CN112487914B - 一种基于深度卷积生成对抗网络的ecg降噪方法 - Google Patents

一种基于深度卷积生成对抗网络的ecg降噪方法 Download PDF

Info

Publication number
CN112487914B
CN112487914B CN202011335304.5A CN202011335304A CN112487914B CN 112487914 B CN112487914 B CN 112487914B CN 202011335304 A CN202011335304 A CN 202011335304A CN 112487914 B CN112487914 B CN 112487914B
Authority
CN
China
Prior art keywords
noise
network
signal
layer
convolution
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
Application number
CN202011335304.5A
Other languages
English (en)
Other versions
CN112487914A (zh
Inventor
王英龙
徐冰鑫
舒明雷
刘瑞霞
陈超
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 Institute of Artificial Intelligence
Original Assignee
Shandong Institute of Artificial Intelligence
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 Institute of Artificial Intelligence filed Critical Shandong Institute of Artificial Intelligence
Priority to CN202011335304.5A priority Critical patent/CN112487914B/zh
Publication of CN112487914A publication Critical patent/CN112487914A/zh
Application granted granted Critical
Publication of CN112487914B publication Critical patent/CN112487914B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

一种基于深度卷积生成对抗网络的ECG降噪方法，改进原有的对抗网络结构，加入了二维卷积与反卷积网络结构，加速训练过程的同时，提高网络优化稳定性，较之一般网络具有更强的泛化能力，在特征层归一化方面进行了批处理操作，便于调整隐藏中的数据分布，使得网络更易于被训练，针对对抗神经网络自身训练过程十分不稳定的缺陷，通过在判别器的损失函数中加入了梯度惩罚，极大程度地减小训练过程中梯度爆炸和弥散的可能性，从而提高网络优化稳定性，使用改进后的损失函数，使损失函数效果更佳。

