CN110169768A - 一种心电信号的自动降噪方法 - Google Patents
一种心电信号的自动降噪方法 Download PDFInfo
- Publication number
- CN110169768A CN110169768A CN201910611774.0A CN201910611774A CN110169768A CN 110169768 A CN110169768 A CN 110169768A CN 201910611774 A CN201910611774 A CN 201910611774A CN 110169768 A CN110169768 A CN 110169768A
- Authority
- CN
- China
- Prior art keywords
- electrocardiosignal
- sample
- network
- noise reduction
- signal
- 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.)
- Pending
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- 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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Cardiology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种心电信号的自动降噪方法,其方法包括以下步骤:a、获取人体的心电信号,确定网络输入样本的长度,人为破坏样本数据,得到破坏后的心电信号样本并构建训练集和测试集;b、利用训练集中无标签的含噪心电信号样本对降噪自动编码器进行预训练得到初始化的网络参数;c、预训练完成后,使用训练集中有标签的含噪心电信号样本对网络参数整体调优,并且使其满足重构误差要求;d、将测试集输入训练好的无损约束降噪自动编码器的堆叠网络结构中,得到干净的心电信号。经本发明方法的处理,去噪后的干净心电信号不但有效地滤除了噪声,且恢复了心电信号低频特征波,保留了心电信号的有效信息。
Description
技术领域
本发明涉及心电信号的自动检测与分析技术,具体地说是一种心电信号的自动降噪方法。
背景技术
近年来,我国的心脑血管疾病的发病率和死亡率位居各类疾病的首位,已经成为人类健康的头号杀手,全球十大致死原因中缺血性心脏病人数位居第一。针对于心电信号的检测,心电图无疑是目前心血管疾病诊断最为有效的手段。然而在医院短短几分钟可能会漏掉连续信息从而造成误诊,所以长期的动态心电图更能够全面反映患者的心电信号变化。
不同于医院的静态采集数据,长期的动态心电图往往是在患者进行各种生活日程中进行采集的,在此之中就产生了很大的干扰信号,例如常见的电极接触噪声,肌肉颤动引起的肌电干扰,人体呼吸移动引起的基线漂移,这些在很大的程度上影响了心电信号的正常形态,对医生的诊断带来很大的误差,因此恢复心电信号的固有形态对疾病的诊断有着十分重要的意义。
发明内容
本发明的目的就是提供一种心电信号的自动降噪方法,以解决现有方法出现重叠噪声难以去除、训练样本中绝对干净的信号难以获取和心电信号的有用信息的丢失问题。
本发明是这样实现的:一种心电信号的自动降噪方法,包括以下步骤:
a、获取人体的心电信号,确定网络输入样本的长度,人为破坏样本数据,得到破坏后的心电信号样本并构建训练集和测试集;训练集由有标签的心电信号和无标签的心电信号组成;
b、利用训练集中无标签的含噪心电信号样本对降噪自动编码器进行预训练得到初始化的网络参数;
c、预训练完成后,使用训练集中有标签的含噪心电信号样本对网络参数整体调优,并且使其满足重构误差要求;
d、将测试集输入训练好的无损约束降噪自动编码器的堆叠网络结构中,得到干净的心电信号。
步骤a的具体过程为:
a-1、采集人体的心电信号,选择采样点的邻域,对于采样点Si来讲,网络输入样本的大小为采样点的邻域v={S|Si-δ<S<Si+δ},经过多次实验测试选择δ=40,即确定网络输入样本的长度为81;
a-2、人为破坏原始信号数据,得到破坏后的心电信号样本并构建训练集和测试集;
a-3、Xn为原始含噪信号,进行随机映射,按照一定的摧毁率,随机选择节点进行置零得到被破坏的心电信号之后将破坏的心电信号作为网络的最终输入信号,采用sigmoid函数归一化构建81-60-40-60的网络。
步骤b的具体过程为:
b-1、将输入层数据映射到隐藏层得到信号的深层特征经过网络训练重构出输出信号z;其中,Xn为原始含噪信号,为破坏后的心电信号,W为编码部分的权值矩阵,b为偏置向量,W和b共同构成编码部分的网络参数{W,b};
