一种基于深度学习和心电仿真技术的心电信号去噪方法技术

本发明专利技术公开了一种基于深度学习和心电仿真技术的心电信号去噪方法，属于医学技术领域，一种基于深度学习和心电仿真技术的心电信号去噪方法，采用以下步骤：步骤一，设置参数，产生心电信号；步骤二，随机生成范围内的场点处电导率

【技术实现步骤摘要】
一种基于深度学习和心电仿真技术的心电信号去噪方法


[0001]本专利技术涉及医学
，尤其涉及一种基于深度学习和心电仿真技术的心电信号去噪方法
。

技术介绍

[0002]提取心电信号的
R
波峰位置往往是自动化处理动态心电图的第一步；现有基于物理模型的很多心跳分类算法都依赖于
R
波峰位置的准确度，因此提高
R
波峰提取的准确性意义重大，造成现有算法
R
波峰位置不准确的主要原因在于动态心电图中的干扰
。
[0003]现有的去噪算法多针对心电图中的工频干扰
、
呼吸干扰
、
和高频噪声进行研究，然而与静态心电图不同，动态心电图中干扰种类多，并且由于运动
、
或者设备导联导电性不稳定等原因造成的噪声干扰幅度大，由于这部分干扰没有固定的规律，如何去除这部分噪声成为动态心电图处理的难点，为此，本申请提出一种基于深度学习算法加心电仿真技术相结合的心电信号去噪方法来解决此问题
。

