CN117009743A - 一种动态心电图中随机混合噪声的去除方法及系统 - Google Patents
一种动态心电图中随机混合噪声的去除方法及系统 Download PDFInfo
- Publication number
- CN117009743A CN117009743A CN202310777861.XA CN202310777861A CN117009743A CN 117009743 A CN117009743 A CN 117009743A CN 202310777861 A CN202310777861 A CN 202310777861A CN 117009743 A CN117009743 A CN 117009743A
- Authority
- CN
- China
- Prior art keywords
- noise
- dynamic
- electrocardiosignal
- noiseless
- electrocardiosignals
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000001914 filtration Methods 0.000 claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 24
- 230000004044 response Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 3
- 230000010363 phase shift Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 6
- 239000011159 matrix material Substances 0.000 abstract description 4
- 230000004913 activation Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000003183 myoelectrical effect Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Fuzzy Systems (AREA)
- Cardiology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提出了一种动态心电图中随机混合噪声的去除方法及系统,涉及生物电信号的数字信号处理领域,用噪声信号对原始无噪声心电信号进行加噪处理,得到加噪动态心电信号,组成训练数据集;对构建的去噪模型进行训练,直到去噪模型输出的无噪声心电信号和原始无噪声心电信号在幅度和角度上的失真度最小;将待去噪的动态心电信号输入到训练好的去噪模型中,生成并输出无噪声动态心电信号;本发明使用频域滤波和时域滤波两步法去除心电信号中的随机噪声或随机混合噪音,频域滤波有效去除特定频率范围外的噪声,保留动态心电信号有效频带范围,时域滤波使用深度学习算法进行去噪,学习到有用信号和噪声的特征矩阵,从而得到失真较少的重建信号。
Description
技术领域
本发明属于生物电信号的数字信号处理领域,尤其涉及一种动态心电图中随机混合噪声的去除方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
心电信号是一种重要的人体生命体征信号,该信号可以通过生物电极测量人体表面的电势差而获得,以反映心脏的生理或病理状态。心脏疾病无时不危害着人类的健康,因此对心电信号自动分析系统的研究有着很高的临床价值。
心电信号是一种十分微弱的信号,频率也比较低,在采集的过程中往往被多种噪声干扰,尤其是长程动态心电信号中经常包含肌电干扰、电极运动干扰、工频干扰和基线漂移等,所以,对心电信号的去噪处理是对心电信号进行分析的前提条件。
目前有多种方法对心电信号进行滤波去噪,包括数字滤波技术、小波变换技术、平滑滤波技术以及基于机器学习和深度学习的去噪算法等;大多数去噪算法只能消除心电图信号中的一种类型噪音或固定类型的噪音,适用性差;基于机器学习和深度学习的去噪算法往往偏向于学习较低阶的特征,对高频特征拟合效果比较有限,不能较好地去除高频噪声;还有一些方法还在提取的心拍上对心电信号进行去噪,或者需要定位R峰作为预处理步骤,或者牺牲内存空间和推理速度来减少重建失真,这些都不适合心电信号的实时去噪,导致去噪效果不佳,严重阻碍了去噪方法的适用性。
发明内容
