[发明专利]基于稀疏特性与对抗神经网络相结合的ECG信号处理方法

权利要求书

1.一种基于稀疏特性与对抗神经网络相结合的ECG信号处理方法，其特征在于，包括：

a)从MIT-BIH噪声压力测试数据库中选择EM、BM和MA噪声记录作为噪声数据v；

b)深度学习的对抗神经网络中生成网络输入的信号为含有噪声数据v的信号y，将含有噪声数据v的信号y重新构建干净的原始信号y^*实现信号y的降噪，得到降噪后的信号y′，将原始信号y^*与降噪后的信号y′作为输入信号输入进对抗神经网络中的判别器，使用支持向量机来评价降噪后的ECG信号质量；

c)通过对抗神经网络的学习法将步骤b)中的生成网络模型进行训练，训练后的生成网络模型将心电信号进行高保真降噪；

d)通过公式l_D＝log(1-D(y^*))+log(D(G(y)))计算对抗神经网络中的判别器的损失函数l_D，式中G(y)为以含有噪声数据v的信号y作为输入信号并通过生成网络去噪后的信号，D(G(y)为判别网络判别信号是来自原始信号而不是生成网络去噪后的信号的概率；

e)当判别器无法判别输入的信号是原始信号还是生成网络生成的信号时，保存模型；

步骤b)包括如下步骤：

b-1)通过公式Y＝{y＝Ax+v}计算不确定系数线性模型中采样的一组数据Y，其中A∈R^n×m，A为宽为n高为m的线性变换矩阵，R为矩阵，x为稀疏编码，x∈R^m，将x的位置是非零的概率定义为γ，x非零值服从均匀分布U(0,1)，噪声数据v从正态分布N(0,SNR)中采样，

b-2)设置m＝100，n＝50，将γ设为0.1；

b-3)选择递归神经网络作为编码部分，编码结构方程为h＝0，h_t+1＝f(Uh_t+W_y+b)，式中h_t为稀疏编码x的估计值，h为初始隐藏状态，h_t+1是编码部分的第t+1个状态，W_y与b为学习参数，设置4层递归网络作为编码部分，隐藏层单元的数量与x的维数相同，隐藏层每一层都将前一层的输出作为输入；

b-4)通过公式x＝h_T,r(x)＝f(W_rx+b_r)+x计算残差块r(x)，式中h_T是编码部分的第T个状态，W_r与b_r为学习参数；

b-5)通过公式y′＝W₀r(x)+b₀计算降噪后的信号y′，式中W₀与b₀为学习参数。

2.根据权利要求1所述的基于稀疏特性与对抗神经网络相结合的ECG信号处理方法，其特征在于：步骤a)中从MIT-BIH噪声压力测试数据库中分别选择编号为103、105、111、116、122、205、213、219、223、230的噪声记录。

3.根据权利要求1所述的基于稀疏特性与对抗神经网络相结合的ECG信号处理方法，其特征在于：步骤a)中通过将信噪比分别设置为15dB、20dB和25dB在计ECG信号中加入噪声数据v，每种噪声训练样本数量为54000个，测试样本数量为5940个。

4.根据权利要求1所述的基于稀疏特性与对抗神经网络相结合的ECG信号处理方法，其特征在于，步骤c)包括如下步骤：

c-1)通过公式计算生成网络的损失函数l_g(y,y^*)，式中λ为权重系数，λ＝10^-4，N＝100，y_i为信号y的第i个输入样本，为信号y^*的第i个输入样本；

c-2)通过公式计算信号y与原始信号y^*的整体差值l_dist，式中y′_i为降噪后的信号y′的第i个输入样本；

c-3)通过公式l_G＝l_g(y,y^*)+αl_dist+βl_dist-max计算生成器的损失函数l_G，α＝0.7，β＝0.2，l_dist-max为l_dist的最大值。