Description

一种基于深度卷积生成对抗网络的ECG降噪方法
技术领域
本发明涉及心电信号处理降噪技术领域，具体涉及一种基于深度卷积生成对抗网络的ECG降噪方法。
背景技术
ECG的应用面临着挑战，如信号非平稳、非线性，诊断情况复杂，其中包含噪声多，可用性低，信号波形复杂，含有多种不同幅值的波形，细微的波动都会影响疾病判断等问题。对其解决的方案目前最为常用的就是对采集到的信号进行降噪预处理增加其可用性，对信号采集时间长，样本数量多的进行数据预处理和降低数据复杂度。就目前的研究而言，现有的降噪方法取得了令人满意的成果，但现有的降噪方法还存在两方面不足：一是现有的去噪方法功能的单一性，对各种噪声的适应性不够好。二是现有的去噪方法在降噪过程中易将病理信息当作噪声处理，可能会丢失大量的有用信息，降噪网络对心电信号的局部相关性和全局相关性考虑不够全面，易引起信号失真。
发明内容
本发明为了克服以上技术的不足，提供了一种根据对抗网络具有学习输入与输出之间差异的能力，用对抗方法搭建基于深度卷积生成对抗网络的ECG降噪方法。本发明克服其技术问题所采用的技术方案是：
一种基于深度卷积生成对抗网络的ECG降噪方法，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N；
b)将一维心电信号转换为二维数据，利用卷积对抗网络的对抗训练完成心电信号降噪；
c)通过深度卷积对抗网络学习方法将步骤b)中卷积对抗网络中的生成网络模型进行训练，利用训练后的生成网络，输出降噪后的心电信号；
d)计算深度卷积对抗网络中的判别器的损失函数LD；
e)当判别网络和生成网络的损失函数竖直趋于纳什平衡时，保存网络模型；
f)利用步骤e)中的网络模型对步骤a)中的噪声数据N进行降噪处理。
进一步的，步骤a)包括如下步骤：
a-1)从MIT-BIH噪声压力测试数据库中选用10组原始心电信号数据，每组数据是2*650000个数据点，以每个心电周期采样310个点对选择的10组原始心电信号数据进行划分样本，每组样本数据采样出1998个样本；
a-2)在划分的原始心电信号中加入信噪比为0dB、1.25dB和50dB的EM、BM、MA噪声数据N，每条心电信号构造噪声训练样本数量为5400个，测试样本数量为594个。
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-2)中依次加入单噪声、双噪声和三噪声，单噪声为EM噪声或BW噪声或MA噪声，双噪声为EM噪声加MA噪声或BW噪声加MA噪声或BW噪声加EM噪声，三噪声为EM噪声加MA噪声加BW噪声。
进一步的，步骤b)包括如下步骤：
b-1)利用公式X＝S+N计算得到含噪声的信号X，式中S为干净的心电信号，利用X＝(x1,x2,...,xk)，S＝(s1,s2,...,sk)，N＝(n1,n2,...,nk)表示心电信号的一维的信号，其中xi为第i个含噪信号，si为第i个干净的心电信号，ni为第i个噪声信号，k为样本的长度，1≤i≤k，k＝310；
b-2)通过公式G(X)＝S′→S＝X-N计算得到降噪后的心电信号G(X)，S′为卷积对抗网络的生成器生成的信号，S′＝(s1′,s2′,...,sk′)；
b-3)将一维的信号进行空间投影重构，用二维数据表示，通过公式G(Z)＝S′→S＝X-N计算得到二维重构的降噪后的心电信号G(Z)；
b-4)在卷积对抗网络的生成网络中，将一维的信号经过重构层转化为二维的矩阵数据，在第一个卷积层中，卷积核为10，尺寸为(3,2)，步长为(2,1)，padding设置为valid，在BN层进行数据的归一化，激活函数使用Leaky Relu，第二个卷积层中卷积层核为20，尺寸为(2,2)，步长为(2,1)，padding设置为same，激活函数使用Leaky Relu，在BN层进行批归一化，第一个反卷积层卷积核设为20，尺寸为(2,2)，步长为(2,1)，padding设置为same，在BN层进行批归一化，激活函数使用Relu，第二个卷积层以上一层卷积输出为输入，设置卷积核为10，尺寸为(4,2)，步长为(2,1)，padding设置为valid，在BN层进行批归一化，激活函数使用tanh，数据还原回62*5维，生成器返回降噪处理后的心电信号G(X)；
