CN114781446B - 一种基于hin网络和梯度差损失的心电信号降噪方法 - Google Patents
一种基于hin网络和梯度差损失的心电信号降噪方法 Download PDFInfo
- Publication number
- CN114781446B CN114781446B CN202210377527.0A CN202210377527A CN114781446B CN 114781446 B CN114781446 B CN 114781446B CN 202210377527 A CN202210377527 A CN 202210377527A CN 114781446 B CN114781446 B CN 114781446B
- Authority
- CN
- China
- Prior art keywords
- processing unit
- layer
- convolution
- feature map
- noise
- 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
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种基于HIN网络和梯度差损失的心电信号降噪方法,在HIN网络中使用半实例归一化模块(Half Instance Normalization Blocks),使得该模型不仅可以对特征的均值和方差进行重校正且不受batch维度的影响,还可以保持更多的尺度信息。利用第一个阶段对心电信号进行去噪,并提取重要特征,第二个阶段融合第一阶段降噪的结果对心电信号进行重构,并对第一阶段去噪引起的波形失真进行校正,从而减少信息丢失。
Description
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HIN网络和梯度差损失的心电信号降噪方法。
背景技术
心电信号是重要的生物电信号,然而在心电信号采集过程中,由于其频率和幅值较低,对各种仪器和生物干扰非常敏感,容易造成心电波形畸形,如产生类似于单个波形的大峰值,并掩盖重要的心电特征。因此去除噪声对于医学研究有着深刻的意义。
目前心电信号的研究方法主要分为基于传统和基于深度学习的降噪方法。传统的心电去噪方法如傅立叶分解、经验模态分解、小波变换等虽然在心电信号降噪领域各有优点,但共同的缺点是在不同噪声背景下的泛化能力不强。而基于深度学习的去噪方法,如全卷积自编码器、堆叠自编码器以及循环神经网络不仅在单种噪声情况下取得了比传统降噪算法更高的信噪比,且在多种噪声的混合模式下,也有较好的泛化性。但是其在模型训练过程中,会出现训练时间长,且降噪效果提升缓慢的问题,此外由于现有的损失函数不能够适应信号的特征,降噪后的信号也容易丢失重要信息。
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HIN网络对心电信号进行两阶段的去噪,减少了信息丢失,极大程度上解决了波形失真问题的心电信号降噪方法。
本发明克服其技术问题所采用的技术方案是:
一种基于HIN网络和梯度差损失的心电信号降噪方法,包括:
a)选取原始干净的心电记录s及噪声数据n,将原始干净的心电记录s切割为M个长度为L个数据点的片段样本,将噪声数据n切割为M个长度为L个数据点的噪声片段样本;
b)对每个片段样本进行归一化操作,得到归一化后的片段样本Snormal;
c)对每个噪声片段样本进行归一化操作,得到归一化后的片段样本Nnormal;
d)通过公式xi=si+nj计算得到第i段含噪信号xi,i,j∈{1,2,...,M},si为第i段片段样本,nj为第j段噪声片段样本,将含噪信号x=(x1,x2,...,xM)划分为训练集、验证集和测试集;
e)建立半实例归一化网络模型,该网络模型包括第一处理单元和第二处理单元,第一处理单元由第一卷积层、第一HIN模块、第二卷积层、第二HIN模块、反卷积层、Res模块、SE模块及第三卷积层构成,第二处理单元由第一卷积层、第二卷积层、第一HIN模块、第三卷积层、第二HIN模块、反卷积层、Res模块、第四卷积层,第五卷积层和第六卷积层构成;
f)将含噪信号x=(x1,x2,...,xM)输入到第一处理单元,含噪信号x=(x1,x2,...,xM)经过第一处理单元的第一卷积层提取初始特征,得到第一层的输出,将第一层的输出输入到第一处理单元的第一HIN模块中,得到特征图T1,将特征图T1输入到第一处理单元的第二卷积层中,利用跨步卷积法对特征图T1进行下采样,得到第三层的输出,将第三层的输出输入到第一处理单元的第二HIN模块,得到特征图T2,将特征图T2输入到第一处理单元的反卷积层中,利用反卷积进行上采样处理,得到特征图T3,将特征图T1输入到第一处理单元的第三卷积层中,得到卷积后的特征图T1,将卷积后的特征图T1与特征图T3一起输入到Res模块,得到特征图T4,将特征图T4输入到SE模块,得到特征图T5;
