基于变分自编码和PixelCNN模型的心电信号降噪方法技术

一种基于变分自编码和PixelCNN模型的心电信号降噪方法，变分自编码器依赖于概率分布，有利于减少重构误差，能够使模型学习数据的有用潜在表示并有效的模拟信号的全局结构。基于PixelCNN的自回归解码器进一步优化了变分自编码器压缩的潜在变量，能够在捕获大量潜在特征的同时捕捉边界小尺度特征。PixelCNN模型有助于对局部特征进行建模，这些特征与具有分解输出分布模型的VAE的全局特征互补。通过将模型扩展到不同尺度的潜在变量层次结构上，增大了感受野，减少了计算代价，更有利于细节特征信息的提取。特征信息的提取。特征信息的提取。

【技术实现步骤摘要】
基于变分自编码和PixelCNN模型的心电信号降噪方法


[0001]本专利技术涉及心电信号降噪领域，具体涉及一种基于变分自编码和PixelCNN模型的心电信号降噪方法。

技术介绍

[0002]随着物联网和人工智能技术的迅速发展，心脏病的远程监控和辅助诊疗已经成为当下医疗领域的热点问题。预防和检测心脏病的有效手段是心电图，但心电图的微弱性、低频性、不稳定性导致心电信号极易受到噪声干扰，常见噪声有肌肉伪影(MA)、电极运动(EM)和基线漂移(BW)。MA会破坏心电信号(ECG)的细节信息，导致心脏病的某些特征消失。EM或BW引起的ST段偏离基线可能被误诊为心肌梗死或其他疾病。这些噪声信号会影响心电信号的分析和诊断，因此消除这些噪声是确保心脏病被正确诊断的第一步。
[0003]现有的心电信号降噪技术可分为传统心电降噪方法和深度学习降噪方法，但现有的降噪方法仍然面临着各种各样的问题，如小波变换(WD)、经验模态分解(EMD)、维纳滤波(WF)等传统降噪方法一般只考虑了某一种类型的噪声，不能同时去除多种噪声。深度学习的降噪方法如降噪自编码器(DA本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于变分自编码和PixelCNN模型的心电信号降噪方法，其特征在于，包括如下步骤：a)从MIT
‑
BIH心律失常数据库中随机截取，得到L个干净心电信号样本数据，第i个干净心电信号样本数据为S
i
，S
i
＝[s1,s2,...,s
M
]，1≤i≤L，其中s
j
为第j个采样点的心电信号，1≤j≤M，M为每条干净心电信号样本数据中具有的采样点个数；b)对干净心电信号样本数据S
i
进行归一化处理，得到归一化后的干净心电信号样本数据c)得到L个噪声样本数据，第i个噪声信号样本数据为N
i
，N
i
＝[n1,n2,...,n
M
]，1≤i≤L，其中n
j
为第j个采样点的噪声信号，1≤j≤M，M为每条噪声信号样本数据中具有的采样点个数；d)通过公式计算得到含噪心电信号X
i
，将含噪心电信号X
i
划分为训练集T、验证集V、测试集H；e)构建VAE网络，VAE网络依次由编码器、潜在空间和解码器构成，将训练集T输入到VAE网络模块中编码器的下采样单元中，编码器的下采样单元依次由七个卷积模块构成，第一卷积模块为一个大小为1*31、步长为2、填充为(0,15)的卷积核与一个ReLU激活函数组成的卷积层，第二卷积模块、第三卷积模块以及第四卷积模块均为一个大小为2*31、步长为2、填充为(1,15)的卷积核与一个ReLU激活函数组成的卷积层，第五卷积模块、第六卷积模块、第七卷积模块均为一个大小为2*15、步长为2、填充为(1,7)的卷积核与一个ReLU激活函数组成的卷积层，通过公式z
k
＝δ(W
k
·
U
k
‑1+b
k
)计算得到第k个卷积模块的输出z
k
，k∈{1,2,...,7}，式中δ为ReLU激活函数，W
k
为第k个卷积模块的卷积滤波器，b
k
为第k个卷积模块的偏置量，U
k
‑1为第k个卷积模块的输入，经过下采样单元处理后的特征向量为X
out
，X
out
＝z7；f)潜在空间由两个全连接层构成，将特征向量X
out
输入潜在空间的两个全连接层后分别得到后验分布的均值μ和后验分布的标准差σ，通过公式z＝μ+σ
⊙
∈,∈～N(0,I)计算得到经潜在空间重构后的潜在特征向量z，∈为从标准正态分布N(0,I)中随机采样的一个样本，
⊙
为Hadamard乘积，I为正态分布的标准差；g)将重构后的潜在特征向量z输入解码器的上采样单元中得到解码器输出特征向量X
out
′
，解码器的上采样单元依次由七个反卷积模块构成，第一反卷积模块、第二反卷积模块、第三反卷积模块、第四反卷积模块、第五反卷积模块、第六反卷积模块均为一个大小为1*32、步长为2、填充为(0,15)的反卷积核与一个ReLU激活函数组成的反卷积层，第七反卷积模块为一个大小为1*31、步长为1、填充为(0,15)的反卷积核与一个ReLU激活函数组成的反卷积层；h)将特征向量X
out
′
输入PixelCNN...

【专利技术属性】
技术研发人员：陈长芳，夏英豪，舒明雷，周书旺，高天雷，刘照阳，
申请(专利权)人：山东省人工智能研究院，
类型：发明
国别省市：