一种基于深度学习的心电图降噪方法与流程

1.本发明涉及人工智能技术领域，具体为一种基于深度学习的心电图降噪方法。


背景技术：

2.心电图(electrocardiogram,ecg)是记录心脏电活动的一种非侵入性诊断工具，它可以用来检测心脏的健康状况、心律失常等病症。然而，由于受到生理和环境因素的干扰，ecg信号常常受到各种噪声的污染，如肌电干扰、电力线干扰，基线漂移等，这对ecg信号的识别和分析造成了很大的困难。如图1所示，为原始采集的心电图的示例。由于由于有其他设备干扰，心电图中参杂了脉冲干扰噪音，图中箭头所示之处即为脉冲干扰波。常规心电信号是毫伏级信号，也就是说它是频率较低、幅值较小的信号，所以拿心电信号与周边的噪声信号对比，心电信号的强度通常来说都很微弱。这个显著的特点就使得将原始心电信号提取出来这个工作，难于一般工程信号的处理。
3.传统的对于心电信号去噪的方法多数基于滤波的方式，采用小波变换滤波或者带通滤波，虽然能有效解决基线漂移等问题，但是对于不规则的噪音，例如受到其他设备干扰产生的脉冲噪音则滤波效果不明显。且传统基于滤波的降噪方法在降噪的同时会修改原始波形中的有用信息，使得后续的心电图识别等操作产生偏差。如图2所示，即为对图1所示波形基于传统方法滤波去噪后的效果图，脉冲干扰噪音没有被完全滤除，且原有心电图中其他信息也被修改了，影响后续心电图识别结果。
4.现有方法中，也有基于神经网络处理egg信号噪音的方法，如申请号为201911279110.5的专利中公开的技术方案为基于对抗神经网络对ecg信号进行降噪，其核心思路是根据含噪音心电图生成一条干净的心电图，虽然生成的心电图曲线上是将噪声去除了，但因为是重新生成的心电图，同样会导致其在降噪的同时会修改原始波形中的有用信息。


技术实现要素：

5.为了解决现有技术中的心电图降噪方法中会对原始波形中的有用信息产生修改的问题，本发明提供一种基于深度学习的心电图降噪方法，其在识别降噪过程中，不会对原始波形进行修改，将原始波形中的有用信息都保留下来。
6.本发明的技术方案是这样的：一种基于深度学习的心电图降噪方法，其特征在于，其包括以下步骤：
7.s1：构建训练样本生成器；
8.基于所述训练样本生成器生成噪音模拟数据；
9.所述噪音模拟数据包括：脉冲干扰噪音和高斯噪音；
10.所述脉冲干扰噪音的形状为朝向一个方向的不同幅度的尖波，宽度不超过0.03秒；所述脉冲干扰噪音的幅度为随机大小；
11.所述高斯噪音包括：不同幅度和不同大小的高斯噪音；
12.s2：采集干净的不带噪音的心电图曲线，作为训练样本基础数据；
13.基于所述训练样本生成器，在所述训练样本基础数据的曲线上随机添加所述噪音模拟数据，得到训练样本数据；
14.s3：基于所述训练样本数据构建训练样本集；
15.s4：基于卷积神经网络构建噪音滤除模型；
16.所述噪音滤除模型的每一层卷积层输入尺寸为[x,y,inputchannel]，其中，x，y为数据尺寸，inputchannel为输入通道数，其中x取值为1；
[0017]
每一层卷积层的输出尺寸为[x,y,outputchannel]，outputchannel为输出通道数；
[0018]
每一层卷积核的尺寸设置为[sx,sy,inputchannel,outputchannel]，其中sx取值为1；
[0019]
则有，
[0020]
其中，o卷积层的输出数据，其中，m代表第m个通道，n代表第n个数值，c
i,n
代表第i个输入通道的第n个数值，σ
i,n
为卷积层的第i个输入通道的第n个数值的权重；所述离群点表示输入数据中的噪音数据；
[0021]
s5：基于所述训练样本集训练所述噪音滤除模型，得到训练好的所述噪音滤除模型；
[0022]
训练过程采用端到端的训练方式；
