CN111814656B - 一种基于对抗生成网络的心电信号降噪方法 - Google Patents
一种基于对抗生成网络的心电信号降噪方法 Download PDFInfo
- Publication number
- CN111814656B CN111814656B CN202010637914.4A CN202010637914A CN111814656B CN 111814656 B CN111814656 B CN 111814656B CN 202010637914 A CN202010637914 A CN 202010637914A CN 111814656 B CN111814656 B CN 111814656B
- Authority
- CN
- China
- Prior art keywords
- signal
- original
- convolution
- noise
- layer
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Psychiatry (AREA)
- Heart & Thoracic Surgery (AREA)
- General Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Physiology (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种基于对抗生成网络的心电信号降噪方法,使用条件生成对抗网络,保证了生成数据的方向性,以及降噪后信号与带噪信号的匹配性,提高了模型泛化能力。训练过程中使用不定种噪声混合的数据进行训练,使得模型无需预判就可以针对多种噪声混合的信号进行降噪,简化了方法的复杂程度。同时设计改进型损失函数,在保留CGAN原有损失函数中对抗性的同时,增加了均方根误差和噪声与信号功率比值,均方根误差的增加使得模型可以捕获信号的局部特征,并保持信号有用的医学特征,噪声与信号功率比值的增加使得模型可以捕获信号的全局特征,使训练过程稳定。
Description
技术领域
本发明涉及ECG信号降噪技术领域,具体涉及一种基于对抗生成网络的心电信号降噪方法。
背景技术
心电图是利用心电图机从体表记录心脏每一心动周期所产生的电活动变化图形的技术,是衡量心脏健康状况的重要信号指标。在实际应用过程中,采集到的心电信号往往包含了大量噪声,从而使心电信号精度降低,因此对心电信号进行降噪就成为重要的信号处理工作。
通常情况下,在进行信号降噪的时,会针对不同种类噪声使用不同的方法,如使用中值滤波器去除基线漂移的噪音等。如果在一段心电信号中包含多种噪声,则需要进行预判并将相关方法组合降噪。在实际应用中,信号包含的噪声种类通常并不确定,若不预判对信号进行多种方法组合降噪,心电信号会丢失部分细节影响心电信号质量;而进行预判则会增加方法的复杂程度,限制方法的使用。
发明内容
本发明为了克服以上技术的不足,提供了一种进行心电信号降噪时避免了对心电信号中噪声种类的预判要求,提高降噪灵活性的方法。
本发明克服其技术问题所采用的技术方案是:
一种基于对抗生成网络的心电信号降噪方法,包括如下步骤:
g)通过公式
计算生成器的损失函数式中E为求期望运算,切片后的原始带噪信号服从原始带噪信号分布随机正态分布向量Z服从随机向量分布pZ(Z),为以降噪信号和切片后的原始带噪信号为输入的判别器输出的得分值,n为信号中数据点的个数,xi′为生成信号中的第i个点的值,xi为原始纯净信号中的第i个点的值,i∈n;
通过公式
j)重复步骤h)和步骤i)300-500次;
k)保存模型和参数。
进一步的,步骤a)中在MIT-BIH心率失常库中选择编号分别为103、105、111、116、122、205、213、219、223、230的记录作为原始纯净信号X。
进一步的,步骤a)中电极运动伪影信号以信噪比为0dB,肌电伪差信号以信噪比为1.25dB,基线漂移信号以信噪比为5dB加入原始纯净信号X中。
进一步的,步骤b)中切片处理时切割为采样点数为16384的片段。
进一步的,步骤c)中编码器由十一个卷积块构成,卷积块为包含一个卷积层和一个PReLU的激活函数层的网络模型,其中卷积核的大小均设置为32,步长均设置为2,填充均设置为15,十一个卷积块的维度分别设置为16、32、32、64、64、128、128、256、256、512、1024。
进一步的,步骤e)中解码器由十一个反卷积块构成,其中第一至第十的反卷积块包含一个卷积层和一个PReLU的激活函数层,第十一的反卷积块包含一个卷积层和一个Tanh输出函数层,其中反卷积块的反卷积核的大小均设置为32,步长均设置为2,填充均设置为15,十一个反卷积块的维度分别设置为512、256、256、128、128、64、64、32、32、16、1。