b-5)在卷积对抗网络的判别网络中，第一个卷积层输入原始干净信号S和降噪后的心电信号G(Z)，卷积核为10，尺寸为(3,3)，步长为(2,2)，padding设置为same，在LN层进行层归一化，激活函数使用Leaky Relu，第二个卷积层以第一层卷积层的输出为输入，卷积核设置为10，尺寸为(3,3)，步长为(2,2)，padding设置为same，在LN层进行层归一化，激活函数使用Leaky Relu，全连接层以第二层的卷积输出为输入，输出降噪信号质量判别的D(r)和D(f)，D(r)为判别器输入干净样本后的逻辑判断值，D(f)为判别器输入降噪样本后的逻辑判断值。
进一步的，步骤c)包括如下步骤：
c-1)卷积对抗网络中的生成网络模型进行训练时加入WGAN的梯度clip限制，限制为[-0.01,0.01]；
c-2)训练生成网络模型的网络结构时，设置D_iter＝5，当epoch＝epoch_max时输入噪声数据N，保存经过生成器输出的降噪信号；
c-3)通过公式LG＝LGoriginal+αLdist+βLdist-max计算生成器的损失函数LG，式中α＝0.5，β＝0.3，LGoriginal为生成器的原始损失函数，LGoriginal＝log(1-D(G(X)))，D(G(X))为判别网络判别G(X)信号是来自于原始干净信号而不是生成去噪后的信号的概率，Ldist为生成信号与原始信号之间的整体差异，
Figure BDA0002796452100000041
Ldist-max为生成信号与原始干净信号之间最大差异值来表示局部差异，Ldist-max＝max(|s1′-s1|,|s2′-s2|,...,|sk′-sk|)。
进一步的，步骤d)中通过公式LD＝LDoriginal+λGP计算深度卷积对抗网络中的判别器的损失函数LD，λ＝10，
Figure BDA0002796452100000042
式中
Figure BDA0002796452100000043
为生成样本和原始数据之间的随机样本，
Figure BDA0002796452100000044
式中D(S)为判别器得出信号S是原始干净信号的概率值。
本发明的有益效果是：改进原有的对抗网络结构，加入了二维卷积与反卷积网络结构，加速训练过程的同时，提高网络优化稳定性，较之一般网络具有更强的泛化能力，在特征层归一化方面进行了批处理操作，便于调整隐藏中的数据分布，使得网络更易于被训练，针对对抗神经网络自身训练过程十分不稳定的缺陷，通过在判别器的损失函数中加入了梯度惩罚，极大程度地减小训练过程中梯度爆炸和弥散的可能性，从而提高网络优化稳定性，使用改进后的损失函数，使损失函数效果更佳。
附图说明
图1为本发明的系统结构框架图。
具体实施方式
下面结合附图1对本发明做进一步说明。
一种基于深度卷积生成对抗网络的ECG降噪方法，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N；
b)将一维心电信号转换为二维数据，利用卷积对抗网络的对抗训练完成心电信号降噪；
c)通过深度卷积对抗网络学习方法将步骤b)中卷积对抗网络中的生成网络模型进行训练，利用训练后的生成网络，输出降噪后的心电信号；
d)计算深度卷积对抗网络中的判别器的损失函数LD；
e)当判别网络和生成网络的损失函数竖直趋于纳什平衡时，保存网络模型；
f)利用步骤e)中的网络模型对步骤a)中的噪声数据N进行降噪处理。
改进原有的对抗网络结构，加入了二维卷积与反卷积网络结构，加速训练过程的同时，提高网络优化稳定性，较之一般网络具有更强的泛化能力，在特征层归一化方面进行了批处理操作，便于调整隐藏中的数据分布，使得网络更易于被训练，针对对抗神经网络自身训练过程十分不稳定的缺陷，通过在判别器的损失函数中加入了梯度惩罚，极大程度地减小训练过程中梯度爆炸和弥散的可能性，从而提高网络优化稳定性，使用改进后的损失函数，使损失函数效果更佳。
进一步的，步骤a)包括如下步骤：
a-1)从MIT-BIH噪声压力测试数据库中选用10组原始心电信号数据，每组数据是2*650000个数据点，以每个心电周期采样310个点对选择的10组原始心电信号数据进行划分样本，每组样本数据采样出1998个样本；