[0023]
s6：将待处理心电图曲线输入到基于训练好的所述噪音滤除模型中，进行噪音滤除。
[0024]
其进一步特征在于：
[0025]
步骤s5中，训练时lossfunction使用欧氏距离；
[0026]
步骤s5中，在训练时，在所述训练样本数据作为输入数据的基础上，添加原始干净的所述训练样本基础数据同时作为输入数据；并对所述训练样本数据和所述训练样本基础数据的输出数据分别添加权重后再相加，作为一次迭代训练的lossfunction；
[0027]
步骤s5中，训练时，对所述训练样本数据中的噪音模拟数据和训练样本基础数据分别添加权重；
[0028]
对所述噪音滤除模型训练过程中，采用的lossfunction为：
[0029][0030]
其中，α、β和δ为超参，y为一维心电图的长度，input1为的所述训练样本基础数据作为输入数据的输入心电图曲线，output1为input1对应的输出；input2为所述训练样本数据作为输入数据的输入曲线，output2为input2对应的输出；j表示输入数据的曲线上的第j个点；
[0031]
所述离群点的筛选方法，具体包括以下步骤：
[0032]
a1：将所有的输入数据按照大小排序，得到数据序列；
[0033]
a2：计算出所有数据的四分位数，将四分卫数以小到大排列：q1、q2、q3；
[0034]
a3：计算所述数据序列的四分卫距iqr：
[0035]
iqr＝q3-q1；
[0036]
a4：将所有小于q1
–
0.25*iqr或大于q3+0.25*iqr的数据点记作：离群点。
[0037]
本技术提供的一种基于深度学习的心电图降噪方法，基于训练样本生成器生成噪音模拟数据，将噪音模拟数据随机添加到不带噪音的心电图曲线上生成训练样本数据，确保训练样本数据能够覆盖不同情况下的任何噪音类型，进而确保噪音滤除模型对噪音信息的学习，进而确保模型对噪声识别的准确性。基于卷积神经网络构建噪音滤除模型，对卷积神经网络的多通道相加的机制进行改进，删除作为离群点的噪音数据后再将通道相加，降低计算结果中包含噪音数据的概率，提高了结果准确率。基于欧氏距离改进了训练方法，对噪音滤除模型进行训练的时候，添加了训练样本基础数据同时作为输入，平衡噪音滤除对原始波形的影响，提高了原有波形信息保留的概率；通过超参的设定，控制训练效果，确保能够在滤除噪音的同时不会修改原始波形中的有用信息。基于本技术的降噪方法，其在识别降噪过程中，不会对原始波形进行修改，将原始波形中的有用信息都保留下来，为后续心电图信号识别提供了良好的基础。
附图说明
[0038]
图1为原始采集的心电图的示例；
[0039]
图2为对图1所示波形基于传统方法滤波去噪后的效果图；
[0040]
图3为噪音滤除模型的卷积层通道关系示意图；
[0041]
图4为实施例1中的训练样本基础数据；
[0042]
图5为图4数据添加了噪音模拟数据后的心电图曲线
[0043]
图6为实施例2中的无噪声基础数据；
[0044]
图7为图6数据添加了噪音模拟数据后的心电图曲线；
[0045]
图8为图7的数据投入到噪音滤除模型后，得到的降噪后心电图曲线；
[0046]
图9为图6数据直接投入到噪音滤除模型后，得到的降噪后心电图曲线。
具体实施方式
[0047]
本发明包括一种基于深度学习的心电图降噪方法，其包括以下步骤。
[0048]
s1：构建训练样本生成器；
[0049]
基于训练样本生成器生成噪音模拟数据；
[0050]
噪音模拟数据包括：脉冲干扰噪音和高斯噪音；
[0051]
脉冲干扰噪音的形状为朝向一个方向的不同幅度的尖波，宽度通常不超过0.03秒；脉冲干扰噪音的幅度为随机大小。
[0052]
高斯噪音包括：不同幅度和不同大小的高斯噪音。
[0053]
