的方法更加平滑以及有更好的连续性，尽管总体上有令人较为满意的降噪效果，但是软阈值会使得重构的ECG波形振幅失真，丢失了心电信号的有用波形信号。经验模态分解法(EMD)与小波变换的方法类似，在基于EMD的降噪方法中，将噪声信号分解为某些本征模函数(IMF)，然后将包含最多噪声的IMF去除。最后，使用剩余的IMF重建信号。由于高频噪声嵌入在前几个IMF中，因此EMD方法可能无法完美地区分高频噪声和心电信号，并且传统的EMD难以自适应地选择合适的IMF。常见的自适应滤波器算法通常需要噪声参考信号作为输入，而这些信号难以用心电信号采集系统获得。随着人工智能技术的发展，基于深度学习的心电信号降噪算法层出不穷，主要为由一系列不同网络结构构成的降噪自编码器(DAE)。自动编码器是一种无监督神经网络模型，算法包含编码阶段和解码阶段，并且具有对称的结构，它从输入信号中学习到信号的隐含特征，这是编码(coding)过程，再将特征重构为原始输入数据，这是解码过程(encoding)。传统的自编码器是一种数据的压缩算法，目前自编码器的一个应用就是数据降噪，称为降噪自编码器，降噪自编码器在自编码器的基础上，将训练数据加入噪声来训练整个网络，使其学习到去除噪声，获得无噪声信号的能力。降噪自编码器有基于BP神经网络和基于卷积神经网络两种，目前基于卷积神经网络的降噪自编码器的降噪效果普遍比基于BP神经网络的好，[1]第一次将FCN网络结构用在了降噪自编码器上，并取得了不错的效果。虽然基于深度学习的降噪自编码器的在均方根误差(RMSE)和信噪比(SNR)两个指标普遍比传统方法的好，但是重构出的降噪信号仍然会丢失掉原始信号的部分细节。[1]https://zh.wikipedia.org/wiki/％E5％BF％83％E7％94％B5％E5％9B％BE[2]Hsin-TienChiangetal.,"NoiseReductioninECGSignalsUsingFullyConvolutionalDenoisingAutoencoders",IEEEAccess,vol.7,pp.1096-1103,Apr.2019.基于小波变换阈值的降噪方法：基于小波变换阈值的降噪方法比较经典，阈值的选取有软、硬阈值等，主要步骤有：1.选择合适的小波基和分解层数J，将含噪信号进行小波分解至J层，得到相对应的小波系数ω。2.根据相应规则得到阈值δ，再分别应用硬阈值函数或者软阈值函数对步骤1中分解的小波系数进行阈值处理，之后便得到相对应的输出小波系数y,将输出小波系数y进行信号逆小波变换,得到降噪后的信号。硬阈值函数或者软阈值函数如下公式：软阈值函数：硬阈值函数：基于小波变换阈值的降噪方法缺点如下：1.降噪后的心电信号容易出现吉布斯效应，影响Q波S波的形态。2.需要人工干预选取阈值以及阈值函数，导致泛化能力的下降。FCN降噪自编码器：将加了噪声的心电信号当作输入，其对应的干净的原始心电信号当作输出，输入FCN降噪自编码器中进行训练，将训练好的模型对待测的加噪心电信号进行预测，得到的输出就是降噪的心电信号。FCN降噪自编码器的网络结构如图3，其中除了最后一层卷积层，其余的每个卷积层后面都跟着批归一化以及“elu”激活函数。下图结构来源于论文ECGSignalEnhancementbasedonFullyConvolutionalDenoisingAutoencoderFCN降噪自编码器缺点如下：1、降噪后的信号无法很好的恢复出原始信号，很多细节部分丢失。传统技术存在以下技术问题：传统的滤波器法(IIR[1]与FIR[2])本质上是基于频域，去除无效频段的能量，保留有效频段的能量；在实际应用的过程中如果滤波器阶数设置太小，无法有效去除噪声，阶数设置太大会出现吉布斯效应，而且传统的滤波器法无法去除与心电频段相同的信息。小波变换[3]降噪的方法本质上是将心电信号分解到对应的小波域，选取分解的小波级数并将其重构；在实际应用过程中选取不同的小波基会产生不同的结果，而且小波变换降噪同样无法避免对心电信号中细节的特征波形的影响。基于自编码器[4]的降噪方法输入是带噪的心电信号，输出(标签)是对应的高质量心电信号，通过训练，学习由带噪到无噪(低噪)的映射关系；现有的结构本文档来自技高网...

【技术保护点】
1.一种基于卷积自编码器的双阶段心电信号降噪方法，其特征在于，包括：/n准备的心电信号数据采样率为360HZ，心电信号的输入长度固定为统一长度，并给心电信号增加不同程度的噪声。/n给每一组数据准备了其对应的标签输出，输出即为干净的心电信号；/n心电信号降噪阶段：将加噪的心电信号以及对应的一维标签输入到神经网络中进行训练，训练方法为adam算法，损失函数为均方误差损失函数。/n心电信号细节重建阶段：将经过第一阶段网络的降噪后的信号输入到神经网络中进行训练，训练方法为adam算法，损失函数为均方误差损失函数。/n

【技术特征摘要】
1.一种基于卷积自编码器的双阶段心电信号降噪方法，其特征在于，包括：
准备的心电信号数据采样率为360HZ，心电信号的输入长度固定为统一长度，并给心电信号增加不同程度的噪声。
给每一组数据准备了其对应的标签输出，输出即为干净的心电信号；
心电信号降噪阶段：将加噪的心电信号以及对应的一维标签输入到神经网络中进行训练，训练方法为adam算法，损失函数为均方误差损失函数。
心电信号细节重建阶段：将经过第一阶段网络的降噪后的信号输入到神经网络中进行训练，训练方法为adam算法，损失函数为均方误差损失函数。


2.如权利要求1所述的基于卷积自编码器的双阶段心电信号降噪方法，其特征在于，所述噪声包括：电极干扰噪声、肌电干扰噪声以及基线漂移噪声。


3.如权利要求1所述的基于卷积自编码器的双阶段心电信号降噪方法，其特征在于，心电信号降噪阶段中，网络参数设置如下：学习率lr＝0.001,beta_1＝0.9,beta_2＝0.999,epsilon＝1e-08,clipvalue＝0.5。


4.如权利要求1所述的基于卷积自编码器的双阶段心电信号降噪方法，其特征在于，心电信号降噪阶段中，该网络：每次下采样与上采样使用不同大小的采样倍率；
加入了上下文比对机制；首先将输入数据进行两次核大小为5*1的卷积，其输出记为conv1；接着将输入数据进行两次核大小为5*1、膨胀率为10的空洞卷积，其输出记为conv2；将conv1与conv2相减得到第三个输出conv3，最后将conv1、conv2和conv3按通道连接作为最终的输出；每一次卷积层后面都有批归一化操作并添加了“relu”激活函数，只有最后一层没有批归一化操作并且激活函数为“linear”；加入了残差结构的跳跃连接，将学习到的低维特征直接并入到高维特征中一起学习。


5.如权利要求1所述的基于卷积自编码器...

【专利技术属性】
技术研发人员：王丽荣，蔡文强，邱励燊，俞杰，李婉悦，郑乐松，邓米雪，张淼，
申请(专利权)人：苏州大学，
类型：发明
国别省市：江苏;32