[發明專利]一種基于深度卷積生成對抗網絡的ECG降噪方法

有效

• 申請號: 202011335304.5
• 申請日: 2020-11-25
• 公開（公告）號: CN112487914B
• 公開（公告）日: 2021-08-31
• 發明（設計）人: 王英龍;徐冰鑫;舒明雷;劉瑞霞;陳超;高天雷
• 申請（專利權）人: 山東省人工智能研究院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;A61B5/318
• 代理公司: 濟南泉城專利商標事務所 37218
• 代理人: 支文彬

1.一種基于深度卷積生成對抗網絡的ECG降噪方法，其特征在于，包括：

a)從MIT-BIH噪聲壓力測試數據庫中選擇EM、BM和MA噪聲記錄作為噪聲數據N；

b)將一維心電信號轉換為二維數據，利用卷積對抗網絡的對抗訓練完成心電信號降噪；

c)通過深度卷積對抗網絡學習方法將步驟b)中卷積對抗網絡中的生成網絡模型進行訓練，利用訓練后的生成網絡，輸出降噪后的心電信號；

d)計算深度卷積對抗網絡中的判別器的損失函數L_D；

e)當判別網絡和生成網絡的損失函數豎直趨于納什平衡時，保存網絡模型；

f)利用步驟e)中的網絡模型對步驟a)中的噪聲數據N進行降噪處理；

步驟b)包括如下步驟：

b-1)利用公式X＝S+N計算得到含噪聲的信號X，式中S為干凈的心電信號，利用X＝(x₁,x₂,...,x_k)，S＝(s₁,s₂,...,s_k)，N＝(n₁,n₂,…,n_k)表示心電信號的一維的信號，其中x_i為第i個含噪信號，s_i為第i個干凈的心電信號，n_i為第i個噪聲信號，k為樣本的長度，1≤i≤k，k＝310；

b-2)通過公式G(X)＝S′→S＝X-N計算得到降噪后的心電信號G(X)，S′為卷積對抗網絡的生成器生成的信號，S′＝(s₁′,s₂′,…,s_k′)；

b-3)將一維的信號進行空間投影重構，用二維數據表示，通過公式G(Z)＝S′→S＝X-N計算得到二維重構的降噪后的心電信號G(Z)；

b-4)在卷積對抗網絡的生成網絡中，將一維的信號經過重構層轉化為二維的矩陣數據，在第一個卷積層中，卷積核為10，尺寸為(3,2)，步長為(2,1)，padding設置為valid，在BN層進行數據的歸一化，激活函數使用Leaky Relu，第二個卷積層中卷積層核為20，尺寸為(2,2)，步長為(2,1)，padding設置為same，激活函數使用Leaky Relu，在BN層進行批歸一化，第一個反卷積層卷積核設為20，尺寸為(2,2)，步長為(2,1)，padding設置為same，在BN層進行批歸一化，激活函數使用Relu，第二個卷積層以上一層卷積輸出為輸入，設置卷積核為10，尺寸為(4,2)，步長為(2,1)，padding設置為valid，在BN層進行批歸一化，激活函數使用tanh，數據還原回62*5維，生成器返回降噪處理后的心電信號G(X)；

b-5)在卷積對抗網絡的判別網絡中，第一個卷積層輸入原始干凈信號S和降噪后的心電信號G(Z)，卷積核為10，尺寸為(3,3)，步長為(2,2)，padding設置為same，在LN層進行層歸一化，激活函數使用Leaky Relu，第二個卷積層以第一層卷積層的輸出為輸入，卷積核設置為10，尺寸為(3,3)，步長為(2,2)，padding設置為same，在LN層進行層歸一化，激活函數使用Leaky Relu，全連接層以第二層的卷積輸出為輸入，輸出降噪信號質量判別的D(r)和D(f)，D(r)為判別器輸入干凈樣本后的邏輯判斷值，D(f)為判別器輸入降噪樣本后的邏輯判斷值。

2.根據權利要求1所述的基于深度卷積生成對抗網絡的ECG降噪方法，其特征在于，步驟a)包括如下步驟：

a-1)從MIT-BIH噪聲壓力測試數據庫中選用10組原始心電信號數據，每組數據是2*650000個數據點，以每個心電周期采樣310個點對選擇的10組原始心電信號數據進行劃分樣本，每組樣本數據采樣出1998個樣本；

a-2)在劃分的原始心電信號中加入信噪比為0dB、1.25dB和50dB的EM、BM、MA噪聲數據N，每條心電信號構造噪聲訓練樣本數量為5400個，測試樣本數量為594個。

3.根據權利要求2所述的基于深度卷積生成對抗網絡的ECG降噪方法，其特征在于:步驟a)中從MIT-BIH噪聲壓力測試數據庫中分別選擇編號為103、105、111、116、122、205、213、219、223、230的噪聲記錄。