本技术技术方案主要包括两个模块：训练样本生成器和噪音滤除模型。训练样本生成器模拟生成的脉冲干涉噪音，覆盖了在实际工作中心电采集设备在运转产生的噪音。高斯噪音覆盖了实际工作中的肌电干扰、静电干扰和电力线干扰在心电信号中产生的噪
音。通过训练样本生成器确保能够覆盖到全部噪音类型，能够模拟不同类型的噪音干扰，进而确保噪音滤除模型够学习到各种噪音信息，针对所有不同的噪音都能有效处理。
[0054]
s2：采集干净的不带噪音的心电图曲线，作为训练样本基础数据；
[0055]
基于所述训练样本生成器在训练样本基础数据的曲线上随机添加噪音模拟数据，得到训练样本数据。
[0056]
s3：基于训练样本数据构建训练样本集。
[0057]
如图4所示，为实施例1中的原始干净的无噪声的训练样本基础数据。图5为训练样本生成器向图4的训练样本基础数据的随机位置添加类似的随机高度随机宽度的波形模拟脉冲干扰波，以及高斯噪音后得到的训练样本数据的示例。
[0058]
s4：基于卷积神经网络构建噪音滤除模型；
[0059]
本技术中的噪音滤除模型，输入带噪音的曲线，输出滤除噪音后的曲线，输入输出的尺寸一致。
[0060]
传统的卷积神经网络的每层在进行卷积时会有输入通道和输出通道，即尺寸为[x,y,inputchannel]的每层输出作为下一层的输入，其中，x，y为数据尺寸。
[0061]
在申请利中心电图曲线为一维曲线，因此x为1，inputchannel为输入通道数；经过下一层的卷积，尺寸变为[x,y,outputchannel]，即将inputchannel通道数通过卷积变为了outputchannel的通道数。这是通过将该层的卷积核的尺寸设置为[sx,sy,inputchannel,outputchannel]实现的，其中sx,sy为单体卷积核的尺寸，本专利中心电图曲线为一维曲线，因此sx取值为1，inputchannel即为输入通道数，outputchannel为输出通道。具体参照图3所示。
[0062]
即outputchannel个输出数据中每个数据都是由inputchannel个数据通过卷积而后直接加到一起的。具
[0063]
体公式如下：
[0064][0065]
其中，m代表第m个通道，n代表第n个数值，传统的卷积层中，将所有通道的数据直接进行了相加，即所有通道的权重都是一致的。
[0066]
由于卷积网络不同的通道采用的卷积核不同，提取的信息也不尽一致。本技术对噪音进行滤除，如果直接将不同通道的数据直接相加到一起，会将一些没有被有效滤除掉噪音的通道数据也加了进来，导致结果仍然包含噪音。
[0067]
因此本技术对传统的卷积网络进行了改进，将所有inputchannel通道的对应位置的数据进行统计，计算数据的四分位数和内限范围，将数据分为正常值和离群值。
[0068]
具体来说，需要先将离群点的筛除，具体筛除方法包括以下步骤：
[0069]
a1：将所有的输入数据按照大小排序，得到数据序列；
[0070]
a2：计算出所有数据的四分位数，将四分卫数以小到大排列：q1、q2、q3；
[0071]
a3：计算数据序列的四分卫距iqr：
[0072]
iqr＝q3-q1；
[0073]
a4：将所有小于q1
–
0.25*iqr或大于q3+0.25*iqr的数据点记作：离群点。
[0074]
将离群点的权重设置为0，将正常点的权重设置为1。
[0075]
因此本技术中的inputchannel和outputchannel的关系公式变为：
[0076]
则有，
[0077]
其中，o卷积层的输出数据，其中，m代表第m个通道，n代表第n个数值，c
i,n
代表第i个输入通道的第n个数值，σ
i,n
为卷积层的第i个输入通道的第n个数值的权重；离群点表示输入数据中的噪音数据。
[0078]