g)将含噪信号x=(x1,x2,...,xM)输入到第二处理单元,含噪信号x=(x1,x2,...,xM)经过第二处理单元的第一卷积层提取初始特征,得到特征图T6,将特征图T6与特征图T5进行拼接操作,拼接后输入到第二处理单元的第二卷积层进行卷积操作后得到第二层的输出,将第二层的输出输入第二处理单元的第一HIN模块,得到特征图T7,将特征图T1与特征图T4输入到第二处理单元的第五卷积层中,得到卷积后的特征图T′,将特征图T7与特征图T′输入到第二处理单元的第三卷积层,利用跨步卷积法进行下采样处理,得到第四层的输出,将第四层的输出输入到第二处理单元的第二HIN模块,得到特征图T8,将特征图T8输入到第二处理单元的反卷积层,利用反卷积进行上采样,得到特征图T9,将特征图T7输入至第二处理单元的第六卷积层中,得到卷积后的特征图T7,将卷积后的特征图T7与特征图T9输入至第二处理单元的Res模块中,得到特征图T10,将特征图T10输入至第二处理单元的第四卷积层中,得到降噪信号
i)利用损失函数Loss训练半实例归一化网络模型,利用验证集输入到训练后的半实例归一化网络模型中得到最优的半实例归一化网络模型;
j)将测试集输入到最优的半实例归一化网络模型中,得到降噪后的信号。
进一步的,步骤a)中选取MIT-BIH心率失常数据库中48条记录作为原始干净的心电记录s,选取MIT-BIH噪声压力数据库中EM、BM和MA三种噪声记录作为噪声数据n,对EM噪声、BM噪声、MA噪声均添加0db、1.25db和5db噪声强度。
进一步的,步骤a)中M取值为400,L取值为512,L*M≤650000。
进一步的,步骤c)中通过公式计算得到归一化后的噪声片段样本Nnormal,式中,Ni为噪声片段样本中第i个样本点,i∈{1,2,...,L},Nmin为该噪声片段样本中的最小值,Nmax为该片段样本中的最大值。
进一步的,步骤d)中含噪信号x=(x1,x2,...,xM)按8:1:1的比例划分为训练集、验证集和测试集。
进一步的,步骤e)中SE模块依次由全局平均池化层、大小为1×1、通道数为64的卷积层、ReLU层、大小为1×1、通道数为64的卷积层及Sigmoid激活函数层构成。
进一步的,步骤e)中第一处理单元与第二处理单元中的Res模块均依次包含大小为1×31,padding为(0,15),步长为1,通道数为64的卷积层、ReLU激活函数层、大小为1×31,padding为(0,15),步长为1,通道数为64的卷积层、ReLU激活函数层以及一个用于残差连接的1×1的卷积层,第一处理单元与第二处理单元中的第一HIN模块通道数均设置为64、卷积核大小均设置为1×31,padding均为(0,15),步长均为1,第一处理单元与第二处理单元中的第二HIN模块通道数均设置为128、卷积核大小均设置为1×31,padding均为(0,15),步长均为1。
进一步的,步骤f)中第一处理单元的第一卷积层的卷积核大小为(1,31),通道数为64,步长为1,padding设置为(0,15),第一处理单元的第二卷积层的步长为2,padding设置为(0,15),卷积核大小为(1,32),通道数为64,第一处理单元的反卷积层的通道数为64,卷积核大小为(3,32),步长为2,padding为(1,15),第一处理单元的第三卷积层的卷积核大小为(1,1),通道数为64;步骤g)中第二处理单元的第一卷积层卷积核大小为(1,31),通道数为64,步长为1,padding设置为(0,15),第二处理单元的第二卷积层卷积核大小为(1,1),通道数为64,第二处理单元的第三卷积层卷积核大小为(1,32),通道数为64,步长为2,padding设置为(0,15),第二处理单元的第四卷积层卷积核大小为(1,31),通道数为1,padding设置为(0,15),第二处理单元的第五卷积层卷积核大小为(1,31),通道数为64,步长为1,padding设置为(0,15),第二处理单元的第六卷积层卷积核大小为(1,1),通道数为64,第二处理单元的反卷积层卷积核大小为(3,32),通道数为64,步长为2,padding设置为(1,15)。步骤h)中λ=10-6,步骤i)中训练半实例归一化网络模型时初始学习率设置为0.0001,批次大小设置为64,优化器为Adam,迭代次数为200,学习率每30次更新为原来的0.5倍。
