CN111067507B - 基于生成对抗网络和策略梯度的心电信号去噪方法 - Google Patents
基于生成对抗网络和策略梯度的心电信号去噪方法 Download PDFInfo
- Publication number
- CN111067507B CN111067507B CN201911362882.5A CN201911362882A CN111067507B CN 111067507 B CN111067507 B CN 111067507B CN 201911362882 A CN201911362882 A CN 201911362882A CN 111067507 B CN111067507 B CN 111067507B
- Authority
- CN
- China
- Prior art keywords
- generator
- discriminator
- layer
- signal
- training
- 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
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
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于生成对抗网络和策略梯度的心电信号去噪方法,包括对测试集中每条心电信号段中的所有样本点进行最大最小归一化;构建生成器和判别器构成的生成对抗网络,生成器建模为一个随机策略,同时也是一个行动者;将判别器建模为评论家,其角色是对生成器输出的样本进行打分;采用梯度下降训练生成器和判别器;设定训练信噪比提升阈值,当信噪比提升值大于训练信噪比提升阈值时停止训练;输出去噪信号。本发明采用强化学习中的策略梯度方法对生成对抗网络进行了优化,分别训练生成器和判别器达到纳什均衡点,此时得到了最好的去噪效果。
Description
技术领域
本发明涉及一种心电信号去噪方法,特别是涉及一种基于生成对抗网络和策略梯度的心电信号去噪方法。
背景技术
心电信号是一种具有非线性,周期性,不稳定性等特征的时间序列数据。在采集过程中,由于医疗器械和肌体活动的干扰,实际采集到的心电信号往往掺杂着随机性的噪声,这阻碍了临床试验中相关信息的读取和进一步的疾病诊断。常见的噪声主要为:工频干扰(Electrode Motion Artifact,简称EM),肌电干扰(Muscle Artifact,简称MA)以及基线漂移(Baseline Wander,简称BW)这三种。
迄今为止,已经涌现出不少关于心电信号的去噪方法。例如小波变换,频谱分解,傅里叶分解,经验模态分解等。这些传统的去噪方法取得了良好的效果,但是在某些方面仍然差强人意,例如:对各类噪声的适应性不够;可能会使得去噪后的心电信号严重失真;不能充分考虑局部性和全局性等。
随着人工智能技术和深度学习方法的不断发展,以去噪自动编码器和生成对抗网络为代表的深度生成式模型也渐渐被应用到了心电信号的去噪任务中。前者会随机地部分采用受损的输入来解决恒等函数风险,使得自动编码器必须进行恢复或去噪。后者是一种在图像处理尤其是图像生成和去噪方面取得良好效果的神经网络,它由生成器(Generator,简称G)和判别器(Discriminator,简称D)组成,生成器负责生成与真实数据分布尽可能接近的模拟数据,判别器则对生成样本进行打分并将梯度反馈给生成器,两者的训练过程遵循一个零和博弈的过程。
基于生成对抗网络的去噪方法普遍优于去噪自编码器和传统的小波去噪方法。然而,在处理长时间心电信号去噪的任务中,基于普通的生成对抗网络的方法则表现不佳。因为心电信号常被当作离散的序列数据来采样,这导致在训练过程中判别器无法有效地将梯度传递给生成器,从而出现训练的不稳定性和去噪效果不佳的情况。
发明内容
本发明的目的是提供一种基于生成对抗网络和策略梯度的心电信号去噪方法,克服了普通的生成对抗网络方法在处理离散数据和长时间依赖方面的不足。
本发明的技术方案是这样的:一种基于生成对抗网络和策略梯度的心电信号去噪方法,包括以下步骤:
S1、对测试集中每条心电信号段中的所有样本点进行最大最小归一化;
S2、构建生成器和判别器构成的生成对抗网络,所述生成器的结构由输入层、隐藏层、全连接层和输出层组成,所述隐藏层基于双向循环神经网络结构BiGRUs,在t时刻,所述生成器的各个参数值满足以下公式:
所述判别器由输入层、卷积层、六个组合层、全连接层、软最大化层和输出层构成,所述判别器的软最大化层输出去噪后的样本序列是真和是伪的概率值,所述判别器的输出层则输出去噪序列为真的概率;
对于一个T长的完整序列Xdenoise,定义该序列的奖赏R为:
S5、不断训练生成器,每一次训练都执行梯度下降:
其中,θold是前一步的生成器参数集,θnew是执行梯度更新后的生成器参数集,ηg是生成器的学习率;
S6、求判别器D关于参数集φ的梯度,采用梯度更新法则来寻找判别器最优参数集;
S7、不断训练判别器,每一次训练都执行梯度下降:
其中,φold是前一步的判别器参数集,φnew是执行梯度更新后的判别器参数集,ηd是判别器的学习率;
S8、设定训练信噪比提升阈值,不断同步训练生成器和判别器,每一步训练完成后都输出信噪比提升值SNRimprove,当信噪比提升值SNRimprove的值都大于训练信噪比提升阈值时,停止训练,输出参数集θ和φ,由训练完成的生成对抗网络对输入信号进行去噪,所述信噪比提升值SNRimprove是生成器去噪后序列信噪比与原始心电记录信噪比的差值。
