CN115905996A - 一种多尺度膨胀卷积残差密集网络的心电信号降噪方法 - Google Patents
一种多尺度膨胀卷积残差密集网络的心电信号降噪方法 Download PDFInfo
- Publication number
- CN115905996A CN115905996A CN202211135432.4A CN202211135432A CN115905996A CN 115905996 A CN115905996 A CN 115905996A CN 202211135432 A CN202211135432 A CN 202211135432A CN 115905996 A CN115905996 A CN 115905996A
- Authority
- CN
- China
- Prior art keywords
- convolution
- scale
- layer
- residual error
- feature
- 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.)
- Granted
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种多尺度膨胀卷积残差密集网络的心电信号降噪方法,通过密集连接结构和不同大小的膨胀卷积自适应地学习多尺度的局部特征,能够充分利用所有卷积层的信息。设计双路特征融合增加后续信息流的变化,避免堆叠大量特征。所有双分支残差密集块生成的层级特征自适应地融合,并与浅层特征结合构建出全局特征。同时,在多尺度膨胀卷积网络中融入残差学习,促进跨层信息的交互、提高网络的有效性。
Description
技术领域
本发明涉及心电信号噪声处理领域,具体涉及一种多尺度膨胀卷积残差密集网络的心电信号降噪方法。
背景技术
近年来心血管疾病患病率逐渐增加,这给个人和社会带来了巨大的经济负担。心电信号是心脏电活动的外在表现,是诊断心血管疾病的主要工具,可以用于检测心律失常、心室心房肥大和电解质紊乱等,此外,心电信号还广泛应用于手术、麻醉、航天和体育等领域。但是心电信号是微弱的生物医学信号,容易受到周围噪声干扰,如肌肉伪影、电极运动、基线漂移等,这些干扰容易引起心电信号的周期和形态发生畸变,破坏心电信号中的重要波形特征,导致医生做出错误的诊断。因此在分析心电信号之前对其进行有效的降噪处理是至关重要的。
研究人员提出了大量的降噪方法,主要分为传统降噪方法和深度学习的降噪方法。传统降噪方法包括小波变换、经典滤波、经验模态分解等,这些方法能够有效去除心电信号频带范围之外的噪声,而当噪声信号的频谱特性与心电信号重叠时,则可能会导致心电信号中的重要细节信息丢失。此外,传统降噪方法通常需要根据经验设定一些参数,因而缺乏灵活性。深度学习方法通过构建多层非线性网络,能够自主学习输入信号的内部特征,与传统方法相比有很大改进。然而现有的深度学习方法,如生成对抗法、自编码器法和两阶段法等,都不能充分利用不同感受野下捕获的输入信号的不同层级特征。
发明内容
本发明为了克服以上技术的不足,提供了一种基于多尺度膨胀卷积残差密集网络的心电信号降噪方法,通过不同的膨胀卷积与密集连接网络结合,以更大的感受野捕获心电信号的多尺度局部特征,并将局部特征融合,使网络获得多层级的特征,具备良好的降噪性能,为心脏基本功能和病理研究方面提供重要参考价值。本发明克服其技术问题所采用的技术方案是:
一种多尺度膨胀卷积残差密集网络的心电信号降噪方法,包括如下步骤:
a)从MIT-BIH心律失常数据库中选取1条记录,将该记录截取成长度为L干净的心电信号,将干净的心电信号按8:1:1的比例进行划分,得到干净心电信号的训练集数据、测试集数据和验证集数据,其中训练集数据有X个,测试集数据有Y个,验证集数据有Z个;
b)重复步骤a)N次,得到干净心电信号的训练集数据组成的训练集S、测试集数据组成的测试集和验证集数据组成的验证集;
c)从MIT-BIH心律失常数据库的BW、MA、EM中随机选取一种噪声,设置随机起始点,截取长度为L的噪声信号;
d)重复步骤c)P次,将噪声信号依次添加到干净心电信号训练集数据、测试集数据和验证集数据,得到带噪心电信号的训练集数据组成的训练集、测试集数据组成的测试集和验证集数据组成的验证集;
优选的,步骤a)中L取值为512。
优选的,步骤b)中N取值为48。
优选的,步骤d)中将信噪比为3dB的噪声信号依次添加到干净心电信号的训练集数据、测试集数据和验证集数据中,P=N*(X+Y+Z)。