b-2、在降噪自动编码器DAE的误差函数基础上增加含有Xc的约束项,因此重构误差函数为其中,Xc表示去噪后的干净信号,式中包含了两个约束项,一个无损约束项为另一个约束项为
步骤c的具体过程为:
c-1、初始化Xc为Xn,此时LDAE变为简单的DAE;随即初始化{W,b},采用梯度下降算法优化W和b,W(t+1)=W(t)+ΔW(t),b(t+1)=b(t)+Δb(t);
c-2、将优化完成的{W,b}看做常数来优化Xc,此时的重构误差函数表达式为
c-3、对Xc求偏导来最小化重构误差函数JLDAE,即JLDAE在Xc的偏导数为0,经变换可得
c-4、将Xc视作常量再对W和b进行优化,得到更新后的Xc,再用梯度下降算法对W和b进行优化,如此重复直到重构误差函数收敛或者达到最大迭代次数。
步骤d的具体过程为:输出端重构出的是去噪后的信号Xc,通过映射函数计算重构向量z=g(h)=s(W'h+b'),解码部分的网络参数为{W',b'},其中权值矩阵W'=WT;然后将测试集输入无损约束自动降噪编码器网络输出干净信号。
经本发明方法的处理,去噪后的干净心电信号不但有效地滤除了噪声,且恢复了心电信号低频特征波,保留了心电信号的有效信息。
附图说明
图1是本发明方法实施过程流程图。
图2是本发明无损约束自动降噪编码器结构示意图。
图3是人体信号波形结构示意图。
图4是滤波前含噪心电信号图。
图5是滤波后干净心电信号图。
具体实施方式
以下结合附图对本发明作进一步详细描述,本领域技术人员可由本说明书所揭露的内容实现本发明。
如图1所示,本发明的实施过程如下:
A)建立无损约束自动编码器
①输入信号Xn为原始含噪信号,经过随机映射后,按照一定的摧毁率,随机选择节点进行置零得到被人为破坏后的信号破坏后的信号作为网络的最终输入信号。输入层到隐含层采用Sigmoid函数,则隐含层的输出特征向量为其中W为编码部分的权值矩阵,b为偏置向量,两者共同构成编码部分的网络参数{W,b}。
②解码部分原理与降噪自动编码器一致,但在输出端重构出的不是原始信号Xn,而是去噪后的信号Xc。通过映射函数计算重构向量z=g(h)=s(W'h+b')。解码部分的网络参数为{W',b'},其中权值矩阵W'=WT。
B)以250HZ的采集频率采集人体心电的原始信号,其波形结构如图3所示,然后用MATLAB软件进行数据的读取如图4所示,构建训练集;
网络输入选择合适长度的心电向量数据,对于采样点Si来讲,网络输入样本的大小为采样点的邻域v={S|Si-δ<S<Si+δ}。经过多次实验测试选择δ=40,此时的样本既可以包含信号的大部分信息,又不同于DAE需要事先判别R波位置再进行心拍数据的截取,本文中LDAE输入的为长度为81的心电数据,每隔3个采样点采取下一段信号,不依赖于心拍数据的获得,更加符合实际应用。样本数据经过归一化输入本文构建的81-60-40-60的网络,采用γ=0.6的约束项参数进行去噪,通过LDAE构建的降噪网络进行心电信号的去噪。
C)优化无损约束自动降噪编码器网络参数
由无损约束降噪编码器的基本工作原理可知,输入的Xn首先被摧毁成为X~n,再映射到隐含层得到输入的特征向量h,经过重构得到输出向量z。无损约束降噪自动编码器与降噪自动编码器最大的区别在于误差函数的构建以及网络参数的求取方法。在降噪自动编码器误差函数的基础上增加了含有Xc的约束项,如
式中,第一个无损约束项为其是为了限制Xn和Xc以确保Xc不丢失原始数据Xn中所含信息。同时第二个约束项限制了输出端重构信号和Xc以保证信噪比。为了提高Xc的信噪比,第一个约束项保证了Xc无损,而第二项约束项确保了信号的去噪效果。
由于在重构误差函数中引入了未知量Xc,梯度下降算法不适合用来对Xc进行优化。需要优化的参数由降噪自动编码器中的两项{W,b}变为三项{Xc,W,b}。具体的参数优化过程如下:
初始化Xc为Xn,此时LDAE变为简单的DAE;随即初始化{W,b},采用梯度下降算法优化W和b,其迭代表达式W(t+1)=W(t)+ΔW(t),b(t+1)=b(t)+Δb(t)。
将优化完成的{W,b}看做常数来优化Xc,此时的重构误差函数表达式为
对Xc求偏导来最小化重构误差函数JLDAE,即JLDAE在Xc的偏导数为0,经过简化后得到Xc的表达式如式
将Xc视作常量再对W和b进行优化。
得到更新后的Xc,再用梯度下降算法对W和b进行优化,如此重复直到重构误差函数收敛或者达到最大迭代次数。
D)验证
本文采用信噪比(Signal noise ratio,SNR)和均方根误差(Root mean squareerror,RMSE)来评价所提出算法的降噪性能。定义Xn(n)为网络输入的心电信号,Xm(n)表示降噪后的心电信号,则降噪后信号和残留噪声的SNR表达式另一个,均方根误差RMSE的表达式
经以上处理后结果如图5所示,经本发明方法处理,两个验证参数都达到较好的效果,心电信号不断有效的滤除了噪声,而且还保留了心电信号的有效信息。
Claims (5)
1.一种心电信号的自动降噪方法,其特征是,包括以下步骤:
a、获取人体的心电信号,确定网络输入样本的长度,人为破坏样本数据,得到破坏后的心电信号样本并构建训练集和测试集;
b、利用训练集中无标签的含噪心电信号样本对降噪自动编码器进行预训练得到初始化的网络参数;
c、预训练完成后,使用训练集中有标签的含噪心电信号样本对网络参数整体调优,并且使其满足重构误差要求;
d、将测试集输入训练好的无损约束降噪自动编码器的堆叠网络结构中,得到干净的心电信号。
2.根据权利要求1所述的心电信号的自动降噪方法,其特征是,步骤a的具体过程为:
a-1、采集人体的心电信号,确定网络输入样本的长度为81;
a-2、人为破坏原始信号数据,得到破坏后的心电信号样本并构建训练集和测试集;
a-3、以破坏后的心电信号样本作为网络的最终输入信号,采用sigmoid函数归一化构建81-60-40-60的网络。
3.根据权利要求2所述的心电信号的自动降噪算法,其特征是,步骤b的具体过程为:
b-1、将输入层数据映射到隐藏层得到信号的深层特征经过网络训练重构出输出信号z;其中,Xn为原始含噪信号,为破坏后的心电信号,W为编码部分的权值矩阵,b为偏置向量,W和b共同构成编码部分的网络参数{W,b};
b-2、在降噪自动编码器DAE的误差函数基础上增加含有Xc的约束项,因此重构误差函数为其中,Xc表示去噪后的干净信号,γ为约束项参数,m为均方根误差的个数,λ为权重值;式中包含了两个约束项,一个无损约束项为另一个约束项为
4.根据权利要求3所述的心电信号的自动降噪算法,其特征是,步骤c的具体过程为:
c-1、初始化Xc为Xn,此时LDAE变为简单的DAE;随即初始化{W,b},采用梯度下降算法优化W和b,W(t+1)=W(t)+ΔW(t),b(t+1)=b(t)+Δb(t);
c-2、将优化完成的{W,b}看做常数来优化Xc,此时的重构误差函数表达式为
c-3、对Xc求偏导来最小化重构误差函数JLDAE,即JLDAE在Xc的偏导数为0,经变换可得
c-4、将Xc视作常量再对W和b进行优化,得到更新后的Xc,再用梯度下降算法对W和b进行优化,如此重复直到重构误差函数收敛或者达到最大迭代次数。
5.根据权利要求4所述的心电信号的自动降噪算法,其特征是,步骤d的具体过程为:输出端重构出的是去噪后的信号Xc,通过映射函数计算重构向量z=g(h)=s(W'h+b'),解码部分的网络参数为{W',b'},其中权值矩阵W'=WT;然后将测试集输入无损约束自动降噪编码器网络输出干净信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910611774.0A CN110169768A (zh) | 2019-07-08 | 2019-07-08 | 一种心电信号的自动降噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910611774.0A CN110169768A (zh) | 2019-07-08 | 2019-07-08 | 一种心电信号的自动降噪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110169768A true CN110169768A (zh) | 2019-08-27 |
Family
ID=67699801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910611774.0A Pending CN110169768A (zh) | 2019-07-08 | 2019-07-08 | 一种心电信号的自动降噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110169768A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110974217A (zh) * | 2020-01-03 | 2020-04-10 | 苏州大学 | 基于卷积自编码器的双阶段心电信号降噪方法 |
CN111449645A (zh) * | 2020-03-07 | 2020-07-28 | 河南大学 | 心电图心拍智能分类识别方法 |
CN113633289A (zh) * | 2021-07-29 | 2021-11-12 | 山东师范大学 | 一种注意力驱动ecg信号重构方法、系统、存储介质、设备 |
CN114648048A (zh) * | 2022-04-01 | 2022-06-21 | 山东省人工智能研究院 | 基于变分自编码和PixelCNN模型的心电信号降噪方法 |
CN114689700A (zh) * | 2022-04-14 | 2022-07-01 | 电子科技大学 | 一种基于栈式自编码器的低功率emat信号降噪方法 |
