[发明专利]一种基于监督Seq2Seq模型的脉搏信号噪声检测方法

说明书

本发明公开了一种基于监督Seq2Seq模型的脉搏信号噪声检测方法，本发明先对目标信号进行经验模态分解，然后使用训练好的Seq2Seq模型得到该信号的特征表示，最后使用最近邻分类器，将其特征表示与训练集中已知类别信号的特征表示进行对比，进而确定该信号是否为噪声信号。本发明利用经验模态分解方法自适应提取输入信号的时频特征，将脉搏信号与噪声信号差别较大的时频信息进行突出；此外本发明还提取输入信号的多尺度特征，自动挖掘信号的具有区分力的深度特征表示，利用关系正则化引导脉搏信号的特征表示彼此接近，增加特征表示的辨别力，可以有效提高噪声信号检测精度，且不需要手动设置阈值。

技术领域

本发明涉及噪音检测领域，具体涉及一种基于监督Seq2Seq模型的脉搏信号噪声检测方法。

背景技术

利用计算机技术对脉搏信号进行客观化分析以辅助中医临床诊断，对推动中医现代化发展具有重要意义。而脉搏信号采集过程会不可避免的受到饱和、伪迹等噪声信号干扰。脉搏信号的饱和是指信号的最大幅值超过设备所能表示的最大值，使得信号的尖端被削平；脉搏信号的伪迹是指脉搏信号中出现的无规律信号段。这两类噪声信号严重影响了脉搏信号分析的准确性，如何从脉搏信号中检测并筛选出噪声信号对后续的脉搏信号分析非常关键。

目前关于脉搏信号噪声检测的方法主要包括：第一，基于片段选择的方法，对采集到的脉搏信号进行筛选，将含有饱和或者伪迹等噪声片段的脉搏信号直接丢弃。第二，基于盲源分离的方法，对采集到的脉搏信号进行独立源成分提取，通过对独立源成分进一步分析识别噪声信号。第三，基于频率分析的方法，对采集到的脉搏信号进行频域和时频域分析，通过阈值法判断信号的频域是否属于正常的脉搏信号范围内。

上述方法为脉搏信号中的噪声检测研究奠定了基础，但是存在如下缺点：第一，需要针对不同的噪声类型单独设计检测算法，对不同的噪声类型分别进行检测，检测过程繁琐。第二，检测效果受算法阈值影响较大，上述方法需要精选设置检测阈值。第三，受限于通过观察噪声信号的具体特征设计算法，无法发现潜在的噪声信号。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于监督Seq2Seq模型的脉搏信号噪声检测方法能够同时完成伪迹与饱和的自动检测，且不需要设置阈值，还可以发现其他潜在噪声信号。

为了达到上述发明目的，本发明采用的技术方案为：

提供一种基于监督Seq2Seq模型的脉搏信号噪声检测方法，其包括以下步骤：

S1、对已知标签信号进行时频分析，获取已知标签信号对应的本征模态分量和剩余信号，将已知标签信号表示为由其对应的本征模态分量和剩余信号构成的矩阵形式；

S2、采用Seq2Seq模型的编码器对矩阵形式的已知标签信号进行编码，得到对应的隐藏状态；

S3、采用Seq2Seq模型的解码器对隐藏状态进行解码重构，获取已知标签信号的特征表示；

S4、对隐藏状态进行全局平均操作，得到已知标签信号中每个信号的潜在特征表示；

S5、根据已知标签信号的特征表示获取Seq2Seq模型的重构损失，根据已知标签信号中每个信号的潜在特征表示获取Seq2Seq模型的关系正则化损失；

S6、对Seq2Seq模型的关系正则化损失添加权重系数，将Seq2Seq模型的重构损失与添加了权重系数的Seq2Seq模型的关系正则化损失之和作为Seq2Seq模型的损失函数；

S7、以Seq2Seq模型的损失函数最小为目标，采用随机梯度下降方法对Seq2Seq模型进行训练，得到训练后的Seq2Seq模型；

S8、采用与步骤S1-S4相同的方法获取目标信号中每个信号对应的潜在特征表示；