CN113616213B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113616213B CN113616213B CN202110860939.5A CN202110860939A CN113616213B CN 113616213 B CN113616213 B CN 113616213B CN 202110860939 A CN202110860939 A CN 202110860939A CN 113616213 B CN113616213 B CN 113616213B
- Authority
- CN
- China
- Prior art keywords
- imf
- formula
- neural network
- components
- electrocardiosignal
- 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
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明涉及一种基于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,本发明通过向原始信号添加高斯白噪声的方法解决了EMD分解方法中重构信号含有残余噪声的问题,通过BP神经网络模型来评估IMF分量中信号与噪声的比重并将其分类,克服了传统IMF分量分类方法指标单一的缺点,能够更准确地区分哪些分量需要进一步去噪,哪些分量可以直接用于信号重构,哪些信号需要舍弃,保证了噪声去除的同时有用信号不丢失,进而使得重构后的信号更加准确。
Description
技术领域
本发明属于生物信号处理技术领域,尤其涉及一种心电信号处理的方法、设备及存储介质。
背景技术
心电信号作为人体最重要的生理信号之一,包含着大量的信息,在情绪识别、生物医疗等领域有着极其广泛的应用。然而,心电信号是十分微弱的信号,在测量过程中难免伴随着噪声的出现,这使得原本微弱的信号更加难以测量。
传统处理心电信号的方法有FIR滤波法、自适应滤波法、小波滤波法等,然而这些方法局部滤波效果差,有时由于设置的不合理,难免会使有用信号被去除。
经验模态分解(EMD)方法是由Huang等人提出的一种信号分解方法,目前已经应用于各个领域。它可以将信号分解为有限个本征模态分量(IMF),频率由高到低排列下来,我们可以根据所研究信号的特点和需求,把不符合信号特征的分量去除,对符合信号特征的其他分量进行处理,将最终剩余的分量进行叠加重构,从而获得去噪后的信号。
EMD分解法最关键的一步就是IMF分量的选取。常规EMD分解方法中IMF分量的选取有很多种,且目前没有一个统一的标准。传统的选取方法主要依赖人的主观经验,按照IMF分量的频率,是直接认为高频IMF分量中主要包含噪声信号,而低频IMF分量主要包含有用信号,直接舍弃高频分量将剩余分量进行重构。但一般情况下,高频IMF分量中还是包含部分有用信号,直接对其进行舍弃会导致有用信号丢失,使得重构信号不准确。后续改进的方法是通过计算IMF分量的样本熵来确定信号的复杂性,样本熵越大代表信号越复杂,则其中含有的噪声越多,计算样本熵的方法虽然有明确的评价指标,但是指标过于单一,最终结果可能并不准确。还有一种方法是计算IMF分量与原信号的相关系数,画出相关系数分布图,通过观察相关系数分布图中的突变点来确定信号的类别。这种方法准确率较高,但是工作量太大且效率低下,难免出现误差,导致IMF分量的分类失误,最终重构的信号不准确。
发明内容
针对现有技术的不足,本发明提出了一种改进的心电信号处理方法,是一种BP神经网络、改进的经验模态分解法(EMD)、小波阈值法融合的技术。
本发明通过向原信号中添加高斯白噪声的方法消除EMD分解后重构信号中残留噪声的问题,采用EMD分解完成对原信号的分解,计算各个IMF分量的特征参数以及类别训练BP神经网络模型,通过BP神经网络模型对待分类IMF分量分类,通过小波阈值法对含噪IMF分量去噪,最终将有效的IMF分量重构获得去噪后的心电信号。对于IMF分量的选取,本发明参考多个指标,准确率高,通过神经网络分类,大大提高了效率,且最终去噪效果好。
本发明还提供了一种计算机设备及存储介质。
术语解释:
MIT-BIH数据库,是麻省理工学院提供的研究心律失常的数据库,是国际公认的可以作为标准的ECG数据库。
本发明的技术方案为:
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,包括步骤如下:
S1:从MIT-BIH数据库中选取若干个心电信号样本;
S2:使用改进的EMD方法对所有心电信号做分解,每一个心电信号分解为若干个IMF分量,并将同一个心电信号分解得到的IMF分量标记为一组,将最终得到的IMF分量随机分为两大组,数目较多的一大组作为训练集,剩余的IMF分量作为测试集;
