CN110840445A - 一种动态心电信号的自动降噪方法 - Google Patents

一种动态心电信号的自动降噪方法 Download PDF

Info

Publication number
CN110840445A
CN110840445A CN201911279110.5A CN201911279110A CN110840445A CN 110840445 A CN110840445 A CN 110840445A CN 201911279110 A CN201911279110 A CN 201911279110A CN 110840445 A CN110840445 A CN 110840445A
Authority
CN
China
Prior art keywords
electrocardiosignals
noise
dynamic
generator
clean
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.)
Granted
Application number
CN201911279110.5A
Other languages
English (en)
Other versions
CN110840445B (zh
Inventor
刘瑞霞
舒明雷
陈长芳
魏诺
杨媛媛
高天雷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Computer Science Center National Super Computing Center in Jinan
Original Assignee
Shandong Computer Science Center National Super Computing Center in Jinan
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Computer Science Center National Super Computing Center in Jinan filed Critical Shandong Computer Science Center National Super Computing Center in Jinan
Priority to CN201911279110.5A priority Critical patent/CN110840445B/zh
Publication of CN110840445A publication Critical patent/CN110840445A/zh
Priority to NL2025562A priority patent/NL2025562B1/en
Application granted granted Critical
Publication of CN110840445B publication Critical patent/CN110840445B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Cardiology (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

一种动态心电信号的自动降噪方法，通过生成器输入有噪声的心电信号，通过不断的训练学习后产生干净的无噪声的心电信号，并自定义了损失函数，判别器对生成最后输出的干净信号和原始干净的心电信号进行判别，如果信号一致则输出为真，否则输出假。最后通过不断的学习实现动态心电信号降噪的目的。可以从混有噪声的动态心电信号当中过滤噪声，获得干净的原始心电信号。通过建立动态心电信号噪声模型,实现了如何有效地去除动态心电数据存在的各种复杂噪声，保留信号中的有效成分，提高心电信号的质量。

