[发明专利]一种基于深度卷积生成对抗网络的ECG降噪方法

权利要求书

1.一种基于深度卷积生成对抗网络的ECG降噪方法，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N；

b)将一维心电信号转换为二维数据，利用卷积对抗网络的对抗训练完成心电信号降噪；

c)通过深度卷积对抗网络学习方法将步骤b)中卷积对抗网络中的生成网络模型进行训练，利用训练后的生成网络，输出降噪后的心电信号；

d)计算深度卷积对抗网络中的判别器的损失函数L_D；

e)当判别网络和生成网络的损失函数竖直趋于纳什平衡时，保存网络模型；

f)利用步骤e)中的网络模型对步骤a)中的噪声数据N进行降噪处理；

步骤b)包括如下步骤：

b-1)利用公式X＝S+N计算得到含噪声的信号X，式中S为干净的心电信号，利用X＝(x₁,x₂,...,x_k)，S＝(s₁,s₂,...,s_k)，N＝(n₁,n₂,…,n_k)表示心电信号的一维的信号，其中x_i为第i个含噪信号，s_i为第i个干净的心电信号，n_i为第i个噪声信号，k为样本的长度，1≤i≤k，k＝310；

b-2)通过公式G(X)＝S′→S＝X-N计算得到降噪后的心电信号G(X)，S′为卷积对抗网络的生成器生成的信号，S′＝(s₁′,s₂′,…,s_k′)；

b-3)将一维的信号进行空间投影重构，用二维数据表示，通过公式G(Z)＝S′→S＝X-N计算得到二维重构的降噪后的心电信号G(Z)；

b-4)在卷积对抗网络的生成网络中，将一维的信号经过重构层转化为二维的矩阵数据，在第一个卷积层中，卷积核为10，尺寸为(3,2)，步长为(2,1)，padding设置为valid，在BN层进行数据的归一化，激活函数使用Leaky Relu，第二个卷积层中卷积层核为20，尺寸为(2,2)，步长为(2,1)，padding设置为same，激活函数使用Leaky Relu，在BN层进行批归一化，第一个反卷积层卷积核设为20，尺寸为(2,2)，步长为(2,1)，padding设置为same，在BN层进行批归一化，激活函数使用Relu，第二个卷积层以上一层卷积输出为输入，设置卷积核为10，尺寸为(4,2)，步长为(2,1)，padding设置为valid，在BN层进行批归一化，激活函数使用tanh，数据还原回62*5维，生成器返回降噪处理后的心电信号G(X)；

b-5)在卷积对抗网络的判别网络中，第一个卷积层输入原始干净信号S和降噪后的心电信号G(Z)，卷积核为10，尺寸为(3,3)，步长为(2,2)，padding设置为same，在LN层进行层归一化，激活函数使用Leaky Relu，第二个卷积层以第一层卷积层的输出为输入，卷积核设置为10，尺寸为(3,3)，步长为(2,2)，padding设置为same，在LN层进行层归一化，激活函数使用Leaky Relu，全连接层以第二层的卷积输出为输入，输出降噪信号质量判别的D(r)和D(f)，D(r)为判别器输入干净样本后的逻辑判断值，D(f)为判别器输入降噪样本后的逻辑判断值。

2.根据权利要求1所述的基于深度卷积生成对抗网络的ECG降噪方法，其特征在于，步骤a)包括如下步骤：

a-1)从MIT-BIH噪声压力测试数据库中选用10组原始心电信号数据，每组数据是2*650000个数据点，以每个心电周期采样310个点对选择的10组原始心电信号数据进行划分样本，每组样本数据采样出1998个样本；

a-2)在划分的原始心电信号中加入信噪比为0dB、1.25dB和50dB的EM、BM、MA噪声数据N，每条心电信号构造噪声训练样本数量为5400个，测试样本数量为594个。

3.根据权利要求2所述的基于深度卷积生成对抗网络的ECG降噪方法，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。