S3:计算每个IMF分量与分解前对应的心电信号的相关系数,并画出相关系数分布图,根据相关系数,将这些IMF分量分为噪声主导、信号主导、无效分量三个类别,符号分别为IMF噪声,IMF信号,IMF无效;
S4:计算IMF分量的五个特征参数,包括裕度因数、峰态系数、基线能量比值、QRS能量比值、峰均比;
S5:构建并训练BP神经网络模型;
S6:用训练完成的BP神经网络模型对IMF分量进行分类,信号主导的IMF分量予以保留,无效分量直接舍弃,标签为噪声主导的分量进行下一步阈值去噪;
S7:采用小波阈值法对噪声主导的分量进行进一步去噪,记作IMF去噪;
S8:将去噪完的噪声主导分量与之前保留的心电信号主导分量相加,重构心电信号。
根据本发明优选的,步骤S2中,改进EMD方法如下:
S21:在步骤S1获取的心电信号中加入幅度分布服从高斯分布、功率谱密度分布服从均匀分布的噪声;
S22:对步骤S21加噪后的心电信号分解,得到第一个IMF分量,按照噪声强度逐渐递减的原则,加入m种噪声强度不同的步骤S21所述的噪声,直到完成m次EMD分解,EMD分解的公式如式(Ⅰ)所示:
式(Ⅰ)中,d(n)为原始心电信号,IMFk(n)为分解后的第k个IMF分量,ak(n)为经过第k次分解后信号的余项。
根据本发明优选的,步骤S3中,IMF分量分类方法如下:
S31:计算每一个IMF分量与原始信号即分解前对应的心电信号的相关系数ρxy,计算公式如式(Ⅱ)所示:
式(Ⅱ)中,x(i)为待计算相关系数的信号,y(i)为原始信号;
S32:画出相关系数分布图;相关系数分布图中,横坐标为IMF分量,纵坐标为IMF分量对应的相关系数;
S33:相关系数分布图中共有n个点,记作1~n,对应的IMF分量记作IMF1~IMFn,找出相关系数分布图中的第一个转折点并记作P,此点对应的IMF分量记作IMFP,IMF1到IMFP之间的所有IMF分量都记作噪声主导的分量,后续需要进一步去噪;再从IMFP到IMFn之间的IMF分量中找到相关系数小于0.15的IMF分量,记作无效分量并去除,剩余的分量记作信号主导的分量。
根据本发明优选的,步骤S4中,裕度因数是用来反映信号承受干扰能力的统计量,裕度因数越大,说明有用信息所占的比重越大,受到干扰的程度就越小,用t1来表示裕度因数,裕度因数的计算公式如式(Ⅲ)所示:
式(Ⅲ)中,xp为峰值,xi为第i个信号采样值,n为采样点的个数。
根据本发明优选的,步骤S4中,峰态系数是用来表示数据曲线顶端陡峭程度的物理量;一个干净完好的心电信号其峰态系数大于5,而如果存在肌电干扰、基线漂移、工频干扰或者高斯分布的随机噪声,其峰态系数将低于5;
峰态系数t2的计算公式如式(Ⅳ)所示:
根据本发明优选的,步骤S4中,基线能量比值是用来反映基线干扰程度的特征参数,该特征定义为1-40Hz频段的能量和0-40Hz频段能量之间的商,基线漂移的频率为0.15-0.3Hz,通过基线能量比值有效地表征是够存在影响较大的基线干扰,基线能量比值越小说明基线干扰越多;基线能量比值t3的计算公式如式(Ⅴ)所示:
式(Ⅴ)中,P(f)为心电信号功率谱密度函数,f为频率。
根据本发明优选的,步骤S4中,QRS能量比值是用来反映肌电干扰程度的物理量;该特征定义为5-15Hz频段的能量和5-40Hz频段能量的比值;QRS能量比值t4的计算公式如式(Ⅵ)所示:
根据本发明优选的,步骤S4中,峰均比是反映数据峰值与数据均值差异程度的一个参数;峰均比的计算公式如式(Ⅶ)所示:
根据本发明优选的,所述BP神经网络模型包括输入层、隐藏层和输出层;
输入层有5个神经元;
输出层有3个神经元;IMF分量的三个类别作为BP神经网络模型的输出向量,IMF分量的三个类别包括噪声主导、信号主导、无效分量,分别记作0、1、2;
进一步优选的,隐藏层的神经元的数量为4。
根据本发明优选的,BP神经网络模型中,隐藏层和输出层的激活函数都选择S函数,S函数f(x)的公式如式(Ⅷ)所示:
根据本发明优选的,步骤S5中,BP神经网络模型的训练过程如下:
(1)归一化处理:对步骤S4得到的五个特征参数进行归一化处理;
(2)输入:将归一化处理后的特征参数作为输入向量输入BP神经网络模型;
(3)前向传播阶段:训练集传入输入层的神经元,和权值阈值相互作用后被送至隐藏层的神经元,经过激活函数计算传入下一层,逐渐通过同样的方式逐层传递直到输出层;
(4)反向传播阶段:把输出层的结果同预期结果比较,得到输出结果的误差,这个误差逐层反向传递,得到各层阈值和权值的偏差,再通过这个偏差对阈值和权值进行调整。
(5)用训练完成的BP神经网络模型对训练集IMF分量进行分类,评价BP神经网络模型,BP神经网络的分类准确率应达到95%,如果不满足则继续训练,具体是指:计算训练集中IMF分量的特征参数,并作为BP神经网络模型的输入,进行分类,通过比对BP神经网络模型的分类结果与IMF分量的类别标签,计算BP神经网络模型的准确率。
根据本发明优选的,步骤(3)中,前向传播阶段的具体实现步骤包括:
a、计算隐藏层输出Hj,公式如式(Ⅸ)所示:
式(Ⅸ)中,Hj为隐藏层的输出,f()为隐藏层的激活函数,vij为输入层和隐藏层的连接权值,xi为输入层输入,aj为阈值;i为输入层神经元个数,j为隐藏层神经元个数;
b、计算输出层输出Ol,公式如式(Ⅹ)所示:
式(Ⅹ)中,f()为输出层激活函数,wkl为隐藏层和输出层的连接权值,Hk为隐藏层输出,bl为阈值;j为隐藏层神经元个数,k为输出层神经元个数;
c、计算误差El,公式如式(Ⅺ)所示:
式(Ⅺ)中,El是均方误差,yl是假定的BP神经网络模型的输出,即期望输出,Ol是BP神经网络模型实际的输出,即输出层输出。
根据本发明优选的,步骤(3)中,反向传播阶段的具体实现步骤包括:
d、更新权值vij与wkl,vij增加⊿ij,wkl增加⊿kl;i=1,2,...,n,j=1,2,...,p;
根据本发明优选的,步骤S7中,对噪声主导分量进行小波阈值法去噪,过程如下:
选择以噪声主导的IMF分量为小波基函数,采用软阈值函数作为阈值函数,公式如式(Ⅻ)所示:
式(Ⅻ)中,w为小波系数,sgn()为符号函数,λ为阈值,p=1~N,q=1~n,N为IMF分量的信号长度。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现基于BP神经网络及改进的EMD方法的心电信号去噪方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现基于BP神经网络及改进的EMD方法的心电信号去噪方法的步骤。
本发明的有益效果为:
本发明通过向原始信号添加高斯白噪声的方法解决了EMD分解方法中重构信号含有残余噪声的问题,通过BP神经网络模型来评估IMF分量中信号与噪声的比重并将其分类,克服了传统IMF分量分类方法指标单一的缺点,能够更准确地区分哪些分量需要进一步去噪,哪些分量可以直接用于信号重构,哪些信号需要舍弃,保证了噪声去除的同时有用信号不丢失,进而使得重构后的信号更加准确。
附图说明
图1是本发明基于BP神经网络及改进的EMD方法的心电信号去噪方法的流程示意图;
图2是去噪前心电信号波形示意图;
图3(a)是采用EMD分解后IMF分量IMF1的波形示意图;
图3(b)是采用EMD分解后IMF分量IMF2的波形示意图;
图3(c)是采用EMD分解后IMF分量IMF3的波形示意图;
图3(d)是采用EMD分解后IMF分量IMF4的波形示意图;
图3(e)是采用EMD分解后IMF分量IMF5的波形示意图;
图3(f)是采用EMD分解后IMF分量IMF6的波形示意图;
图3(g)是采用EMD分解后IMF分量IMF7的波形示意图;
图3(h)是采用EMD分解后IMF分量IMF8的波形示意图;
图3(i)是采用EMD分解后IMF分量IMF9的波形示意图;
图3(j)是采用EMD分解后IMF分量res的波形示意图;
图4是BP神经网络模型结构示意图;
图5是经过重构后的心电信号波形示意图。
图6为相关系数分布图。
具体实施方式
下面结合说明书附图和实施例对本发明做进一步限定,但不限于此。
实施例1
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,如图1所示,包括步骤如下:
S1:从MIT-BIH数据库中选取201-230共30条心电信号样本;
S2:使用改进的EMD方法对所有心电信号做分解,每一条心电信号分解为9个IMF分量和一个余项,并将同一个心电信号分解得到的IMF分量标记为一组,用于后续信号重构。将最终得到的IMF分量随机分为两大组,数目较多的一大组作为训练集,剩余的IMF分量作为测试集;训练集占比80%,测试集占比20%。包括:
(1)以心电信号201为例,设原始信号为d(t),计算一阶导数求出d(t)所有的局部极大值与极小值点。
(2)用所有的局部极值点,通过三次样条插值法拟合包络函数,极大值拟合的上包络曲线记作amax(t),极小值拟合的下包络曲线记作amin(t)。
(3)将两条包络曲线求均值,获得平均包络曲线e(t)。
(4)中间信号为m(t),用原始信号减平均包络线即可得到中间信号,即
m(t)=d(t)-e(t)
如果m(t)满足具有数量上至多相差一个的极值点和过零点,且上下包络线关于时间轴局部对称,那么m(t)可以看作一个IMF分量,记作IMF1(t)。如果不满足,则需要把m(t)作为新的输入信号重复(1)~(4)的步骤,直到满足条件为止。