进一步的,步骤e)包括如下步骤:
e-1)多尺度膨胀卷积残差密集网络模型MSD-RDN依次由第一卷积层、第二卷积层、M个双尺度残差密集模块DBRDB、第三卷积层、第四卷积层、第五卷积层和第六卷积层构成;
e-2)将带噪心电信号的训练集E输入到第一卷积层后输出浅层特征G-1,将浅层特征G-1输入到第二卷积层后输出浅层特征G0;
e-3)所述双尺度残差密集模块DBRDB由多尺度特征提取模块MSFE、多尺度特征融合模块MSFF、膨胀卷积密集连接模块DCDC、双路特征融合模块DWFF和局部残差学习模块LRL构成;
e-4)所述多尺度特征提取模块MSFE依次由局部浅层特征提取单元、第一卷积层、第二卷积层、第三卷积层、第四卷积层以及池化层构成,所述局部浅层特征提取单元由卷积层及ReLU函数层构成,G0为第一个双尺度残差密集模块DBRDB的输入,Gm-1为第m个双尺度残差密集模块DBRDB的输入,特征Gm-1输入到第m个双尺度残差密集模块DBRDB的多尺度特征提取模块MSFE中的局部浅层特征提取单元后输出得到局部浅层特征将局部浅层特征输入到第一卷积层后输出得到特征将特征输入到第二卷积层后输出得到特征将特征输入到第三卷积层后输出得到特征将特征输入到第四卷积层后输出得到特征将特征输入到池化层后输出得到特征
e-6)所述膨胀卷积密集连接模块DCDC由K个膨胀卷积密集单元构成,每个膨胀卷积密集单元由卷积层及ReLU函数层构成,将特征Gm-1输入到第m个双尺度残差密集模块DBRDB的第一个膨胀卷积密集单元后输出得到特征
e-10)将双路特征融合后的特征Gm,DWFF与特征Gm-1输入到局部残差学习模块LRL中进行相加操作,得到第m个双尺度残差密集模块DBRDB的输出特征Gm;
e-11)将所有M个双尺度残差密集模块DBRDB的输出特征G1,G2,...,GM及浅层特征G0进行拼接操作,拼接后依次输入到多尺度膨胀卷积残差密集网络模型MSD-RDN的第三卷积层及第四卷积层中,输出得到全局特征Ggf;
e-12)将全局特征Ggf与浅层特征G-1进行相加操作后输出得到全局残差学习的特征Ggr;
优选的,多尺度膨胀卷积残差密集网络模型MSD-RDN的第一卷积层的卷积核大小为1×25,padding设置为12,通道数为64,第二卷积层的卷积核大小为1×3,padding设置为1,通道数为64,第三卷积层的卷积核大小为1×1,通道数为64,第四卷积层的卷积核大小为1×3,通道数为64,第五卷积层的卷积核大小为1×3,通道数为64,第六卷积层的卷积核大小均为1×3,通道数为1;多尺度特征提取模块MSFE的第一卷积层的卷积核大小为1×1,通道数为64,第二卷积层的卷积核大小为1×3,膨胀率为6,padding设置为6,通道数为64,第三卷积层的卷积核大小为1×3,膨胀率为9,padding设置为9,通道数为64,第四卷积层的卷积核大小为1×3,膨胀率为12,padding设置为12,通道数为64,局部浅层特征提取单元中的卷积层的卷积核大小为1×3,通道数为64;多尺度特征融合模块MSFF的卷积层的卷积核大小为1×1,通道数为64;膨胀卷积密集单元中的卷积层的卷积核大小为1×5,膨胀率为18,padding设置为36,通道数为64;双路特征融合模块DWFF的卷积层的卷积核大小为1×1,通道数为64。
进一步的,步骤e)之后执行如下步骤:
f-1)在多尺度膨胀卷积残差密集网络模型MSD-RDN后增加dropout层;
f-3)利用损失函数Lloss使用优化器Adam优化多尺度膨胀卷积残差密集网络模型MSD-RDN,得到优化后的多尺度膨胀卷积残差密集网络模型MSD-RDN;
f-4)将带噪心电信号的测试集数据输入到优化后的多尺度膨胀卷积残差密集网络模型MSD-RDN中,输出得到降噪后的心电信号。
优选的,优选的M的取值为8,K的取值为11。
优选的,Adam中参数β1=0.9、β2=0.9999、ε=8e-08,初始学习率设置为0.001,学习率更新的周期为50,惩罚因子为0.1。
本发明的有益效果是:通过密集连接结构和不同大小的膨胀卷积自适应地学习多尺度的局部特征,能够充分利用所有卷积层的信息。设计双路特征融合增加后续信息流的变化,避免堆叠大量特征。所有双分支残差密集块生成的层级特征自适应地融合,并与浅层特征结合构建出全局特征。同时,在多尺度膨胀卷积网络中融入残差学习,促进跨层信息的交互、提高网络的有效性。
附图说明
图1为本发明的多尺度膨胀卷积残差密集网络的结构图;
图2为本发明的双分支残差密集块的结构图。
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。
