CN109965885A - 一种基于去噪自动编码器的bcg信号降噪方法及装置 - Google Patents

Abstract

一种基于去噪自动编码器的BCG信号降噪方法及装置，方法包括：S1，堆叠多个去噪自动编码器，形成堆叠自动编码器，包括一输入层、多个隐含层以及一输出层；S2，采集平静状态下的BCG信号得到目标样本，以及对应的干扰状态下BCG信号的输入样本；S3，将部分输入样本输入堆叠自动编码器，部分输入样本在编码函数中进行编码、在多个隐含层中逐级进行特征提取，并在解码函数进行解码，并输出重构样本；S4，根据重构样本和目标样本的重构误差确定编码函数和解码函数中的参数，得到训练完成的堆叠自动编码器；S5，将待降噪的BCG信号输入训练完成的堆叠自动编码器，实现BCG信号的降噪。只需将待测BCG信号输入堆叠自动编码器即可实现降噪，简单方便。

Description

一种基于去噪自动编码器的BCG信号降噪方法及装置

技术领域

本发明涉及生理参数检测技术领域，尤其涉及一种基于去噪自动编码器的BCG信号降噪方法及装置。

背景技术

近年来，心冲击信号(ballistocardiogram，BCG)作为一种非侵入式方式监测心跳搏动引起研究者的重视。BCG信号是心脏泵血通过主动脉引起力学振动的图示，其与心电图(electrocardiogram，ECG)有强相关性，波形特征能够反映人体心血管系统的健康状况，为心血管疾病的预防和治疗提供充足的诊断参考数据，有利于人们及时了解自身的身体缺陷及病变，以便进行及时的治疗，特别是针对老年群体的身体的实时监护尤为重要。此外，与传统的心血管监测系统相比，BCG可以为心率监测提供一种不引人注意的、低成本、舒适的替代方案，极大地方便了人们日常诊断和监护。BCG可通过压电薄膜、光纤、射频反射、加速度计等方式采集，操作简单，但易受到体动、呼吸和周围环境振动干扰，影响心率的准确性和间期提取的精度，受干扰后的BCG信号信噪比低，无法从信号的时域上提取特征进行深入研究。传统的去噪方式多以滤波器设计、小波分解重构、经验模式分解重构为主，算法成熟且在干扰较小时具有一定降噪效果，但在干扰较大时降噪效果差，波形仍存在较大的噪声。

发明内容

(一)要解决的技术问题

基于上述问题，本发明提供了一种基于去噪自动编码器的BCG信号降噪方法及装置，通过设计一个由多个去噪自动编码器组成的堆叠自动编码器，只需将待测BCG信号输入堆叠自动编码器即可实现降噪，简单方便。

(二)技术方案

第一方面，本发明提供了一种基于去噪自动编码器的BCG信号降噪方法，方法包括：S1，堆叠多个去噪自动编码器，形成堆叠自动编码器，堆叠自动编码器包括一输入层、多个隐含层以及一输出层，其中，输出层包括编码函数，输出层包括解码函数；S2，采集平静状态下的BCG信号得到目标样本，以及对应的干扰状态下BCG信号的输入样本；S3，将部分输入样本输入堆叠自动编码器，部分输入样本在编码函数中进行编码、在多个隐含层中逐级进行特征提取，并在解码函数进行解码，并输出重构样本；S4，根据重构样本和目标样本的重构误差确定编码函数和解码函数中的参数，得到训练完成的堆叠自动编码器；S5，将待降噪的BCG信号输入训练完成的堆叠自动编码器，实现BCG信号的降噪。

可选地，编码函数的表达式为：

y＝f(x)＝S_f(Wx+b_y)

其中，x＝{x₁，x₂，x₃，…，x_n}为部分输入样本，y＝{y₁，y₂，y₃，…，y_m}为经过编码函数得到的编码样本，b_y为编码过程中的偏移向量，W为权重矩阵。