a-2)在划分的原始心电信号中加入信噪比为0dB、1.25dB和50dB的EM、BM、MA噪声数据N，每条心电信号构造噪声训练样本数量为5400个，测试样本数量为594个。
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-2)中依次加入单噪声、双噪声和三噪声，单噪声为EM噪声或BW噪声或MA噪声，双噪声为EM噪声加MA噪声或BW噪声加MA噪声或BW噪声加EM噪声，三噪声为EM噪声加MA噪声加BW噪声。
进一步的，步骤b)包括如下步骤：
b-1)利用公式X＝S+N计算得到含噪声的信号X，式中S为干净的心电信号，利用X＝(x1,x2,...,xk)，S＝(s1,s2,...,sk)，N＝(n1,n2,...,nk)表示心电信号的一维的信号，其中xi为第i个含噪信号，si为第i个干净的心电信号，ni为第i个噪声信号，k为样本的长度，1≤i≤k，k＝310；
b-2)通过公式G(X)＝S′→S＝X-N计算得到降噪后的心电信号G(X)，S′为卷积对抗网络的生成器生成的信号，S′＝(s1′,s2′,...,sk′)；
b-3)将一维的信号进行空间投影重构，用二维数据表示，通过公式G(Z)＝S′→S＝X-N计算得到二维重构的降噪后的心电信号G(Z)；
b-4)在卷积对抗网络的生成网络中，将一维的信号经过重构层转化为二维的矩阵数据，在第一个卷积层中，卷积核为10，尺寸为(3,2)，步长为(2,1)，padding设置为valid，在BN层进行数据的归一化，激活函数使用Leaky Relu，第二个卷积层中卷积层核为20，尺寸为(2,2)，步长为(2,1)，padding设置为same，激活函数使用Leaky Relu，在BN层进行批归一化，第一个反卷积层卷积核设为20，尺寸为(2,2)，步长为(2,1)，padding设置为same，在BN层进行批归一化，激活函数使用Relu，第二个卷积层以上一层卷积输出为输入，设置卷积核为10，尺寸为(4,2)，步长为(2,1)，padding设置为valid，在BN层进行批归一化，激活函数使用tanh，数据还原回62*5维，生成器返回降噪处理后的心电信号G(X)；
b-5)在卷积对抗网络的判别网络中，第一个卷积层输入原始干净信号S和降噪后的心电信号G(Z)，卷积核为10，尺寸为(3,3)，步长为(2,2)，padding设置为same，在LN层进行层归一化，激活函数使用Leaky Relu，第二个卷积层以第一层卷积层的输出为输入，卷积核设置为10，尺寸为(3,3)，步长为(2,2)，padding设置为same，在LN层进行层归一化，激活函数使用Leaky Relu，全连接层以第二层的卷积输出为输入，输出降噪信号质量判别的D(r)和D(f)，D(r)为判别器输入干净样本后的逻辑判断值，D(f)为判别器输入降噪样本后的逻辑判断值。
进一步的，步骤c)包括如下步骤：
c-1)卷积对抗网络中的生成网络模型进行训练时加入WGAN的梯度clip限制，限制为[-0.01,0.01]；
c-2)训练生成网络模型的网络结构时，设置D_iter＝5，当epoch＝epoch_max时输入噪声数据N，保存经过生成器输出的降噪信号；
c-3)通过公式LG＝LGoriginal+αLdist+βLdist-max计算生成器的损失函数LG，式中α＝0.5，β＝0.3，LGoriginal为生成器的原始损失函数，LGoriginal＝log(1-D(G(X)))，D(G(X))为判别网络判别G(X)信号是来自于原始干净信号而不是生成去噪后的信号的概率，Ldist为生成信号与原始信号之间的整体差异，
Figure BDA0002796452100000071
Ldist-max为生成信号与原始干净信号之间最大差异值来表示局部差异，Ldist-max＝max(|s1′-s1|,|s2′-s2|,...,|sk′-sk|)。
进一步的，步骤d)中通过公式LD＝LDoriginal+λGP计算深度卷积对抗网络中的判别器的损失函数LD，λ＝10，
Figure BDA0002796452100000072
式中
Figure BDA0002796452100000073
为生成样本和原始数据之间的随机样本，
Figure BDA0002796452100000074
式中D(S)为判别器得出信号S是原始干净信号的概率值。

