[发明专利]一种基于自监督学习的信号去噪方法

说明书

本发明提供一种基于自监督学习的信号去噪方法，涉及信号处理领域，包括信号频率分解：使用平衡多级信号分解方法BHD对信号数据进行分解，得到信号的细粒度频率系数；自监督表示学习：使用自动标签策略为频率系数打上标签，构建神经网络对获得的带标签数据进行有监督表示学习，获得各频率系数的嵌入表示；选择性信号重构，根据实际场景下噪声频率高低，将所获得的频率系数的嵌入表示分为噪声组及去噪组，使用去噪组频率系数重构信号，得到的重构信号即是相应信号的去噪结果。本发明在去噪过程中无需纯净信号数据、不依赖人类经验且与具体场景无关，在有效去噪的同时具有较高泛用性。

技术领域

本发明涉及信号处理领域，尤其涉及一种基于自监督学习的信号去噪方法。

背景技术

随着现代智能工业的不断发展，各类传感器被广泛应用于各种行业中，大量传感器数据因此产生。例如，由可穿戴设备收集的心电图(ECG)等生物医学信号，这些数据可以用于智能医疗和保健监测；麦克风在通信服务中接收人声作为语音信号；利用传感器对环境污染水平进行监测，从而了解生态系统的长期的物理及化学表现。传感器的部署对智能感知的发展有重大贡献。

传感器采集的信号是典型的时间序列数据。然而，在大多数实际情况下，收集到的信号往往会被各种干扰因素(例如，低质量的网络传输和测量误差)引起的噪声所污染。对这些含有噪声的信号进行分析会导致不准确的结果，例如心脏疾病的误诊、语音识别错误以及对污染的不准确评估。因此，信号去噪是提高信号分析性能的首要任务。

通常，在大多数去噪方法中，原始信号将被变换到频域或分解成一系列系数。传统方法的泛化性能有限，例如，谱减法可能会导致负振幅谱问题。深度学习方法因其显著的表达学习能力被应用于各种各样的领域，深度学习方法也被用来解决去噪问题。在深度学习方法中，由于模型训练阶段有强大监督，有监督学习模型通常能获得更高的性能。然而，在训练期间，有监督学习方法需要不含有噪声的纯净信号作为监督信息。手动处理信号以获得纯净信号需要耗费大量人力，这在实际应用中是不可行的。为了避免训练阶段对纯净信号的依赖，无监督的方法被用于信号去噪。无监督方法通常设置一个阈值，来过滤那些被人类经验视为噪声频率的频率。阈值的设置通常依赖于人类的经验，虽然有些方法可以利用纯净信号来改进阈值确定方式，但该操作是将频率选择过程转换回有监督学习问题，无法彻底摆脱对纯净信号的依赖。

发明内容

针对现有技术存在的不足，本发明提供一种基于自监督学习的信号去噪方法。一种基于自监督学习的信号去噪方法，包括以下步骤：

步骤1：使用平衡多级信号分解方法BHD对信号数据进行频率分解，得到信号的细粒度不同频率系数；

首先需要根据实际分解效果为平衡多级信号方法BHD设置分解级别m，在每一级使用离散小波变换对信号数据进行分解，离散小波变换的公式如下：

其中，t表示时间，x(t)表示被分解的信号，α和τ分别表示规模参数和转换参数，ψ(·)表示小波函数；对离散小波变换得到的高频系数和低频系数迭代地进行分解，平衡多级信号分解方法BHD的分解级别m即是迭代次数；

步骤2：使用自动标签策略对所获得的信号的细粒度各频率系数打上标签，构建神经网络对获得的带标签数据进行有监督表示学习，获得各频率系数的嵌入表示；

步骤2.1：基于频率系数的相邻性和波形相似度为所有频率系数中的每一对系数打上标签；

步骤2.1.1：频率系数A在平衡多级分解信号分解方法BHD返回的结果列表中的索引为i，频率系数B在BHD返回的结果列表中的索引为j，频率系数相邻的定义为|i-j|＝1，即两个频率系数在平衡多级信号分解方法BHD分解树的同一层且相邻；