一种动态心电图中随机混合噪声的去除方法及系统技术方案

本发明专利技术提出了一种动态心电图中随机混合噪声的去除方法及系统，涉及生物电信号的数字信号处理领域，用噪声信号对原始无噪声心电信号进行加噪处理，得到加噪动态心电信号，组成训练数据集；对构建的去噪模型进行训练，直到去噪模型输出的无噪声心电信号和原始无噪声心电信号在幅度和角度上的失真度最小；将待去噪的动态心电信号输入到训练好的去噪模型中，生成并输出无噪声动态心电信号；本发明专利技术使用频域滤波和时域滤波两步法去除心电信号中的随机噪声或随机混合噪音，频域滤波有效去除特定频率范围外的噪声，保留动态心电信号有效频带范围，时域滤波使用深度学习算法进行去噪，学习到有用信号和噪声的特征矩阵，从而得到失真较少的重建信号。较少的重建信号。较少的重建信号。

【技术实现步骤摘要】
一种动态心电图中随机混合噪声的去除方法及系统


[0001]本专利技术属于生物电信号的数字信号处理领域，尤其涉及一种动态心电图中随机混合噪声的去除方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]心电信号是一种重要的人体生命体征信号，该信号可以通过生物电极测量人体表面的电势差而获得，以反映心脏的生理或病理状态。心脏疾病无时不危害着人类的健康，因此对心电信号自动分析系统的研究有着很高的临床价值。
[0004]心电信号是一种十分微弱的信号，频率也比较低，在采集的过程中往往被多种噪声干扰，尤其是长程动态心电信号中经常包含肌电干扰、电极运动干扰、工频干扰和基线漂移等，所以，对心电信号的去噪处理是对心电信号进行分析的前提条件。
[0005]目前有多种方法对心电信号进行滤波去噪，包括数字滤波技术、小波变换技术、平滑滤波技术以及基于机器学习和深度学习的去噪算法等；大多数去噪算法只能消除心电图信号中的一种类型噪音或固定类型的噪音，适用性差；基于机器学习和深度学习的去噪算法往往偏向于学习较低阶的特征，对高频特征拟合效果比较有限，不能较好地去除高频噪声；还有一些方法还在提取的心拍上对心电信号进行去噪，或者需要定位R峰作为预处理步骤，或者牺牲内存空间和推理速度来减少重建失真，这些都不适合心电信号的实时去噪，导致去噪效果不佳，严重阻碍了去噪方法的适用性。

