CN111680785B - 基于稀疏特性与对抗神经网络相结合的ecg信号处理方法 - Google Patents

Abstract

一种基于稀疏特性与对抗神经网络相结合的ECG信号处理方法，利用稀疏提取出ECG信号中深层次特征，对传统的对抗神经网络进行改进，利用对抗网络的特性不断学习优化，高精度实现了去除ECG信号中的噪声干扰的同时减少了运算时间。考虑到不同人体之间存在的个体差异特征，针对远程医院背景下的信号噪声多，干扰大等因素，利用大数据特征优势，引入深度学习，针对ECG信号的时域特性通过发生器和鉴别器之间的博弈，利用对抗性思维不断积累ECG信号噪声分布的知识，利用支持向量机（SVM）算法对去噪后的信号进行定性评估。

Description

基于稀疏特性与对抗神经网络相结合的ECG信号处理方法

技术领域

本发明涉及心电信号处理技术领域，具体涉及一种基于稀疏特性与对抗神经网络相结合的ECG信号处理方法。

背景技术

ECG信号包含六种不同类型的波形，分别是P、Q、R、S、T、U。在心脏状况良好的情况下，会出现有规律性的ECG信号曲线，但ECG信号采集过程中往往会受噪声的干扰，使得心电图质量不佳，因此能够快速准确的滤出噪声还能尽可能的保留信号信息的完整性对ECG信号的检测尤为重要。

目前ECG信号降噪方法大多是单靠某一种数字滤波器去除噪声，由于噪声种类繁多，其实用效果并不理想，有的降噪后波形严重失真，丢失了信号的医学特性。由于信号中部分噪声频域分布特征复杂，传统的方法很难滤出干净。在许多实际的去噪问题中，噪声信号包含大量的稀疏信息，这有助于去噪。然而，常用的去噪方法如低通滤波法和小波去噪法有许多局限性，如投影空间刚性或高频成分损失。随着深度学习的发展，基于深度学习的降噪方法虽然取得了一些成就，但也存在着一些问题。例如模糊神经网络和小波神经网络只能去除ECG信号中的一种噪声，不能反映噪声的复杂性和多样性。改进的小波神经网络和小波神经网络能够去除ECG信号中的三种经典噪声，但其结果会失去原始重要信息。

发明内容

本发明为了克服以上技术的不足，提供了一种利用稀疏提取出ECG信号中深层次特征，利用对抗网络的特性不断学习优化，高精度去除ECG信号中的噪声的ECG信号处理方法。

本发明克服其技术问题所采用的技术方案是：

一种基于稀疏特性与对抗神经网络相结合的ECG信号处理方法，包括：

a)从MIT-BIH噪声压力测试数据库中选择EM、BM和MA噪声记录作为噪声数据v；

b)深度学习的对抗神经网络中生成网络输入的信号为含有噪声数据v的信号y，将含有噪声数据v的信号y重新构建干净的原始信号y^*实现信号y的降噪，得到降噪后的信号y′，将原始信号y^*与降噪后的信号y′作为输入信号输入进对抗神经网络中的判别器，使用支持向量机来评价降噪后的ECG信号质量；

c)通过对抗神经网络的学习法将步骤b)中的生成网络模型进行训练，训练后的生成网络模型将心电信号进行高保真降噪；

d)通过公式l_D＝log(1-D(y^*))+log(D(G(y)))计算对抗神经网络中的判别器的损失函数l_D，式中G(y)为以含有噪声数据v的信号y作为输入信号并通过生成网络去噪后的信号，D(G(y)为判别网络判别信号是来自原始信号而不是生成网络去噪后的信号的概率；

e)当判别器无法判别输入的信号是原始信号还是生成网络生成的信号时，保存模型。

进一步的，步骤a)中从MIT-BIH噪声压力测试数据库中分别选择编号为103、105、111、116、122、205、213、219、223、230的噪声记录。

进一步的，步骤a)中通过将信噪比分别设置为15dB、20dB和25dB在计ECG信号中加入噪声数据v，每种噪声训练样本数量为54000个，测试样本数量为5940个。

进一步的，步骤b)包括如下步骤：

b-1)通过公式Y＝{y＝Ax+v}计算不确定系数线性模型中采样的一组数据Y，其中A∈R^n×m，A为宽为n高为m的线性变换矩阵，R为矩阵，x为稀疏编码，x∈R^m，将x的位置是非零的概率定义为γ，x非零值服从均匀分布U(0,1)，噪声数据v从正态分布N(0,SNR)中采样，

b-2)设置m＝100，n＝50，将γ设为0.1；

b-3)选择递归神经网络作为编码部分，编码结构方程为h＝0，h_t+1＝f(Uh_t+W_y+b)，式中h_t为稀疏编码x的估计值，h为初始隐藏状态，h_t+1是编码部分的第t+1个状态，W_y与b为学习参数，设置4层递归网络作为编码部分，隐藏层单元的数量与x的维数相同，隐藏层每一层都将前一层的输出作为输入；