进一步的,步骤f)中判别器包含十二个卷积块、一个全连接层和一个Sigmoid输出层,其中第1个卷积块、第2个卷积块、第4个卷积块、第5个卷积块、第7个卷积块和第8个卷积块由一个卷积层、一个VirtualBatchNorm归一化层和一个LeakyReLU激活函数层组成,第3个卷积块、第6个卷积块和第9个卷积块由一个卷积层、一个dropout层、一个VirtualBatchNorm归一化层和一个LeakyReLU激活函数层组成,其中第一个卷积块至第十一个卷积块的卷积核的大小均为31,第十二个卷积块的卷积核大小为1,第一个卷积块至第十一个卷积块的步长均设置为2,第十二个卷积块的步长设置为1,十二个卷积块的填充均设置为15,十二个卷积块的维度分别设置为32、64、64、128、128、256、256、512、512、1024、2048、1。
进一步的,步骤j)中重复步骤h)和步骤i)300次。
本发明的有益效果是:使用条件生成对抗网络,保证了生成数据的方向性,以及降噪后信号与带噪信号的匹配性,提高了模型泛化能力。训练过程中使用不定种噪声混合的数据进行训练,使得模型无需预判就可以针对多种噪声混合的信号进行降噪,简化了方法的复杂程度。同时设计改进型损失函数,在保留CGAN原有损失函数中对抗性的同时,增加了均方根误差和噪声与信号功率比值,均方根误差的增加使得模型可以捕获信号的局部特征,并保持信号有用的医学特征,噪声与信号功率比值的增加使得模型可以捕获信号的全局特征,使训练过程稳定。
附图说明
图1为本发明的方法流程图;
图2为本发明的判别器的工作流程图;
图3为本发明的训练过程流程图。
具体实施方式
下面结合附图1、附图2、附图3对本发明做进一步说明。
一种基于对抗生成网络的心电信号降噪方法,包括如下步骤:
g)通过公式
计算生成器的损失函数式中E为求期望运算,切片后的原始带噪信号服从原始带噪信号分布随机正态分布向量Z服从随机向量分布pZ(Z),为以降噪信号和切片后的原始带噪信号为输入的判别器输出的得分值,n为信号中数据点的个数,xi′为生成信号中的第i个点的值,xi为原始纯净信号中的第i个点的值,i∈n;
通过公式
j)重复步骤h)和步骤i)300-500次,多次训练达到平衡,训练后的生成器即为所需降噪网络。
k)保存模型和参数,运行结束。
使用条件生成对抗网络,保证了生成数据的方向性,以及降噪后信号与带噪信号的匹配性,提高了模型泛化能力。训练过程中使用不定种噪声混合的数据进行训练,使得模型无需预判就可以针对多种噪声混合的信号进行降噪,简化了方法的复杂程度。同时设计改进型损失函数,在保留CGAN原有损失函数中对抗性的同时,增加了均方根误差和噪声与信号功率比值,均方根误差的增加使得模型可以捕获信号的局部特征,并保持信号有用的医学特征,噪声与信号功率比值的增加使得模型可以捕获信号的全局特征,使训练过程稳定。
优选的,步骤a)中在MIT-BIH心率失常库中选择编号分别为103、105、111、116、122、205、213、219、223、230的记录作为原始纯净信号X。
优选的,步骤a)中电极运动伪影信号以信噪比为0dB,肌电伪差信号以信噪比为1.25dB,基线漂移信号以信噪比为5dB加入原始纯净信号X中。
优选的,步骤b)中切片处理时切割为采样点数为16384的片段。
优选的,步骤c)中编码器由十一个卷积块构成,卷积块为包含一个卷积层和一个PReLU的激活函数层的网络模型,其中卷积核的大小均设置为32,步长均设置为2,填充均设置为15,十一个卷积块的维度分别设置为16、32、32、64、64、128、128、256、256、512、1024。
优选的,步骤e)中解码器由十一个反卷积块构成,其中第一至第十的反卷积块包含一个卷积层和一个PReLU的激活函数层,第十一的反卷积块包含一个卷积层和一个Tanh输出函数层,其中反卷积块的反卷积核的大小均设置为32,步长均设置为2,填充均设置为15,十一个反卷积块的维度分别设置为512、256、256、128、128、64、64、32、32、16、1。
优选的,步骤f)中判别器包含十二个卷积块、一个全连接层和一个Sigmoid输出层,其中第1个卷积块、第2个卷积块、第4个卷积块、第5个卷积块、第7个卷积块和第8个卷积块由一个卷积层、一个VirtualBatchNorm归一化层和一个LeakyReLU激活函数层组成,第3个卷积块、第6个卷积块和第9个卷积块由一个卷积层、一个dropout层、一个VirtualBatchNorm归一化层和一个LeakyReLU激活函数层组成,其中第一个卷积块至第十一个卷积块的卷积核的大小均为31,第十二个卷积块的卷积核大小为1,第一个卷积块至第十一个卷积块的步长均设置为2,第十二个卷积块的步长设置为1,十二个卷积块的填充均设置为15,十二个卷积块的维度分别设置为32、64、64、128、128、256、256、512、512、1024、2048、1。
优选的,步骤j)中重复步骤h)和步骤i)300次。
Claims (8)
1.一种基于对抗生成网络的心电信号降噪方法,其特征在于,包括如下步骤:
g)通过公式
计算生成器的损失函数式中E为求期望运算,切片后的原始带噪信号服从原始带噪信号分布随机正态分布向量Z服从随机向量分布pZ(Z),为以降噪信号和切片后的原始带噪信号为输入的判别器输出的得分值,n为信号中数据点的个数,xi′为生成信号中的第i个点的值,xi为原始纯净信号中的第i个点的值,i∈n;
通过公式
j)重复步骤h)和步骤i)300-500次;
k)保存模型和参数。