本发明的有益效果是:在HIN网络中使用半实例归一化模块(Half InstanceNormalization Blocks),使得该模型不仅可以对特征的均值和方差进行重校正且不受batch维度的影响,还可以保持更多的尺度信息。利用降噪心电信号与干净心电信号斜率之间的差异与两种信号之间的最大距离,提出了一种新的梯度差损失函数,不仅考虑了信号的局部差异也兼顾了信号的全局特性。基于两阶段先降噪后恢复的心电降噪思想。利用第一个阶段对心电信号进行去噪,并提取重要特征,第二个阶段融合第一阶段降噪的结果对心电信号进行重构,并对第一阶段去噪引起的波形失真进行校正,从而减少信息丢失。
附图说明
图1为本发明的归一化网络HINet的模型结构图;
图2为本发明的SE模块的结构图。
具体实施方式
下面结合附图1、附图2对本发明做进一步说明。
一种基于HIN网络和梯度差损失的心电信号降噪方法,包括:
a)选取原始干净的心电记录s及噪声数据n,将原始干净的心电记录s切割为M个长度为L个数据点的片段样本,将噪声数据n切割为M个长度为L个数据点的噪声片段样本。
b)对每个片段样本进行归一化操作,得到归一化后的片段样本Snormal。
c)对每个噪声片段样本进行归一化操作,得到归一化后的片段样本Nnormal。
d)通过公式xi=si+nj计算得到第i段含噪信号xi,i,j∈{1,2,...,M},si为第i段片段样本,nj为第j段噪声片段样本,将含噪信号x=(x1,x2,...,xM)划分为训练集、验证集和测试集;
e)建立半实例归一化网络模型,该网络模型包括第一处理单元和第二处理单元,第一处理单元由第一卷积层、第一HIN模块、第二卷积层、第二HIN模块、反卷积层、Res模块、SE模块及第三卷积层构成,第二处理单元由第一卷积层、第二卷积层、第一HIN模块、第三卷积层、第二HIN模块、反卷积层、Res模块、第四卷积层,第五卷积层和第六卷积层构成。
f)将含噪信号x=(x1,x2,...,xM)输入到第一处理单元,含噪信号x=(x1,x2,...,xM)经过第一处理单元的第一卷积层提取初始特征,得到第一层的输出,将第一层的输出输入到第一处理单元的第一HIN模块中,得到64个大小为1×512的特征图T1,将特征图T1输入到第一处理单元的第二卷积层中,利用步长为2的跨步卷积法对特征图T1进行下采样,得到第三层的输出,将第三层的输出输入到第一处理单元的第二HIN模块,得到128个大小为1×256特征图T2,将特征图T2输入到第一处理单元的反卷积层中,利用反卷积进行上采样处理,得到特征图T3,将特征图T1输入到第一处理单元的第三卷积层中,得到卷积后的特征图T1,将卷积后的特征图T1与特征图T3一起输入到Res模块,得到特征图T4,将特征图T4输入到SE模块,得到特征图T5。
g)将含噪信号x=(x1,x2,...,xM)输入到第二处理单元,含噪信号x=(x1,x2,...,xM)经过第二处理单元的第一卷积层提取初始特征,第一卷积层将通道数由1变为64,得到特征图T6,将特征图T6与特征图T5进行拼接操作,拼接后输入到第二处理单元的第二卷积层进行1×1卷积操作后得到第二层的输出,将第二层的输出输入第二处理单元的第一HIN模块,得到64个大小为1×512的特征图T7,将特征图T1与特征图T4输入到第二处理单元的第五卷积层中,得到卷积后的特征图T′,将特征图T7与特征图T′输入到第二处理单元的第三卷积层,利用跨步卷积法进行下采样处理,得到第四层的输出,将第四层的输出输入到第二处理单元的第二HIN模块,得到128个大小为1×256的特征图T8,将特征图T8输入到第二处理单元的反卷积层,利用反卷积进行上采样,得到特征图T9,将特征图T7输入至第二处理单元的第六卷积层中,得到卷积后的特征图T7,将卷积后的特征图T7与特征图T9输入至第二处理单元的Res模块中,得到特征图T10,将特征图T10输入至第二处理单元的第四卷积层中,得到降噪信号
i)利用损失函数Loss训练半实例归一化网络模型,利用验证集输入到训练后的半实例归一化网络模型中得到最优的半实例归一化网络模型;
j)将测试集输入到最优的半实例归一化网络模型中,得到降噪后的信号。
在HIN网络中使用半实例归一化模块(Half Instance Normalization Blocks),使得该模型不仅可以对特征的均值和方差进行重校正且不受batch维度的影响,还可以保持更多的尺度信息。利用降噪心电信号与干净心电信号斜率之间的差异与两种信号之间的最大距离,提出了一种新的梯度差损失函数,不仅考虑了信号的局部差异也兼顾了信号的全局特性。基于两阶段先降噪后恢复的心电降噪思想。利用第一个阶段对心电信号进行去噪,并提取重要特征,第二个阶段融合第一阶段降噪的结果对心电信号进行重构,并对第一阶段去噪引起的波形失真进行校正,从而减少信息丢失。
