CN106618631B - 一种基于分组稀疏性的自适应心音信号去噪方法 - Google Patents
一种基于分组稀疏性的自适应心音信号去噪方法 Download PDFInfo
- Publication number
- CN106618631B CN106618631B CN201611033507.2A CN201611033507A CN106618631B CN 106618631 B CN106618631 B CN 106618631B CN 201611033507 A CN201611033507 A CN 201611033507A CN 106618631 B CN106618631 B CN 106618631B
- Authority
- CN
- China
- Prior art keywords
- algorithm
- parameter
- noise reduction
- cardiechema signals
- noise
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B7/00—Instruments for auscultation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Signal Processing (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Physics & Mathematics (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Soundproofing, Sound Blocking, And Sound Damping (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
一种基于分组稀疏性的自适应心音信号去噪方法,属于生物信号处理的研究领域。在心音信号中往往存在着大量的干扰噪声,这影响了心音信号的可用性,会导致使用这些信息的专业人员做出错误的决策或判断。该方法具体操作包括以下步骤:(1)初始化参数;(2)更新正则化参数;(3)计算近似投影;(4)降噪算法的停止条件。所提出的降噪方法具有更好的降噪声效果和更低的计算代价。由于不需要任何的预定义基函数,减少了算法所需的存储空间,而且算法易于实现。
Description
技术领域
本发明属于生物信号处理的研究领域,具体涉及一种心音信号的自适应去噪方法,是一种心音信号增强的技术手段。
背景技术
心音是人体一种重要的生理信号,承载着与人体健康状况有关的有价值的诊断信息。相关的专业人员可通过听诊的方式从心音中获取这些信息,并依据这些信息进行相应的决策或诊断。然而,无论是使用传统的心音听诊器还是使用现代的数字心音传感器或数字听诊器时,心音信号中都存在着大量干扰噪声。这些来源复杂的噪声损害了心音中有重要价值的信息,严重影响了心音信号的可用性,从而会导致使用这些信息的专业人员做出错误的决策或诊断。因而,需要对心音信息进行有效的降噪声处理。
为实现心音去噪的目的,小波变换是最常用的方法之一。小波变换需要预定义适当的基函数,使用“db10”、“db5”或“bior5.5”等基函数的小波变换是目前用于心音去噪的主要方法。然而,由于年龄、性别和身体状态等差别,心音这种弱信号生理信号具有不同的特征形态,小波变换中预定义的基函数很难很好地匹配心音的多样性。因此,这需要有更为适合心音信号特点的去噪方法。
发明内容
本发明的目的在于基于心音信号一阶差分序列的分组稀疏特征,提供一种基于分组稀疏性的自适应心音信号去噪方法。
本发明基于国际公开的心音数据库的去噪实验表明,本发明中所提出的去噪方法远好于传统的小波变换去噪方法。
为了实现上述目的,本发明采取的技术方案如下:
步骤1:初始化参数
所提出算法的相关参数及输入量设置如下:
分组大小参数K:K=20
其中K表示分组的大小;
伽马分布(Gamma)先验的形状参数:α=1,
Gamma先验的尺度参数:β=50
归整参数:θ=0.8
算法中降噪信号的初始投影为x(0)=y,其中y是长度为N的含噪声心音信号;
步骤2:更新正则参数
在算法的第k次迭代过程中,正则参数λ(k)依下式进行更新
式(1)中的变量说明:δ2是预估的噪声方差;α,β,θ是在步骤1中初始化的参数;N是信号的长度;x(k)是算法在第k次迭代过程的投影;D是差分矩阵,其定义为
函数是差分序列Dx(k)的分组稀疏性度量函数,其定义为:
其中[Dx(k)]n,K是差分序列Dx(k)的第n个大小为K的分组,‖‖2表示向量的l2范数;
步骤3:计算近似投影
依据在步骤2中所更新的正则参数λ(k),进而计算降噪心音信号的新的投影x(k+1),其计算过程由以下步骤构成,相关变量与符号的含义与步骤2中相同;
步骤3.1:
计算对角阵Λ(t),其对角元素按下式进行计算:
其中上角标-1表示求逆运算;
步骤3.2:
计算中间变换矩阵F
其中I表示单位矩阵,上角标表示T矩阵转置运算;
步骤3.3:
计算降噪心音信号新的投影
x(t+1)=Fy (6)
步骤4:降噪算法的停止条件
降噪算法的停止迭代为
‖y-x(k+1)‖2≥Nδ2 (7)
否则算法转到步骤(2)继续执行;
当算法依据条件(7)停止时,算法输出的x(k+1)降噪后就是含噪声心音y经过降噪处理后的信号。
本发明的有益效果:本发明与目前广泛用于心音信号降噪的小波变换方法相比,所提出的降噪方法具有更好的降噪声效果和更低的计算代价。由于不需要任何预定义基函数,减少了算法所需的存储空间,而且算法易于实现。因此,本发明的技术方案具有易于实现、可靠性好的特点,因此适合推广使用。
附图说明
