本发明专利技术公开了一种基于阈值收缩网络模型的心电信号去噪方法、系统及设备，本方法将心电信号输入至阈值收缩网络模型进行去噪，获得阈值收缩网络模型输出去噪后的心电信号；阈值收缩网络模型进行去噪包括：对心电信号进行特征提取，获得心电信号波形特征；对心电信号波形特征进行特征提取，获得低频信号特征，并对低频信号特征进行阈值学习和坡度学习，获取第一阈值和第一坡度；根据第一阈值和第一坡度，构建阈值函数；根据阈值函数，获得第一去噪信号特征；对第一去噪信号特征进行特征增强，获得第二去噪信号特征；将第二去噪信号特征与心电信号进行残差操作，得到去噪后的心电信号。本发明专利技术能够提高去噪性能，减少有用信号的丢失。失。失。
【技术实现步骤摘要】
基于阈值收缩网络模型的心电信号去噪方法、系统及设备
[0001]本专利技术涉及心电信号去噪
，尤其是涉及一种基于阈值收缩网络模型的心电信号去噪方法、系统及设备。
技术介绍
[0002]基于小波的方法可以分离出许多噪声，但还会有一些残余的噪声，而残余噪声的特性非常复杂，在频域上的分布未知，现有的方法很难对残余噪声进行滤除。而小波变换方法的最大的缺点是不能在频域之外进行信号分析。进而很多学者开始迈向深度学习的大门，继续探索高效去噪方法。现下的心电去噪技术大多数都是基于时域信号的方法，且他们的工作结果表明，仍有进一步改进的余地，特别是在BW和MA等噪声条件下。虽然残差密集网络提取特征能力很强，但在提取特征的同时也会携带很多冗余特征；软阈值函数对不同类型的含噪心电信号去噪同时，会滤除有用信号，即丢失信号波形特征。这些方法都不能很好的对心电信号进行去噪。
技术实现思路
[0003]本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种基于阈值收缩网络模型的心电信号去噪方法、系统及设备，能够提高去噪性能，减少有用信号的丢失。
[0004]第一方面，本专利技术实施例提供了一种基于阈值收缩网络模型的心电信号去噪方法，所述基于阈值收缩网络模型的心电信号去噪方法包括：
[0005]获取心电信号；
[0006]将所述心电信号输入至所述阈值收缩网络模型进行去噪，获得所述阈值收缩网络模型输出去噪后的心电信号；其中，所述阈值收缩网络模型进行去噪包括：
[0007]对所述心电信号进行特征提取，获得心电信号波形特征；
[0008]对所述心电信号波形特征进行特征提取，获得低频信号特征，并对所述低频信号特征进行阈值学习和坡度学习，获取第一阈值和第一坡度；
[0009]根据所述第一阈值和所述第一坡度，构建阈值函数；
[0010]根据所述阈值函数，对所述低频信号特征进行信号去噪、特征细化和残差操作，获得第一去噪信号特征；
[0011]对所述第一去噪信号特征进行特征增强，获得第二去噪信号特征；
[0012]将所述第二去噪信号特征与所述心电信号进行残差操作，得到去噪后的心电信号。
[0013]与现有技术相比，本专利技术第一方面具有以下有益效果：
[0014]本方法通过将心电信号输入至阈值收缩网络模型进行去噪，获得阈值收缩网络模型输出去噪后的心电信号，通过阈值收缩网络模型对心电信号进行去噪，能够提高去噪性能，减少有用信号的丢失；其中，阈值收缩网络模型进行去噪包括：对心电信号进行特征提
取，获得心电信号波形特征，对心电信号波形特征进行特征提取，获得低频信号特征，并对低频信号特征进行阈值学习和坡度学习，获取第一阈值和第一坡度，根据第一阈值和第一坡度，构建阈值函数，根据阈值函数，对低频信号特征进行信号去噪、特征细化和残差操作，获得第一去噪信号特征，通过根据第一阈值和第一坡度构建的阈值函数对心电信号进行去噪，能够去除一些冗余信息，提取到更加有用的信息，减少有用信号的丢失，使每个心电信号都有自己的阈值集，从而提高心电信号的去噪效果；对第一去噪信号特征进行特征增强，获得第二去噪信号特征，将第二去噪信号特征与心电信号进行残差操作，得到去噪后的心电信号，通过对信号特征进行增强，能够获得更符合预期的心电信号。
[0015]根据本专利技术的一些实施例，所述根据所述阈值函数，对所述低频信号特征进行信号去噪、特征细化和残差操作，获得第一去噪信号特征，包括：
[0016]采用所述阈值函数对所述低频信号特征进行去噪，获得去噪后的低频信号特征；
[0017]对所述去噪后的低频信号特征进行特征细化，获得细化后的低频信号特征；
[0018]对所述细化后的低频信号特征进行残差操作，获得第一去噪信号特征。
[0019]根据本专利技术的一些实施例，所述对所述低频信号特征进行阈值学习，获得第一阈值，包括：
[0020]对所述低频信号特征进行绝对值运算，获得第一信号特征；
[0021]对所述第一信号特征进行冗余信息去除，获得第二信号特征；
[0022]将所述第二信号特征进行卷积操作，获得第三信号特征；
[0023]将所述第三信号特征经过Sigmoid操作，获得第四信号特征；
[0024]将所述第一信号特征和所述第四信号特征做矩阵乘，获得第一阈值。
[0025]根据本专利技术的一些实施例，所述对所述低频信号特征进行坡度学习，获得第一坡度，包括：