实施例1
步骤a)中选取MIT-BIH心率失常数据库中48条记录作为原始干净的心电记录s,选取MIT-BIH噪声压力数据库中EM、BM和MA三种噪声记录作为噪声数据n,对EM噪声、BM噪声、MA噪声均添加0db、1.25db和5db噪声强度。
实施例2:
步骤a)中M取值为400,L取值为512,L*M≤650000。
实施例3:
实施例4:
步骤c)中通过公式计算得到归一化后的噪声片段样本Nnormal,式中,Ni为噪声片段样本中第i个样本点,i∈{1,2,...,L},Nmin为该噪声片段样本中的最小值,Nmax为该片段样本中的最大值。
实施例5:
步骤d)中含噪信号x=(x1,x2,...,xM)按8:1:1的比例划分为训练集、验证集和测试集。
实施例6:
步骤e)中SE模块依次由全局平均池化层、大小为1×1、通道数为64的卷积层、ReLU层、大小为1×1、通道数为64的卷积层及Sigmoid激活函数层构成。
实施例7:
步骤e)中第一处理单元与第二处理单元中的Res模块均依次包含大小为1×31,padding为(0,15),步长为1,通道数为64的卷积层、ReLU激活函数层、大小为1×31,padding为(0,15),步长为1,通道数为64的卷积层、ReLU激活函数层以及一个用于残差连接的1×1的卷积层,第一处理单元与第二处理单元中的第一HIN模块通道数均设置为64、卷积核大小均设置为1×31,padding均为(0,15),步长均为1,第一处理单元与第二处理单元中的第二HIN模块通道数均设置为128、卷积核大小均设置为1×31,padding均为(0,15),步长均为1。
实施例8:
步骤f)中第一处理单元的第一卷积层的卷积核大小为(1,31),通道数为64,步长为1,padding设置为(0,15),第一处理单元的第二卷积层的步长为2,padding设置为(0,15),卷积核大小为(1,32),通道数为64,第一处理单元的反卷积层的通道数为64,卷积核大小为(3,32),步长为2,padding为(1,15),第一处理单元的第三卷积层的卷积核大小为(1,1),通道数为64;步骤g)中第二处理单元的第一卷积层卷积核大小为(1,31),通道数为64,步长为1,padding设置为(0,15),第二处理单元的第二卷积层卷积核大小为(1,1),通道数为64,第二处理单元的第三卷积层卷积核大小为(1,32),通道数为64,步长为2,padding设置为(0,15),第二处理单元的第四卷积层卷积核大小为(1,31),通道数为1,padding设置为(0,15),第二处理单元的第五卷积层卷积核大小为(1,31),通道数为64,步长为1,padding设置为(0,15),第二处理单元的第六卷积层卷积核大小为(1,1),通道数为64,第二处理单元的反卷积层卷积核大小为(3,32),通道数为64,步长为2,padding设置为(1,15)。
实施例9:
步骤h)中λ=10-6,步骤i)中训练半实例归一化网络模型时初始学习率设置为0.0001,批次大小设置为64,优化器为Adam,迭代次数为200,学习率每30次更新为原来的0.5倍。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于HIN网络和梯度差损失的心电信号降噪方法,其特征在于,HIN网络为半实例归一化网络,包括:
a)选取原始干净的心电记录s及噪声数据n,将原始干净的心电记录s切割为M个长度为L个数据点的心电记录片段样本,将噪声数据n切割为M个长度为L个数据点的噪声片段样本;
b)对每个心电记录片段样本进行归一化操作,得到归一化后的片段样本Snormal;
c)对每个噪声片段样本进行归一化操作,得到归一化后的片段样本Nnormal;
d)通过公式xi=si+nj计算得到第i段含噪信号xi,i,j∈{1,2,...,M},si为第i段心电记录片段样本,nj为第j段噪声片段样本,将含噪信号x=(x1,x2,...,xM)划分为训练集、验证集和测试集;
e)建立半实例归一化网络模型,该网络模型包括第一处理单元和第二处理单元,第一处理单元由第一卷积层、第一HIN模块、第二卷积层、第二HIN模块、反卷积层、Res模块、SE模块及第三卷积层构成,第二处理单元由第一卷积层、第二卷积层、第一HIN模块、第三卷积层、第二HIN模块、反卷积层、Res模块、第四卷积层,第五卷积层和第六卷积层构成,步骤e)中SE模块依次由全局平均池化层,大小为1×1、通道数为64的卷积层,ReLU层,大小为1×1、通道数为64的卷积层及Sigmoid激活函数层构成;