图1为采用现有的db10、db5、bior5.5三种小波变换降噪方法与本发明中所述的降噪方法,在输入含噪心音为-5dB时,对美国马里兰大学公开发布的心音数据库中的心音记录进行降噪处理时的性能表现及其平均性能表现图;
图2为采用现有的db10、db5、bior5.5三种小波变换降噪方法与本发明中所述的降噪方法,在输入含噪心音为5dB时,对美国马里兰大学公开发布的心音数据库中的心音记录进行降噪处理时的性能表现及其平均性能表现图。
具体实施方式
下面结合附图对本发明作进一步阐述。
步骤1:初始化参数
所提出算法的相关参数及输入量设置如下:
分组大小参数K:K=20
其中K表示分组的大小;
伽马分布(Gamma)先验的形状参数:α=1,
Gamma先验的尺度参数:β=50
归整参数:θ=0.8
算法中降噪信号的初始投影为x(0)=y,其中y是长度为N的含噪声心音信号;
步骤2:更新正则参数
在算法的第k次迭代过程中,正则参数λ(k)依下式进行更新
式(1)中的变量说明:δ2是预估的噪声方差;α,β,θ是在步骤1中初始化的参数;N是信号的长度;x(k)是算法在第k次迭代过程的投影;D是差分矩阵,其定义为
函数是差分序列Dx(k)的分组稀疏性度量函数,其定义为:
其中[Dx(k)]n,K是差分序列Dx(k)的第n个大小为K的分组,‖‖2表示向量的l2范数;
步骤3:计算近似投影
依据在步骤2中所更新的正则参数λ(k),进而计算降噪心音信号的新的投影x(k+1),其计算过程由以下步骤构成,相关变量与符号的含义与步骤2中相同;
步骤3.1:
计算对角阵Λ(t),其对角元素按下式进行计算:
其中上角标-1表示求逆运算;
步骤3.2:
计算中间变换矩阵F
其中I表示单位矩阵,上角标表示T矩阵转置运算;
步骤3.3:
计算降噪心音信号新的投影
x(t+1)=Fy (6)
步骤4:降噪算法的停止条件
降噪算法的停止迭代为
‖y-x(k+1)‖2≥Nδ2 (7)
否则算法转到步骤(2)继续执行;
当算法依据条件(7)停止时,算法输出的x(k+1)降噪后就是含噪声心音y经过降噪处理后的信号。
为验证本发明中所提出的降噪方法的有效性,我们分别采用db10、db5以及bior5.5三种常用的小波变换降噪方法和本发明中所述的降噪方法,对美国马里兰大学公开发布的心音数据库中的心音进行降噪处理。此数据库中共含有23个心音记录,分别M1、M2、…、M23表示,在这些心音记录中包含多种类型的心音。db10、db5、bior5.5三种小波变换降噪方法和本发明中所述的降噪方法,分别在输入信噪比为-5dB和5dB的噪声水平下,对每个心音记录进行降噪的性能表现及其在这些心音记录上的平均性能表现,分别见图1和图2所示。从图中可以看出,本发明所提出的降噪方法的性能表现都远好于小波变换方法。此实验充分证实了所提出方法的有效性。
Claims (1)
1.一种基于分组稀疏性的自适应心音信号去噪方法,其特征在于:它由以下步骤实现:
步骤1:初始化参数
所提出算法的相关参数及输入量设置如下:
分组大小:K=20
伽马分布先验的形状参数:α=1,
伽马分布先验的尺度参数:β=50
归整参数:θ=0.8
算法中降噪信号的初始投影为x(0)=y,其中y是长度为N的含噪声心音信号;
步骤2:更新正则参数
在算法的第k次迭代过程中,正则参数λ(k)依下式进行更新
式(1)中的变量说明:δ2是预估的噪声方差;α,β,θ是在步骤1中初始化的参数;N是信号的长度;x(k)是算法在第k次迭代过程的投影;D是差分矩阵,其定义为
函数是差分序列Dx(k)的分组稀疏性度量函数,其定义为:
其中[Dx(k)]n,K是差分序列Dx(k)的第n个大小为K的分组,‖‖2表示向量的l2范数;
步骤3:计算近似投影
依据在步骤2中所更新的正则参数λ(k),进而计算降噪心音信号的新的投影x(k+1),其计算过程由以下步骤构成,相关变量与符号的含义与步骤2中相同;
步骤3.1:
计算对角阵Λ(t),其对角元素按下式进行计算:
其中上角标-1表示求逆运算;
步骤3.2:
计算中间变换矩阵F
其中I表示单位矩阵,上角标表示T矩阵转置运算;
步骤3.3:
计算降噪心音信号新的投影
x(t+1)=Fy (6)
步骤4:降噪算法的停止条件
降噪算法的停止迭代为
||y-x(k+1)||2≥Nδ2 (7)
否则算法转到步骤(2)继续执行;
当算法依据条件(7)停止时,算法输出的x(k+1)降噪后就是含噪声心音y经过降噪处理后的信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611033507.2A CN106618631B (zh) | 2016-11-17 | 2016-11-17 | 一种基于分组稀疏性的自适应心音信号去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611033507.2A CN106618631B (zh) | 2016-11-17 | 2016-11-17 | 一种基于分组稀疏性的自适应心音信号去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106618631A CN106618631A (zh) | 2017-05-10 |
CN106618631B true CN106618631B (zh) | 2019-05-03 |
Family
ID=58809066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611033507.2A Active CN106618631B (zh) | 2016-11-17 | 2016-11-17 | 一种基于分组稀疏性的自适应心音信号去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106618631B (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101833667A (zh) * | 2010-04-21 | 2010-09-15 | 中国科学院半导体研究所 | 一种基于分组稀疏表示的模式识别分类方法 |