本技术中，对于噪音滤除模型的训练lossfunction使用欧氏距离公式。
[0079]
传统欧氏距离公式为：
[0080][0081]
其中y为一维心电图的长度，input为输入心电图曲线，output为输出心电图曲线。
[0082]
但是，传统的lossfunction虽然能滤除噪音，但是无法很好地在滤除噪音的同时保留原始信息不变，还是存在原始波形中的有用信息本修改的问题。
[0083]
因此本技术中，对lossfunction进行改进，在训练的时候，添加了原始干净的训练样本基础数据同时作为输入，平衡噪音滤除的影响。
[0084]
具体应用时，同一个网络模型，先输入原始干净的训练样本基础数据input1，生成输出结果output1，而后再输入添加了噪音模拟数据的训练样本数据input2，生成输出结果output2。将output1和output2的loss加权相加，作为一次迭代训练的lossfunction，即，通过权重控制噪音滤除的影响。
[0085]
由于训练样本数据input2生成时，是随机添加噪音的，因此input2曲线中有一部分是噪音，剩下的是非噪音的训练样本基础数据。因此训练时input2中的的噪音模拟数据和训练样本基础数据也通过添加权重，达到算法的平衡噪音滤除和保留原始波形的目的。具体如下所示。
[0086]
s5：基于训练样本集训练噪音滤除模型，得到训练好的噪音滤除模型；训练过程采用端到端的训练方式。
[0087]
对噪音滤除模型训练过程中，采用的lossfunction为：
[0088][0089]
其中，α、β和δ为超参，y为一维心电图的长度，input1为的训练样本基础数据作为输入数据的输入心电图曲线，output1为input1对应的输出；input2为训练样本数据作为输入数据的输入曲线，output2为input2对应的输出；j表示输入数据的曲线上的第j个点。
[0090]
其中，α、β和δ为超参，通过调整不同比例，能够让模型呈现不同的滤波效果。例如调大α和β的数值，则使得模型保留原始数据信息，降低滤波效果；调大δ数值则能使模型滤波效果明显，降低原始数据信息的保留度。
[0091]
本实施例中采用α＝0.5，β＝0.5，δ＝1。通过噪音数据和原始数据的平衡，能在达到平衡噪音滤除和保留原始波形的目的，在滤除噪音的同时不修改原始波形信息。
[0092]
s6：将待处理心电图曲线输入到基于训练好的噪音滤除模型中，进行噪音滤除。
[0093]
如图6所示的实施例2中的一段无噪声基础数据，基于训练样本生成器生成噪音模拟数据后，将噪音模拟数据随机地添加到无噪声基础数据中，得到图7所示心电图曲线。将图7中含噪声的心电图曲线投入到到噪音滤除模型进行降噪处理。得到的降噪后心电图曲线如图8所示。比较图6和图8，可知图6的信息被保存在图8的曲线中。而直接将图6的曲线送入到到噪音滤除模型进行降噪处理，得到的降噪后曲线如图9所示。比较图6和图9，可知图6的曲线也没有被修改。
[0094]
使用本发明的技术方案后，基于训练样本生成器，能自动生成各种噪音数据，覆盖不同情况下的任何噪音类型，解决训练数据少等问题。基于改进后的卷积神经网络的多通道相加的机制，删除离群数据，确保噪音滤除模型更适用于噪音滤除。基于改进后的训练方法和训练数据，通过超参的设定，确保本技术中的噪音滤除模型能够在滤除噪音的同时不修改原始波形信息。

技术特征：