Description

一种动态心电信号的自动降噪方法
技术领域
本发明涉及心电信号处理技术领域，具体涉及一种动态心电信号的自动降噪方法。
背景技术
随着Holter等动态心电监测设备的广泛使用、尤其是近年来小型化的穿戴式、便携式心电监测终端的快速发展，具有实时预警功能的动态心电监测技术成为目前的医学领域的研究热点。由于在便携式动态心电监测环境下，外界环境的细微干扰会导致动态心电信号中含有大量较强的噪声，而且日常活动很容易导致信号的大幅改变，甚至完全不可辨认。
动态心电信号在采集过程中，用户不是静止的，不受时间、地点以及一些生理活动的限制，况且，心电信号本身就具有微弱、低频、高阻抗和随机性等特点，极易被噪声所干扰，特别是运动伪噪声。另外，医生对运动伪迹的判定是比较主观的，没有统一的准则，这是动态心电图领域运动伪噪声识别技术的一大难点，也是相关研究难以开展的主要原因。
发明内容
本发明为了克服以上技术的不足，提供了一种根据生成对抗网络实现动态心电信号去噪的方法。
本发明克服其技术问题所采用的技术方案是：
一种动态心电信号的自动降噪方法，包括如下步骤：
a)将带噪声的心电信号表示为x(n)＝s(n)+w(n)，x(n)为带有运动伪噪声的混合心电信号，s(n)为干净的无噪声的心电信号，w(n)为运动伪噪声，式中0＜n＜N，N为带噪声的心电信号的长度；
b)将带有运动伪噪声的混合心电信号x(n)加上均值为0且方差为1的服从正态分布的随机高斯噪声z(n)后输入到对抗网络的生成器中生成混合信号y(n)，即y(n)＝x(n)+z(n)，混合信号y(n)通过对抗网络的生成器生成对抗训练样本G(y(n),θg)，其中θg为生成器的调整参数；
c)将从数据库得到真实无噪声的心电信号t(n)和生成器生产的G(y(n),θg)输入到对抗网络的判别器中，得到输出数据D(y(n))，D(y(n))为输入数据y(n)属于真实样本的概率；
d)当D(y(n))大于0.9则判定为已经实现了心电信号的去噪，如果D(y)小于等于0.9则判定为没有实现心电信号的去噪，并返回执行b)。
优选的，步骤b)中对抗网络的生成器中依次具有输入层、三个隐藏层和输出层，每一隐藏层的通过公式输出作为其下一层的输入，每一层通过激活函数f(a)产生新的样本数据后输入到下一隐藏层，其中f(a)＝tanh(a)，
Figure BDA0002315167310000021
a＝G(y(n),θg)，对抗网络的生成器的第三隐藏层通过函数s(a)向输出层输出，其中
Figure BDA0002315167310000022
优选的，步骤c)中数据库为MIT-BIT数据库。
优选的，步骤b)中对抗网络的生成器的损失函数为JG，其中JG＝αJ1+βJ2+J3，其中α、β为权重系数，
Figure BDA0002315167310000023
式中s′i为经过对抗网络去掉噪声后的心电信号，0＜i＜N，
J2＝max(|s′1-s1|,|s'2-s2|,|s'3-s3|,.......,|s'N-sN|)
J3＝log(1-D(G(x)))，式中G(x)为，D(G(x))为。
优选的，步骤c)中对抗网络的判别器的损失函数为JD，JD＝-[log(D(t))+log(1-D(G(y)))]，式中D(t)为判别器判别信号t来自于原始干净心电信号的概率，D(G(y))为判别器判别信号y为生成期生成干净信号的概率。
本发明的有益效果是：通过生成器输入有噪声的心电信号，通过不断的训练学习后产生干净的无噪声的心电信号，并自定义了损失函数，判别器对生成最后输出的干净信号和原始干净的心电信号进行判别，如果信号一致则输出为真，否则输出假。最后通过不断的学习实现动态心电信号降噪的目的。可以从混有噪声的动态心电信号当中过滤噪声，获得干净的原始心电信号。通过建立动态心电信号噪声模型,实现了如何有效地去除动态心电数据存在的各种复杂噪声，保留信号中的有效成分，提高心电信号的质量。
附图说明
图1为本发明的流程示意图。
图2为本发明的对抗网络生成器的网络结构示意图。
具体实施方式
下面对本发明做进一步说明。
一种动态心电信号的自动降噪方法，包括如下步骤：
a)将带噪声的心电信号表示为x(n)＝s(n)+w(n)，x(n)为带有运动伪噪声的混合心电信号，s(n)为干净的无噪声的心电信号，w(n)为运动伪噪声，式中0＜n＜N，N为带噪声的心电信号的长度；
b)将带有运动伪噪声的混合心电信号x(n)加上均值为0且方差为1的服从正态分布的随机高斯噪声z(n)后输入到对抗网络的生成器中生成混合信号y(n)，即y(n)＝x(n)+z(n)，混合信号y(n)通过对抗网络的生成器生成对抗训练样本G(y(n),θg)，其中θg为生成器的调整参数；
c)将从数据库得到真实无噪声的心电信号t(n)和生成器生产的G(y(n),θg)输入到对抗网络的判别器中，得到输出数据D(y(n))，D(y(n))为输入数据y(n)属于真实样本的概率；
d)当D(y(n))大于0.9则判定为已经实现了心电信号的去噪，如果D(y)小于等于0.9则判定为没有实现心电信号的去噪，并返回执行b)。
通过生成器输入有噪声的心电信号，通过不断的训练学习后产生干净的无噪声的心电信号，并自定义了损失函数，判别器对生成最后输出的干净信号和原始干净的心电信号进行判别，如果信号一致则输出为真，否则输出假。最后通过不断的学习实现动态心电信号降噪的目的。可以从混有噪声的动态心电信号当中过滤噪声，获得干净的原始心电信号。通过建立动态心电信号噪声模型,实现了如何有效地去除动态心电数据存在的各种复杂噪声，保留信号中的有效成分，提高心电信号的质量，建立了一套适用于动态心电监护系统的实时性好、鲁棒性强、准确率高、具有自学习和自适应功能的动态心电信号分析处理算法，实现动态心电信号的智能分析。
步骤b)中对抗网络的生成器中依次具有输入层、三个隐藏层和输出层，每一隐藏层的通过公式输出作为其下一层的输入，每一层通过激活函数f(a)产生新的样本数据后输入到下一隐藏层，其中f(a)＝tanh(a)，
Figure BDA0002315167310000041
a＝G(y(n),θg)，对抗网络的生成器的第三隐藏层通过函数s(a)向输出层输出，其中
Figure BDA0002315167310000042
在生成网络中，在全卷积的情况下，噪声一步步地被消除。经过每次卷积后，噪声信息减小，心电数据的有些细节波形部分虽可能会随之丢失。但由于有判别器网络的存在，可以鉴别信号的真伪，生成网络最后的输出结果会保留所有的无噪声的心电波形内容，并且在生成网络中也加入反卷积层，用来补偿细节信息。达到良好的去噪效果。考虑到训练样本数量、学习任务的复杂性以及计算资源，设定隐藏层为3层，判别器网络隐藏层设置为2层。生成器的网络结构示意图如图2所示。
优选的，步骤c)中数据库为MIT-BIT数据库。
进一步的，步骤b)中对抗网络的生成器的损失函数为JG，其中JG＝αJ1+βJ2+J3，其中α、β为权重系数，
Figure BDA0002315167310000051
式中s′i为经过对抗网络去掉噪声后的心电信号，0＜i＜N，J1为距离函数，根据噪声的偏离均值得到J1，距离函数即欧式距离以确保生成器的输出值和输入总体偏离不大。同时为了保证心电信号的细节信息部分不丢失因而增加了局部最大误差函数。
J2＝max(|s′1-s1|,|s'2-s2|,|s'3-s3|,.......,|s'N-sN|)
J3＝log(1-D(G(x)))，式中G(x)为，D(G(x))为。
判别器的主要功能在于与生成器形成对抗学习，不断提升自己的能力，以提高识别出真假样本的准确率。判别器有两种类型的输入，即生成器生成的心电信号以及无噪声的心电信号。
判别器主要由多层卷积层和反卷积层构成，负责特征提取，捕获心电信号内容的抽象信息，判断生成器最后输出的信号是否为真。步骤c)中对抗网络的判别器的损失函数为JD，JD＝-[log(D(t))+log(1-D(G(y)))]，式中D(t)为判别器判别信号t来自于原始干净心电信号的概率，D(G(y))为判别器判别信号y为生成期生成干净信号的概率。