可选地，解码函数的表达式为：

z＝g(y)＝g[f(x)]＝S_g(W′y+b_z)

其中，z为重构样本，W′＝W^T，b_z为解码过程中的偏置向量，

可选地，步骤S4中所述根据所述重构样本和目标样本的重构误差确定所述编码函数和解码函数中的参数具体为：S41，确定重构样本和目标样本的重构误差函数；S42，以重构误差函数最小化为目标确定编码函数和解码函数中的参数。

可选地，重构误差函数J为：

其中，θ＝{W，b_y，b_z}，x_i为第i个输入样本，为第i个目标样本，L为交叉熵损失函数，

可选地，步骤S4还包括：多次随机选取部分输入样本中的部分样本依次执行步骤S3～S4，以更新编码函数和解码函数中的参数。

可选地，采用随机优化函数更新编码函数和解码函数中的参数，随机优化函数的表达式为：

其中，为学习效率。

可选地，步骤S1还包括：在堆叠自动编码器中加入至少一层Dropout层

可选地，采集平静状态下的BCG信号得到目标样本，以及对应的干扰状态下BCG信号的输入样本具体为：采集平静状态下不同年龄层、不同体重和性别的人体在仰卧、左侧卧、右侧卧以及俯卧的BCG信号作为目标样本，以及采集加入干扰因素的对应状态下的BCG信号作为输入样本。

第二方面，本发明提供了一种基于去噪自动编码器的BCG信号降噪装置，包括：堆叠模块，用于堆叠多个去噪自动编码器，形成堆叠自动编码器，堆叠自动编码器包括一输入层、多个隐含层以及一输出层，其中，输入层包括编码函数，输出层包括解码函数；采集模块，用于采集平静状态下的BCG信号得到目标样本，以及对应的干扰状态下BCG信号的输入样本；第一输入模块，用于将部分输入样本输入堆叠自动编码器，部分输入样本在编码函数中进行编码、在多个隐含层中逐级进行特征提取，并在解码函数进行解码，并输出重构样本；参数确定模块，用于根据重构样本和目标样本的重构误差确定编码函数和解码函数中的参数，得到训练完成的堆叠自动编码器；第二输入模块，用于将待降噪的BCG信号输入训练完成的堆叠自动编码器，实现BCG信号的降噪。

(三)有益效果

本发明提供了一种基于去噪自动编码器的BCG信号降噪方法及装置，通过堆叠多个去噪自动编码器，形成堆叠自动编码器，并采用重构误差最小化实堆叠自动编码器中参数的确定，同时在堆叠自动编码器的多个隐含层之间加入dropout层，减少过拟合现象，在一定程度上达到正则化的效果，实现多个去噪自动编码器去噪的有效性，最后直接将待降噪BCG信号直接输入训练完成的多个去噪自动编码器即可实现降噪。

附图说明

图1示意性示出了本公开实施例的基于去噪自动编码器的BCG信号降噪方法步骤图；

图2示意性示出了本公开实施例的去噪自动编码器的训练示意图；

图3示意性示出了本公开实施例的堆叠自动编码器的示意图；

图4示意性示出了本公开实施例的Dropout层工作原理示意图；

图5示意性示出了本公开实施例的基于去噪自动编码器的BCG信号降噪装置的结构框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

第一方面，本发明提供了一种基于去噪自动编码器的BCG信号降噪方法，参见图1，方法包括：S1，堆叠多个去噪自动编码器，形成堆叠自动编码器，堆叠自动编码器包括一输入层、多个隐含层以及一输出层，其中，输出层包括编码函数，输出层包括解码函数；S2，采集平静状态下的BCG信号得到目标样本，以及对应的干扰状态下BCG信号的输入样本；S3，将部分输入样本输入堆叠自动编码器，部分输入样本在编码函数中进行编码、在多个隐含层中逐级进行特征提取，并在解码函数中进行解码，并输出重构样本；S4，根据重构样本和目标样本的重构误差确定编码函数和解码函数中的参数，得到训练完成的堆叠自动编码器；S5，将待降噪的BCG信号输入训练完成的堆叠自动编码器，实现BCG信号的降噪。具体的以下将以具体的实施例进行详细解释。