CN114781445A (zh) * | 2022-04-11 | 2022-07-22 | 山东省人工智能研究院 | 一种基于可解释性的深度神经网络的心电信号降噪方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160242665A1 (en) * | 2013-07-10 | 2016-08-25 | Alivecor, Inc. | Devices and methods for real-time denoising of electrocardiograms |
CN106127240A (zh) * | 2016-06-17 | 2016-11-16 | 华侨大学 | 一种基于非线性重构模型的植物图像集的分类识别方法 |
CN107590778A (zh) * | 2017-07-31 | 2018-01-16 | 南京理工大学 | 一种基于无损约束降噪的自编码方法 |
CN107844755A (zh) * | 2017-10-23 | 2018-03-27 | 重庆邮电大学 | 一种结合dae和cnn的脑电信号特征提取与分类方法 |
CN108113665A (zh) * | 2017-12-14 | 2018-06-05 | 河北大学 | 一种心电信号自动降噪方法 |
CN109645980A (zh) * | 2018-11-14 | 2019-04-19 | 天津大学 | 一种基于深度迁移学习的心律异常分类方法 |
CN109965885A (zh) * | 2019-04-24 | 2019-07-05 | 中国科学院电子学研究所 | 一种基于去噪自动编码器的bcg信号降噪方法及装置 |
-
2019
- 2019-07-08 CN CN201910611774.0A patent/CN110169768A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160242665A1 (en) * | 2013-07-10 | 2016-08-25 | Alivecor, Inc. | Devices and methods for real-time denoising of electrocardiograms |
CN106127240A (zh) * | 2016-06-17 | 2016-11-16 | 华侨大学 | 一种基于非线性重构模型的植物图像集的分类识别方法 |
CN107590778A (zh) * | 2017-07-31 | 2018-01-16 | 南京理工大学 | 一种基于无损约束降噪的自编码方法 |
CN107844755A (zh) * | 2017-10-23 | 2018-03-27 | 重庆邮电大学 | 一种结合dae和cnn的脑电信号特征提取与分类方法 |
CN108113665A (zh) * | 2017-12-14 | 2018-06-05 | 河北大学 | 一种心电信号自动降噪方法 |
CN109645980A (zh) * | 2018-11-14 | 2019-04-19 | 天津大学 | 一种基于深度迁移学习的心律异常分类方法 |
CN109965885A (zh) * | 2019-04-24 | 2019-07-05 | 中国科学院电子学研究所 | 一种基于去噪自动编码器的bcg信号降噪方法及装置 |
Non-Patent Citations (1)
Title |
---|
PENG XIONG: "A stacked contractive denoising auto-encoder for ECG signal denoising", 《PHYSIOLOGICAL MEASUREMENT》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110974217A (zh) * | 2020-01-03 | 2020-04-10 | 苏州大学 | 基于卷积自编码器的双阶段心电信号降噪方法 |
CN110974217B (zh) * | 2020-01-03 | 2022-08-09 | 苏州大学 | 基于卷积自编码器的双阶段心电信号降噪方法 |
CN111449645A (zh) * | 2020-03-07 | 2020-07-28 | 河南大学 | 心电图心拍智能分类识别方法 |
CN111449645B (zh) * | 2020-03-07 | 2021-07-06 | 河南大学 | 心电图心拍智能分类识别方法 |
CN113633289A (zh) * | 2021-07-29 | 2021-11-12 | 山东师范大学 | 一种注意力驱动ecg信号重构方法、系统、存储介质、设备 |
CN114648048A (zh) * | 2022-04-01 | 2022-06-21 | 山东省人工智能研究院 | 基于变分自编码和PixelCNN模型的心电信号降噪方法 |
