一种心电信号的噪声去除方法技术

本发明专利技术涉及一种心电信号的噪声去除方法，具体包括以下步骤：

【技术实现步骤摘要】
一种心电信号的噪声去除方法
[0001]所属领域
[0002]本专利技术涉及一种心电信号的处理方法，具体地说是一种心电信号的噪声去除方法
。

技术介绍

[0003]对于心电信号噪声去除的算法，最初的尝试是基于经典的线性滤波器，如低通滤波器
、
自适应滤波器和滤波器组等
。
针对多种噪声，人们开始尝试将多种方法结合起来，以达到更好的去噪效果
。EEMD
将含噪
ECG
信号分解为一系列固有模态函数
(IMF)
，然后对分解后的信号进行局部均值滤波
(LM)。
最后，通过重构滤波后的
IMF
或细节分量和近似分量来恢复去噪后的
ECG
信号
。
[0004]为了避免外界加入的噪声对原始信号的过度影响，有人将信号分解成不同的频率来处理，不同频率下信号本身的特征更显著，外界噪声更容易被发现剔除
。
将小波分解和变分模式分解
(VMD)
相结合，通过相关系数区分噪声信号和有效信号，有针对性的处理不同频率下的信号
。
或者先利用
CEEMDAN
对信号分解，然后通过小波和数学形态学分别对高频信号和低频信号进行处理
。
模态分解将一整条信号根据频率分解开，后续对不同频率范围选用不同的方法，以达到更好的去噪目的
。
[0005]为了获取并利用更多的心电信息，有人考虑利用心电信号历史数据预测下一刻信号
。
卡尔曼滤波器可以利用心电信号历史数据进行预测，将心电信号通过不同波段分成高频信号低频信号分别用两个卡尔曼来处理，卡尔曼本身是想根据已经发生的心电活动来对将要发生的信号进行预测
。
[0006]为了弥补单导联信息的不够完善，人们尝试利用
12
导联的关联关系进行去噪，采用稀疏自编码器
(SAE)
来拟合模型
。
该模型需要含噪导联外的其他导联分别进行拟合，能够为每位患者提供独特的拟合模型，每个导联形成各自独立的通道，稀疏自编码器挖掘单一导联的信号特征，最后采用相关系数对除目标导联外的其他导联进行加权
。
[0007]当前技术在应对突发疾病时，因为模型对病人个体分析少，所以有些会将病理特征和噪声信号混淆在一起而被去掉
。

