[发明专利]一种基于对抗性深度全卷积网络的ECG降噪方法

说明书

一种基于对抗性深度全卷积网络的ECG降噪方法，通过基于深度卷积网络的对抗性心电信号降噪方法，模型中采用卷积块来更进一步的保留细节，采用膨胀卷积去减少计算的复杂度，每层都采用了批量规范化以获得更好的梯度流，快速收敛。最后利用鉴别器来更好的去学习优化。此设计在保留细节的同时，还可以体现出低复杂度、高精准的降噪信号。

技术领域

本发明涉及心电信号处理技术领域，具体涉及一种基于对抗性深度全卷积网络的ECG降噪方法。

背景技术

心电信号是作为识别人体心脏异常不可或缺的一种方式，如附图1所示，其主要由P波、QRS复合波、T波与U波组成，各波段的异常情况分别代表不同的身体疾病。正常的心电信号频率范围在之间，而的集中在之间。

心电信号作为识别人体心脏异常的重要指标，其常见的问题是心电信号采集过程中会引入一些不必要甚至干扰的噪声。特别是近年来，随着可穿戴设备的普及和应用，采集过程中会引入噪声，尤其是运动伪影，会造成部分心电信号失真，从而使采集到的心电信号的准确性下降。因此，消除这些噪音以便为分析信号是否异常是第一步，也是关键一步。为了获得干净准确的心电信号，降噪成为心电信号处理任务的核心。在研究之初，基于传统方法的心电信号降噪方法有很多研究，如经验模式分解、小波技术、滤波技术和稀疏表示等。然而，现有的心电信号降噪方法各有优缺点。共同的缺点是在不同的噪声背景下泛化能力不好。近年来，随着深度学习知识在图像处理和语音识别等方向的快速发展，深度学习知识应用于心电信号处理领域取得了重大突破，如全卷积噪声自动压缩编码器、堆栈噪声自动编码器和深度递归神经网络等。，尤其是对于各种不同的噪声条件，它表现出良好的泛化能力，然而，它并不完美。问题是，虽然它具有较好的泛化能力，但其设计的网络结构降噪效果优于传统降噪效果，但在深度学习技术中仍表现出低信噪比和高误差，会造成心电信号失真和重要信息丢失。

发明内容

本发明为了克服以上技术的不足，提供了一种利用时-频域损失函数，利用生成对抗网络中的鉴别器网络去优化深度卷积网络参数方法，以尽可能的消除全部ECG噪声与避免ECG失真的ECG处理方法。

本发明克服其技术问题所采用的技术方案是：

一种基于对抗性深度全卷积网络的ECG降噪方法，包括如下步骤：

a)选取MIT-BIH噪声压力测试数据库中编号为BW、MA和EM的噪声并进行截取，选择截取的BW噪声中通道一的噪声信号并将其切割成N份与M份，其中切割的N份与M份噪声信号长度均为L，选择截取的MA噪声中通道一的噪声信号并将其切割成N份与M份，其中切割的N份与M份噪声信号长度均为L，选择截取的EM噪声中通道一的噪声信号并将其切割成N份与M份，其中切割的N份与M份噪声信号长度均为L；

b)选取MIT-BIH心律失常数据库48条记录，将选取的每一份信号切割成N份且长度为L的干净信号，选取QT数据库105条记录，将选取的每一份信号切割成M份且长度为L的干净信号；

c)将步骤a)中切割的噪声信号进行归一化处理，将步骤b)中切割后的干净信号进行归一化处理，将归一化后的BW噪声中的N份噪声信号及M份噪声信号分别注入到归一化后的N份干净信号及M份干净信号中，将将归一化后的MA噪声中的N份噪声信号及M份噪声信号分别注入到归一化后的N份干净信号及M份干净信号中，将归一化后的EM噪声中的N份噪声信号及M份噪声信号分别注入到归一化后的N份干净信号及M份干净信号中，得到需要降噪的信号；

d)分别将BW、MA和EM中切割的噪声信号划分为训练集、验证集与测试集，将MIT-BIH心律失常数据库切割的干净信号划分为训练集、验证集与测试集，将QT数据库切割的干净信号划分为训练集、验证集与测试集；