Claims (5)

1.一种动态心电信号的自动降噪方法，其特征在于，包括如下步骤：
a)将带噪声的心电信号表示为x(n)＝s(n)+w(n)，x(n)为带有运动伪噪声的混合心电信号，s(n)为干净的无噪声的心电信号，w(n)为运动伪噪声，式中0＜n＜N，N为带噪声的心电信号的长度；
b)将带有运动伪噪声的混合心电信号x(n)加上均值为0且方差为1的服从正态分布的随机高斯噪声z(n)后输入到对抗网络的生成器中生成混合信号y(n)，即y(n)＝x(n)+z(n)，混合信号y(n)通过对抗网络的生成器生成对抗训练样本G(y(n),θg)，其中θg为生成器的调整参数；
c)将从数据库得到真实无噪声的心电信号t(n)和生成器生产的G(y(n),θg)输入到对抗网络的判别器中，得到输出数据D(y(n))，D(y(n))为输入数据y(n)属于真实样本的概率；
d)当D(y(n))大于0.9则判定为已经实现了心电信号的去噪，如果D(y)小于等于0.9则判定为没有实现心电信号的去噪，并返回执行b)。
2.根据权利要求1所述的动态心电信号的自动降噪方法，其特征在于：步骤b)中对抗网络的生成器中依次具有输入层、三个隐藏层和输出层，每一隐藏层的通过公式输出作为其下一层的输入，每一层通过激活函数f(a)产生新的样本数据后输入到下一隐藏层，其中f(a)＝tanh(a)，a＝G(y(n),θg)，对抗网络的生成器的第三隐藏层通过函数s(a)向输出层输出，其中
Figure FDA0002315167300000012
3.根据权利要求1所述的动态心电信号的自动降噪方法，其特征在于：步骤c)中数据库为MIT-BIT数据库。
4.根据权利要求1所述的动态心电信号的自动降噪方法，其特征在于：步骤b)中对抗网络的生成器的损失函数为JG，其中JG＝αJ1+βJ2+J3，其中α、β为权重系数，
Figure FDA0002315167300000021
式中s′i为经过对抗网络去掉噪声后的心电信号，0＜i＜N，
J2＝max(|s′1-s1|,|s′2-s2|,|s′3-s3|,.......,|s′N-sN|)；
J3＝log(1-D(G(y)))，D(G(y))为判别器判别信号y为生成期生成干净信号的概率。
5.根据权利要求1所述的动态心电信号的自动降噪方法，其特征在于：步骤c)中对抗网络的判别器的损失函数为JD，JD＝-[log(D(t))+log(1-D(G(y)))]，式中D(t)为判别器判别信号t来自于原始干净心电信号的概率，D(G(y))为判别器判别信号y为生成期生成干净信号的概率。
CN201911279110.5A 2019-12-12 2019-12-12 一种动态心电信号的自动降噪方法 Active CN110840445B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201911279110.5A CN110840445B (zh) 2019-12-12 2019-12-12 一种动态心电信号的自动降噪方法
NL2025562A NL2025562B1 (en) 2019-12-12 2020-05-12 Method for automatic noise reduction of dynamic ecg signal

