[发明专利]一种基于HIN网络和梯度差损失的心电信号降噪方法

说明书

一种基于HIN网络和梯度差损失的心电信号降噪方法，在HIN网络中使用半实例归一化模块(Half Instance Normalization Blocks)，使得该模型不仅可以对特征的均值和方差进行重校正且不受batch维度的影响，还可以保持更多的尺度信息。利用第一个阶段对心电信号进行去噪，并提取重要特征，第二个阶段融合第一阶段降噪的结果对心电信号进行重构，并对第一阶段去噪引起的波形失真进行校正，从而减少信息丢失。

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HIN网络和梯度差损失的心电信号降噪方法。

背景技术

心电信号是重要的生物电信号，然而在心电信号采集过程中，由于其频率和幅值较低，对各种仪器和生物干扰非常敏感，容易造成心电波形畸形，如产生类似于单个波形的大峰值，并掩盖重要的心电特征。因此去除噪声对于医学研究有着深刻的意义。

目前心电信号的研究方法主要分为基于传统和基于深度学习的降噪方法。传统的心电去噪方法如傅立叶分解、经验模态分解、小波变换等虽然在心电信号降噪领域各有优点，但共同的缺点是在不同噪声背景下的泛化能力不强。而基于深度学习的去噪方法，如全卷积自编码器、堆叠自编码器以及循环神经网络不仅在单种噪声情况下取得了比传统降噪算法更高的信噪比，且在多种噪声的混合模式下，也有较好的泛化性。但是其在模型训练过程中，会出现训练时间长，且降噪效果提升缓慢的问题，此外由于现有的损失函数不能够适应信号的特征，降噪后的信号也容易丢失重要信息。

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HIN网络对心电信号进行两阶段的去噪，减少了信息丢失，极大程度上解决了波形失真问题的心电信号降噪方法。

本发明克服其技术问题所采用的技术方案是：

一种基于HIN网络和梯度差损失的心电信号降噪方法，包括：

a)选取原始干净的心电记录s及噪声数据n，将原始干净的心电记录s切割为M个长度为L个数据点的片段样本，将噪声数据n切割为M个长度为L个数据点的噪声片段样本；

b)对每个片段样本进行归一化操作，得到归一化后的片段样本S_normal；

c)对每个噪声片段样本进行归一化操作，得到归一化后的片段样本N_normal；

d)通过公式x_i＝s_i+n_j计算得到第i段含噪信号x_i，i,j∈{1,2,...,M}，s_i为第i段片段样本，n_j为第j段噪声片段样本，将含噪信号x＝(x₁,x₂,...,x_M)划分为训练集、验证集和测试集；

e)建立半实例归一化网络模型，该网络模型包括第一处理单元和第二处理单元，第一处理单元由第一卷积层、第一HIN模块、第二卷积层、第二HIN模块、反卷积层、Res模块、SE模块及第三卷积层构成，第二处理单元由第一卷积层、第二卷积层、第一HIN模块、第三卷积层、第二HIN模块、反卷积层、Res模块、第四卷积层，第五卷积层和第六卷积层构成；