f)将含噪信号x=(x1,x2,...,xM)输入到第一处理单元,含噪信号x=(x1,x2,...,xM)经过第一处理单元的第一卷积层提取初始特征,得到第一层的输出,将第一层的输出输入到第一处理单元的第一HIN模块中,得到特征图T1,将特征图T1输入到第一处理单元的第二卷积层中,利用跨步卷积法对特征图T1进行下采样,得到第三层的输出,将第三层的输出输入到第一处理单元的第二HIN模块,得到特征图T2,将特征图T2输入到第一处理单元的反卷积层中,利用反卷积进行上采样处理,得到特征图T3,将特征图T1输入到第一处理单元的第三卷积层中,得到卷积后的特征图T1,将卷积后的特征图T1与特征图T3一起输入到Res模块,得到特征图T4,将特征图T4输入到SE模块,得到特征图T5;
g)将含噪信号x=(x1,x2,...,xM)输入到第二处理单元,含噪信号x=(x1,x2,...,xM)经过第二处理单元的第一卷积层提取初始特征,得到特征图T6,将特征图T6与特征图T5进行拼接操作,拼接后输入到第二处理单元的第二卷积层进行卷积操作后得到第二层的输出,将第二层的输出输入第二处理单元的第一HIN模块,得到特征图T7,将特征图T1与特征图T4输入到第二处理单元的第五卷积层中,得到卷积后的特征图T′,将特征图T7与特征图T′输入到第二处理单元的第三卷积层,利用跨步卷积法进行下采样处理,得到第四层的输出,将第四层的输出输入到第二处理单元的第二HIN模块,得到特征图T8,将特征图T8输入到第二处理单元的反卷积层,利用反卷积进行上采样,得到特征图T9,将特征图T7输入至第二处理单元的第六卷积层中,得到卷积后的特征图T7,将卷积后的特征图T7与特征图T9输入至第二处理单元的Res模块中,得到特征图T10,将特征图T10输入至第二处理单元的第四卷积层中,得到降噪信号
i)利用损失函数Loss训练半实例归一化网络模型,利用验证集输入到训练后的半实例归一化网络模型中得到最优的半实例归一化网络模型;
j)将测试集输入到最优的半实例归一化网络模型中,得到降噪后的信号。
2.根据权利要求1所述的基于HIN网络和梯度差损失的心电信号降噪方法,其特征在于:步骤a)中选取MIT-BIH心率失常数据库中48条记录作为原始干净的心电记录s,选取MIT-BIH噪声压力数据库中EM、BM和MA三种噪声记录作为噪声数据n,对EM噪声、BM噪声、MA噪声均添加0db、1.25db和5db噪声强度。
3.根据权利要求1所述的基于HIN网络和梯度差损失的心电信号降噪方法,其特征在于:步骤a)中M取值为400,L取值为512,L*M≤650000。
6.根据权利要求1所述的基于HIN网络和梯度差损失的心电信号降噪方法,其特征在于:步骤d)中含噪信号x=(x1,x2,...,xM)按8:1:1的比例划分为训练集、验证集和测试集。
7.根据权利要求1所述的基于HIN网络和梯度差损失的心电信号降噪方法,其特征在于:步骤e)中第一处理单元与第二处理单元中的Res模块均依次包含大小为1×31、填充为(0,15)、步长为1、通道数为64的卷积层,ReLU激活函数层,大小为1×31、填充为(0,15)、步长为1、通道数为64的卷积层,ReLU激活函数层以及一个用于残差连接的1×1的卷积层;第一处理单元与第二处理单元中的第一HIN模块通道数均设置为64、卷积核大小均设置为1×31、填充均为(0,15)、步长均为1;第一处理单元与第二处理单元中的第二HIN模块通道数均设置为128、卷积核大小均设置为1×31、填充均为(0,15)、步长均为1。
8.根据权利要求1所述的基于HIN网络和梯度差损失的心电信号降噪方法,其特征在于:步骤f)中第一处理单元的第一卷积层的卷积核大小为(1,31)、通道数为64、步长为1、填充设置为(0,15),第一处理单元的第二卷积层的步长为2、填充设置为(0,15)、卷积核大小为(1,32)、通道数为64,第一处理单元的反卷积层的通道数为64、卷积核大小为(3,32)、步长为2、填充为(1,15),第一处理单元的第三卷积层的卷积核大小为(1,1)、通道数为64;步骤g)中第二处理单元的第一卷积层卷积核大小为(1,31)、通道数为64、步长为1、填充设置为(0,15),第二处理单元的第二卷积层卷积核大小为(1,1)、通道数为64,第二处理单元的第三卷积层卷积核大小为(1,32)、通道数为64、步长为2、填充设置为(0,15),第二处理单元的第四卷积层卷积核大小为(1,31)、通道数为1、填充设置为(0,15),第二处理单元的第五卷积层卷积核大小为(1,31)、通道数为64、步长为1、填充设置为(0,15),第二处理单元的第六卷积层卷积核大小为(1,1)、通道数为64,第二处理单元的反卷积层卷积核大小为(3,32)、通道数为64、步长为2、填充设置为(1,15)。