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911279110.5A CN110840445B (zh) 2019-12-12 2019-12-12 一种动态心电信号的自动降噪方法

Publications (2)

Publication Number Publication Date
CN110840445A true CN110840445A (zh) 2020-02-28
CN110840445B CN110840445B (zh) 2021-07-20

Family

ID=69609402

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911279110.5A Active CN110840445B (zh) 2019-12-12 2019-12-12 一种动态心电信号的自动降噪方法

Country Status (2)

Country Link
CN (1) CN110840445B (zh)
NL (1) NL2025562B1 (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111680785A (zh) * 2020-05-29 2020-09-18 山东省人工智能研究院 基于稀疏特性与对抗神经网络相结合的ecg信号处理方法
CN111803060A (zh) * 2020-07-14 2020-10-23 武汉中旗生物医疗电子有限公司 一种心电伪迹信号去除方法及装置
CN112450946A (zh) * 2020-11-02 2021-03-09 杭州电子科技大学 一种基于循环生成对抗网络的脑电伪迹修复的方法
CN112487914A (zh) * 2020-11-25 2021-03-12 山东省人工智能研究院 一种基于深度卷积生成对抗网络的ecg降噪方法
CN112528804A (zh) * 2020-12-02 2021-03-19 西安电子科技大学 基于生成对抗网络的肌电信号降噪和分类方法
CN112545530A (zh) * 2020-06-18 2021-03-26 华南理工大学 一种基于hrv和对抗网络的预测醉驾和疲劳驾驶的方法
CN114190953A (zh) * 2021-12-09 2022-03-18 四川新源生物电子科技有限公司 针对脑电采集设备的脑电信号降噪模型的训练方法和系统
CN115105088A (zh) * 2022-06-20 2022-09-27 山东省人工智能研究院 一种改进的基于小波域稀疏特性的心电信号去噪方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109036573A (zh) * 2018-07-06 2018-12-18 苏州大学 基于生成式对抗网络技术的心电图生成及分类方法
CN109998500A (zh) * 2019-04-30 2019-07-12 陕西师范大学 一种基于生成式对抗网络的脉搏信号生成方法及系统
CN110390647A (zh) * 2019-06-14 2019-10-29 平安科技（深圳）有限公司 基于环形对抗生成网络的oct图像去噪方法及装置
CN110520875A (zh) * 2017-04-27 2019-11-29 日本电信电话株式会社 学习型信号分离方法和学习型信号分离装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110520875A (zh) * 2017-04-27 2019-11-29 日本电信电话株式会社 学习型信号分离方法和学习型信号分离装置
CN109036573A (zh) * 2018-07-06 2018-12-18 苏州大学 基于生成式对抗网络技术的心电图生成及分类方法
CN109998500A (zh) * 2019-04-30 2019-07-12 陕西师范大学 一种基于生成式对抗网络的脉搏信号生成方法及系统
CN110390647A (zh) * 2019-06-14 2019-10-29 平安科技（深圳）有限公司 基于环形对抗生成网络的oct图像去噪方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
江春雨: "基于生成对抗网络的手写字体生成算法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑（月刊）》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111680785A (zh) * 2020-05-29 2020-09-18 山东省人工智能研究院 基于稀疏特性与对抗神经网络相结合的ecg信号处理方法
CN111680785B (zh) * 2020-05-29 2021-09-24 山东省人工智能研究院 基于稀疏特性与对抗神经网络相结合的ecg信号处理方法
CN112545530A (zh) * 2020-06-18 2021-03-26 华南理工大学 一种基于hrv和对抗网络的预测醉驾和疲劳驾驶的方法
CN111803060A (zh) * 2020-07-14 2020-10-23 武汉中旗生物医疗电子有限公司 一种心电伪迹信号去除方法及装置
CN112450946A (zh) * 2020-11-02 2021-03-09 杭州电子科技大学 一种基于循环生成对抗网络的脑电伪迹修复的方法
CN112487914A (zh) * 2020-11-25 2021-03-12 山东省人工智能研究院 一种基于深度卷积生成对抗网络的ecg降噪方法
CN112487914B (zh) * 2020-11-25 2021-08-31 山东省人工智能研究院 一种基于深度卷积生成对抗网络的ecg降噪方法
CN112528804A (zh) * 2020-12-02 2021-03-19 西安电子科技大学 基于生成对抗网络的肌电信号降噪和分类方法
CN114190953A (zh) * 2021-12-09 2022-03-18 四川新源生物电子科技有限公司 针对脑电采集设备的脑电信号降噪模型的训练方法和系统
CN114190953B (zh) * 2021-12-09 2024-07-23 四川新源生物电子科技有限公司 针对脑电采集设备的脑电信号降噪模型的训练方法和系统
CN115105088A (zh) * 2022-06-20 2022-09-27 山东省人工智能研究院 一种改进的基于小波域稀疏特性的心电信号去噪方法
CN115105088B (zh) * 2022-06-20 2023-03-14 山东省人工智能研究院 一种改进的基于小波域稀疏特性的心电信号去噪方法