(5)设余项a(t),a(t)=d(t)-IMF(t),第一个余项a1(t)为d(t)减IMF1(t),令其作为新的输入信号,再重复(1)~(4)的步骤,可以得到第二个IMF分量,记作IMF2(t),依此类推,完成EMD分解,最终获得IMF1(t)......IMF9(t)以及余项a9(t),EMD分解完成。图3(a)是采用EMD分解后IMF分量IMF1(即IMF1(t))的波形示意图;图3(b)是采用EMD分解后IMF分量IMF2(即IMF2(t))的波形示意图;图3(c)是采用EMD分解后IMF分量IMF3(即IMF3(t))的波形示意图;图3(d)是采用EMD分解后IMF分量IMF4(即IMF4(t))的波形示意图;图3(e)是采用EMD分解后IMF分量IMF5(即IMF5(t))的波形示意图;图3(f)是采用EMD分解后IMF分量IMF6(即IMF6(t))的波形示意图;图3(g)是采用EMD分解后IMF分量IMF7(即IMF7(t))的波形示意图;图3(h)是采用EMD分解后IMF分量IMF8(即IMF8(t))的波形示意图;图3(i)是采用EMD分解后IMF分量IMF9(即IMF9(t))的波形示意图;图3(j)是采用EMD分解后IMF分量res(即a9(t))的波形示意图。
对由同一心电信号分解得到的IMF分量和余项做标记,便于后续心电信号重构。
S3:计算每个IMF分量与分解前对应的心电信号的相关系数,并画出相关系数分布图,如图6所示,根据相关系数,将这些IMF分量分为噪声主导、信号主导、无效分量三个类别;包括:
(1)以心电信号201分解得到的IMF分量为例,计算每一个IMF分量与原心电信号的相关系数,公式如下:
式中,IMF(t)表示IMF分量,d(t)表示用于分解的心电信号201。
(2)画出IMF分量与原信号的相关系数分布图,找到第一个相关系数转折点,记作IMFP,IMF1~IMFP记作噪声主导的分量。
(3)从IMFP到IMFn之间的IMF分量中找到相关系数小于0.15的IMF分量,记作无效分量并去除,剩余的分量记作信号主导的分量。
S4:计算IMF分量的五个特征参数,包括裕度因数、峰态系数、基线能量比值、QRS能量比值、峰均比;以心电信号201为例,通过EMD方法将其分解为9个IMF分量,然后用已经列出的公式计算各个IMF分量的特征参数,包括裕度因数、峰态系数、基线能量比值、QRS能量比值、峰均比。
裕度因数是用来反映信号承受干扰能力的统计量,裕度因数越大,说明有用信息所占的比重越大,受到干扰的程度就越小,用t1来表示裕度因数,裕度因数的计算公式如式(Ⅲ)所示:
式(Ⅲ)中,xp为峰值,xi为第i个信号采样值,n为采样点的个数。
峰态系数是用来表示数据曲线顶端陡峭程度的物理量;一个干净完好的心电信号其峰态系数大于5,而如果存在肌电干扰、基线漂移、工频干扰或者高斯分布的随机噪声,其峰态系数将低于5;
峰态系数t2的计算公式如式(Ⅳ)所示:
基线能量比值是用来反映基线干扰程度的特征参数,该特征定义为1-40Hz频段的能量和0-40Hz频段能量之间的商,基线漂移的频率为0.15-0.3Hz,通过基线能量比值有效地表征是够存在影响较大的基线干扰,基线能量比值越小说明基线干扰越多;基线能量比值t3的计算公式如式(Ⅴ)所示:
式(Ⅴ)中,P(f)为心电信号功率谱密度函数,f为频率。
QRS能量比值是用来反映肌电干扰程度的物理量;该特征定义为5-15Hz频段的能量和5-40Hz频段能量的比值;QRS波的能量主要集中在10Hz的频率带宽内,且中心宽度为10Hz,当出现肌电干扰时,信号中的高频成分会增加,那么能量比值将会降低,通过QRS能量比值能够有效地表征是否存在较大的肌电干扰,此值越小说明肌电干扰越多。QRS能量比值t4的计算公式如式(Ⅵ)所示:
峰均比是反映数据峰值与数据均值差异程度的一个参数;由于心电信号的Q、R、S、T波有不同的峰值,且心电信号的峰值很高,计算峰均比能有效地体现出峰值功率与平均功率的差异程度,差异程度越高,说明峰值越高。峰均比的计算公式如式(Ⅶ)所示:
S5:构建并训练BP神经网络模型;
S6:用训练完成的BP神经网络模型对IMF分量进行分类,信号主导的IMF分量予以保留,无效分量直接舍弃,标签为噪声主导的分量进行下一步阈值去噪;
S7:采用小波阈值法对噪声主导的分量进行进一步去噪;
S8:将去噪完的噪声主导分量与之前保留的心电信号主导分量相加,重构心电信号。
实施例2
根据实施例1所述的心电信号去噪方法,其区别在于:
如图4所示,BP神经网络模型包括输入层、隐藏层和输出层;输入层有5个神经元;输出层有3个神经元;IMF分量的三个类别作为BP神经网络模型的输出向量,IMF分量的三个类别包括噪声主导、信号主导、无效分量,分别记作0、1、2;
BP神经网络模型中,隐藏层和输出层的激活函数都选择S函数,S函数f(x)的公式如式(Ⅷ)所示:
步骤S5中,BP神经网络模型的训练过程如下:
(1)归一化处理:对步骤S4得到的五个特征参数进行归一化处理;
(2)输入:将归一化处理后的特征参数作为输入向量输入BP神经网络模型;
(3)前向传播阶段:训练集传入输入层的神经元,和权值阈值相互作用后被送至隐藏层的神经元,经过激活函数计算传入下一层,逐渐通过同样的方式逐层传递直到输出层;
(4)反向传播阶段:把输出层的结果同预期结果比较,得到输出结果的误差,这个误差逐层反向传递,得到各层阈值和权值的偏差,再通过这个偏差对阈值和权值进行调整。整个反向传播可以看作是一种负反馈调节手段。