进一步地,所述测试集是与待去噪信号类型相同的测试集,所述去噪信号类型包括工频干扰、肌电干扰和基线漂移。
进一步地,所述工频干扰、肌电干扰和基线漂移测试集是分别将工频干扰、肌电干扰和基线漂移以初始信噪比SNRin添加到原始心电记录集得到,所述
进一步地,所述生成器的隐藏层激活函数使用Sigmoid激活函数,生成器的输出层激活函数使用Tanh激活函数。
进一步地,所述判别器的卷积层为卷积核大小为1*3,步长为1*1的卷积层,激活函数采用LeakReLU函数,所述判别器的每个组合层由两个卷积层,一个下采样层组成,所述下采样层的池化窗口大小为1*2,步长为1*2,采用平均池化。
进一步地,所述训练信噪比提升阈值由普通对抗网去噪法、堆叠式降噪自动编码器去噪法、深度信念网络去噪法对原始心电记录去噪后计算得到。
本发明与现有技术相比,有益效果是:采用强化学习中的策略梯度方法对生成对抗网络进行了优化,将生成器建模为一个随机策略(行动者),将判别器建模为评论家,评论家对生成器去噪后的样本打分(相当于给生成器立即奖赏),生成器的目标是寻找一个最优的参数值(最优策略),使得其在输出一个完整的去噪序列时,累积奖赏最大,并以现有技术的去噪信噪比提升值为训练终点判断,分别训练生成器和判别器达到纳什均衡点,此时得到了最好的去噪效果。
附图说明
图1为本发明基于生成对抗网络和策略梯度的心电信号去噪方法的流程图;
图2为生成器网络模型图。
具体实施方式
本实例涉及的基于生成对抗网络和策略梯度的心电信号去噪方法的训练数据采用的是MIT-BIH心律失常数据集,总共包含46个心电记录,每个记录的采样率为360HZ,持续时间大约为30分钟,每个记录包含65万个样本点。选择了这46个记录中年龄介于20至40岁的青年女性作为研究对象,经筛选,符合条件的心电记录有五个,分别是:R106、R113、R115、R208和R212号记录,因此训练数据集总共包含325万个样本点,将整个训练数据集划分为3250个长度为1000的心电信号段。
请结合图1所示,具体方法包含以下步骤:
实施细节:
1:对每条心电信号段中的所有样本点进行最大最小归一化:
其中,T=1000,x[t]是某条信号段中第t个样本点的导联值;xmax和xmin分别是该条信号段中导联最大和最小的样本点所对应的值。
2:使用physionet官网提供的nst工具将噪音记录工频干扰EM以初始信噪比SNRin添加到心电记录集{R106,…,R212}中,得到测试集{Rem106,…,Rem212}。对于噪音记录肌电干扰BW和基线漂移MA,采用同样的方法,得到{Rbw106,…,Rbw212}和{Rma106,…,Rma212}。
3:采用第一步的归一化方法对第二步得到的三个测试集中的心电记录进行归一化。初始信噪比SNRin被定义为:
4:选择与待去噪信号的类型相同类型的归一化处理后的测试记录,生成器G的输入是测试记录中的T长序列请结合图2所示,生成器的结构由输入层,隐藏层,全连接层和输出层组成,其中隐藏层基于双向循环神经网络结构BiGRUs,在t时刻,生成器的各个参数值满足以下公式:
5:去噪后的信噪比SNRout被定义为:
信噪比的提升值被定义为:SNRimprove=SNRout-SNRin。SNRimprove值越大,主模型的去噪效果越明显。
6:判别器D的网络结构见表格,
它由输入层,Conv1d层(卷积核大小为1*3,步长为1*1的卷积层,激活函数采用LeakReLU函数),6个组合层,每个组合层由两个Conv1d层,一个下采样层(池化窗口大小为1*2,步长为1*2,采用平均池化)组成。接下来是全连接层,该层包含150个神经元,起到一个承接前后网络层的映射作用。然后是Softmax层,其作用是输出一个向量[Preal,Pfalse],两个元素值分别代表去噪后的样本序列是真和是伪的概率值。输出层则输出去噪序列为真的概率,即
对于一个T长的完整序列Xdenoise,定义该序列的奖赏R为:
数据项Rt-bt类似于行动者-评论家算法中的优势函数A(at,st),即:
A(at,st)=Q(at,st)-V(st)
由于心电信号是采样成离散序列来处理的,采用普通的梯度计算方法会面临生成器不可微的情况,另外判别器也只能对一个完整的去噪序列进行评判。采用类行动者-评论家的梯度计算方法则可避免上述情况。
8:不断训练生成器,每一次训练都执行梯度下降:
其中,θold是前一步的生成器参数集,θnew是执行梯度更新后的生成器参数集,ηg是学习率,设为0.01。
9:求判别器D关于参数集φ的梯度:
10:类似于第8步,采用同样的梯度更新方法不断训练判别器:
其中,φold是前一步的判别器参数集,φnew是执行梯度更新后的判别器参数集,ηd是判别器的学习率,设为0.01。
11:采用已有的普通对抗网(GAN)去噪法、堆叠式降噪自动编码器(DAE)去噪法、深度信念网络(DBN)去噪法,基于初始信噪比相同的心电信号(0dB、1.25dB、5dB)分别去噪,并分别计算去噪完后的信噪比,得到各个方法的信噪比提升值:{SNRimp1,SNRimp2,SNRimp3}。
12:不断同步训练生成器和判别器,每一步训练完成后都输出SNRimprove,当SNRimprove的值都大于SNRimp1,SNRimp2,SNRimp3时,停止训练,输出参数集θ和φ,此时去噪效果达到了最优。
