一种时间序列信号高效去噪和高精度重构建模方法及系统技术方案

本发明专利技术提供了一种时间序列信号高效去噪和高精度重构建模方法及系统，包括：对原始的脉搏波信号进行数据预处理；选择预设的信号时长，将数据预处理后的脉搏波信号分为预测集、训练集和测试集；选择卷积神经网络作为深度降噪自编码机的基础模型，根据信号去噪要求，得到深度卷积降噪自编码机模型；将训练集输入深度卷积降噪自编码机模型进行训练，利用正则化参数以及测试集进行深度卷积降噪自编码机模型参数的调优和选取，得到最优深度学习模型；将含噪脉搏波信号预测集输入到最优深度学习模型中获取深度结构特征，进行信号重构和去噪处理，评估模型性能。本发明专利技术有效进行脉搏波信号的去噪和重构，为滤除脉搏波信号中的同频噪声干扰提供了新思路。

A modeling method and system for efficient denoising and high precision reconstruction of time series signals

【技术实现步骤摘要】
一种时间序列信号高效去噪和高精度重构建模方法及系统
本专利技术涉及信号去噪以及机器学习领域，具体地，涉及一种时间序列信号去噪和重构建模方法及系统，更为具体地，涉及一种时间序列信号高效去噪和高精度重构建模方法及系统。
技术介绍
光电容积脉搏波描记法是可穿戴设备监测人体健康状况的重要医学手段，对心血管疾病的检测和及时治疗有重大意义。随着光电技术的高速发展，可穿戴设备也被广泛应用于临床和体育锻炼中。但是由于其设备的便携性，脉搏波信号在实际场景中极易受到噪声的污染，这将增加心率、呼吸速率等特征参数提取的不准确性以及进一步疾病诊断的复杂性。因此为了保证人体健康情况监测时的信号波形质量，对脉搏波信号进行去噪和重构处理就显得必不可少。目前常用的时间序列信号降噪办法有奇异值分解、自适应滤波器和小波变换算法。奇异值分解是一种矩阵分析方法，利用信号重采样进行矩阵分解并选择合适的奇异值来重构信号，但是运算过程较复杂，且无法剔除和脉搏波频率相近的运动伪差。自适应滤波器是信号处理过程中常用的一种滤波器，在时间序列信号的去噪中也取得了较好的效果，但是这类滤波器对参本文档来自技高网...

【技术保护点】
1.一种时间序列信号高效去噪和高精度重构建模方法，其特征在于，包括：/n步骤M1：对原始的脉搏波信号进行数据预处理；/n步骤M2：选择预设的信号时长，将数据预处理后的脉搏波信号按照预设比例分为预测集、训练集和测试集；/n步骤M3：选择卷积神经网络作为深度降噪自编码机的基础模型，根据信号去噪要求，设计深度卷积降噪自编码机模型，得到深度卷积降噪自编码机模型；/n步骤M4：将训练集输入深度卷积降噪自编码机模型进行训练，利用正则化参数以及测试集进行深度卷积降噪自编码机模型参数的调优和选取，得到最优深度学习模型；/n步骤M5：将含噪脉搏波信号预测集输入到最优深度学习模型中获取深度结构特征，利用深度结构特...

【技术特征摘要】
1.一种时间序列信号高效去噪和高精度重构建模方法，其特征在于，包括：
步骤M1：对原始的脉搏波信号进行数据预处理；
步骤M2：选择预设的信号时长，将数据预处理后的脉搏波信号按照预设比例分为预测集、训练集和测试集；
步骤M3：选择卷积神经网络作为深度降噪自编码机的基础模型，根据信号去噪要求，设计深度卷积降噪自编码机模型，得到深度卷积降噪自编码机模型；
步骤M4：将训练集输入深度卷积降噪自编码机模型进行训练，利用正则化参数以及测试集进行深度卷积降噪自编码机模型参数的调优和选取，得到最优深度学习模型；
步骤M5：将含噪脉搏波信号预测集输入到最优深度学习模型中获取深度结构特征，利用深度结构特征进行信号重构和去噪处理，并评估模型性能。


2.根据权利要求1所述的一种时间序列信号高效去噪和高精度重构建模方法，其特征在于，所述步骤M1包括：
步骤M1.1：对原始脉搏波信号进行重采样，统一信号采样频率；
步骤M1.2：准备不含噪的无标签脉搏波数据以及相应的随机叠加实际场景噪声的有标签含噪脉搏波数据；
通过在原始信号中添加噪声的形式模拟实际场景中脉搏波信号受噪声干扰的情况；不含噪的无标签脉搏波数据用于预训练以及深度卷积降噪自编码机模型去噪效果的对比，验证模型去噪性能。
步骤M1.3：对脉搏波信号中出现的噪声进行分析和分类，对不同特征的噪声类型使用不同的去噪方法；
所述实际场景噪声包括基线漂移、工频干扰和/或运动伪影。


3.根据权利要求2所述的一种时间序列信号高效去噪和高精度重构建模方法，其特征在于，所述步骤M1.3包括：
针对非同频干扰噪声，采用奇异值分解的传统方法进行去噪；
针对同频干扰噪声，采用深度卷积降噪自编码机模型方法进行去噪；
所述奇异值分解包括：使用奇异值分解方法，对脉搏波信息进行去噪预处理，奇异值分解使用矩阵分解的方法对原始信号进行子成分分解，并选择信号频率不处于非同频噪声干扰范围内的子成分进行信号重构，滤除不与脉搏波信号频率范围重叠的噪声。


4.根据权利要求1所述的一种时间序列信号高效去噪和高精度重构建模方法，其特征在于，所述步骤M3包括：
所述深度卷积降噪自编码机模型包括编码器模块和解码器模块；
所属编码器模块包括：用于高维时间序列信号的低维映射以及进一步提取信号的隐藏特征；编码器模块包括：一维卷积单元、激活单元和池化层；
所属解码器模块包括：用于信号维度的重构以及根据隐藏单元进行信号特征的重构；解码器模块包括一维卷积单元、激活单元和上采样层。


5.根据权利要求1所述的一种时间序列信号高效去噪和高精度重构建模方法，其特征在于，所述步骤M4包括：
步骤M4.1：在深度卷积降噪自编码机模型训练的方案设计中，使用傅里叶变换获取脉搏波信号的频率特征，并根据先验医学知识，在深度卷积降噪自编码机模型训练过程的损失函数中增加正则化参数，损失函数公式如下：



在损失函数中增加频域正则化特征，用于深度卷积降噪自编码机模型训练过程中的参数调优，其中，x表示输入的无标签脉搏波信号，y表示对应的模型输出信号，表示信号的频域特征，a表示可调预设超参数,θ表示模型训练中的超参数，用L表示模型输出与输入时域差异，用KL描述信号的频域差异；
步骤M4.2：在深度卷积降噪自编码机模型的超参数初始值选择过程中，使用无标签预训练的方法，通过输入无标签的脉搏波信号进行深度卷积降噪自编码机模型训练，并将深度卷积降噪自编码机模型参数作为深度卷积降噪自编码机模型正式训练中超参数初始值，进一步降低深度卷积降噪自编码机模型训练过程中的复杂性；
步骤M4.3：将测试集输入到深度卷积降噪自编码机模型进行训练，通过深度卷积降噪自编码机模型训练中损失函数的变化趋势，动态选取模型的迭代次数；采用交叉验证方法，使用测试集在调优后的多个深度卷积降噪自编码机模型中综合选择最优深度学习模型。

【专利技术属性】
技术研发人员：姚建国，马莹莹，管海兵，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海;31