(5)用训练完成的BP神经网络模型对训练集IMF分量进行分类,评价BP神经网络模型,BP神经网络的分类准确率应达到95%,如果不满足则继续训练,具体是指:计算训练集中IMF分量的特征参数,并作为BP神经网络模型的输入,进行分类,通过比对BP神经网络模型的分类结果与IMF分量的类别标签,计算BP神经网络模型的准确率。
步骤(3)中,前向传播阶段的具体实现步骤包括:
a、计算隐藏层输出Hj,公式如式(Ⅸ)所示:
式(Ⅸ)中,Hj为隐藏层的输出,f()为隐藏层的激活函数,vij为输入层和隐藏层的连接权值,xi为输入层输入,aj为阈值;i为输入层神经元个数,j为隐藏层神经元个数;
b、计算输出层输出Ol,公式如式(Ⅹ)所示:
式(Ⅹ)中,f()为输出层激活函数,wkl为隐藏层和输出层的连接权值,Hk为隐藏层输出,bl为阈值;j为隐藏层神经元个数,k为输出层神经元个数;
c、计算误差El,公式如式(Ⅺ)所示:
式(Ⅺ)中,El是均方误差,yl是假定的BP神经网络模型的输出,即期望输出,Ol是BP神经网络模型实际的输出,即输出层输出。
步骤(3)中,反向传播阶段通过误差来更新输入层与隐藏层、隐藏层与输出层之间的权值,本质上是一个负反馈的过程,反向传播阶段的具体实现步骤包括:
d、更新权值vij与wkl,vij增加⊿ij,wkl增加⊿kl;i=1,2,...,n,j=1,2,...,p;
计算训练集中IMF分量的特征参数,并作为BP神经网络的输入,进行分类,通过比对BP神经网络的分类结果与IMF分量的类别标签,计算BP神经网络模型的准确率。本实例中通过计算预测正确样本占所有预测样本的比例,即准确率(Acc),来评价神经网络模型分类的效果,公式如下:
其中,a为预测为信号主导实际为信号主导的分量个数,b为预测为信号主导实际为无效分量的分量个数,c为预测为信号主导实际为噪声主导的分量个数,d为预测为噪声主导实际为噪声主导的分量个数,e为预测为噪声主导实际为无效分量的分量个数,f为预测为噪声主导实际为信号主导的分量个数,g为预测为无效分量实际为信号主导的分量个数,h为预测为无效分量实际为无效分量的分量个数,i为预测为无效分量实际为噪声主导的分量个数。本实例中最终得到的神经网络模型的准确率为95.5%,符合去噪的要求。
把109心电信号作为待处理信号,使用EMD方法对109心电信号进行分解得到10个IMF分量,计算各个分量的五个特征参数,利用训练好的神经网络模型对IMF分量进行分类,类别为信号主导的IMF分量予以保留,类别为无效分量的IMF分量舍弃,类别为噪声主导的IMF分量进一步进行小波阈值去噪。
选择以噪声主导的IMF分量为小波基函数,采用软阈值函数作为阈值函数对各个噪声主导分量进行去噪,公式为:
其中IMFq(p)为第q个噪声主导分量的第p个采样点值,sgn()为符号函数,IMFq(p)’为IMFq(p)去噪后的值,θq为第q个噪声主导分量的阈值,p=1~N,q=1~n,N为IMF分量的信号长度。
阈值θq选取应用最广泛的固定阈值,公式为:
其中,σq是第q个噪声主导分量的标准方差。
将去噪后的类别为噪声主导的IMF分量与之前保留的类别为信号主导的IMF分量以及余项a9(t)进行信号重构,得到最终去除噪声的心电信号,公式为:
d(t)=IMF信号(t)+IMF去噪(t)+a9(t)
图2是去噪前心电信号波形示意图,图5是经过重构后的心电信号波形示意图。
本实例中,首先采用EMD分解法对样本中大量心电信号进行分解,得到若干个IMF分量并计算其五个特征参数,按照传统评价指标对IMF分量进行分类并做类别标签,将五个特征参数以及类别标签作为样本数据训练一个神经网络模型,然后对待去噪的心电信号进行分解得到IMF分量,并用训练好的神经网络对该信号的IMF分量进行分类,对类别为噪声主导的IMF分量进行小波阈值去噪,类别为信号主导的IMF分量保留,最终将去噪后的噪声主导的IMF分量、信号主导的IMF分量以及余项重构,得到去除噪声后的心电信号。通过本发明IMF分量的选择更准确,能够有效去除心电信号中的噪声,保留信号中的有用信息。
实施例3
一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行所述计算机程序时实现实施例1或2基于BP神经网络及改进的EMD方法的心电信号去噪方法的步骤。
实施例4
一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现实施例1或2基于BP神经网络及改进的EMD方法的心电信号去噪方法的步骤。
Claims (8)
1.一种基于BP神经网络及改进的EMD方法的心电信号去噪方法,其特征在于,包括步骤如下:
S1:从MIT-BIH数据库中选取若干个心电信号样本;
S2:使用改进的EMD方法对所有心电信号做分解,每一个心电信号分解为若干个IMF分量,并将同一个心电信号分解得到的IMF分量标记为一组,将最终得到的IMF分量随机分为两大组,数目较多的一大组作为训练集,剩余的IMF分量作为测试集;
S3:计算每个IMF分量与分解前对应的心电信号的相关系数,并画出相关系数分布图,根据相关系数,将这些IMF分量分为噪声主导、信号主导、无效分量三个类别;