b-4)通过公式x＝h_T,r(x)＝f(W_rx+b_r)+x计算残差块r(x)，式中h_T是编码部分的第T个状态，W_r与b_r为学习参数；

b-5)通过公式y′＝W₀r(x)+b₀计算降噪后的信号y′，式中W₀与b₀为学习参数。

进一步的，步骤c)包括如下步骤：

c-1)通过公式

计算生成网络的损失函数l_g(y,y^*)，式中λ为权重系数，λ＝10^-4，N＝100，y_i为信号y的第i个输入样本，

为信号y^*的第i个输入样本；

c-2)通过公式

计算信号y与原始信号y^*的整体差值l_dist，式中y′_i为降噪后的信号y′的第i个输入样本；

c-3)通过公式l_G＝l_g(y,y^*)+αl_dist+βl_dist-max计算生成器的损失函数l_G，α＝0.7，β＝0.2，l_dist-max为l_dist的最大值。

本发明的有益效果是：本发明克服了传统去噪方法对投影空间的限制及高频分量损失的局限性，提出了一种基于稀疏特性与对抗神经网络相结合的ECG信号处理方法。利用稀疏提取出ECG信号中深层次特征，对传统的对抗神经网络进行改进，将生成网络设计为去噪模型，包括编码部分、去噪部分和线性恢复部分。利用对抗网络的特性不断学习优化，高精度实现了去除ECG信号中的噪声干扰的同时减少了运算时间。考虑到不同人体之间存在的个体差异特征，针对远程医院背景下的信号噪声多，干扰大等因素，对生成网络的损失函数进行创新。同时，为了保持数据的原始特征，利用鉴别器网络来帮助生成网络中的去噪模型学习，利用对抗性思维不断积累ECG信号噪声分布的知识。最后利用支持向量机(SVM)算法对去噪后的信号进行定性评估。

具体实施方式

下面对本发明做进一步说明。

一种基于稀疏特性与对抗神经网络相结合的ECG信号处理方法，包括：

a)从MIT-BIH噪声压力测试数据库中选择EM、BM和MA噪声记录作为噪声数据v；

b)深度学习的对抗神经网络中生成网络输入的信号为含有噪声数据v的信号y，将含有噪声数据v的信号y重新构建干净的原始信号y^*实现信号y的降噪，得到降噪后的信号y′，将原始信号y^*与降噪后的信号y′作为输入信号输入进对抗神经网络中的判别器，使用支持向量机来评价降噪后的ECG信号质量；

c)通过对抗神经网络的学习法将步骤b)中的生成网络模型进行训练，训练后的生成网络模型将心电信号进行高保真降噪；

d)通过公式l_D＝log(1-D(y^*))+log(D(G(y)))计算对抗神经网络中的判别器的损失函数l_D，式中G(y)为以含有噪声数据v的信号y作为输入信号并通过生成网络去噪后的信号，D(G(y)为判别网络判别信号是来自原始信号而不是生成网络去噪后的信号的概率；

e)当判别器无法判别输入的信号是原始信号还是生成网络生成的信号时，保存模型。

利用稀疏提取出ECG信号中深层次特征，对传统的对抗神经网络进行改进，利用对抗网络的特性不断学习优化，高精度实现了去除ECG信号中的噪声干扰的同时减少了运算时间。考虑到不同人体之间存在的个体差异特征，针对远程医院背景下的信号噪声多，干扰大等因素，利用大数据特征优势，引入深度学习，针对ECG信号的时域特性通过发生器和鉴别器之间的博弈，利用对抗性思维不断积累ECG信号噪声分布的知识，利用支持向量机(SVM)算法对去噪后的信号进行定性评估。

优选的，步骤a)中从MIT-BIH噪声压力测试数据库中分别选择编号为103、105、111、116、122、205、213、219、223、230的噪声记录。步骤a)中通过将信噪比分别设置为15dB、20dB和25dB在计ECG信号中加入噪声数据v，每种噪声训练样本数量为54000个，测试样本数量为5940个。

进一步的，步骤b)包括如下步骤：

b-1)通过公式Y＝{y＝Ax+v}计算不确定系数线性模型中采样的一组数据Y，其中A∈R^n×m，A为宽为n高为m的线性变换矩阵，R为矩阵，x为稀疏编码，x∈R^m，将x的位置是非零的概率定义为γ，x非零值服从均匀分布U(0,1)，噪声数据v从正态分布N(0,SNR)中采样，

b-2)设置m＝100，n＝50，将γ设为0.1；

b-3)选择递归神经网络作为编码部分，编码结构方程为h＝0，h_t+1＝f(Uh_t+W_y+b)，式中h_t为稀疏编码x的估计值，h为初始隐藏状态，h_t+1是编码部分的第t+1个状态，W_y与b为学习参数，设置4层递归网络作为编码部分，隐藏层单元的数量与x的维数相同，隐藏层每一层都将前一层的输出作为输入；