为克服上述现有技术的不足,本发明提供了一种动态心电图中随机混合噪声的去除方法及系统,使用频域滤波和时域滤波两步法去除心电信号中的随机噪声或随机混合噪音,频域滤波有效去除特定频率范围外的噪声,保留动态心电信号有效频带范围,时域滤波使用深度学习算法进行去噪,学习到有用信号和噪声的特征矩阵,从而得到失真较少的重建信号。
为实现上述目的,本发明的一个或多个实施例提供了如下技术方案:
本发明第一方面提供了一种动态心电图中随机混合噪声的去除方法。
一种动态心电图中随机混合噪声的去除方法,包括:
将待去噪的动态心电信号输入到训练好的去噪模型中,生成并输出无噪声动态心电信号;
其中,所述去噪模型使用频域滤波和时域滤波两步法去除心电信号随机混合噪声,所述频域滤波是根据动态心电的频响标准进行频率域的去噪,所述时域滤波是通过多尺度特征提取和信号重建进行去噪处理。
进一步的,所述去噪模型,基于训练数据集进行训练,直到去噪模型输出的无噪声心电信号和原始无噪声心电信号在幅度和角度上的失真度最小。
进一步的,所述训练数据集的构建方法为:
用噪声信号对原始无噪声心电信号进行加噪处理,得到加噪动态心电信号,组成训练数据集。
进一步的,所述噪声信号,是按照预设采样率从多种噪声源中采样得到的;所述噪声源,包括基线漂移干扰、运动伪影和电极运动干扰;
所述原始无噪声心电信号,采用干净无干扰的心电信号,采样率与噪声信号的采样率相同。
进一步的,所述加噪处理,具体为:
对噪声信号和原始无噪声心电信号进行相同窗口长度和重叠步长的加窗分割,将得到的噪声信号段进行随机组合,并使用随机幅值注入到加窗分割后的原始无噪声心电信号中,得到加噪动态心电信号。
进一步的,所述频域滤波,根据动态心电的频响标准,将加噪动态心电信号变换到频率域,采用零相移IIR算法,去除预设范围的干扰;
所述零相移IIR算法,是基于巴特沃斯IIR带通滤波器,进行零相位滤波。
进一步的,所述时域滤波,采用多尺度深度卷积神经网络,结合空间和通道注意力机制,学习无噪声心电信号和噪声信号的特征信息;
所述多尺度深度卷积神经网络,基于膨胀卷积提取不同尺度的信号特征;
所述空间和通道注意力机制,关注信号特征中的重要位置和通道,将注意力权重与信号特征对应相乘并进行并置,得到重建后的无噪声动态心电信号。
进一步的,还包括采用卷积DAE与Transformer编码器模块相结合的TCDAE模型,进行时域滤波;
所述TCDAE模型对心电信号的具体处理流程为:
通过卷积编码器提取浅层特征,结合位置嵌入,将嵌入后的特征通过Transformer编码器捕捉心电信号和噪声的全局依赖关系,解码器通过特征上采样来重建与原始信号具有相同维度的信号,即无噪声动态心电信号。
进一步的,所述在幅度和角度上的失真度,分别使用自定义的AmpLoss和AngLoss损失函数来计算;
幅度上的损失函数定义为:
其中,x是原始无噪声心电信号,是重建的无噪声心电信号,δ是阈值参数,k用于控制损失函数在(k,k*δ)的形状;
角度上的损失函数定义为:
其中,n是信号数据长度,i取1-n,xi和分别是原始无噪声心电信号和重建的无噪声心电信号中第i个点,α控制相似度和差异度之间的平衡。
本发明第二方面提供了一种动态心电图中随机混合噪声的去除系统。
一种动态心电图中随机混合噪声的去除系统,包括信号去噪模块,用于将待去噪的动态心电信号输入到训练好的去噪模型中,生成并输出无噪声动态心电信号;
其中,所述去噪模型使用频域滤波和时域滤波两步法去除心电信号随机混合噪声,所述频域滤波是根据动态心电的频响标准进行频率域的去噪,所述时域滤波是通过多尺度特征提取和信号重建进行去噪处理。
本发明第三方面提供了计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本发明第一方面所述的一种动态心电图中随机混合噪声的去除方法中的步骤。
本发明第四方面提供了电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本发明第一方面所述的一种动态心电图中随机混合噪声的去除方法中的步骤。
以上一个或多个技术方案存在以下有益效果:
本发明使用频域滤波和时域滤波两步法去除心电信号中的随机噪声或随机混合噪音,频域滤波有效去除特定频率范围外的噪声,保留动态心电信号有效频带范围,时域滤波使用深度学习算法进行去噪,学习到有用信号和噪声的特征矩阵,得到失真较少的重建信号,从而有效去除包括工频干扰在内的高频干扰、基线漂移和肌电干扰,更加准确地获取心电信号的特征点位置和幅值。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为第一个实施例的方法流程图。
图2为第一个实施例加噪处理的示意图。
图3为第一个实施例采用多尺度深度卷积神经网络ADCNN进行时域滤波的去噪模型的结构图。
图4为第一个实施例TCDAE模型的结构图。