S4:计算IMF分量的五个特征参数,包括裕度因数、峰态系数、基线能量比值、QRS能量比值、峰均比;
S5:构建并训练BP神经网络模型;
S6:用训练完成的BP神经网络模型对IMF分量进行分类,信号主导的IMF分量予以保留,无效分量直接舍弃,标签为噪声主导的分量进行下一步阈值去噪;
S7:采用小波阈值法对噪声主导的分量进行去噪;
S8:将去噪完的噪声主导分量与之前保留的心电信号主导分量相加,重构心电信号;
所述BP神经网络模型包括输入层、隐藏层和输出层;
输入层有5个神经元;
输出层有3个神经元;IMF分量的三个类别作为BP神经网络模型的输出向量,IMF分量的三个类别包括噪声主导、信号主导、无效分量,分别记作0、1、2;
BP神经网络模型中,隐藏层和输出层的激活函数都选择S函数,S函数f(x)的公式如式(VIII)所示:
隐藏层的神经元的数量为4;
步骤S5中,BP神经网络模型的训练过程如下:
(1)归一化处理:对步骤S4得到的五个特征参数进行归一化处理;
(2)输入:将归一化处理后的特征参数作为输入向量输入BP神经网络模型;
(3)前向传播阶段:训练集传入输入层的神经元,和权值阈值相互作用后被送至隐藏层的神经元,经过激活函数计算传入下一层,逐渐通过同样的方式逐层传递直到输出层;
(4)反向传播阶段:把输出层的结果同预期结果比较,得到输出结果的误差,这个误差逐层反向传递,得到各层阈值和权值的偏差,再通过这个偏差对阈值和权值进行调整;
(5)用训练完成的BP神经网络模型对训练集IMF分量进行分类,评价BP神经网络模型,BP神经网络的分类准确率应达到95%,如果不满足则继续训练,具体是指:计算训练集中IMF分量的特征参数,并作为BP神经网络模型的输入,进行分类,通过比对BP神经网络模型的分类结果与IMF分量的类别标签,计算BP神经网络模型的准确率。
3.根据权利要求1所述的一种基于BP神经网络及改进的EMD方法的心电信号去噪方法,其特征在于,步骤S3中,IMF分量分类方法如下:
S31:计算每一个IMF分量与原始信号即分解前对应的心电信号的相关系数ρxy,计算公式如式(Ⅱ)所示:
式(Ⅱ)中,x(i)为待计算相关系数的信号,y(i)为原始信号;
S32:画出相关系数分布图;相关系数分布图中,横坐标为IMF分量,纵坐标为IMF分量对应的相关系数;
S33:相关系数分布图中共有n个点,记作1~n,对应的IMF分量记作IMF1~IMFn,找出相关系数分布图中的第一个转折点并记作P,此点对应的IMF分量记作IMFP,IMF1到IMFP之间的所有IMF分量都记作噪声主导的分量,后续需要进一步去噪;再从IMFP到IMFn之间的IMF分量中找到相关系数小于0.15的IMF分量,记作无效分量并去除,剩余的分量记作信号主导的分量。
4.根据权利要求1所述的一种基于BP神经网络及改进的EMD方法的心电信号去噪方法,其特征在于,步骤S4中,裕度因数是用来反映信号承受干扰能力的统计量,裕度因数越大,说明有用信息所占的比重越大,受到干扰的程度就越小,用t1来表示裕度因数,裕度因数的计算公式如式(III)所示:
式(III)中,xp为峰值,xi为第i个信号采样值,n为采样点的个数;
步骤S4中,峰态系数是用来表示数据曲线顶端陡峭程度的物理量;一个干净完好的心电信号其峰态系数大于5,而如果存在肌电干扰、基线漂移、工频干扰或者高斯分布的随机噪声,其峰态系数将低于5;
峰态系数t2的计算公式如式(Ⅳ)所示:
步骤S4中,基线能量比值是用来反映基线干扰程度的特征参数,该特征定义为1-40Hz频段的能量和0-40Hz频段能量之间的商,基线漂移的频率为0.15-0.3Hz,通过基线能量比值有效地表征是否存在影响较大的基线干扰,基线能量比值越小说明基线干扰越多;基线能量比值t3的计算公式如式(Ⅴ)所示:
式(Ⅴ)中,P(f)为心电信号功率谱密度函数,f为频率;
步骤S4中,QRS能量比值是用来反映肌电干扰程度的物理量;该特征定义为5-15Hz频段的能量和5-40Hz频段能量的比值;QRS能量比值t4的计算公式如式(Ⅵ)所示:
步骤S4中,峰均比是反映数据峰值与数据均值差异程度的一个参数;峰均比的计算公式如式(Ⅶ)所示:
5.根据权利要求1所述的一种基于BP神经网络及改进的EMD方法的心电信号去噪方法,其特征在于,步骤(3)中,前向传播阶段的具体实现步骤包括:
a、计算隐藏层输出Hj,公式如式(IX)所示:
式(IX)中,Hj为隐藏层的输出,f()为隐藏层的激活函数,vij为输入层和隐藏层的连接权值,xi为输入层输入,aj为阈值;n为输入层神经元个数,p为隐藏层神经元个数;
b、计算输出层输出Ol,公式如式(Ⅹ)所示:
式(Ⅹ)中,f()为输出层激活函数,wjl为隐藏层和输出层的连接权值,Hj为隐藏层输出,bl为阈值;p为隐藏层神经元个数,q为输出层神经元个数;
c、计算误差El,公式如式(Ⅺ)所示:
式(Ⅺ)中,El是均方误差,yl是假定的BP神经网络模型的输出,即期望输出,Ol是BP神经网络模型实际的输出,即输出层输出;