Claims (6)
1.一种基于生成对抗网络和策略梯度的心电信号去噪方法,其特征在于,S1、对测试集中每条心电信号段中的所有样本点进行最大最小归一化;
S2、构建生成器和判别器构成的生成对抗网络,所述生成器的结构由输入层、隐藏层、全连接层和输出层组成,所述隐藏层基于双向循环神经网络结构BiGRUs,在t时刻,所述生成器的各个参数值满足以下公式:
所述判别器由输入层、卷积层、六个组合层、全连接层、软最大化层和输出层构成,所述判别器的软最大化层输出去噪后的样本序列是真和是伪的概率值,所述判别器的输出层则输出去噪序列为真的概率;
对于一个T长的完整序列Xdenoise,定义该序列的奖赏R为:
数据项Rt-bt为行动者-评论家算法中的优势函数A(at,st):
A(at,st)=Q(at,st)-V(st)
S5、不断训练生成器,每一次训练都执行梯度下降:
其中,θold是前一步的生成器参数集,θnew是执行梯度更新后的生成器参数集,ηg是生成器的学习率;
S6、求判别器D关于参数集φ的梯度,采用梯度更新法则来寻找判别器最优参数集;
S7、不断训练判别器,每一次训练都执行梯度下降:
其中,φold是前一步的判别器参数集,φnew是执行梯度更新后的判别器参数集,ηd是判别器的学习率;
S8、设定训练信噪比提升阈值,不断同步训练生成器和判别器,每一步训练完成后都输出信噪比提升值SNRimprove,当信噪比提升值SNRimprove的值都大于训练信噪比提升阈值时,停止训练,输出参数集θ和φ,由训练完成的生成对抗网络对输入信号进行去噪,所述信噪比提升值SNRimprove是生成器去噪后序列信噪比与原始心电记录信噪比的差值。
2.根据权利要求1所述的基于生成对抗网络和策略梯度的心电信号去噪方法,其特征在于,所述测试集是与待去噪信号类型相同的测试集,所述去噪信号类型包括工频干扰、肌电干扰和基线漂移。
4.根据权利要求1所述的基于生成对抗网络和策略梯度的心电信号去噪方法,其特征在于,所述生成器的隐藏层激活函数使用Sigmoid激活函数,生成器的输出层激活函数使用Tanh激活函数。
5.根据权利要求1所述的基于生成对抗网络和策略梯度的心电信号去噪方法,其特征在于,所述判别器的卷积层为卷积核大小为1*3,步长为1*1的卷积层,激活函数采用LeakReLU函数,所述判别器的每个组合层由两个卷积层,一个下采样层组成,所述下采样层的池化窗口大小为1*2,步长为1*2,采用平均池化。
6.根据权利要求1所述的基于生成对抗网络和策略梯度的心电信号去噪方法,其特征在于,所述训练信噪比提升阈值由普通对抗网去噪法、堆叠式降噪自动编码器去噪法、深度信念网络去噪法对原始心电记录去噪后计算得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911362882.5A CN111067507B (zh) | 2019-12-26 | 2019-12-26 | 基于生成对抗网络和策略梯度的心电信号去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911362882.5A CN111067507B (zh) | 2019-12-26 | 2019-12-26 | 基于生成对抗网络和策略梯度的心电信号去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111067507A CN111067507A (zh) | 2020-04-28 |
CN111067507B true CN111067507B (zh) | 2021-11-26 |
Family
ID=70318109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911362882.5A Active CN111067507B (zh) | 2019-12-26 | 2019-12-26 | 基于生成对抗网络和策略梯度的心电信号去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111067507B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814656B (zh) * | 2020-07-02 | 2021-05-04 | 山东省人工智能研究院 | 一种基于对抗生成网络的心电信号降噪方法 |
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 |
CN113436089A (zh) * | 2021-06-15 | 2021-09-24 | 山东省人工智能研究院 | 基于BiLSTM与生成对抗网络结合的ECG降噪方法 |
CN115429286B (zh) * | 2022-10-11 | 2023-06-16 | 郑州大学 | 一种心电表征自监督学习方法 |
CN115442191B (zh) * | 2022-11-08 | 2023-03-24 | 中国人民解放军战略支援部队航天工程大学 | 基于相对平均生成对抗网络的通信信号降噪方法及系统 |