S1，堆叠多个去噪自动编码器，形成堆叠自动编码器，所述堆叠自动编码器包括一输入层、多个隐含层以及一输出层，其中，输出层包括编码函数，输出层包括解码函数；

具体的，去噪自动编码器(denoising autoencoder，DAE)是一类接受损坏数据作为输入，并训练来预测原始未被损坏数据作为输出的自编码器，因此，去噪自动编码器能够学习到能反映输入数据的本质特征，对含噪声的“腐坏”样本心冲击信号(ballistocardiogram，BCG)去除重构信噪比高的信号。如图2所示，每一去噪自动编码器均包括输入层、输出层以及隐含层，原始输入样本输入编码器进行编码，而后输入解码器进行解码得到重构数据，重构数据和目标数据之间会存在一定的重构误差，其中，输入层由编码函数组成，输出层由解码函数组成，本发明实施例中将多个去噪自动编码器堆叠，使的多个去噪自动编码器串联，生成堆叠自动编码器，每个编码层作为下一层的输入层，层层堆叠，如图3所示，构成一个深度学习网络，而每个中间层的输出视为原始输入样本的特征表示，该堆叠自动编码器可分为一输入层、多个隐含层以及一输出层。接下来需要对该堆叠自动编码器进行训练以确定该堆叠自动编码器中解码函数和编码函数中的参数。

由于在训练深度神经网络时常出现过拟合问题，导致模型在测试数据上的准确率低，故在深度神经网络中加入随机失活(dropout)层，以减少过拟合现象。Dropout层的作用是在向前传播时通过隐含层中的神经元以一定概率不被激活，权值更新不依赖于固定的神经元共同作用，防止模型仅在特定的线索下有效，使得深度神经网络的鲁棒性加强，增加模型的泛化性能。如图4所示，加入dropout层后，隐含层的表达式为：

其中，h^(l)和分别为dropout作用前后的隐含层节点向量，u_i ^(l+1)为下一隐含层激活前第i个节点，p^(l)为概率向量，采用伯努利分布，随机生成一个0或1向量，使神经元以概率p工作。

本发明实施例中，编码函数的表达式为：

y＝f(x)＝S_f(Wx+b_y)

其中，x＝{x₁，x₂，x₃，…，x_n}为部分输入样本，y＝{y₁，y₂，y₃，…，y_m}为经过编码函数得到的编码样本，b_y为编码过程中的偏移向量，S_f为非线性激活函数，本发明实施例中采用sigmoid函数进行激活，可得W为权重矩阵。

v为x的编码结果，该过程为有损压缩，以提取输入样本的重要特征。

解码的过程是将输入数据的重要特征经过映射函数重构成信号z，相当于编码v对x的预测，该解码函数的表达式为：

z＝g(y)＝g[f(x)]＝S_g(W′y+b_z)

其中，z为重构样本，W′＝W^T，b_z为解码过程中的偏置向量，S_g同样采用sigmoid函数进行激活，即

S2，采集平静状态下的BCG信号得到目标样本，以及对应的干扰状态下BCG信号的输入样本；

为了对上述堆叠自编码器进行训练，因此需要采集合适的样本。本发明实施例中，采集不同年龄层、不同体重和性别的人体分别在仰卧、左侧卧、右侧卧以及俯卧时保持平静稳定状态下的BCG信号，并将该平静状态下收到的BCG信号作为目标样本，对应的，在相同的平静稳定状态下，加入受试者说话、翻身等体动干扰信息，作为输入样本。该输入样本即作为堆叠自编码器的输入样本对堆叠自编码器进行训练，进而能够得到满足降噪功能的编码器网络。