1.一种基于深度学习的心电图降噪方法，其特征在于，其包括以下步骤：s1：构建训练样本生成器；基于所述训练样本生成器生成噪音模拟数据；所述噪音模拟数据包括：脉冲干扰噪音和高斯噪音；所述脉冲干扰噪音的形状为朝向一个方向的不同幅度的尖波，宽度不超过0.03秒；所述脉冲干扰噪音的幅度为随机大小；所述高斯噪音包括：不同幅度和不同大小的高斯噪音；s2：采集干净的不带噪音的心电图曲线，作为训练样本基础数据；基于所述训练样本生成器，在所述训练样本基础数据的曲线上随机添加所述噪音模拟数据，得到训练样本数据；s3：基于所述训练样本数据构建训练样本集；s4：基于卷积神经网络构建噪音滤除模型；所述噪音滤除模型的每一层卷积层输入尺寸为[x,y,inputchannel]，其中，x，y为数据尺寸，inputchannel为输入通道数，其中x取值为1；每一层卷积层的输出尺寸为[x,y,outputchannel]，outputchannel为输出通道数；每一层卷积核的尺寸设置为[sx,sy,inputchannel,outputchannel]，其中sx取值为1；则有，(σ
i,n
＝0ifc
i,n
∈离群点elseσ
i,n
＝1)其中，o卷积层的输出数据，其中，m代表第m个通道，n代表第n个数值，c
i,n
代表第i个输入通道的第n个数值，σ
i,n
为卷积层的第i个输入通道的第n个数值的权重；离群点表示输入数据中的噪音数据；s5：基于所述训练样本集训练所述噪音滤除模型，得到训练好的所述噪音滤除模型；训练过程采用端到端的训练方式；s6：将待处理心电图曲线输入到基于训练好的所述噪音滤除模型中，进行噪音滤除。2.根据权利要求1所述一种基于深度学习的心电图降噪方法，其特征在于：步骤s5中，训练时lossfunction使用欧氏距离。3.根据权利要求2所述一种基于深度学习的心电图降噪方法，其特征在于：步骤s5中，在训练时，在所述训练样本数据作为输入数据的基础上，添加原始干净的所述训练样本基础数据同时作为输入数据；并对所述训练样本数据和所述训练样本基础数据的输出数据分别添加权重后再相加，作为一次迭代训练的lossfunction。4.根据权利要求3所述一种基于深度学习的心电图降噪方法，其特征在于：步骤s5中，训练时，对所述训练样本数据中的噪音模拟数据和训练样本基础数据分别添加权重。5.根据权利要求1所述一种基于深度学习的心电图降噪方法，其特征在于：对所述噪音滤除模型训练过程中，采用的lossfunction为：
其中，α、β和δ为超参，y为一维心电图的长度，input1为的所述训练样本基础数据作为输入数据的输入心电图曲线，output1为input1对应的输出；input2为所述训练样本数据作为输入数据的输入曲线，output2为input2对应的输出；j表示输入数据的曲线上的第j个点。6.根据权利要求1所述一种基于深度学习的心电图降噪方法，其特征在于：所述离群点的筛选方法，具体包括以下步骤：a1：将所有的输入数据按照大小排序，得到数据序列；a2：计算出所有数据的四分位数，将四分卫数以小到大排列：q1、q2、q3；a3：计算所述数据序列的四分卫距iqr：iqr＝q3-q1；a4：将所有小于q1
–
0.25*iqr或大于q3+0.25*iqr的数据点记作：离群点。

技术总结
本申请提供的一种基于深度学习的心电图降噪方法，基于训练样本生成器生成噪音模拟数据，将噪音模拟数据随机添加到不带噪音的心电图曲线上生成训练样本数据，基于卷积神经网络构建噪音滤除模型，对卷积神经网络的多通道相加的机制进行改进，删除作为离群点的噪音数据后再将通道相加，降低计算结果中包含噪音数据的概率。基于欧氏距离改进了训练方法，对噪音滤除模型进行训练的时候，添加了训练样本基础数据同时作为输入，平衡噪音滤除对原始波形的影响，提高了原有波形信息保留的概率；通过超参的设定，控制训练效果，确保能够在滤除噪音的同时不会修改原始波形中的有用信息。的同时不会修改原始波形中的有用信息。的同时不会修改原始波形中的有用信息。


技术研发人员：杨亮 陈洪 李卓
受保护的技术使用者：无锡市健维仪器有限公司
技术研发日：2023.06.07
技术公布日：2023/9/12