Claims (6)

1.一种基于深度卷积生成对抗网络的ECG降噪方法，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N；
b)将一维心电信号转换为二维数据，利用卷积对抗网络的对抗训练完成心电信号降噪；
c)通过深度卷积对抗网络学习方法将步骤b)中卷积对抗网络中的生成网络模型进行训练，利用训练后的生成网络，输出降噪后的心电信号；
d)计算深度卷积对抗网络中的判别器的损失函数LD；
e)当判别网络和生成网络的损失函数竖直趋于纳什平衡时，保存网络模型；
f)利用步骤e)中的网络模型对步骤a)中的噪声数据N进行降噪处理；
步骤b)包括如下步骤：
b-1)利用公式X＝S+N计算得到含噪声的信号X，式中S为干净的心电信号，利用X＝(x1,x2,...,xk)，S＝(s1,s2,...,sk)，N＝(n1,n2,…,nk)表示心电信号的一维的信号，其中xi为第i个含噪信号，si为第i个干净的心电信号，ni为第i个噪声信号，k为样本的长度，1≤i≤k，k＝310；
b-2)通过公式G(X)＝S′→S＝X-N计算得到降噪后的心电信号G(X)，S′为卷积对抗网络的生成器生成的信号，S′＝(s1′,s2′,…,sk′)；
b-3)将一维的信号进行空间投影重构，用二维数据表示，通过公式G(Z)＝S′→S＝X-N计算得到二维重构的降噪后的心电信号G(Z)；
b-4)在卷积对抗网络的生成网络中，将一维的信号经过重构层转化为二维的矩阵数据，在第一个卷积层中，卷积核为10，尺寸为(3,2)，步长为(2,1)，padding设置为valid，在BN层进行数据的归一化，激活函数使用Leaky Relu，第二个卷积层中卷积层核为20，尺寸为(2,2)，步长为(2,1)，padding设置为same，激活函数使用Leaky Relu，在BN层进行批归一化，第一个反卷积层卷积核设为20，尺寸为(2,2)，步长为(2,1)，padding设置为same，在BN层进行批归一化，激活函数使用Relu，第二个卷积层以上一层卷积输出为输入，设置卷积核为10，尺寸为(4,2)，步长为(2,1)，padding设置为valid，在BN层进行批归一化，激活函数使用tanh，数据还原回62*5维，生成器返回降噪处理后的心电信号G(X)；
b-5)在卷积对抗网络的判别网络中，第一个卷积层输入原始干净信号S和降噪后的心电信号G(Z)，卷积核为10，尺寸为(3,3)，步长为(2,2)，padding设置为same，在LN层进行层归一化，激活函数使用Leaky Relu，第二个卷积层以第一层卷积层的输出为输入，卷积核设置为10，尺寸为(3,3)，步长为(2,2)，padding设置为same，在LN层进行层归一化，激活函数使用Leaky Relu，全连接层以第二层的卷积输出为输入，输出降噪信号质量判别的D(r)和D(f)，D(r)为判别器输入干净样本后的逻辑判断值，D(f)为判别器输入降噪样本后的逻辑判断值。
2.根据权利要求1所述的基于深度卷积生成对抗网络的ECG降噪方法，其特征在于，步骤a)包括如下步骤：
a-1)从MIT-BIH噪声压力测试数据库中选用10组原始心电信号数据，每组数据是2*650000个数据点，以每个心电周期采样310个点对选择的10组原始心电信号数据进行划分样本，每组样本数据采样出1998个样本；
a-2)在划分的原始心电信号中加入信噪比为0dB、1.25dB和50dB的EM、BM、MA噪声数据N，每条心电信号构造噪声训练样本数量为5400个，测试样本数量为594个。
3.根据权利要求2所述的基于深度卷积生成对抗网络的ECG降噪方法，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。
4.根据权利要求2所述的基于深度卷积生成对抗网络的ECG降噪方法，其特征在于：步骤a-2)中依次加入单噪声、双噪声和三噪声，单噪声为EM噪声或BW噪声或MA噪声，双噪声为EM噪声加MA噪声或BW噪声加MA噪声或BW噪声加EM噪声，三噪声为EM噪声加MA噪声加BW噪声。
5.根据权利要求1所述的基于深度卷积生成对抗网络的ECG降噪方法，其特征在于，步骤c)包括如下步骤：
c-1)卷积对抗网络中的生成网络模型进行训练时加入WGAN的梯度clip限制，限制为[-0.01,0.01]；
c-2)训练生成网络模型的网络结构时，设置D_iter＝5，当epoch＝epoch_max时输入噪声数据N，保存经过生成器输出的降噪信号；
c-3)通过公式LG＝LGoriginal+αLdist+βLdist-max计算生成器的损失函数LG，式中α＝0.5，β＝0.3，LGoriginal为生成器的原始损失函数，LGoriginal＝log(1-D(G(X)))，D(G(X))为判别网络判别G(X)信号是来自于原始干净信号而不是生成去噪后的信号的概率，Ldist为生成信号与原始信号之间的整体差异，
Figure FDA0003121002530000031
Ldist-max为生成信号与原始干净信号之间最大差异值来表示局部差异，Ldist-max＝max(|s1′-s1|,|s2′-s2|,…,|sk′-sk|)。
6.根据权利要求5所述的基于深度卷积生成对抗网络的ECG降噪方法，其特征在于：步骤d)中通过公式LD＝LDoriginal+λGP计算深度卷积对抗网络中的判别器的损失函数LD，λ＝10，
Figure FDA0003121002530000032
式中
Figure FDA0003121002530000033
为生成样本和原始数据之间的随机样本，
Figure FDA0003121002530000034
式中D(S)为判别器得出信号S是原始干净信号的概率值。
CN202011335304.5A 2020-11-25 2020-11-25 一种基于深度卷积生成对抗网络的ecg降噪方法 Active CN112487914B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011335304.5A CN112487914B (zh) 2020-11-25 2020-11-25 一种基于深度卷积生成对抗网络的ecg降噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011335304.5A CN112487914B (zh) 2020-11-25 2020-11-25 一种基于深度卷积生成对抗网络的ecg降噪方法