CN116250844B (zh) * | 2023-03-03 | 2024-04-26 | 山东大学 | 基于条件生成对抗网络的心电信号降噪优化方法及系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10242443B2 (en) * | 2016-11-23 | 2019-03-26 | General Electric Company | Deep learning medical systems and methods for medical procedures |
CN107909153A (zh) * | 2017-11-24 | 2018-04-13 | 天津科技大学 | 基于条件生成对抗网络的模型化策略搜索学习方法 |
CN108629753A (zh) * | 2018-05-22 | 2018-10-09 | 广州洪森科技有限公司 | 一种基于循环神经网络的人脸图像恢复方法及装置 |
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 |
CN109770912A (zh) * | 2019-01-23 | 2019-05-21 | 复旦大学 | 一种基于深度卷积神经网络的步态异常分类方法 |
CN110276253A (zh) * | 2019-05-15 | 2019-09-24 | 中国科学院信息工程研究所 | 一种基于深度学习的模糊文字检测识别方法 |
CN110558971A (zh) * | 2019-08-02 | 2019-12-13 | 苏州星空大海医疗科技有限公司 | 基于单目标及多目标的生成对抗网络心电图异常检测方法 |
CN110575141A (zh) * | 2019-09-09 | 2019-12-17 | 西北大学 | 一种基于生成对抗网络的癫痫检测方法 |
-
2019
- 2019-12-26 CN CN201911362882.5A patent/CN111067507B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111067507A (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111067507B (zh) | 基于生成对抗网络和策略梯度的心电信号去噪方法 | |
Singh et al. | A new ECG denoising framework using generative adversarial network | |
CN110584649B (zh) | 一种动态单导心电图中异常心电信号识别方法及系统 | |
CN109998525B (zh) | 一种基于判别式深度置信网络的心律失常自动分类方法 | |
Hao et al. | Multi-lead model-based ECG signal denoising by guided filter | |
CN112508110A (zh) | 一种基于深度学习的心电信号图的分类方法 | |
CN111007566B (zh) | 一种曲率驱动扩散全卷积网络地震数据坏道重建与去噪方法 | |
CN110755108A (zh) | 一种基于智能听诊器的心脏声音分类方法、系统、装置及可读存储介质 | |
CN113729707A (zh) | 一种基于fecnn-lstm的眼动和ppg多模态融合的情感识别方法 | |
CN113616213B (zh) | 一种基于bp神经网络及改进的emd方法的心电信号去噪方法、设备及存储介质 | |
CN112863667B (zh) | 一种基于深度学习的肺部声音诊断装置 | |
Liang et al. | Obstructive sleep apnea detection using combination of CNN and LSTM techniques | |
CN111631710B (zh) | 一种状态相关的动态脑电信号中肌电伪迹的消除方法 | |
CN114469124A (zh) | 一种运动过程中异常心电信号的识别方法 | |
CN114648048B (zh) | 基于变分自编码和PixelCNN模型的心电信号降噪方法 | |
CN114209319B (zh) | 基于图网络及自适应去噪的fNIRS情绪识别方法及系统 | |
CN108717535B (zh) | 一种基于混合特征和长短时记忆网络的麻醉深度估计方法 | |
CN114129171A (zh) | 一种基于改进的残差密集网络的心电信号降噪方法 | |
Marwan et al. | Denoising of ECG with single and multiple hidden layer autoencoders | |
CN115470832A (zh) | 一种基于区块链的心电信号数据处理方法 | |
CN111493864B (zh) | Eeg信号混合噪声处理方法、设备和存储介质 | |
CN113069115B (zh) | 一种情绪识别方法、电子设备及存储介质 | |
CN115251845A (zh) | 基于TB-TF-BiGRU模型处理脑电波信号的睡眠监测方法 | |
JP2560651B2 (ja) | 生体内部状態推定装置 | |
CN113180684A (zh) | 一种ⅱ导联心电信号分类方法 |
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 |