一种多尺度膨胀卷积残差密集网络的心电信号降噪方法,包括如下步骤:
a)从MIT-BIH心律失常数据库中选取1条记录,将该记录截取成长度为L干净的心电信号,将干净的心电信号按8:1:1的比例进行划分,得到干净心电信号的训练集数据、测试集数据和验证集数据,其中训练集数据有X个,测试集数据有Y个,验证集数据有Z个。
b)重复步骤a)N次,得到干净心电信号的训练集数据组成的训练集S、测试集数据组成的测试集和验证集数据组成的验证集。
c)从MIT-BIH心律失常数据库的BW、MA、EM中随机选取一种噪声,设置随机起始点,截取长度为L的噪声信号。
d)重复步骤c)P次,将噪声信号依次添加到干净心电信号训练集数据、测试集数据和验证集数据,得到带噪心电信号的训练集数据组成的训练集、测试集数据组成的测试集和验证集数据组成的验证集。
多尺度膨胀卷积残差密集网络模型MSD-RDN能够充分利用带噪信号的层次特征。与现有的方法相比,降噪后心电信号的波形更接近原始干净的心电信号。本发明提出了一种双尺度残差密集模块DBRDB,通过密集连接结构和不同大小的膨胀卷积自适应地学习多尺度的局部特征,能够充分利用所有卷积层的信息。设计双路特征融合增加后续信息流的变化,避免堆叠大量特征。所有双分支残差密集块生成的层级特征自适应地融合,并与浅层特征结合构建出全局特征。同时,在多尺度膨胀卷积网络中融入残差学习,促进跨层信息的交互、提高网络的有效性。
实施例1:
步骤a)中L取值为512。步骤b)中N取值为48。
实施例2:
步骤d)中将信噪比为3dB的噪声信号依次添加到干净心电信号的训练集数据、测试集数据和验证集数据中,P=N*(X+Y+Z)。
实施例3:
步骤e)包括如下步骤:
e-1)多尺度膨胀卷积残差密集网络模型MSD-RDN依次由第一卷积层、第二卷积层、M个双尺度残差密集模块DBRDB、第三卷积层、第四卷积层、第五卷积层和第六卷积层构成。
e-2)将带噪心电信号的训练集E输入到第一卷积层后输出浅层特征G-1,将浅层特征G-1输入到第二卷积层后输出浅层特征G0。第一卷积层大的卷积核能够有效去除BW噪声。
e-3)所述双尺度残差密集模块DBRDB由多尺度特征提取模块MSFE、多尺度特征融合模块MSFF、膨胀卷积密集连接模块DCDC、双路特征融合模块DWFF和局部残差学习模块LRL构成。
e-4)所述多尺度特征提取模块MSFE依次由局部浅层特征提取单元、第一卷积层、第二卷积层、第三卷积层、第四卷积层以及池化层构成,所述局部浅层特征提取单元由卷积层及ReLU函数层构成,G0为第一个双尺度残差密集模块DBRDB的输入,Gm-1为第m个双尺度残差密集模块DBRDB的输入,特征Gm-1输入到第m个双尺度残差密集模块DBRDB的多尺度特征提取模块MSFE中的局部浅层特征提取单元后输出得到局部浅层特征将局部浅层特征输入到第一卷积层后输出得到特征将特征输入到第二卷积层后输出得到特征将特征输入到第三卷积层后输出得到特征将特征输入到第四卷积层后输出得到特征将特征输入到池化层后输出得到特征多尺度特征提取模块MSFE的每一层都学习当前状态下不同感受野的多尺度特征,将要进一步的被用于多尺度特征融合。
e-5)所述多尺度特征融合模块MSFF由卷积层构成,将特征特征特征特征和特征进行拼接操作,将拼接后的特征输入到卷积层中输出得到多尺度融合特征Gm,MSFF。该卷积层用于聚合多尺度特征,去除一些冗余的信息。
e-6)所述膨胀卷积密集连接模块DCDC由K个膨胀卷积密集单元构成,每个膨胀卷积密集单元由卷积层及ReLU函数层构成,将特征Gm-1输入到第m个双尺度残差密集模块DBRDB的第一个膨胀卷积密集单元后输出得到特征
e-9)所述双路特征融合模块DWFF由卷积层构成,将特征Gm,MSFF、特征Gm-1和特征进行拼接操作后输入到双路特征融合模块DWFF中输出得到双路特征融合后的特征Gm,DWFF。双路特征融合模块DWFF的卷积层可以高效的捕获多尺度特征。
e-10)将双路特征融合后的特征Gm,DWFF与特征Gm-1输入到局部残差学习模块LRL中进行相加操作,实现将浅层特征Gm-1应用局部残差学习添加到双路特征融合后的特征Gm,DWFF中,促进相邻双尺度残差密集模块DBRDB之间的特征传输,得到第m个双尺度残差密集模块DBRDB的输出特征Gm。