图5为第二个实施例的系统结构图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
在一个或多个实施方式中,公开了一种动态心电图中随机混合噪声的去除方法,如图1所示,包括如下步骤:
步骤S1:用噪声信号对原始无噪声心电信号进行加噪处理,得到加噪动态心电信号,组成训练数据集。
为了训练去噪模型,需要大量的训练数据,本实施例通过仿真实际采集的含噪声的动态心电信号,来构建训练数据集,图2是加噪处理的示意图,如图2所示,具体为:
选择实际采集的基线漂移干扰(BW)、肌电干扰(ME)和电极运动干扰(AM)等n种噪声源,通过采样率R来采集噪声信号。
噪声信号采用MIT-BIH噪声压力测试数据库(NSTDB)中实际采集的基线漂移干扰(BW)、肌电干扰(ME)和电极运动干扰(AM)三类噪声源,通过预设的采样率R来采集噪声信号,本实施例中,采样率设置为360Hz。
原始无噪声心电信号ECGraw,是干净无干扰的心电信号,采样率与噪声信号的采样率相同,本实施例采用公开数据库中的QT数据库,因为该数据库里的数据包含了各种QRS和ST-T形态,且不包含明显的BW或其他伪影,将QT数据库的信号重采样率设置为360Hz。
为方便算法和计算机并行处理,将原始心电信号和噪声源信号都进行加窗分割处理,窗口长度设为M秒,重叠步长设为S;将干扰进行随机组合,注入到干净无噪声的原始信号ECGraw中,n种干扰的随机组合有2n种,例如噪声源是BW、AM和ME三种,则其随机组合有八种,具体如表1所示,其中‘-’表示不包含某种噪声,‘√’表示包含某种噪声。
表1八种不同的噪声组合
噪声组合的幅度在原始心电信号最大峰值的0.2到2倍之间随机选择,将噪声组合注入到加窗分割后的原始无噪声心电信号中,得到固定长度的加噪动态心电信号被标记为ECGNoisy:其中,/>表示加噪动态心电信号,x表示原始无噪声心电信号,S表示重叠步长。
由各段加噪动态心电信号及对应的原始无噪声心电信号,构成训练数据集,并按照预设比例划分训练集和测试集,用于去噪模型的训练和测试。
步骤S2:基于训练数据集,对构建的去噪模型进行训练,直到去噪模型输出的无噪声心电信号和原始无噪声心电信号在幅度和角度上的失真度最小。
去噪模型使用频域滤波和时域滤波两步法去除心电信号随机混合噪声,频域滤波是根据动态心电的频响标准进行频率域的去噪,时域滤波是通过多尺度特征提取和信号重建进行去噪处理;图3是采用多尺度深度卷积神经网络ADCNN进行时域滤波的去噪模型的结构图,如图3所示,去噪模型包括两个模块:频域滤波模块和时域滤波模块,下面对两个模块进行详细说明。
频域滤波模块
针对加噪心电信号ECGNoisy,根据动态心电的频响标准,将加噪动态心电信号变换到频率域,采用零相移IIR算法,去除预设范围的干扰,得到频域滤波后的心电信号ECGNoisy-。
具体的,根据动态心电图标准,其频率响应范围为0.5-60Hz,将ECGNoisy变换到频率域,由于无限冲激响应滤波(IIR)具有较小的计算开销和时间延迟,采用零相移IIR算法去除0.5Hz以下,60Hz以上的干扰,并将去噪后的信号标记为ECGNoisy-;具体做法如下:
(1)设计一个巴特沃斯IIR带通滤波器;
(2)将ECGNoisy通过巴特沃斯滤波器进行前向滤波,得到ECGNoisy1;
(3)将ECGNoisy1反向通过步骤(1)中的滤波器,得到ECGNoisy2;
(4)将ECGNoisy2再次反向通过步骤(1)中的滤波器,得到零相位滤波后的信号ECGNoisy-。
时域滤波模块
频域滤波后的心电信号ECGNoisy-中还可能包含与心电信号频带重叠的噪声和干扰,无法利用频域滤波进行去除,此时采用深度学习算法能够较好地学习到心电信号和噪声信号的特征,从而去除残余的噪声信号。由于多尺度神经网络可以提取心电信号不同尺度的局部细节和全局特征,对信号中的噪声和变形有一定的鲁棒作用;本实施例选择采用多尺度深度卷积神经网络结合空间和通道注意力机制,学习真实心电信号和噪声信号的特征信息,达到较好的时域去噪效果,具体处理步骤为:
(1)多尺度深度卷积神经网络ADCNN:根据心电信号特征,采用四通道卷积神经网络提取不同尺度的信号特征,每个通道包含三层膨胀卷积模块,每层的膨胀率根据混合膨胀卷积原则进行设计,以避免栅格效应,减少心电信号信息丢失。
根据实验结果,通道一的膨胀系数分别为:dr1=3,dr2=4,dr3=5;通道二的膨胀系数分别为:dr1=1,dr2=3,dr3=5;通道三的膨胀系数分别为:dr1=5,dr2=7,dr3=9;通道四的膨胀系数分别为:dr1=1,dr2=2,dr3=3。激活函数选择RELU,并且不进行批归一化处理。