Also Published As

Publication number Publication date
NL2025562B1 (en) 2021-04-12
CN110840445B (zh) 2021-07-20

Similar Documents

Publication Publication Date Title
CN110840445B (zh) 一种动态心电信号的自动降噪方法
CN110353672B (zh) 一种脑电信号中眼部伪迹去除系统及去除方法
CN111243739A (zh) 抗干扰的生理参数遥测方法及系统
Li et al. Comparison and noise suppression of the transmitted and reflected photoplethysmography signals
CN108042126B (zh) 一种改进的激光散斑衬比血流成像方法
HE et al. A novel adaptive wavelet thresholding with identical correlation shrinkage function for ECG noise removal
CN111543984B (zh) 一种基于ssda的脑电信号的眼电伪迹去除方法
Tan et al. Best wavelet function identification system for ECG signal denoise applications
CN110742581A (zh) Bcg信号的处理方法及装置
Liu et al. EEG classification algorithm of motor imagery based on CNN-Transformer fusion network
CN116035593B (zh) 一种基于生成对抗式并行神经网络的脑电降噪方法
CN116720056A (zh) 一种基于增强解码的ae-gan的ecg信号重建方法
CN113040789B (zh) 一种同步EEG-fMRI数据采集中核磁伪迹的在线去除方法
Yang et al. New threshold and shrinkage function for ECG signal denoising based on wavelet transform
CN113925482A (zh) 心率计算方法、可穿戴电子设备和存储介质
Georgieva-Tsaneva A novel photoplethysmographic noise removal method via wavelet transform to effective preprocessing
Sheoran et al. Automated blink artefact removal from EEG using variational mode decomposition and singular spectrum analysis
Shao et al. A Photoplethysmograph Signal Preprocess Method Based on Wavelet Transform
Tian et al. Modeling and reconstructing textile sensor noise: Implications for wearable technology
Liu et al. An Improved ECG Denoising Algorithm Based on Wavelet-scale Correlation Coefficients
Kumbhar et al. FPGA-Based Implementation of Artifact Suppression and Feature Extraction
Guo et al. EEG signals denoising using bayesian estimation
CN116304777B (zh) 基于静止时参考信号的自适应心电信号去噪方法及系统
Vemishetty et al. Affordable low complexity heart/brain monitoring methodology for remote health care
CN117243584B (zh) 基于手环式心电设备的心率监测方法、设备及存储介质

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