e-11)将所有M个双尺度残差密集模块DBRDB的输出特征G1,G2,...,GM及浅层特征G0进行拼接操作,拼接后依次输入到多尺度膨胀卷积残差密集网络模型MSD-RDN的第三卷积层及第四卷积层中,输出得到全局特征Ggf。全局特征融合广泛地使用了来自所有双尺度残差密集模块DBRDB的特征。第三卷积层用于融合所有双尺度残差密集模块DBRDB产生的多层次特征,并减少输出特征的维度,第四卷积层用来进一步提取全局特征,并被用来进行全局残差学习。
e-12)将全局特征Ggf与浅层特征G-1进行相加操作后输出得到全局残差学习的特征Ggr。即Ggr=Ggf+G-1,这种连接方式将有效地促进特征传播,促进层之间的信息流动。
e-13)将特征Ggr依次输入到多尺度膨胀卷积残差密集网络模型MSD-RDN的第五卷积层及第六卷积层中,将第六卷积层的输出结果与带噪心电信号的训练集E进行相加操作,得到降噪后的心电信号第五卷积层和第六卷积层实现跨层信息的交互和传播,第六卷积层被用来降低输出特征的维度,实现输入与输出的直接映射。
实施例4:
多尺度膨胀卷积残差密集网络模型MSD-RDN的第一卷积层的卷积核大小为1×25,padding设置为12,通道数为64,第二卷积层的卷积核大小为1×3,padding设置为1,通道数为64,第三卷积层的卷积核大小为1×1,通道数为64,第四卷积层的卷积核大小为1×3,通道数为64,第五卷积层的卷积核大小为1×3,通道数为64,第六卷积层的卷积核大小均为1×3,通道数为1;多尺度特征提取模块MSFE的第一卷积层的卷积核大小为1×1,通道数为64,第二卷积层的卷积核大小为1×3,膨胀率为6,padding设置为6,通道数为64,第三卷积层的卷积核大小为1×3,膨胀率为9,padding设置为9,通道数为64,第四卷积层的卷积核大小为1×3,膨胀率为12,padding设置为12,通道数为64,局部浅层特征提取单元中的卷积层的卷积核大小为1×3,通道数为64;多尺度特征融合模块MSFF的卷积层的卷积核大小为1×1,通道数为64;膨胀卷积密集单元中的卷积层的卷积核大小为1×5,膨胀率为18,padding设置为36,通道数为64;双路特征融合模块DWFF的卷积层的卷积核大小为1×1,通道数为64。
实施例5:
步骤e)之后执行如下步骤:
f-1)在多尺度膨胀卷积残差密集网络模型MSD-RDN后增加dropout层。
f-2)通过对比L1损失和L2损失,发现L2损失对异常值更敏感,因此选取L1损失作为该方法的损失函数,具体地通过公式计算得到损失函数Lloss,式中||·||1为L1范数,为降噪后的第i个心电信号,Si为第i个干净的心电信号,i∈{1,2,...,N*X}。该损失函数通过考虑每个样本点的差异确保降噪后的信号更接近于干净的信号。
f-3)利用损失函数Lloss使用优化器Adam优化多尺度膨胀卷积残差密集网络模型MSD-RDN,得到优化后的多尺度膨胀卷积残差密集网络模型MSD-RDN。
f-4)将带噪心电信号的测试集数据输入到优化后的多尺度膨胀卷积残差密集网络模型MSD-RDN中,输出得到降噪后的心电信号。
实施例6:
优选的Adam中参数β1=0.9、β2=0.9999、ε=8e-08,初始学习率设置为0.001,学习率更新的周期为50,惩罚因子为0.1。利用上述参数,设置双尺度残差密集模块DBRDB个数和膨胀卷积密集连接部分的层数(即M和K)进行实验。设置epoch为500,在MSD-Net上加载训练集,每20个epoch加载一次验证集,并保存当前降噪性能最好的模型。为M和K设置不同的数值,重复步骤7。经过不断实验验证,当M=8,K=11时,模型的降噪效果最好。
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)
1.一种多尺度膨胀卷积残差密集网络的心电信号降噪方法,其特征在于,包括如下步骤:
a)从MIT-BIH心律失常数据库中选取1条记录,将该记录截取成长度为L干净的心电信号,将干净的心电信号按8:1:1的比例进行划分,得到干净心电信号的训练集数据、测试集数据和验证集数据,其中训练集数据有X个,测试集数据有Y个,验证集数据有Z个;
b)重复步骤a)N次,得到干净心电信号的训练集数据组成的训练集S、测试集数据组成的测试集和验证集数据组成的验证集;
c)从MIT-BIH心律失常数据库的BW、MA、EM中随机选取一种噪声,设置随机起始点,截取长度为L的噪声信号;
d)重复步骤c)P次,将噪声信号依次添加到干净心电信号训练集数据、测试集数据和验证集数据,得到带噪心电信号的训练集数据组成的训练集、测试集数据组成的测试集和验证集数据组成的验证集;
2.根据权利要求1所述的多尺度膨胀卷积残差密集网络的心电信号降噪方法,其特征在于:步骤a)中L取值为512。