2)空间和通道注意力模块:将提取的信号特征分别输入到空间注意力模块和通道注意力模块,将空间注意力权重系数和通道注意力权重系数分别与输入的信号特征进行对应相乘,得到空间注意力特征和通道注意力特征,并将两个特征进行concatenate联结,使模型能够同时关注卷积神经网络输出特征中的重要位置和通道,以提高模型的感知和表达能力,用公式表示为:
output=concat(multiply(spatialAttention,input),multiply(channalAttention,input))其中,concat表示concatenate联结,spatialAttention、channalAttention分别表示空间注意力权重系数和通道注意力权重系数,input表示输入的信号特征,multiply表示相乘。
具体的,空间注意力模块中首先经过一层激活函数为Tahn函数的Dense层做特征变换,再经过一层Flatten层,将高维特征展平成一维,然后经过reshape层,使得与输入尺寸相等。通道注意力模块首先经过一个全局平均池化层计算每个通道特征的平均值,然后经过一个激活函数为ReLU的Dense层,及一个激活函数为Sigmoid的Dense层进行特征变换和特征学习,然后经过reshape层,使得与输入尺寸相等。
3)信号重建模块:基于空间和通道注意力模块输出的特征,通过重建算法生成原始信号,即无噪声动态心电信号。
若前面的学习算法改变了信号的尺寸,则重建算法选择步长大于1的转置卷积恢复到原始信号的尺寸,若没有改变信号的尺寸,则可以选择1*1卷积重建原始信号。
除了上面提供的“多尺度深度卷积神经网络结合空间和通道注意力机制”的时域滤波方式,还提供采用普通卷积神经网络的去噪自编码器与Transformer编码器模块相结合的TCDAE模型,进行时域滤波,下面对TCDAE模型进行详细说明。
图4是TCDAE模型的结构图,如图4所示,TCDAE模型对心电信号的具体处理流程为:将经过频域滤波的心电信号ECGNoisy-输入到一个卷积编码器中提取浅层和局部特征,结合位置嵌入,将嵌入后的特征通过Transformer编码器捕捉心电信号和噪声的全局依赖关系,解码器部分通过特征上采样来重建与原始信号具有相同维度的信号,即无噪声动态心电信号。TCDAE模型采用DAE作为框架,DAE是一个编码-解码结构的架构,其编码部分可以采用多种模型,这里采用普通卷积+Transformer的组合作为编码器部分,即TCDAE编码器,解码部分采用卷积网络,即TCDAE解码器,所以TCDAE模型由TCDAE编码器和TCDAE解码器构成,具体设置如下:
TCDAE编码器
经过频域滤波之后,输入的带噪声心电信号被送入一个由卷积神经网络构成的基础编码器和Transformer编码器组成的TCDAE编码器,表2是TCDAE模型的具体参数表。
表2TCDAE模型的具体参数表
基础编码器由三个堆叠的一维卷积块(Conv1D)组成,每个卷积块由一个卷积层、一个批量归一化层(BN)和一个激活层组成。卷积层的核大小为13×1,这样就可以提取浅层和局部特征嵌入;为了提取心电信号的多尺度短期特征,采用了三个阶段的堆叠;逐渐增加的核数(16,32,64)被用来扩大通道容量,如表2所示,跨度设置为2,以降低信号的分辨率;BN用于归一化每个块的输入,并通过重新居中和重新缩放使网络更快、更稳定。此外,指数线性单元(ELU)被用作所有卷积块的激活函数,它在所有点上都是连续和可微分的。
基础编码器块也可以被看作是Transformer编码器的输入嵌入。基于注意力的Transformer编码器被设计用来产生信号的稳健潜在表示,其超参数表2;每个编码器块由一个多头自注意(MHSA)模块和一个前馈网络(FFN)组成,这两个子层后面都有一个层归一化(LN),在这两个子层之间还有一个残差连接。由于Transformer编码器没有递归或卷积来注入相对或绝对的位置信息,在基础编码器块的末尾添加了位置嵌入层;位置嵌入的尺寸与Conv1D_3的输出相同,在本实施例中,使用不同频率的正弦和余弦函数来分配每个维度。
在位置嵌入之后,浅层特征被送入MHSA模块,其维度为64,MHSA将查询(Q)、键(K)和值(V)投射4次,并将它们串联到FFN块中;本实施例中,Q、K和V的维度都设置为64。与单头的注意力模块相比,多头注意力从不同头的并行计算中获益,而不需要额外计算。
为了获得注意力权重,计算查询和所有键的点积,将每个值除以并应用SoftMax函数;然后,将权重同时应用于所有通道的具有内部产生的值,本实施例中,使用的缩放点积注意力函数,这可以通过一个高度优化的矩阵乘法代码来快速实现。
用于对MHSA的输出进行线性转换的FFN由两个全连接层组成;LN模块用于消除批量依赖性,并在所有特征上获得相同的分布,以处理来自FFN的输入。
在卷积编码器和Transformer编码器之后,隐藏特征表示被变换为/>