9.根据权利要求1所述的基于HIN网络和梯度差损失的心电信号降噪方法,其特征在于:步骤h)中λ=10-6;步骤i)中训练半实例归一化网络模型时初始学习率设置为0.0001,批次大小设置为64,优化器为Adam,迭代次数为200,学习率每30次更新为原来的0.5倍。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210377527.0A CN114781446B (zh) | 2022-04-11 | 2022-04-11 | 一种基于hin网络和梯度差损失的心电信号降噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210377527.0A CN114781446B (zh) | 2022-04-11 | 2022-04-11 | 一种基于hin网络和梯度差损失的心电信号降噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114781446A CN114781446A (zh) | 2022-07-22 |
CN114781446B true CN114781446B (zh) | 2022-12-09 |
Family
ID=82429548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210377527.0A Active CN114781446B (zh) | 2022-04-11 | 2022-04-11 | 一种基于hin网络和梯度差损失的心电信号降噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114781446B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111583135A (zh) * | 2020-04-24 | 2020-08-25 | 华南理工大学 | 一种核预测神经网络蒙特卡罗渲染图像去噪方法 |
CN112633195A (zh) * | 2020-12-28 | 2021-04-09 | 杭州电子科技大学 | 一种基于频域特征与深度学习的心肌梗塞识别分类方法 |
CN113850367A (zh) * | 2021-08-31 | 2021-12-28 | 荣耀终端有限公司 | 网络模型的训练方法、图像处理方法及其相关设备 |
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 |
KR102357350B1 (ko) * | 2020-11-26 | 2022-02-07 | 한국과학기술연구원 | 딥러닝을 이용한 저선량 ct 영상의 통계적 영상 복원 방법 및 시스템 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110507313B (zh) * | 2019-08-30 | 2023-06-06 | 武汉中旗生物医疗电子有限公司 | 一种腔内心电信号重建方法及装置 |
CN110623658B (zh) * | 2019-09-24 | 2022-07-26 | 京东方科技集团股份有限公司 | 信号处理方法、信号处理装置、医学设备、存储介质 |
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 |
CN112488953A (zh) * | 2020-12-10 | 2021-03-12 | 深圳先进技术研究院 | 一种医学图像降噪方法、系统、终端以及存储介质 |
CN114299970A (zh) * | 2021-12-08 | 2022-04-08 | 西安讯飞超脑信息科技有限公司 | 声码器的降噪方法及其声码器、电子设备和存储介质 |
-
2022
- 2022-04-11 CN CN202210377527.0A patent/CN114781446B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111583135A (zh) * | 2020-04-24 | 2020-08-25 | 华南理工大学 | 一种核预测神经网络蒙特卡罗渲染图像去噪方法 |