3.根据权利要求1所述的多尺度膨胀卷积残差密集网络的心电信号降噪方法,其特征在于:步骤b)中N取值为48。
4.根据权利要求1所述的多尺度膨胀卷积残差密集网络的心电信号降噪方法,其特征在于:步骤d)中将信噪比为3dB的噪声信号依次添加到干净心电信号的训练集数据、测试集数据和验证集数据中,P=N*(X+Y+Z)。
5.根据权利要求1所述的多尺度膨胀卷积残差密集网络的心电信号降噪方法,其特征在于,步骤e)包括如下步骤:
e-1)多尺度膨胀卷积残差密集网络模型MSD-RDN依次由第一卷积层、第二卷积层、M个双尺度残差密集模块DBRDB、第三卷积层、第四卷积层、第五卷积层和第六卷积层构成;
e-2)将带噪心电信号的训练集E输入到第一卷积层后输出浅层特征G-1,将浅层特征G-1输入到第二卷积层后输出浅层特征G0;
e-3)所述双尺度残差密集模块DBRDB由多尺度特征提取模块MSFE、多尺度特征融合模块MSFF、膨胀卷积密集连接模块DCDC、双路特征融合模块DWFF和局部残差学习模块LRL构成;
e-4)所述多尺度特征提取模块MSFE依次由局部浅层特征提取单元、第一卷积层、第二卷积层、第三卷积层、第四卷积层以及池化层构成,所述局部浅层特征提取单元由卷积层及ReLU函数层构成,G0为第一个双尺度残差密集模块DBRDB的输入,Gm-1为第m个双尺度残差密集模块DBRDB的输入,特征Gm-1输入到第m个双尺度残差密集模块DBRDB的多尺度特征提取模块MSFE中的局部浅层特征提取单元后输出得到局部浅层特征将局部浅层特征输入到第一卷积层后输出得到特征将特征输入到第二卷积层后输出得到特征将特征输入到第三卷积层后输出得到特征将特征输入到第四卷积层后输出得到特征将特征输入到池化层后输出得到特征
e-6)所述膨胀卷积密集连接模块DCDC由K个膨胀卷积密集单元构成,每个膨胀卷积密集单元由卷积层及ReLU函数层构成,将特征Gm-1输入到第m个双尺度残差密集模块DBRDB的第一个膨胀卷积密集单元后输出得到特征
e-10)将双路特征融合后的特征Gm,DWFF与特征Gm-1输入到局部残差学习模块LRL中进行相加操作,得到第m个双尺度残差密集模块DBRDB的输出特征Gm;
e-11)将所有M个双尺度残差密集模块DBRDB的输出特征G1,G2,...,GM及浅层特征G0进行拼接操作,拼接后依次输入到多尺度膨胀卷积残差密集网络模型MSD-RDN的第三卷积层及第四卷积层中,输出得到全局特征Ggf;
e-12)将全局特征Ggf与浅层特征G-1进行相加操作后输出得到全局残差学习的特征Ggr;
6.根据权利要求5所述的多尺度膨胀卷积残差密集网络的心电信号降噪方法,其特征在于:多尺度膨胀卷积残差密集网络模型MSD-RDN的第一卷积层的卷积核大小为1×25,padding设置为12,通道数为64,第二卷积层的卷积核大小为1×3,padding设置为1,通道数为64,第三卷积层的卷积核大小为1×1,通道数为64,第四卷积层的卷积核大小为1×3,通道数为64,第五卷积层的卷积核大小为1×3,通道数为64,第六卷积层的卷积核大小均为1×3,通道数为1;多尺度特征提取模块MSFE的第一卷积层的卷积核大小为1×1,通道数为64,第二卷积层的卷积核大小为1×3,膨胀率为6,padding设置为6,通道数为64,第三卷积层的卷积核大小为1×3,膨胀率为9,padding设置为9,通道数为64,第四卷积层的卷积核大小为1×3,膨胀率为12,padding设置为12,通道数为64,局部浅层特征提取单元中的卷积层的卷积核大小为1×3,通道数为64;多尺度特征融合模块MSFF的卷积层的卷积核大小为1×1,通道数为64;膨胀卷积密集单元中的卷积层的卷积核大小为1×5,膨胀率为18,padding设置为36,通道数为64;双路特征融合模块DWFF的卷积层的卷积核大小为1×1,通道数为64。
7.根据权利要求1所述的多尺度膨胀卷积残差密集网络的心电信号降噪方法,其特征在于,还包括在步骤e)之后执行如下步骤:
f-1)在多尺度膨胀卷积残差密集网络模型MSD-RDN后增加dropout层;
f-3)利用损失函数Lloss使用优化器Adam优化多尺度膨胀卷积残差密集网络模型MSD-RDN,得到优化后的多尺度膨胀卷积残差密集网络模型MSD-RDN;
f-4)将带噪心电信号的测试集数据输入到优化后的多尺度膨胀卷积残差密集网络模型MSD-RDN中,输出得到降噪后的心电信号。
8.根据权利要求5所述的多尺度膨胀卷积残差密集网络的心电信号降噪方法,其特征在于:优选的M的取值为8,K的取值为11。