TCDAE解码器
解码器部分是将噪声输入解码为包括四个转置的卷积块(Conv1DTrans)以提高特征图的维度;在TCDAE的编码器和解码器之间,我们使用长的跳过连接,这已被证明可以使深度网络在编码器-解码器结构中更加稳健和稳定;每个Conv1DTrans由一个转置卷积层、一个BN和一个激活层组成;转置卷积过程创造了与常规卷积操作相同的连接,但方向相反;最后一个Con1DTrans被用作输出层,有一个大小为13×1、步长为2的滤波器,以恢复与输入相同维度的信号。
为了用反向传播和梯度下降方法训练模型,需要一个损失函数来评估重建后的信号和原始无噪声信号之间的距离。在本实施例中,使用自定义的AmpLoss和AngLoss两个损失函数分别量化在幅度和角度上的失真度,使用两者相结合的损失函数来降低心电图信号中低振幅波的失真。
AmpLoss损失函数结合了平均平方误差函数和绝对值函数,对数据中的异常值不那么敏感,定义如下:
其中,x是原始无噪声心电信号,是重建的无噪声心电信号,δ是阈值参数,k用于控制损失函数在(k,k*δ)的形状。
AngLoss不取决于信号的大小,只取决于它们的整体角度,因此,在过滤过程中,P波和T波等低振幅段与QRS波的权重相同;其表达式为:
其中,n是信号数据长度,i取1-n,xi和分别是原始无噪声心电信号和重建的无噪声心电信号中第i个点,α控制相似度和差异度之间的平衡。
本实施例中,AmpLoss和AngLoss的权重比例为1:1,而整个训练过程是为了使训练集上的和x的失真度最小。
步骤S3:将待去噪的动态心电信号输入到训练好的去噪模型中,生成并输出无噪声动态心电信号。
实施例二
在一个或多个实施例中,公开了一种动态心电图中随机混合噪声的去除系统,如图5所示,包括数据集构建模块、模型训练模块和信号去噪模块:
数据集构建模块,被配置为:用噪声信号对原始无噪声心电信号进行加噪处理,得到加噪动态心电信号,组成训练数据集;
模型训练模块,被配置为:基于训练数据集,对构建的去噪模型进行训练,直到去噪模型输出的无噪声心电信号和原始无噪声心电信号在幅度和角度上的失真度最小;
信号去噪模块,被配置为:将待去噪的动态心电信号输入到训练好的去噪模型中,生成并输出无噪声动态心电信号;
其中,所述去噪模型,使用频域滤波和时域滤波两步法去除心电信号混合噪声,所述频域滤波是根据动态心电的频响标准进行频率域的去噪,所述时域滤波是通过多尺度特征提取和信号重建进行去噪处理。
实施例三
本实施例的目的是提供计算机可读存储介质。
计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本公开实施例一所述的一种动态心电图中随机混合噪声的去除方法中的步骤。
实施例四
本实施例的目的是提供电子设备。
电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本公开实施例一所述的一种动态心电图中随机混合噪声的去除方法中的步骤。
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,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (10)
1.一种动态心电图中随机混合噪声的去除方法,其特征在于,包括:
将待去噪的动态心电信号输入到训练好的去噪模型中,生成并输出无噪声动态心电信号;
其中,所述去噪模型使用频域滤波和时域滤波两步法去除心电信号随机混合噪声,所述频域滤波是根据动态心电的频响标准进行频率域的去噪,所述时域滤波是通过多尺度特征提取和信号重建进行去噪处理。
2.如权利要求1所述的一种动态心电图中随机混合噪声的去除方法,其特征在于,所述去噪模型,基于训练数据集进行训练,直到去噪模型输出的无噪声心电信号和原始无噪声心电信号在幅度和角度上的失真度最小。
3.如权利要求2所述的一种动态心电图中随机混合噪声的去除方法,其特征在于,所述训练数据集的构建方法为:
用噪声信号对原始无噪声心电信号进行加噪处理,得到加噪动态心电信号,组成训练数据集。
4.如权利要求3所述的一种动态心电图中随机混合噪声的去除方法,其特征在于,所述噪声信号,是按照预设采样率从多种噪声源中采样得到的;所述噪声源,包括基线漂移干扰、运动伪影和电极运动干扰;
所述原始无噪声心电信号,采用干净无干扰的心电信号,采样率与噪声信号的采样率相同。
5.如权利要求3所述的一种动态心电图中随机混合噪声的去除方法,其特征在于,所述加噪处理,具体为:
对噪声信号和原始无噪声心电信号进行相同窗口长度和重叠步长的加窗分割,将得到的噪声信号段进行随机组合,并使用随机幅值注入到加窗分割后的原始无噪声心电信号中,得到加噪动态心电信号。