技术实现思路

[0004]本专利技术的目的是为了解决现有技术中存在的问题，而提出的一种基于深度学习和心电仿真技术的心电信号去噪方法
。
[0005]为了实现上述目的，本专利技术采用了如下技术方案：
[0006]一种基于深度学习和心电仿真技术的心电信号去噪方法，采用以下步骤操作：
[0007]步骤一，设置参数，产生心电信号；
[0008]步骤二，随机生成范围在
[1.2
‑
4.5]之间的场点处电导率
σ
，范围在
[1.3
‑
3.5]之间的内界面电导率
σ
l
‑
,
范围在
[2.3
‑
5.5]之间的外界面电导率为
σ
l+
，随机设置生成
n*n
个
[0,36]之间的整数，并将其赋值给
ε
(i,j,0)
，然后按照步骤一生成不同的心电信号；
[0009]步骤三，以仿真得到的心电信号作为输入，以场点处电导率
σ
、
内界面电导率
σ
l
‑
、
外界面电导率为
σ
l+
、
ε
(i,j,0)
作为输出，训练深度学习网络；
[0010]步骤四，使用深度学习网络对真实采集得到的心电信号进行去噪
。
[0011]优选地，步骤一中，产生心电信号的具体步骤为：
[0012]a.
根据下列等式确定
n*n
维传递系数矩阵
M
t
，其中
n
为心外膜表面模型的结点数；
[0013]其中，
[0014][0015]b.
随机生成
n*n
个
[0,36]之间的整数，并将其赋值给
ε
(i,j,0)
，根据步骤
a
中提供
的公式计算出
M0；
[0016]c.
按照下列等式求出
Φ0；
[0017][0018]d.
求出心外膜电位；
[0019][0020]进一步地，在式中，
[0021]并且，当
0<x<36
时，
s(x)
分别为
{
‑
80,
‑
80,
‑
80,
‑
80,55.9,30.3,8.0,
‑
6.8,
‑
14.2,
‑
19.2,
‑
23.3,
‑
28.2,
‑
32.4,
‑
39.0,
‑
44.7,
‑
49.7,
‑
54.6,
‑
60.4,
‑
64.5,
‑
68.7,
‑
72.8,
‑
74.4,
‑
76.1,
‑
77.8,
‑
78.6,
‑
80,
‑
80,
‑
80,
‑
80,
‑
80,
‑
80,
‑
80,
‑
80,
‑
80,
‑
80}
，
x
取其他值时，
s(x)
＝
0。
[0022]更进一步地，其特征在于，在式
[0023][0024]中，
δ
是周围值在
[1
‑
35]之间的元素个数，
δ
t
h
＝
2。
[0025]更进一步地，在式中，
[0026]n
为心外膜表面模型的结点数
,D
j
表示心脏中心点到第
i
个心外膜表面模型的结点位置的归一化向量，
R
表示场点固定向量，表示偏导运算
。
[0027]更进一步地，在式
[0028][0029]中，
r
′
是心外膜表面的场点；
σ
是该场点处的电导率；
Ω
h
代表整个心脏区域；
J
s
为心肌的等效偶极子源；
S
l
(1
＝
2,3,*m)
代表人体躯干内电导率分片均匀的封闭界面，其内界面的电导率为
σ
l
‑
,
外界面的电导率为
σ
l+
；
S
l
代表体表面
。
[0030]优选地，步骤三中，深度学习网络采用7层网络加一个分类器构造，即
layer1
‑
layer7
；
[0031]以仿真得到的心电信号作为输入，以场点处电导率
σ
，内界面电导率
σ
l
‑
，外界面电导率为
σ
l+
，
ε
(i,j,0)
作为输出，训练深度学习网络，训练算法可以为：随机梯度下降算法
、Adam
算法
、RMSProp
算法
、Adagrad
算法
、Adadelta
算法
、Adamax
算法等
。
[0032本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习和心电仿真技术的心电信号去噪方法，其特征在于，采用以下步骤操作：步骤一，设置参数，产生心电信号；步骤二，随机生成范围在
[1.2
‑
4.5]
之间的场点处电导率
σ
，范围在
[1.3
‑
3.5]
之间的内界面电导率范围在
[2.3
‑
5.5]
之间的外界面电导率为随机设置生成
n*n
个
[0,36]
之间的整数，并将其赋值给
ε
(i,j,0)
，然后按照步骤一生成不同的心电信号；步骤三，以仿真得到的心电信号作为输入，以场点处电导率
σ
、
内界面电导率外界面电导率为
ε
(i,j,0)
作为输出，训练深度学习网络；步骤四，使用深度学习网络对真实采集得到的心电信号进行去噪
。2.
根据权利要求1所述的一种基于深度学习和心电仿真技术的心电信号去噪方法，其特征在于，步骤一中，产生心电信号的具体步骤为：
a.
根据下列等式确定
n*n
维传递系数矩阵
M
t
，其中
n
为心外膜表面模型的结点数；其中，其中，
b.
随机生成
n*n
个
[0,36]
之间的整数，并将其赋值给
ε
(i,j,0)
，根据步骤
a
中提供的公式计算出
M0；
c.
按照下列等式求出
Φ0；
d.
求出心外膜电位；
3.
根据权利要求2所述的一种基于深度学习和心电仿真技术的心电信号去噪方法，其特征在于，在式中，
并且，当
0<x<36
时，
s(x)
分别为
{
‑
80,
‑
80,
‑
80,
‑
80,55.9,30.3,8.0,
‑
6.8,
‑
14.2,
‑
19.2,
‑
23.3,
‑
28.2,
‑
32.4,
‑
39.0,
‑
44.7,
‑
49.7,
‑
54.6,
‑
60.4,
‑
64.5,
‑
68.7,
‑
72.8,
‑
74.4,
‑
76.1,
‑
77.8,
‑
78.6,
‑
80,
‑
80,
‑
80,
‑
80,
‑
80,
‑
80,
‑
80,
‑
80,
‑
80,
‑
80}
，
x
取其他值时，
s(x)
＝
0。4.
根据权利要求3所述的一种基于深度学习和心电仿真技术的心电信号去噪方法，其特征在于，在式中，
δ
是周围值在
[1
‑
35]
之间的元素个数，
δ
th
＝
2。5.
根据权利要求4所述的一种基于深度学习和心电仿真技术的心电信号去噪方法，其特征在于，在式中，
n
为心外膜表面模型的结点数
,D
j
表示心脏中心点到第
i
个心外膜表面模型的结点位置的归一化向量，
R
表示场点固定向量，表示偏导运算
。6.
根...

【专利技术属性】
技术研发人员：朱俊江，陈广怡，姚蔚菁，
申请(专利权)人：上海数创医疗科技有限公司，
类型：发明
国别省市：