9.根据权利要求7所述的多尺度膨胀卷积残差密集网络的心电信号降噪方法,其特征在于:Adam中参数β1=0.9、β2=0.9999、ε=8e-08,初始学习率设置为0.001,学习率更新的周期为50,惩罚因子为0.1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211135432.4A CN115905996B (zh) | 2022-09-19 | 2022-09-19 | 一种多尺度膨胀卷积残差密集网络的心电信号降噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211135432.4A CN115905996B (zh) | 2022-09-19 | 2022-09-19 | 一种多尺度膨胀卷积残差密集网络的心电信号降噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115905996A true CN115905996A (zh) | 2023-04-04 |
CN115905996B CN115905996B (zh) | 2023-08-08 |
Family
ID=86492281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211135432.4A Active CN115905996B (zh) | 2022-09-19 | 2022-09-19 | 一种多尺度膨胀卷积残差密集网络的心电信号降噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115905996B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110120020A (zh) * | 2019-04-30 | 2019-08-13 | 西北工业大学 | 一种基于多尺度空洞残差注意力网络的sar图像去噪方法 |
CN113379613A (zh) * | 2020-03-10 | 2021-09-10 | 三星电子株式会社 | 使用深度卷积网络的图像去噪系统和方法 |
CN114129171A (zh) * | 2021-12-01 | 2022-03-04 | 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 |
CN114742701A (zh) * | 2022-03-03 | 2022-07-12 | 暨南大学 | 基于空洞残差稠密卷积的图像超分辨率重建方法及系统 |
-
2022
- 2022-09-19 CN CN202211135432.4A patent/CN115905996B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110120020A (zh) * | 2019-04-30 | 2019-08-13 | 西北工业大学 | 一种基于多尺度空洞残差注意力网络的sar图像去噪方法 |
CN113379613A (zh) * | 2020-03-10 | 2021-09-10 | 三星电子株式会社 | 使用深度卷积网络的图像去噪系统和方法 |
CN114129171A (zh) * | 2021-12-01 | 2022-03-04 | 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 |
CN114742701A (zh) * | 2022-03-03 | 2022-07-12 | 暨南大学 | 基于空洞残差稠密卷积的图像超分辨率重建方法及系统 |
Non-Patent Citations (2)
Title |
---|
JIANHU ZHU ET AL.: "MRDA-Net: Multiscale Residual Dense Attention Network for Image Denoising", ICAIS 2022, CCIS, vol. 1586, pages 213 - 230 * |
肖娟 等: "采用通道和空间注意力的真实噪声盲去噪算法", 小型微型计算机系统, vol. 42, no. 7, pages 1453 - 1457 * |
Also Published As
Publication number | Publication date |
---|---|
