[发明专利]基于深度学习技术的心电信号噪声检测算法

摘要

本发明公开了一种基于深度学习技术的心电信号噪声检测算法，其特征在于，具体步骤为：步骤（1）对原始信号进行时频图计算；步骤（2）对（1）计算出的时频图进行对数变换；步骤（3）输入卷积神经网络进行训练。该算法能够对心电信号的质量进行评估，过滤掉质量不高的信号，提高心电诊断的准确率，并减轻医生的工作量；另外，本专利在不需要对原始心电信号进行任何预处理的情况下，对信号进行时频图计算，作为卷积神经网络的输入，对噪声的判别能达到97%以上。本发明的优点在于；（1）本专利提及的算法结构简单，无需进行繁琐的特征计算和特征选择；（2）网络训练难度低；（3）对噪声的判别精度高。

主权项

1.一种基于深度学习技术的心电信号噪声检测算法，其特征在于：具体步骤如下：步骤（1）对原始信号进行时频图计算，实验所用数据的采样率是512, 采用128采样点的窗口大小和64采样点的数据重叠计算信号的时频谱；步骤（2）对（1）计算出的时频图进行对数变换，首先对时频图取绝对值，对其中大于0的值计算其对数结果，作为网络输入的数据；步骤（3）输入卷积神经网络进行训练，实验对比了46、64层的densenet，发现效果没有特别大的提升，而且对比了64层densenet以及7层仅由卷积层和BN层的卷积神经网络，发线后者的效果更好，且泛化能力更强；数据在进入网络前并没有进行任何标准化操作，标准化操作会使效果变差，另外，训练时batch size为8到16的效果差异不大，且好于其它大小的batch size，训练时，以交叉熵作为损失函数，不同优化方法对识别精度影响不大。