技术实现思路

[0008]本专利技术的目的就是提供一种心电信号的噪声去除方法，以解决因不能将病理特征与噪声信号相区分而导致心电信号中的病理特征被去掉的问题
。
[0009]本专利技术的目的是这样实现的：
[0010]一种心电信号的噪声去除方法，包括以下步骤：
[0011]S1、
特征提取：对
12
导联中的每个导联都进行模型构造，模拟信号在经过目标去噪导联之外的其他
11
个导联的过程中都进行关联关系的提取
。
[0012]S2、
网络训练：将
12
导联信号的前
10000
个采样点输入
GRNN
神经网络，
GRNN
神经网络中的隐含层通过这
10000
个采样点获得的历史数据对
12
导联之间的非线性关联关系进行
提取并存储，经训练后，
GRNN
神经网络中的隐含层保留病人以往历史数据的信息特征，其中包括每个导联的特异性以及
12
导联之间相互的关联关系
。
[0013]S3、
网络测试：将目标去噪导联之外的其他
11
导联作为输入进入
GRNN
神经网络，以便得到多导联中一条干净的心电信号；在
11
导联信号的任意位置随机添加时长为1～2秒用以模拟真实环境的噪声，
GRNN
神经网络利用提取到的导联间的关联关系，从
11
导联中推导出
y
单导联信号，对整条数据的剩余采样点进行测试验证
。
[0014]S4、11
导联信号经过
GRNN
神经网络进行拟合，得到指导信号后，对含有噪声的心电信号进行指导滤波；根据加性噪声模型得到干净心电信号
q
i
：
q
i
＝
p
i
－
N
i
；其中，
p
i
为输入信号，
N
i
为噪声
。
[0015]对所有的输出数据进行平均，以平均值作为最终的输出数据：
[0016][0017]其中，
a
k
和
b
k
均为常量系数，
ω
k
是窗口，
I
i
是引导信号；
[0018]这样，含噪声的心电信号在通过指导滤波后即得到最终结果
。
[0019]进一步地，本专利技术步骤
D1
包括如下子步骤：
[0020]S1
‑1所述
GRNN
神经网络包含四个基本层：输入层
、
模式层
、
求和层和输出层：
[0021]p(h|d)
＝
p(d|h)p(h)/p(d)
[0022]其中，
h
表示具有特定网络架构的模型，
d
表示目标数据集
。
[0023]S1
‑2输入层用于接收输入信息，并具有与从属
(
输入
)
参数的数目相同的单位数目
。
[0024]S1
‑3在经过
GRNN
神经网络的输入层后，输出为：
[0025]I(k)
＝
x(k),k
＝
1,2,...,n
[0026]其中，
n
为样本个数，每个样本的特征向量为
x(i)。
[0027]S1
‑4模式层用于对样本特征向量进行统计分析，其输出是每个特征的均值和标准差
。
对于第
j
个特征，模式层的输出
T(j)
为：
[0028]T(j)
＝
[mean(x(1,j)),std(x(1,j)),mean(x(2,j)),std(x(2,j)),...,mean(x(n,j)),std(x(n,j))]。
[0029]S1
‑5根据模板层的输出和输入层的输入计算径向基函数的层是径向基层，所述径向基层的输出为径向基函数的值
。
设径向基函数为：
[0030]G(x)
＝
exp(
–...

【技术保护点】

【技术特征摘要】
1.
一种心电信号的噪声去除方法，其特征是，包括以下步骤：
S1、
特征提取：对
12
导联中的每个导联都进行模型构造，模拟信号在经过目标去噪导联之外的其他
11
个导联的过程中都进行关联关系的提取；
S2、
网络训练：将
12
导联信号的前
10000
个采样点输入
GRNN
神经网络，
GRNN
神经网络中的隐含层通过这
10000
个采样点获得的历史数据对
12
导联之间的非线性关联关系进行提取并存储，经训练后，
GRNN
神经网络中的隐含层保留病人以往历史数据的信息特征，其中包括每个导联的特异性以及
12
导联之间相互的关联关系；
S3、
网络测试：将目标去噪导联之外的其他
11
导联作为输入进入
GRNN
神经网络，以便得到多导联中一条干净的心电信号；在
11
导联信号的任意位置随机添加时长为1～2秒用以模拟真实环境的噪声，
GRNN
神经网络利用提取到的导联间的关联关系，从
11
导联中推导出
y
单导联信号，对整条数据的剩余采样点进行测试验证；
S4、11
导联信号经过
GRNN
神经网络进行拟合，得到指导信号后，对含有噪声的心电信号进行指导滤波；根据加性噪声模型得到干净心电信号
q
i
：
q
i
＝
p
i
－
N
i
；其中，
p
i
为输入信号，
N
i
为噪声；对所有的输出数据进行平均，以平均值作为最终的输出数据：其中，
a
k
和
b
k
均为常量系数，
ω
k
是窗口，
I
i
是引导信号；含噪声的心电信号在通过指导滤波后即得到最终结果
。2.
根据权利要求1所述的心电信号的噪声去除方法，其特征是，步骤
D1
包括如下子步骤：
S1
‑1所述
GRNN
神经网络包含四个基本层：输入层...

【专利技术属性】
技术研发人员：刘秀玲，熊鹏，杜海曼，张杰烁，李铭溪，何聪，
申请(专利权)人：河北大学，
类型：发明
国别省市：