6.如权利要求5所述的一种动态心电图中随机混合噪声的去除方法,其特征在于,所述频域滤波,根据动态心电的频响标准,将加噪动态心电信号变换到频率域,采用零相移IIR算法,去除预设范围的干扰;
所述零相移IIR算法,是基于巴特沃斯IIR带通滤波器,进行零相位滤波。
7.如权利要求1所述的一种动态心电图中随机混合噪声的去除方法,其特征在于,所述时域滤波,采用多尺度深度卷积神经网络,结合空间和通道注意力机制,学习无噪声心电信号和噪声信号的特征信息;
所述多尺度深度卷积神经网络,基于膨胀卷积提取不同尺度的信号特征;
所述空间和通道注意力机制,关注信号特征中的重要位置和通道,将注意力权重与信号特征对应相乘并进行并置,得到重建后的无噪声动态心电信号。
8.如权利要求1所述的一种动态心电图中随机混合噪声的去除方法,其特征在于,还包括采用卷积DAE与Transformer编码器模块相结合的TCDAE模型,进行时域滤波;
所述TCDAE模型对心电信号的具体处理流程为:
通过卷积编码器提取浅层特征,结合位置嵌入,将嵌入后的特征通过Transformer编码器捕捉心电信号和噪声的全局依赖关系,解码器通过特征上采样来重建与原始信号具有相同维度的信号,即无噪声动态心电信号。
9.如权利要求1所述的一种动态心电图中随机混合噪声的去除方法,其特征在于,所述在幅度和角度上的失真度,分别使用自定义的AmpLoss和AngLoss损失函数来计算;
幅度上的损失函数定义为:
其中,x是原始无噪声心电信号,是重建的无噪声心电信号,δ是阈值参数,k用于控制损失函数在(k,k*δ)的形状;
角度上的损失函数定义为:
其中,n是信号数据长度,i取1-n,xi和分别是原始无噪声心电信号和重建的无噪声心电信号中第i个点,α控制相似度和差异度之间的平衡。
10.一种动态心电图中随机混合噪声的去除系统,其特征在于,包括信号去噪模块,用于将待去噪的动态心电信号输入到训练好的去噪模型中,生成并输出无噪声动态心电信号;
其中,所述去噪模型使用频域滤波和时域滤波两步法去除心电信号随机混合噪声,所述频域滤波是根据动态心电的频响标准进行频率域的去噪,所述时域滤波是通过多尺度特征提取和信号重建进行去噪处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310777861.XA CN117009743A (zh) | 2023-06-28 | 2023-06-28 | 一种动态心电图中随机混合噪声的去除方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310777861.XA CN117009743A (zh) | 2023-06-28 | 2023-06-28 | 一种动态心电图中随机混合噪声的去除方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117009743A true CN117009743A (zh) | 2023-11-07 |
Family
ID=88564448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310777861.XA Pending CN117009743A (zh) | 2023-06-28 | 2023-06-28 | 一种动态心电图中随机混合噪声的去除方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117009743A (zh) |
-
2023
- 2023-06-28 CN CN202310777861.XA patent/CN117009743A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guo et al. | A review of wavelet analysis and its applications: Challenges and opportunities | |
Ranjeet et al. | ECG signal compression using optimum wavelet filter bank based on kaiser window | |
Guido | Wavelets behind the scenes: Practical aspects, insights, and perspectives | |
Chandra et al. | Computationally efficient cosine modulated filter bank design for ECG signal compression | |