[0026]将所述低频信号特征依次经过绝对值运算、全局平均池化、卷积层和Sigmoid操作，获得第一坡度。
[0027]根据本专利技术的一些实施例，所述阈值收缩网络模型采用的L1损失函数包括：
[0028][0029]其中，N表示输入所述阈值收缩网络模型中的心电信号的数量，表示所述阈值收缩网络模型输出的去噪后的心电信号，表示干净的心电信号。
[0030]根据本专利技术的一些实施例，通过如下方式计算所述阈值函数：
[0031][0032]其中，τ表示第一阈值，λ表示第一坡度，x表示所述心电信号波形特征，y表示所述去噪后的低频信号特征。
[0033]根据本专利技术的一些实施例，所述对所述第一去噪信号特征进行特征增强，获得第二去噪信号特征，包括：
[0034]对所述第一去噪信号特征进行融合，获得融合去噪信号特征；
[0035]对所述融合去噪信号特征进行特征学习，获得特征学习后的去噪信号特征；
[0036]将所述心电信号波形特征和所述特征学习后的去噪信号特征进行残差操作，获得残差操作后的去噪信号特征；
[0037]对所述残差操作后的去噪信号特征进行特征增强，获得第二去噪信号特征。
[0038]第二方面，本专利技术实施例还提供了一种基于阈值收缩网络模型的心电信号去噪系统，所述基于阈值收缩网络模型的心电信号去噪系统包括：
[0039]数据获取模块，用于获取心电信号；
[0040]模型去噪模块，用于将所述心电信号输入至所述阈值收缩网络模型进行去噪，获得所述阈值收缩网络模型输出去噪后的心电信号；所述模型去噪模块包括第一特征提取子模块、第二特征提取子模块、阈值函数构建子模块、信号去噪子模块、特征增强子模块和残差操作子模块，其中：
[0041]第一特征提取子模块，用于对所述心电信号进行特征提取，获得心电信号波形特征；
[0042]第二特征提取子模块，用于对所述心电信号波形特征进行特征提取，获得低频信号特征，并对所述低频信号特征进行阈值学习和坡度学习，获取第一阈值和第一坡度；
[0043]阈值函数构建子模块，用于根据所述第一阈值和所述第一坡度，构建阈值函数；
[0044]信号去噪子模块，用于根据所述阈值函数，对所述低频信号特征进行信号去噪、特征细化和残差操作，获得第一去噪信号特征；
[0045]特征增强子模块，用于对所述第一去噪信号特征进行特征增强，获得第二去噪信号特征；
[0046]残差操作本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于阈值收缩网络模型的心电信号去噪方法，其特征在于，所述基于阈值收缩网络模型的心电信号去噪方法包括：获取心电信号；将所述心电信号输入至所述阈值收缩网络模型进行去噪，获得所述阈值收缩网络模型输出去噪后的心电信号；其中，所述阈值收缩网络模型进行去噪包括：对所述心电信号进行特征提取，获得心电信号波形特征；对所述心电信号波形特征进行特征提取，获得低频信号特征，并对所述低频信号特征进行阈值学习和坡度学习，获取第一阈值和第一坡度；根据所述第一阈值和所述第一坡度，构建阈值函数；根据所述阈值函数，对所述低频信号特征进行信号去噪、特征细化和残差操作，获得第一去噪信号特征；对所述第一去噪信号特征进行特征增强，获得第二去噪信号特征；将所述第二去噪信号特征与所述心电信号进行残差操作，得到去噪后的心电信号。2.根据权利要求1所述的基于阈值收缩网络模型的心电信号去噪方法，其特征在于，所述根据所述阈值函数，对所述低频信号特征进行信号去噪、特征细化和残差操作，获得第一去噪信号特征，包括：采用所述阈值函数对所述低频信号特征进行去噪，获得去噪后的低频信号特征；对所述去噪后的低频信号特征进行特征细化，获得细化后的低频信号特征；对所述细化后的低频信号特征进行残差操作，获得第一去噪信号特征。3.根据权利要求1所述的基于阈值收缩网络模型的心电信号去噪方法，其特征在于，所述对所述低频信号特征进行阈值学习，获得第一阈值，包括：对所述低频信号特征进行绝对值运算，获得第一信号特征；对所述第一信号特征进行冗余信息去除，获得第二信号特征；将所述第二信号特征进行卷积操作，获得第三信号特征；将所述第三信号特征经过Sigmoid操作，获得第四信号特征；将所述第一信号特征和所述第四信号特征做矩阵乘，获得第一阈值。4.根据权利要求1所述的基于阈值收缩网络模型的心电信号去噪方法，其特征在于，所述对所述低频信号特征进行坡度学习，获得第一坡度，包括：将所述低频信号特征依次经过绝对值运算、全局平均池化、卷积层和Sigmoid操作，获得第一坡度。5.根据权利要求1所述的基于阈值收缩网络模型的心电信号去噪方法，其特征在于，所述阈值收缩网络模型采用的L1损失函数包括：其中，N表示输入所述阈值收缩网络模型中的心电信号的数量，表示所述阈值收缩网络模型输出的去噪后的心电信号，表示干净的心电信号。6.根据权利要求2所述的基于阈值收缩网络模型的心电信号去噪方法，其特征在于，通
过如下...
【专利技术属性】
技术研发人员：彭建，袁敏智，李峰，章登勇，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。