CN115905996B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108714026B (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 | |
US20110077538A1 (en) | Electrocardiogram signal processing system | |
Kumar et al. | Efficient QRS complex detection algorithm based on Fast Fourier Transform | |
CN112329609A (zh) | 基于2d心拍的特征融合迁移学习心律失常分类系统 | |
CN114648048B (zh) | 基于变分自编码和PixelCNN模型的心电信号降噪方法 | |
CN106419898A (zh) | 一种去除心电信号基线漂移的方法 | |
CN115470827A (zh) | 基于自监督学习和孪生网络的对抗性心电信号降噪方法 | |
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 | |
CN114129171B (zh) | 一种基于改进的残差密集网络的心电信号降噪方法 | |
Chowdhury et al. | Hardware/software co-design of an ECG-PPG preprocessor: A qualitative & quantitative analysis | |
CN114098656A (zh) | 基于经验模态分解及位平面转化的信号降噪方法与系统 | |
CN115905996A (zh) | 一种多尺度膨胀卷积残差密集网络的心电信号降噪方法 | |
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 | |
Priyadharsini et al. | An Efficient method for the removal of ECG artifact from measured EEG Signal using PSO algorithm | |
KR102373778B1 (ko) | 심전도 데이터로부터 광용적맥파 데이터를 생성하는 장치 및 방법 | |
AU2021104217A4 (en) | A system and method for optimum wavelet basis function selection for ecg arrhythmia denoising using artificial intelligence | |
Behbahani | Investigation of Adaptive Filtering for Noise Cancellation inECG signals | |
CN115363594A (zh) | 一种基于循环神经网络的实时心脏疾病筛查方法 | |
CN113288050B (zh) | 基于图卷积网络的多维增强癫痫发作预测系统 | |
CN114027847A (zh) | 一种基于时频分析的心电信号分析方法 | |
Samann et al. | RunDAE model: Running denoising autoencoder models for denoising ECG signals | |
Zhang et al. | An efficient ECG denoising method by fusing ECA-Net and CycleGAN | |
CN115836867B (zh) | 一种双分支融合的深度学习脑电降噪方法、设备及介质 | |
Aruna et al. | Field programmable gate array implementation of an adaptive filtering based noise reduction and enhanced compression technique for healthcare applications | |
Hu et al. | A lightweight U-Net model for denoising and noise localization of ECG signals |
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 |