Publications (2)

Publication Number Publication Date
CN112487914A CN112487914A (zh) 2021-03-12
CN112487914B true CN112487914B (zh) 2021-08-31

Family

ID=74934090

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011335304.5A Active CN112487914B (zh) 2020-11-25 2020-11-25 一种基于深度卷积生成对抗网络的ecg降噪方法

Country Status (1)

Country Link
CN (1) CN112487914B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114781445B (zh) * 2022-04-11 2022-11-18 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
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
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

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017072250A1 (en) * 2015-10-27 2017-05-04 CardioLogs Technologies An automatic method to delineate or categorize an electrocardiogram
CN108492258A (zh) * 2018-01-17 2018-09-04 天津大学 一种基于生成对抗网络的雷达图像去噪方法
CN108806708A (zh) * 2018-06-13 2018-11-13 中国电子科技集团公司第三研究所 基于计算听觉场景分析和生成对抗网络模型的语音降噪方法
CN109890043A (zh) * 2019-02-28 2019-06-14 浙江工业大学 一种基于生成式对抗网络的无线信号降噪方法
CN110495877A (zh) * 2019-08-21 2019-11-26 中国科学院深圳先进技术研究院 一种基于ecg的多尺度特征提取方法及装置
CN110840445A (zh) * 2019-12-12 2020-02-28 山东省计算中心（国家超级计算济南中心） 一种动态心电信号的自动降噪方法
CN111067507A (zh) * 2019-12-26 2020-04-28 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
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
CN111814656A (zh) * 2020-07-02 2020-10-23 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

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11138770B2 (en) * 2017-11-06 2021-10-05 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for medical imaging
CN110473154B (zh) * 2019-07-31 2021-11-16 西安理工大学 一种基于生成对抗网络的图像去噪方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017072250A1 (en) * 2015-10-27 2017-05-04 CardioLogs Technologies An automatic method to delineate or categorize an electrocardiogram
CN108492258A (zh) * 2018-01-17 2018-09-04 天津大学 一种基于生成对抗网络的雷达图像去噪方法
CN108806708A (zh) * 2018-06-13 2018-11-13 中国电子科技集团公司第三研究所 基于计算听觉场景分析和生成对抗网络模型的语音降噪方法
CN109890043A (zh) * 2019-02-28 2019-06-14 浙江工业大学 一种基于生成式对抗网络的无线信号降噪方法
CN110495877A (zh) * 2019-08-21 2019-11-26 中国科学院深圳先进技术研究院 一种基于ecg的多尺度特征提取方法及装置
CN110840445A (zh) * 2019-12-12 2020-02-28 山东省计算中心（国家超级计算济南中心） 一种动态心电信号的自动降噪方法
CN111067507A (zh) * 2019-12-26 2020-04-28 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
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
CN111814656A (zh) * 2020-07-02 2020-10-23 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