技术实现思路

[0006]为克服上述现有技术的不足，本专利技术提供了一种动态心电图中随机混合噪声的去除方法及系统，使用频域滤波和时域滤波两步法去除心电信号中的随机噪声或随机混合噪音，频域滤波有效去除特定频率范围外的噪声，保留动态心电信号有效频带范围，时域滤波使用深度学习算法进行去噪，学习到有用信号和噪声的特征矩阵，从而得到失真较少的重建信号。
[0007]为实现上述目的，本专利技术的一个或多个实施例提供了如下技术方案：
[0008]本专利技术第一方面提供了一种动态心电图中随机混合噪声的去除方法。
[0009]一种动态心电图中随机混合噪声的去除方法，包括：
[0010]将待去噪的动态心电信号输入到训练好的去噪模型中，生成并输出无噪声动态心电信号；
[0011]其中，所述去噪模型使用频域滤波和时域滤波两步法去除心电信号随机混合噪声，所述频域滤波是根据动态心电的频响标准进行频率域的去噪，所述时域滤波是通过多尺度特征提取和信号重建进行去噪处理。
[0012]进一步的，所述去噪模型，基于训练数据集进行训练，直到去噪模型输出的无噪声
心电信号和原始无噪声心电信号在幅度和角度上的失真度最小。
[0013]进一步的，所述训练数据集的构建方法为：
[0014]用噪声信号对原始无噪声心电信号进行加噪处理，得到加噪动态心电信号，组成训练数据集。
[0015]进一步的，所述噪声信号，是按照预设采样率从多种噪声源中采样得到的；所述噪声源，包括基线漂移干扰、运动伪影和电极运动干扰；
[0016]所述原始无噪声心电信号，采用干净无干扰的心电信号，采样率与噪声信号的采样率相同。
[0017]进一步的，所述加噪处理，具体为：
[0018]对噪声信号和原始无噪声心电信号进行相同窗口长度和重叠步长的加窗分割，将得到的噪声信号段进行随机组合，并使用随机幅值注入到加窗分割后的原始无噪声心电信号中，得到加噪动态心电信号。
[0019]进一步的，所述频域滤波，根据动态心电的频响标准，将加噪动态心电信号变换到频率域，采用零相移IIR算法，去除预设范围的干扰；
[0020]所述零相移IIR算法，是基于巴特沃斯IIR带通滤波器，进行零相位滤波。
[0021]进一步的，所述时域滤波，采用多尺度深度卷积神经网络，结合空间和通道注意力机制，学习无噪声心电信号和噪声信号的特征信息；
[0022]所述多尺度深度卷积神经网络，基于膨胀卷积提取不同尺度的信号特征；
[0023]所述空间和通道注意力机制，关注信号特征中的重要位置和通道，将注意力权重与信号特征对应相乘并进行并置，得到重建后的无噪声动态心电信号。
[0024]进一步的，还包括采用卷积DAE与Transformer编码器模块相结合的TCDAE模型，进行时域滤波；
[0025]所述TCDAE模型对心电信号的具体处理流程为：
[0026]通过卷积编码器提取浅层特征，结合位置嵌入，将嵌入后的特征通过Transformer编码器捕捉心电信号和噪声的全局依赖关系，解码器通过特征上采样来重建与原始信号具有相同维度的信号，即无噪声动态心电信号。
[0027]进一步的，所述在幅度和角度上的失真度，分别使用自定义的AmpLoss和AngLoss损失函数来计算；
[0028]幅度上的损失函数定义为：
[0029][0030]其中，x是原始无噪声心电信号，是重建的无噪声心电信号，δ是阈值参数，k用于控制损失函数在(k,k*δ)的形状；
[0031]角度上的损失函数定义为：
[0032][0033]其中，n是信号数据长度，i取1
‑
n,x
i
和分别是原始无噪声心电信号和重建的无噪声心电信号中第i个点，α控制相似度和差异度之间的平衡。
[0034]本专利技术第二方面提供了一种动态心电图中随机混合噪声的去除系统。
[0035]一种动态心电图中随机混合噪声的去除系统，包括信号去噪模块，用于将待去噪的动态心电信号输入到训练好的去噪模型中，生成并输出无噪声动态心电信号；
[0036]其中，所述去噪模型使用频域滤波和时域滤波两步法去除心电信号随机混合噪声，所述频域滤波是根据动态心电的频响标准进行频率域的去噪，所述时域滤波是通过多尺度特征提取和信号重建进行去噪处理。
[0037]本专利技术第三方面提供了计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本专利技术第一方面所述的一种动态心电图中随机混合噪声的去除方法中的步骤。
[0038]本专利技术第四方面提供了电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本专利技术第一方面所述的一种动态心电图中随机混合噪声的去除方法中的步骤。
[0039]以上一个或多个技术方案存在以下有益效果：
[0040]本专利技术使用频域滤波和时域滤波两步法去除心电信号中的随机噪声或随机混合噪音，频域滤波有效去除特定频率范围外的噪声，保留动态心电信号有效频带范围，时域滤波使用深度学习算法进行去噪，学习到有用信号和噪声的特征矩阵，得到失真较少的重建信号，从而有效去除包括工频干扰在内的高频干扰、基线漂移和肌电干扰，更加准确地获取心电信号的特征点位置和幅值。
[0041]本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0042]构本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种动态心电图中随机混合噪声的去除方法，其特征在于，包括：将待去噪的动态心电信号输入到训练好的去噪模型中，生成并输出无噪声动态心电信号；其中，所述去噪模型使用频域滤波和时域滤波两步法去除心电信号随机混合噪声，所述频域滤波是根据动态心电的频响标准进行频率域的去噪，所述时域滤波是通过多尺度特征提取和信号重建进行去噪处理。2.如权利要求1所述的一种动态心电图中随机混合噪声的去除方法，其特征在于，所述去噪模型，基于训练数据集进行训练，直到去噪模型输出的无噪声心电信号和原始无噪声心电信号在幅度和角度上的失真度最小。3.如权利要求2所述的一种动态心电图中随机混合噪声的去除方法，其特征在于，所述训练数据集的构建方法为：用噪声信号对原始无噪声心电信号进行加噪处理，得到加噪动态心电信号，组成训练数据集。4.如权利要求3所述的一种动态心电图中随机混合噪声的去除方法，其特征在于，所述噪声信号，是按照预设采样率从多种噪声源中采样得到的；所述噪声源，包括基线漂移干扰、运动伪影和电极运动干扰；所述原始无噪声心电信号，采用干净无干扰的心电信号，采样率与噪声信号的采样率相同。5.如权利要求3所述的一种动态心电图中随机混合噪声的去除方法，其特征在于，所述加噪处理，具体为：对噪声信号和原始无噪声心电信号进行相同窗口长度和重叠步长的加窗分割，将得到的噪声信号段进行随机组合，并使用随机幅值注入到加窗分割后的原始无噪声心电信号中，得到加噪动态心电信号。6.如权利要求5所述的一种动态心电图中随机混合噪声的去除方法，其特征在于，所述频域滤波，根据动态心电的频响标准，将加噪动态心电信号变换到频率域，采用零相移IIR算法，去除预设范围的干扰；所述零相移IIR算法，是基于巴特沃斯IIR带通滤波器，进行零相位滤波。7.如权利要求1所述的一种动态心电图中随机混合噪声的去除方法，其特征在于，所述时域滤波，...

【专利技术属性】
技术研发人员：魏守水，陈蒙，高嘉慧，孙乙桁，张秀新，
申请(专利权)人：山东大学，
类型：发明
国别省市：