Abo-Zahhad | ECG signal compression using discrete wavelet transform | |
El Bouny et al. | Convolutional denoising auto-encoder based awgn removal from ecg signal | |
CN114648048A (zh) | 基于变分自编码和PixelCNN模型的心电信号降噪方法 | |
Chowdhury et al. | Automatic phonocardiography analysis using discrete wavelet transform | |
Li et al. | Deeplabv3+ vision transformer for visual bird sound denoising | |
Ranjeet | Retained signal energy based optimal wavelet selection for Denoising of ECG signal using modifide thresholding | |
CN117009743A (zh) | 一种动态心电图中随机混合噪声的去除方法及系统 | |
Swarnkar et al. | Performance of different threshold function for ECG compression using Slantlet transform | |
Nibhanupudi | Signal denoising using wavelets | |
Welba et al. | Contribution to S-EMG signal compression in 1D by the combination of the modified discrete wavelet packet transform (MDWPT) and the discrete cosine transform (DCT) | |
Emmanuel | Discrete wavelet mathematical transformation method for non-stationary heart sounds signal analysis | |
Sheu et al. | Lightweight denoising autoencoder design for noise removal in electrocardiography | |
CN115374815A (zh) | 一种基于视觉Transformer的自动睡眠分期方法 | |
Soubra et al. | A mother wavelet selection study for vertical ground reaction force signals | |
Rajankar et al. | An optimized transform for ecg signal compression | |
Abdali-Mohammadi | 12 lead electrocardiography signals compression by a new genetic programming based mathematical modeling algorithm | |
Abo-Zahhad et al. | Electrocardiogram data compression algorithm based on the linear prediction of the wavelet coefficients | |
Patwari et al. | Analysis of ECG signal compression technique using discrete wavelet transform for different wavelets | |
Ahsan et al. | VHDL modelling of fixed-point DWT for the purpose of EMG signal denoising | |
Rahangdale et al. | Vibroarthrographic signals de-noisingusing wavelet subband thresholding | |
US20220414181A1 (en) | Method and device for translating between stochastic 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 |