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
A multi-stage denoising framework for ambulatory ECG signal based on domain knowledge and motion artifact detection;Xiaoyun Xie et al.;《Future Generation Computer Systems》;20201031;第103-116页 *
Adversarial de-noising of electrocardiogram;Jilong Wang et al.;《Neurocomputing》;20190411;第212-224页 *
Improved Training of Wasserstein GANs;Ishaan Gulrajani et al.;《arXiv》;20171225;第4页 *
Noise Reduction in ECG Signals Using Fully Convolutional Denoising Autoencoders;HSIN-TIEN CHIANG et al.;《IEEE Access》;20190521;第60806-60813页 *
Wasserstein GAN;Martin Arjovsky et al.;《arXiv》;20171206;第1-32页 *
小波阈值降噪法在心电信号处理中的应用;徐冰鑫;《科技创新与应用》;20200914;第180-181页 *

Also Published As

Publication number Publication date
CN112487914A (zh) 2021-03-12

Similar Documents

Publication Publication Date Title
CN112487914B (zh) 一种基于深度卷积生成对抗网络的ecg降噪方法
CN112396110B (zh) 一种基于生成对抗级联网络增广图像的方法
CN112348936B (zh) 一种基于深度学习的低剂量锥束ct图像重建方法
CN111951344B (zh) 一种基于级联并行卷积网络的磁共振图像重建方法
CN113723171B (zh) 基于残差生成对抗网络的脑电信号去噪方法
CN113376600B (zh) 一种基于RSDNet的行人雷达回波去噪方法
CN109523486A (zh) 噪声环境下基于鲁棒压缩感知的多通道脑电信号重构方法
CN114446314A (zh) 一种深度生成对抗网络的语音增强方法
CN111353935A (zh) 基于深度学习的磁共振成像优化方法及其设备
CN114998160B (zh) 一种并行多尺度特征融合的卷积神经网络去噪方法
CN114913262B (zh) 采样模式与重建算法联合优化的核磁共振成像方法及系统
CN112234994A (zh) 压缩感知重建信号处理方法、系统、计算机设备及应用
CN116863024A (zh) 一种磁共振图像重建方法、系统、电子设备及存储介质
CN113951899B (zh) 一种脑源活动高分辨率重构系统及方法
CN111798531B (zh) 一种应用于植株监测的图像深度卷积压缩感知重构方法
CN117726540A (zh) 一种增强门控Transformer的图像去噪方法
CN116027406B (zh) 提高反演分辨率的多道同时反演识别方法、装置及介质
CN105676156A (zh) 一种基于多通道协作编码的磁共振成像重建方法和装置
CN114998137A (zh) 一种基于生成对抗网络的探地雷达图像杂波抑制方法
CN114400018A (zh) 语音降噪方法、装置、电子设备及计算机可读存储介质
Zhu et al. Using Hybrid Penalty and Gated Linear Units to Improve Wasserstein Generative Adversarial Networks for Single-Channel Speech Enhancement.
Yuan et al. The application of plug-and-play ADMM framework and BM3D denoiser for compressed sensing MR image reconstruction
CN116777793A (zh) 基于对数引导对比学习的医学影像提示去噪技术
CN118427521A (zh) 一种信号去噪方法及系统
CN118247167A (zh) 一种基于扩散模型的磁共振图像去噪方法及系统

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