S3，将部分输入样本输入堆叠自动编码器，部分输入样本在编码函数中进行编码，在多个隐含层中逐级进行特征提取，并在解码函数中进行解码，并输出重构样本；

由步骤S2得到加入干扰信息的输入样本，随机选取输入样本中的部分数据输入该堆叠自动编码器中，输入的部分样本在堆叠自动编码中首先由输入层进行编码生成编码后的样本，然后编码后的样本多个隐含层中逐级向前传播以逐级进行特征提取，最后由输出层对将特征提取后编码后的样本进行解码输出重构样本。

S4，根据重构样本和目标样本的重构误差确定编码函数和解码函数中的参数，得到训练完成的堆叠自动编码器；

具体包括：S41，确定重构样本和目标样本的重构误差函数；

比较步骤S3得到的重构样本和步骤S2得到的目标样本，计算两者之间的重构误差，使的重构样本z与目标样本的重构误差最小化，重构误差函数J为：

其中，θ＝{W，b_y，b_z}，x_i为第i个输入样本，为第i个目标样本，L为损失函数，本发明实施例中采用交叉熵损失函数，

S42，以重构误差函数最小化为目标确定编码函数和解码函数中的参数。

计算合适的θ＝{W，b_y，b_z}使得重构误差函数值最小化，即可初步得到W，b_y以及b_z的值，实现堆叠自动编码器的初步训练。

再次选取输入样本中的部分样本重复执行步骤S3～S4，得到更新的W，b_y以及b_z的值，迭代上次得到的W，b_y以及b_z值，实现参数的更新迭代，以得到最优的堆叠自动编码器。本发明实施例中采用随机优化函数更新编码函数和解码函数中的参数，随机优化函数的表达式为：

其中，为学习效率。

至此已得到训练完成的堆叠自动编码器。

S5，将待降噪的BCG信号输入训练完成的堆叠自动编码器，实现BCG信号的降噪。

将待降噪的BCG信号输入上述步骤S4训练完成的堆叠自动编码器中，即可实现BCG信号的降噪。

另一方面，本发明还提供了一种基于去噪自动编码器的BCG信号降噪装置500，参见图5，包括：堆叠模块501、采集模块502、第一输入模块503、参数确定模块504以及第二输入模块505。

具体的，堆叠模块501，用于堆叠多个去噪自动编码器，生成堆叠自动编码器，堆叠自动编码器包括一输入层、多个隐含层以及一输出层，其中，输出层包括编码函数，输出层包括解码函数；

采集模块502，用于采集平静状态下的BCG信号得到目标样本，以及对应的干扰状态下BCG信号的输入样本；

第一输入模块503，用于将部分输入样本输入堆叠自动编码器，部分输入样本在编码函数中进行编码、在多个隐含层中逐级进行特征提取，并在解码函数进行解码，并输出重构样本；

参数确定模块504，用于根据重构样本和目标样本的重构误差确定编码函数和解码函数中的参数，得到训练完成的堆叠自动编码器；

第二输入模块505，用于将待降噪的BCG信号输入训练完成的堆叠自动编码器，实现BCG信号的降噪。

综上所述，多模光纤传感器或压电陶瓷传感器采集的BCG信号，在使用者测量过程中易受到体动和周围环境的干扰，本发明通过深度学习网络的学习来获取信号的特征表达，重构目标信号；在传统的去噪编码上，通过堆叠单层编码机实现深层网络，为防止过拟合现象，引入dropout策略增加模型的泛化性能；不同于传统的去噪自动编码器训练方式，本发明采用不同情景下的受干扰信号作为输入样本，平静稳定状态下的目标样本作为参考，在不断的迭代优化中，重构误差最小化，以实现输入信号通过网络输出后的信号接近目标信号，从而提高信号质量；采用堆叠自动编码器达到信号降噪的效果，通过大量训练，网络可对不同的受干扰样本进行重构，在环境复杂的情况下降噪具有一定优势，鲁棒性高。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于去噪自动编码器的BCG信号降噪方法，所述方法包括：