KR102357350B1 (ko) * | 2020-11-26 | 2022-02-07 | 한국과학기술연구원 | 딥러닝을 이용한 저선량 ct 영상의 통계적 영상 복원 방법 및 시스템 |
CN112633195A (zh) * | 2020-12-28 | 2021-04-09 | 杭州电子科技大学 | 一种基于频域特征与深度学习的心肌梗塞识别分类方法 |
CN113850367A (zh) * | 2021-08-31 | 2021-12-28 | 荣耀终端有限公司 | 网络模型的训练方法、图像处理方法及其相关设备 |
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 |
Non-Patent Citations (2)
Title |
---|
基于多损失约束与注意力块的图像修复方法;曹真等;《陕西科技大学学报》;20200616(第03期);全文 * |
基于局部期望最大化注意力的图像降噪;李泽田等;《液晶与显示》;20200415(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114781446A (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110246510B (zh) | 一种基于RefineNet的端到端语音增强方法 | |
US7457749B2 (en) | Noise-robust feature extraction using multi-layer principal component analysis | |
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 | |
CN112259120A (zh) | 基于卷积循环神经网络的单通道人声与背景声分离方法 | |
CN112259119B (zh) | 基于堆叠沙漏网络的音乐源分离方法 | |
CN110349593A (zh) | 基于波形时频域分析的语义和声纹双重识别的方法及系统 | |
CN117174105A (zh) | 一种基于改进型深度卷积网络的语音降噪与去混响方法 | |
CN111524530A (zh) | 一种基于膨胀因果卷积的语音降噪方法 | |
CN113935378A (zh) | 一种基于对抗性深度全卷积网络的ecg降噪方法 | |
CN114595728A (zh) | 一种基于自监督学习的信号去噪方法 | |
CN114648048A (zh) | 基于变分自编码和PixelCNN模型的心电信号降噪方法 | |
CN114781446B (zh) | 一种基于hin网络和梯度差损失的心电信号降噪方法 | |
CN113343869A (zh) | 基于ntft和cnn的脑电信号自动分类与识别方法 | |
CN115017960B (zh) | 一种基于时空联合mlp网络的脑电信号分类方法及应用 | |
CN113940638B (zh) | 基于频域双特征融合的脉搏波信号识别分类方法 | |
CN113707172A (zh) | 稀疏正交网络的单通道语音分离方法、系统、计算机设备 | |
NSVN et al. | Optimal threshold estimation using cultural algorithm for EMD-DWT based ECG denoising | |
CN116594061B (zh) | 一种基于多尺度u形注意网络的地震数据去噪方法 | |
Mandal et al. | A new framework for wavelet based analysis of acoustical cardiac signals | |
CN115956925B (zh) | 一种基于多级平滑包络的qrs波检测方法及系统 | |
CN114863939B (zh) | 一种基于声音的大熊猫属性识别方法及系统 | |
CN117056788B (zh) | 一种基于有监督对比学习的eeg信号分类方法、装置 | |
CN117711442A (zh) | 一种基于cnn-gru融合模型的婴儿哭声分类方法 | |
CN116910450A (zh) | 一种基于卷积稀疏编码的心电信号去噪方法 | |
CN116541660A (zh) | 一种基于数据驱动的分数阶小波变换去噪方法 |
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 |