2.根据权利要求1所述的基于对抗生成网络的心电信号降噪方法,其特征在于:步骤a)中在MIT-BIH心率失常库中选择编号分别为103、105、111、116、122、205、213、219、223、230的记录作为原始纯净信号X。
3.根据权利要求1所述的基于对抗生成网络的心电信号降噪方法,其特征在于:步骤a)中电极运动伪影信号以信噪比为0dB,肌电伪差信号以信噪比为1.25dB,基线漂移信号以信噪比为5dB加入原始纯净信号X中。
4.根据权利要求1所述的基于对抗生成网络的心电信号降噪方法,其特征在于:步骤b)中切片处理时切割为采样点数为16384的片段。
5.根据权利要求1所述的基于对抗生成网络的心电信号降噪方法,其特征在于:步骤c)中编码器由十一个卷积块构成,卷积块为包含一个卷积层和一个PReLU的激活函数层的网络模型,其中卷积核的大小均设置为32,步长均设置为2,填充均设置为15,十一个卷积块的维度分别设置为16、32、32、64、64、128、128、256、256、512、1024。
6.根据权利要求1所述的基于对抗生成网络的心电信号降噪方法,其特征在于:步骤e)中解码器由十一个反卷积块构成,其中第一至第十的反卷积块包含一个卷积层和一个PReLU的激活函数层,第十一的反卷积块包含一个卷积层和一个Tanh输出函数层,其中反卷积块的反卷积核的大小均设置为32,步长均设置为2,填充均设置为15,十一个反卷积块的维度分别设置为512、256、256、128、128、64、64、32、32、16、1。
7.根据权利要求1所述的基于对抗生成网络的心电信号降噪方法,其特征在于:步骤f)中判别器包含十二个卷积块、一个全连接层和一个Sigmoid输出层,其中第1个卷积块、第2个卷积块、第4个卷积块、第5个卷积块、第7个卷积块和第8个卷积块由一个卷积层、一个VirtualBatchNorm归一化层和一个LeakyReLU激活函数层组成,第3个卷积块、第6个卷积块和第9个卷积块由一个卷积层、一个dropout层、一个VirtualBatchNorm归一化层和一个LeakyReLU激活函数层组成,其中第一个卷积块至第十一个卷积块的卷积核的大小均为31,第十二个卷积块的卷积核大小为1,第一个卷积块至第十一个卷积块的步长均设置为2,第十二个卷积块的步长设置为1,十二个卷积块的填充均设置为15,十二个卷积块的维度分别设置为32、64、64、128、128、256、256、512、512、1024、2048、1。
8.根据权利要求1所述的基于对抗生成网络的心电信号降噪方法,其特征在于:步骤j)中重复步骤h)和步骤i)300次。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010637914.4A CN111814656B (zh) | 2020-07-02 | 2020-07-02 | 一种基于对抗生成网络的心电信号降噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010637914.4A CN111814656B (zh) | 2020-07-02 | 2020-07-02 | 一种基于对抗生成网络的心电信号降噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111814656A CN111814656A (zh) | 2020-10-23 |
CN111814656B true CN111814656B (zh) | 2021-05-04 |
Family
ID=72856100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010637914.4A Active CN111814656B (zh) | 2020-07-02 | 2020-07-02 | 一种基于对抗生成网络的心电信号降噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111814656B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN112807000B (zh) * | 2021-02-04 | 2023-02-28 | 首都师范大学 | 鲁棒性脑电信号的生成方法及装置 |
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 |
CN113935378A (zh) * | 2021-10-14 | 2022-01-14 | 山东省人工智能研究院 | 一种基于对抗性深度全卷积网络的ecg降噪方法 |
CN114129171B (zh) * | 2021-12-01 | 2022-06-03 | 山东省人工智能研究院 | 一种基于改进的残差密集网络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 |
CN114781446B (zh) * | 2022-04-11 | 2022-12-09 | 山东省人工智能研究院 | 一种基于hin网络和梯度差损失的心电信号降噪方法 |