S1，堆叠多个去噪自动编码器，形成堆叠自动编码器，所述堆叠自动编码器包括一输入层、多个隐含层以及一输出层，其中，所述输出层包括编码函数，所述输出层包括解码函数；

S2，采集平静状态下的BCG信号得到目标样本，以及对应的干扰状态下BCG信号的输入样本；

S3，将部分所述输入样本输入所述堆叠自动编码器，所述部分输入样本在所述编码函数中进行编码、在所述多个隐含层中逐级进行特征提取，并在所述解码函数中进行解码，并输出重构样本；

S4，根据所述重构样本和所述目标样本的重构误差确定所述编码函数和解码函数中的参数，得到训练完成的堆叠自动编码器；

S5，将待降噪的BCG信号输入所述训练完成的堆叠自动编码器，实现所述BCG信号的降噪。

2.根据权利要求1所述的BCG信号降噪方法，所述编码函数的表达式为：

y＝f(x)＝S_f(W_x+b_y)

其中，x＝{x₁，x₂，x₃，...，x_n}为部分所述输入样本，y＝{y₁，y₂，y₃，...，y_m}为经过所述编码函数得到的编码样本，b_y为编码过程中的偏移向量，W为权重矩阵。

3.根据权利要求2所述的BCG信号降噪方法，所述解码函数的表达式为：

z＝g(y)＝g[f(x)]＝S_g(W′y+b_z)

其中，z为重构样本，W′＝W^T，b_z为解码过程中的偏置向量，

4.根据权利要求3所述的BCG信号降噪方法，所述步骤S4中所述根据所述重构样本和目标样本的重构误差确定所述编码函数和解码函数中的参数具体为：

S41，确定所述重构样本和目标样本的重构误差函数；

S42，以所述重构误差函数最小化为目标确定所述编码函数和解码函数中的参数。

5.根据权利要求4所述的BCG信号降噪方法，所述重构误差函数J为：

其中，θ＝{W，b_y，b_z}，x_i为第i个输入样本，为第i个目标样本，L为交叉熵损失函数，

6.根据权利要求5所述的BCG信号降噪方法，所述步骤S4还包括：

多次随机选取所述输入样本中的部分样本依次执行步骤S3～S4，以更新所述编码函数和解码函数中的参数。

7.根据权利要求6所述的BCG信号降噪方法，采用随机优化函数更新所述编码函数和解码函数中的参数，所述随机优化函数的表达式为：

其中，为学习效率。

8.根据权利要求1所述的BCG信号降噪方法，所述步骤S1还包括：

在所述堆叠自动编码器中加入至少一层Dropout层。

9.根据权利要求1所述的BCG信号降噪方法，所述采集平静状态下的BCG信号得到目标样本，以及对应的干扰状态下BCG信号的输入样本具体为：

采集平静状态下不同年龄层、不同体重和性别的人体在仰卧、左侧卧、右侧卧以及俯卧的BCG信号作为目标样本，以及采集加入干扰因素的对应状态下的BCG信号作为输入样本。

10.一种基于去噪自动编码器的BCG信号降噪装置，包括：

堆叠模块，用于堆叠多个去噪自动编码器，形成堆叠自动编码器，所述堆叠自动编码器包括一输入层、多个隐含层以及一输出层，其中，所述输入层包括编码函数，所述输出层包括解码函数；

采集模块，用于采集平静状态下的BCG信号得到目标样本，以及对应的干扰状态下BCG信号的输入样本；

第一输入模块，用于将部分所述输入样本输入所述堆叠自动编码器，所述部分输入样本在所述编码函数中进行编码、在所述多个隐含层中逐级进行特征提取，并在所述解码函数进行解码，并输出重构样本；

参数确定模块，用于根据所述重构样本和所述目标样本的重构误差确定所述编码函数和解码函数中的参数，得到训练完成的堆叠自动编码器；

第二输入模块，用于将待降噪的BCG信号输入所述训练完成的堆叠自动编码器，实现所述BCG信号的降噪。