步骤(3)中,反向传播阶段的具体实现步骤包括:
d、更新权值vij与wkl,vij增加⊿ij,wkl增加⊿kl;i=1,2,...,n,j=1,2,...,p;
7.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-6任一所述的基于BP神经网络及改进的EMD方法的心电信号去噪方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-6任一所述的基于BP神经网络及改进的EMD方法的心电信号去噪方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110860939.5A CN113616213B (zh) | 2021-07-29 | 2021-07-29 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110860939.5A CN113616213B (zh) | 2021-07-29 | 2021-07-29 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113616213A CN113616213A (zh) | 2021-11-09 |
CN113616213B true CN113616213B (zh) | 2023-02-28 |
Family
ID=78381455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110860939.5A Active CN113616213B (zh) | 2021-07-29 | 2021-07-29 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113616213B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114209281B (zh) * | 2021-12-21 | 2024-02-27 | 郑州大学 | 基于生成对抗网络的脉搏数据生成方法 |
CN115655887B (zh) * | 2022-11-01 | 2023-04-21 | 广东建设职业技术学院 | 一种混凝土强度的预测方法 |
CN116548928B (zh) * | 2023-07-11 | 2023-09-08 | 西安浩阳志德医疗科技有限公司 | 一种基于互联网的护理服务系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105928701A (zh) * | 2016-04-29 | 2016-09-07 | 石家庄铁道大学 | 基于相关分析的emd过程中有效imf的判定方法 |
CN106940688A (zh) * | 2017-01-08 | 2017-07-11 | 广东工业大学 | 一种emd虚假分量识别的数学模型建模方法 |
CN109344816A (zh) * | 2018-12-14 | 2019-02-15 | 中航华东光电(上海)有限公司 | 一种基于脑电实时检测面部动作的方法 |
US10357163B1 (en) * | 2012-06-01 | 2019-07-23 | Vital Connect, Inc. | Respiratory rate detection using decomposition of ECG |
CN110688964A (zh) * | 2019-09-30 | 2020-01-14 | 哈尔滨工程大学 | 一种基于稀疏分解的小波阈值与emd联合降噪方法 |
CN110680308A (zh) * | 2019-11-04 | 2020-01-14 | 北京理工大学 | 基于改进emd与阈值法融合的心电信号去噪方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106330385B (zh) * | 2016-08-29 | 2018-11-09 | 电子科技大学 | 一种干扰类型识别方法 |
-
2021
- 2021-07-29 CN CN202110860939.5A patent/CN113616213B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10357163B1 (en) * | 2012-06-01 | 2019-07-23 | Vital Connect, Inc. | Respiratory rate detection using decomposition of ECG |
CN105928701A (zh) * | 2016-04-29 | 2016-09-07 | 石家庄铁道大学 | 基于相关分析的emd过程中有效imf的判定方法 |