CN114648048B (zh) * | 2022-04-01 | 2022-10-25 | 山东省人工智能研究院 | 基于变分自编码和PixelCNN模型的心电信号降噪方法 |
CN114781445A (zh) * | 2022-04-11 | 2022-07-22 | 山东省人工智能研究院 | 一种基于可解释性的深度神经网络的心电信号降噪方法 |
CN114689700A (zh) * | 2022-04-14 | 2022-07-01 | 电子科技大学 | 一种基于栈式自编码器的低功率emat信号降噪方法 |
CN114689700B (zh) * | 2022-04-14 | 2023-06-06 | 电子科技大学 | 一种基于栈式自编码器的低功率emat信号降噪方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110169768A (zh) | 一种心电信号的自动降噪方法 | |
Arsene et al. | Deep learning models for denoising ECG signals | |
CN107957566B (zh) | 基于频率选择奇异谱分析的磁共振测深信号提取方法 | |
CN104523266A (zh) | 一种心电信号自动分类方法 | |
CN108113665B (zh) | 一种心电信号自动降噪方法 | |
Rasti-Meymandi et al. | A deep learning-based framework For ECG signal denoising based on stacked cardiac cycle tensor | |
CN108720832B (zh) | 一种心电信号处理方法及装置 | |
Zhang et al. | Using Lempel–Ziv complexity to assess ECG signal quality | |
CN109965885A (zh) | 一种基于去噪自动编码器的bcg信号降噪方法及装置 | |
CN106419898A (zh) | 一种去除心电信号基线漂移的方法 | |
CN113808234B (zh) | 一种基于欠采样的快速磁粒子成像重建方法 | |
CN115153588B (zh) | 融合密集残差和注意力机制的脑电时空去噪方法 | |
CN105125211A (zh) | 一种肌电采集和显示装置 | |
Yadav et al. | Denoising and SNR improvement of ECG signals using wavelet based techniques | |
CN111370120B (zh) | 一种基于心音信号的心脏舒张功能障碍的检测方法 | |
Klymiuk et al. | A novel cupulate seed plant, Xadzigacalix quatsinoensis gen. et sp. nov., provides new insight into the Mesozoic radiation of gymnosperms | |
Islam et al. | Wavelet based denoising algorithm of the ECG signal corrupted by WGN and Poisson noise | |
CN111650654A (zh) | 联合emd与wt算法的地面磁共振信号尖峰噪声剔除方法 | |
Dias et al. | Compressive sensing of electrocardiogram | |
Tripathi et al. | A novel approach for real-time ECG signal denoising using Fourier decomposition method | |
CN113033358A (zh) | 一种基于深度神经网络的无袖带血压建模方法 | |
Fehér | Denoising ECG signals by applying discrete wavelet transform | |
CN113229842B (zh) | 一种基于复数深度神经网络的心肺音自动分离方法 | |
CN109002798A (zh) | 一种基于卷积神经网络的单导视觉诱发电位提取方法 | |
CN110575145B (zh) | 一种基于增强的高斯冗余字典脉搏信号去噪方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190827 |
|
RJ01 | Rejection of invention patent application after publication |