b-4)通过公式x＝h_T,r(x)＝f(W_rx+b_r)+x计算残差块r(x)，式中h_T是编码部分的第T个状态，W_r与b_r为学习参数；

b-5)通过公式y′＝W₀r(x)+b₀计算降噪后的信号y′，式中W₀与b₀为学习参数。

步骤c)包括如下步骤：

c-1)通过公式

计算生成网络的损失函数l_g(y,y^*)，式中λ为权重系数，λ＝10^-4，N＝100，y_i为信号y的第i个输入样本，

为信号y^*的第i个输入样本；

c-2)通过公式

计算信号y与原始信号y^*的整体差值l_dist，式中y′_i为降噪后的信号y′的第i个输入样本；

c-3)通过公式l_G＝l_g(y,y^*)+αl_dist+βl_dist-max计算生成器的损失函数l_G，α＝0.7，β＝0.2，l_dist-max为l_dist的最大值。

Claims (4)

1.一种基于稀疏特性与对抗神经网络相结合的ECG信号处理方法，其特征在于，包括：

a)从MIT-BIH噪声压力测试数据库中选择EM、BM和MA噪声记录作为噪声数据v；

b)深度学习的对抗神经网络中生成网络输入的信号为含有噪声数据v的信号y，将含有噪声数据v的信号y重新构建干净的原始信号y^*实现信号y的降噪，得到降噪后的信号y′，将原始信号y^*与降噪后的信号y′作为输入信号输入进对抗神经网络中的判别器，使用支持向量机来评价降噪后的ECG信号质量；

c)通过对抗神经网络的学习法将步骤b)中的生成网络模型进行训练，训练后的生成网络模型将心电信号进行高保真降噪；

d)通过公式l_D＝log(1-D(y^*))+log(D(G(y)))计算对抗神经网络中的判别器的损失函数l_D，式中G(y)为以含有噪声数据v的信号y作为输入信号并通过生成网络去噪后的信号，D(G(y)为判别网络判别信号是来自原始信号而不是生成网络去噪后的信号的概率；

e)当判别器无法判别输入的信号是原始信号还是生成网络生成的信号时，保存模型；

步骤b)包括如下步骤：

b-1)通过公式Y＝{y＝Ax+v}计算不确定系数线性模型中采样的一组数据Y，其中A∈R^{n ×m}，A为宽为n高为m的线性变换矩阵，R为矩阵，x为稀疏编码，x∈R^m，将x的位置是非零的概率定义为γ，x非零值服从均匀分布U(0,1)，噪声数据v从正态分布N(0,SNR)中采样，

b-2)设置m＝100，n＝50，将γ设为0.1；

b-3)选择递归神经网络作为编码部分，编码结构方程为h＝0，h_t+1＝f(Uh_t+W_y+b)，式中h_t为稀疏编码x的估计值，h为初始隐藏状态，h_t+1是编码部分的第t+1个状态，W_y与b为学习参数，设置4层递归网络作为编码部分，隐藏层单元的数量与x的维数相同，隐藏层每一层都将前一层的输出作为输入；

b-4)通过公式x＝h_T,r(x)＝f(W_rx+b_r)+x计算残差块r(x)，式中h_T是编码部分的第T个状态，W_r与b_r为学习参数；

b-5)通过公式y′＝W₀r(x)+b₀计算降噪后的信号y′，式中W₀与b₀为学习参数。

2.根据权利要求1所述的基于稀疏特性与对抗神经网络相结合的ECG信号处理方法，其特征在于：步骤a)中从MIT-BIH噪声压力测试数据库中分别选择编号为103、105、111、116、122、205、213、219、223、230的噪声记录。

3.根据权利要求1所述的基于稀疏特性与对抗神经网络相结合的ECG信号处理方法，其特征在于：步骤a)中通过将信噪比分别设置为15dB、20dB和25dB在计ECG信号中加入噪声数据v，每种噪声训练样本数量为54000个，测试样本数量为5940个。

4.根据权利要求1所述的基于稀疏特性与对抗神经网络相结合的ECG信号处理方法，其特征在于，步骤c)包括如下步骤：

c-1)通过公式

计算生成网络的损失函数l_g(y,y^*)，式中λ为权重系数，λ＝10^-4，N＝100，y_i为信号y的第i个输入样本，

为信号y^*的第i个输入样本；

c-2)通过公式

计算信号y与原始信号y^*的整体差值l_dist，式中y′_i为降噪后的信号y′的第i个输入样本；

c-3)通过公式l_G＝l_g(y,y^*)+αl_dist+βl_dist-max计算生成器的损失函数l_G，α＝0.7，β＝0.2，l_dist-max为l_dist的最大值。