CN106940688A (zh) * | 2017-01-08 | 2017-07-11 | 广东工业大学 | 一种emd虚假分量识别的数学模型建模方法 |
CN109344816A (zh) * | 2018-12-14 | 2019-02-15 | 中航华东光电(上海)有限公司 | 一种基于脑电实时检测面部动作的方法 |
CN110688964A (zh) * | 2019-09-30 | 2020-01-14 | 哈尔滨工程大学 | 一种基于稀疏分解的小波阈值与emd联合降噪方法 |
CN110680308A (zh) * | 2019-11-04 | 2020-01-14 | 北京理工大学 | 基于改进emd与阈值法融合的心电信号去噪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113616213A (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
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 | |
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 | |
CN104523266B (zh) | 一种心电信号自动分类方法 | |
CN109758145B (zh) | 基于脑电信号因果关系的自动睡眠分期方法 | |
CN108714026A (zh) | 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法 | |
CN110786850B (zh) | 基于多特征稀疏表示的心电信号身份识别方法及系统 | |
CN111067507B (zh) | 基于生成对抗网络和策略梯度的心电信号去噪方法 | |
Yoon et al. | Deep learning-based electrocardiogram signal noise detection and screening model | |
Zhang et al. | ECG signal classification with deep learning for heart disease identification | |
CN109745033A (zh) | 基于时频二维图像和机器学习的动态心电质量评估方法 | |
CN113397555A (zh) | 生理参数监测用c-lstm的心率失常分类算法 | |
Übeyli | Adaptive neuro-fuzzy inference system employing wavelet coefficients for detection of ophthalmic arterial disorders | |
CN112307959B (zh) | 一种用于心电信号分析的小波去噪方法 | |
Mahapatra et al. | A Neuro-fuzzy based model for analysis of an ECG signal using Wavelet Packet Tree | |
CN113109289A (zh) | 最优小波去噪组合的选取方法及THz光谱去噪方法 | |
Samadi et al. | ECG noise reduction using empirical mode decomposition based on combination of instantaneous half period and soft-thresholding | |
CN116361688A (zh) | 用于心电节律自动分类的多模态特征融合模型构建方法 | |
Al-Naggar et al. | Performance of adaptive noise cancellation with normalized last-mean-square based on the signal-to-noise ratio of lung and heart sound separation | |
Phinyomark et al. | Applications of variance fractal dimension: A survey | |
CN117235576A (zh) | 一种基于黎曼空间的运动想象脑电意图分类方法 | |
CN113343869A (zh) | 基于ntft和cnn的脑电信号自动分类与识别方法 | |
CN116584960A (zh) | 一种膈肌肌电信号降噪方法 | |
CN114947850A (zh) | 基于脉搏波高斯模型特征的脑力负荷等级客观检测方法 | |
CN106419912A (zh) | 一种多导联脑电信号的眼电伪迹去除方法 |
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 |