CN115470827B (zh) * | 2022-09-23 | 2023-06-20 | 山东省人工智能研究院 | 基于自监督学习和孪生网络的对抗性心电信号降噪方法 |
CN115392325B (zh) * | 2022-10-26 | 2023-08-18 | 中国人民解放军国防科技大学 | 一种基于CycleGan的多特征降噪调制识别方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019077414A1 (en) * | 2017-10-20 | 2019-04-25 | Analytics For Life Inc. | METHODS AND SYSTEMS FOR DEBRISING MAGNETIC FIELD-BASED SENSOR DATA FROM ELECTROPHYSIOLOGICAL SIGNALS |
CN109784242B (zh) * | 2018-12-31 | 2022-10-25 | 陕西师范大学 | 基于一维残差卷积神经网络的脑电信号去噪方法 |
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 |
CN110223254A (zh) * | 2019-06-10 | 2019-09-10 | 大连民族大学 | 一种基于对抗生成网络的图像去噪方法 |
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 |
CN111067507B (zh) * | 2019-12-26 | 2021-11-26 | 常熟理工学院 | 基于生成对抗网络和策略梯度的心电信号去噪方法 |
-
2020
- 2020-07-02 CN CN202010637914.4A patent/CN111814656B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111814656A (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111814656B (zh) | 一种基于对抗生成网络的心电信号降噪方法 | |
CN108444709B (zh) | VMD与FastICA相结合的滚动轴承故障诊断方法 | |
CN109394205B (zh) | 一种基于深度神经网络的心电信号分析方法 | |
CN110840445B (zh) | 一种动态心电信号的自动降噪方法 | |
CN110141215B (zh) | 降噪自编码器的训练方法、心电信号的降噪方法及相关装置、设备 | |
CN114129171B (zh) | 一种基于改进的残差密集网络的心电信号降噪方法 | |
CN111067507B (zh) | 基于生成对抗网络和策略梯度的心电信号去噪方法 | |
CN112329609A (zh) | 基于2d心拍的特征融合迁移学习心律失常分类系统 | |
CN108618773A (zh) | 一种心电信号去噪方法、装置和一种心电信号采集设备 | |
JP2015512293A (ja) | Ecgモニタリングのためのシステムおよび方法 | |
CN113723171A (zh) | 基于残差生成对抗网络的脑电信号去噪方法 | |
CN114648048B (zh) | 基于变分自编码和PixelCNN模型的心电信号降噪方法 | |
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 | |
CN115153588B (zh) | 融合密集残差和注意力机制的脑电时空去噪方法 | |
CN113317798A (zh) | 一种基于深度学习的心电压缩感知重构系统 | |
CN111493821B (zh) | 一种基于modwt及中值滤波的ppg信号实时去噪方法 | |
CN113702666A (zh) | 一种光纤陀螺惯性测量单元信号联合降噪方法 | |
CN116645283A (zh) | 基于自监督感知损失多尺度卷积神经网络的低剂量ct图像去噪方法 | |
CN116720056A (zh) | 一种基于增强解码的ae-gan的ecg信号重建方法 | |
CN111582205B (zh) | 一种基于多分辨率奇异值分解模型的降噪方法 | |
CN116942172A (zh) | 一种基于编解码结构的小波双通道单导联心电去噪方法 | |
Sheu et al. | Lightweight denoising autoencoder design for noise removal in electrocardiography | |
CN113408697B (zh) | 一种基于强化学习自编码器的脑电数据重建方法 | |
CN114171044A (zh) | 基于时域全卷积深度神经网络电子听诊器自适应消噪方法 | |
CN113065418A (zh) | 一种基于ssa-wdcnn的滚动轴承故障诊断方法 |
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 |