CN109793511A - 基于深度学习技术的心电信号噪声检测算法 - Google Patents

Abstract

本发明公开了一种基于深度学习技术的心电信号噪声检测算法，其特征在于，具体步骤为：步骤（1）对原始信号进行时频图计算；步骤（2）对（1）计算出的时频图进行对数变换；步骤（3）输入卷积神经网络进行训练。该算法能够对心电信号的质量进行评估，过滤掉质量不高的信号，提高心电诊断的准确率，并减轻医生的工作量；另外，本专利在不需要对原始心电信号进行任何预处理的情况下，对信号进行时频图计算，作为卷积神经网络的输入，对噪声的判别能达到97%以上。本发明的优点在于；（1）本专利提及的算法结构简单，无需进行繁琐的特征计算和特征选择；（2）网络训练难度低；（3）对噪声的判别精度高。

Description

基于深度学习技术的心电信号噪声检测算法

技术领域

本发明涉及一种心电信号噪声检测方法，具体来讲是一种基于深度学习技术的心电信号噪声检测算法。

背景技术

现有的心电噪声检查算法，大多是基于提取心电信号特征进行分类，过程涉及特征选择，计算量大，且结果并不理想。造成这些问题的原因有：

（1）传统方法提取的特征是基于心电信号的时域或频域的统计特征，这些特征虽在一定程度上能反映心电信号的性质特点，但大多是全局的上的观察和计算，而忽略了信号局部的性质；

（2）特征计算往往涉及到大量的数学计算，造成效率低下；

（3）可用特征往往比较稀疏，造成分类结果准确率不高且过拟合风险大。

另外，心电信号常常会受到采集设备、磁场干扰以及人体本身运动等因素的影响，使采集到的心电信号质量不高，虽然通过信号处理方法可以提高信号的信噪比，但同时也会造成心电信号的其它信息丢失，给医生的诊断造成困难。本专利在此提供一种基于深度学习技术的心电信号噪声检测算法，该算法能够对心电信号的质量进行评估，过滤掉质量不高的信号，提高心电诊断的准确率，并减轻医生的工作量。

发明内容

因此，为了解决上述不足，本发明在此提供一种基于深度学习技术的心电信号噪声检测算法；该算法能够对心电信号的质量进行评估，过滤掉质量不高的信号，提高心电诊断的准确率，并减轻医生的工作量；另外，本专利在不需要对原始心电信号进行任何预处理的情况下，对信号进行时频图计算，作为卷积神经网络的输入，对噪声的判别能达到97%以上。

本发明是这样实现的，构造一种基于深度学习技术的心电信号噪声检测算法，其特征在于，具体步骤如下：

步骤（1）对原始信号进行时频图计算，实验所用数据的采样率是512, 采用128采样点的窗口大小和64采样点的数据重叠计算信号的时频谱；

步骤（2）对（1）计算出的时频图进行对数变换，首先对时频图取绝对值，对其中大于0的值计算其对数结果，作为网络输入的数据；

步骤（3）输入卷积神经网络进行训练，实验对比了46、64层的densenet，发现效果没有特别大的提升，而且对比了64层densenet以及7层仅由卷积层和BN层的卷积神经网络，发线后者的效果更好，且泛化能力更强；数据在进入网络前并没有进行任何标准化操作，标准化操作会使效果变差，另外，训练时batch size为8到16的效果差异不大，且好于其它大小的batch size，训练时，以交叉熵作为损失函数，不同优化方法对识别精度影响不大。

本发明具有如下优点：本发明在此提供一种基于深度学习技术的心电信号噪声检测算法；该算法能够对心电信号的质量进行评估，过滤掉质量不高的信号，提高心电诊断的准确率，并减轻医生的工作量；另外，本专利在不需要对原始心电信号进行任何预处理的情况下，对信号进行时频图计算，作为卷积神经网络的输入，对噪声的判别能达到97%以上。本发明的优点在于；（1）本专利提及的算法结构简单，无需进行繁琐的特征计算和特征选择；（2）网络训练难度低；（3）对噪声的判别精度高。

附图说明

图1是本发明所述心电信号噪声检测算法的流程示意图；

图2是本发明噪声检查模型示意图。

具体实施方式

下面将结合附图1-图2对本发明进行详细说明，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明通过改进在此提供一种基于深度学习技术的心电信号噪声检测算法，本专利在不需要对原始心电信号进行任何预处理的情况下，对信号进行时频图计算，作为卷积神经网络的输入，对噪声的判别能达到97%以上，具体步骤如下：

步骤（1）对原始信号进行时频图计算，实验所用数据的采样率是512, 采用128采样点的窗口大小和64采样点的数据重叠计算信号的时频谱；

步骤（2）对（1）计算出的时频图进行对数变换，首先对时频图取绝对值，对其中大于0的值计算其对数结果，作为网络输入的数据；

步骤（3）输入卷积神经网络进行训练，实验对比了46、64层的densenet，发现效果没有特别大的提升，而且对比了64层densenet以及7层仅由卷积层和BN层的卷积神经网络，发线后者的效果更好，且泛化能力更强；数据在进入网络前并没有进行任何标准化操作，标准化操作会使效果变差，另外，训练时batch size为8到16的效果差异不大，且好于其它大小的batch size，训练时，以交叉熵作为损失函数，不同优化方法对识别精度影响不大。

综上，本发明在此提供一种基于深度学习技术的心电信号噪声检测算法；该算法能够对心电信号的质量进行评估，过滤掉质量不高的信号，提高心电诊断的准确率，并减轻医生的工作量；另外，本专利在不需要对原始心电信号进行任何预处理的情况下，对信号进行时频图计算，作为卷积神经网络的输入，对噪声的判别能达到97%以上。本发明的优点在于；（1）本专利提及的算法结构简单，无需进行繁琐的特征计算和特征选择；（2）网络训练难度低；（3）对噪声的判别精度高。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (1)

1.一种基于深度学习技术的心电信号噪声检测算法，其特征在于：具体步骤如下：

步骤（1）对原始信号进行时频图计算，实验所用数据的采样率是512, 采用128采样点的窗口大小和64采样点的数据重叠计算信号的时频谱；

步骤（2）对（1）计算出的时频图进行对数变换，首先对时频图取绝对值，对其中大于0的值计算其对数结果，作为网络输入的数据；

步骤（3）输入卷积神经网络进行训练，实验对比了46、64层的densenet，发现效果没有特别大的提升，而且对比了64层densenet以及7层仅由卷积层和BN层的卷积神经网络，发线后者的效果更好，且泛化能力更强；数据在进入网络前并没有进行任何标准化操作，标准化操作会使效果变差，另外，训练时batch size为8到16的效果差异不大，且好于其它大小的batch size，训练时，以交叉熵作为损失函数，不同优化方法对识别精度影响不大。