US8935308B2 (en) * | 2012-01-20 | 2015-01-13 | Mitsubishi Electric Research Laboratories, Inc. | Method for recovering low-rank matrices and subspaces from data in high-dimensional matrices |
CN103559886B (zh) * | 2013-09-24 | 2017-04-12 | 浙江大学 | 基于组稀疏低秩表达的语音信号增强方法 |
US9984212B2 (en) * | 2014-03-10 | 2018-05-29 | Case Western Reserve University | Group-sparse nonnegative supervised canonical correlation analysis (GNCCA) |
CN105678343B (zh) * | 2015-08-25 | 2019-03-15 | 浙江工业大学 | 基于自适应加权组稀疏表达的水电机组噪声异常诊断方法 |
CN106253878B (zh) * | 2016-07-19 | 2018-10-12 | 重庆邮电大学 | 一种冲击噪声下的自适应联合滤波方法 |
-
2016
- 2016-11-17 CN CN201611033507.2A patent/CN106618631B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN106618631A (zh) | 2017-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598166B (zh) | 一种自适应确定小波分层级数的小波去噪方法 | |
CN108714026B (zh) | 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法 | |
Bhateja et al. | A composite wavelets and morphology approach for ECG noise filtering | |
CN110147766B (zh) | 基于移不变稀疏编码的低频大地电磁信号去噪方法 | |
Satheeskumaran et al. | A new LMS based noise removal and DWT based R-peak detection in ECG signal for biotelemetry applications | |
CN111982489B (zh) | 选择集成的改进局部特征分解的微弱故障特征提取方法 | |
CN109359506A (zh) | 一种基于小波变换的心磁信号降噪方法 | |
Phegade et al. | ICA based ECG signal denoising | |
CN115211869A (zh) | 一种基于经验模态分解和卡尔曼滤波的脑电信号去噪方法、装置及系统 | |
CN111370120B (zh) | 一种基于心音信号的心脏舒张功能障碍的检测方法 | |
Sharan et al. | Evaluation of deep learning methods (DnCNN and U-Net) for denoising of heart auscultation signals | |
CN113392732A (zh) | 一种局部放电超声信号抗干扰方法及系统 | |
CN112082793A (zh) | 一种基于SCA和FastICA的旋转机械耦合故障诊断方法 | |
Hou et al. | Deep neural network denoising model based on sparse representation algorithm for ecg signal | |
CN117158999A (zh) | 一种基于ppmcc和自适应vmd的脑电信号去噪方法及系统 | |
CN106618631B (zh) | 一种基于分组稀疏性的自适应心音信号去噪方法 | |
CN112336369B (zh) | 一种多通道心音信号的冠心病风险指数评估系统 | |
CN117692074A (zh) | 一种适用于非稳态水声目标信号的低频混叠噪声抑制方法 | |
Qureshi et al. | Performance analysis of adaptive algorithms for removal of low frequency noise from ECG signal | |
CN111144230B (zh) | 一种基于vmd的时域载荷信号的去噪方法 | |
CN115017960B (zh) | 一种基于时空联合mlp网络的脑电信号分类方法及应用 | |
CN112001256A (zh) | 混合信号去工频干扰方法及系统 | |
CN112363217A (zh) | 一种地震数据随机噪声压制方法及系统 | |
Zeng et al. | Environmental noise elimination of heart sound based on singular spectrum analysis | |
CN110688981A (zh) | 一种振动信号去噪的模态混叠消除方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |