[发明专利]一种基于多尺度残差收缩U-Net的胎儿心电信号提取方法

权利要求书

1.一种基于多尺度残差收缩U-Net的胎儿心电信号提取方法，其特征在于该方法包括以下步骤：

步骤一：对腹部混合心电信号去噪、裁剪和批归一化处理；

步骤二：基于多尺度残差收缩U-Net胎儿心电信号提取模型的设计；

以U-Net模型为框架，加入改进的基于混合域注意力机制的逐点阈值残差收缩块，引入Inception模块和Softpool；

所述的步骤二包括如下过程：

首先多尺度残差收缩U-Net模型的设计，包括5个卷积模块组成的编码器和5个解卷积模块组成的解码器，两个卷积模块之间通过Softpool进行下采样，两个解卷积模块之间通过反卷积进行上采样，每个卷积模块与其对称的解卷积模块通过跳跃连接，把卷积路径上提取出的特征图与之相对称解卷积路径上产生的特征图融合起来，作为下一个解卷积模块的输入，最大程度的保留了前面卷积过程提取的胎儿心电信号特征图信息；

步骤二中多尺度残差收缩U-Net模型中每个卷积模块包括一个Inception块和一个改进的基于混合域注意力的逐点阈值残差收缩块；每个解卷积模块包括三个卷积小块组成，每个卷积小块都是由一个卷积层、批规范化层和LeakyReLU激活函数构成；

步骤二中的改进的基于混合域注意力的逐点阈值残差收缩块是对基于通道注意力的逐通道阈值残差收缩块进行改进，对基于通道注意力的逐通道阈值残差收缩块中阈值学习单元进行改进，将原有通道注意力机制改为混合域注意力机制，结合原有残差单元和软阈值处理单元构成基于混合域注意力的逐点阈值残差收缩块；

步骤二中的混合域注意力机制是一种基于时间域注意力机制和通道域注意力机制串行的混合注意力机制，既能够提取通道域的信息，又能提取时间域的信息；

步骤二中的Inception块包括1×1、1×7、1×13三种尺寸的卷积层和一个1×3大小的最大池化层，每个卷积层都包括Batch Normalization(BN)层和ReLU层，并将他们通过并联的方式结合在一起，且在1×7和1×13卷积层前面和最大池化层后面都有一个1×1卷积；增加了网络提取多尺度特征的能力，从而增强模型的胎儿心电信号提取能力；

步骤三：对多尺度残差收缩U-Net模型进行训练；

将经过去噪、裁剪和批归一化后的腹部心电信号作为模型的输入，利用反向传播算法和自适应估计矩(Adaptive moment estimation，Adam)优化算法使得均方根误差损失函数最小来训练多尺度残差收缩U-Net模型；

步骤四：对多尺度残差收缩U-Net模型进行测试；

将经过去噪、裁剪和批归一化后的腹部心电信号输入到训练好的多尺度残差收缩U-Net 胎儿心电信号提取模型，经过正向传播，即可得到提取的胎儿心电信号。

2.根据权利要求1所述一种基于多尺度残差收缩U-Net的胎儿心电信号提取方法，其特征在于：所述的步骤一包括如下过程：

首先对腹部心电信号进行去噪处理，使用带宽为3-100Hz的8阶巴特沃斯带通滤波器去除基线漂移和高频噪声；然后对信号长度进行裁剪，每段信号长度为1×1024点，且每段与上一段有24点重合；最后使用最大最小标准化，将腹部心电信号的幅值映射到[-1,1]之间，最大最小值标准化如公式(1)所示：

其中x表示长度为1024点的一段腹部心电信号，x_i表示x中的第i个点，max(x)和min(x)分别表示x中的最大值与最小值。

3.根据权利要求1所述一种基于多尺度残差收缩U-Net的胎儿心电信号提取方法，其特征在于：所述的步骤二中的基于混合域注意力的逐点阈值残差收缩模块在残差单元后加入阈值学习单元，将阈值学习单元输出的阈值再输入到软阈值处理单元中，将得到的处理结果与输入特征图实现残差连接，得到最终的特征图。