基于Transformer的心电信号降噪方法技术

本发明专利技术公开了一种基于Transformer的心电信号降噪方法，包括：获取无噪心电图信号数据集ECG_D1和纯噪声数据集Noise_D；利用Noise_D对ECG_D1中的心电图信号数据进行加噪处理得到带噪声的心电信号数据，并将其分为训练集和验证集；构建基于Transformer的深度神经网络；将步骤S2得到的带有噪声的心电信号训练集送入步骤S3构建的深度神经网络中训练，直至训练至达到终止条件，并采用验证集验证验证得到优化后的深度神经网络并将其作为心电信号降噪模型M；利用心电信号降噪模型M对真实的心电信号进行降噪处理，得到去噪后的心电数据用于下游任务。本发明专利技术能够学习心电信号的时序长期依赖性以及局部相关性，且能迅速地对不同种类的心电信号数据进行降噪处理，提高了效率与准确率。率。率。

【技术实现步骤摘要】
基于Transformer的心电信号降噪方法


[0001]本专利技术属于心电信号降噪的
，具体涉及一种基于Transformer的心电信号降噪方法。

技术介绍

[0002]心血管疾病是一种主要的危及生命的疾病，目前主要通过心电信号进行检测。然而由于传感器原理以及测量时可能会产生的移动，提出的心电信号往往伴随着不同种类，不同强度的噪声。常见的噪声包括乐肌肉伪影、电极接触噪声、基线漂移、电力线干扰等，这些噪声有不同的强度和很大的频率变化，例如基线漂移噪声往往以一种低频噪声出现，而电力线噪声则往往以50
‑
60Hz频率的噪声出现在心电信号中。这些噪声对心电信号的进一步处理造成了很大的干扰，因此，一个好的心电信号数据降噪方法，有助于心电信号的分析。
[0003]目前的心电信号数据降噪工作中，主要分为以下两种方法：一是传统的降噪方法，包括了傅里叶变换、经验模态分解、离散小波变换，这些方法虽然能在一定程度上实现心电信号数据的降噪，但是参数的设置需要专业知识，并且对不同种类、不同强度的心电信号噪声的降噪存在困难，例如傅里叶变换可能对指定频率之外的信号进行过滤，这可能会导致信息丢失，并且很难选择合适的频率；二是基于深度学习的降噪方法，这一类的降噪方法已经在图像降噪上表现出很好的效果，然而在心电信号降噪上却使用不多，这一类方法虽然不需要领域知识，而且一旦训练结束，模型也能很快的进行分类任务。目前现有的深度学习心电信号降噪模型没有实现对不同强度的噪声降噪。

技术实现思路

[0004]本专利技术的目的在于针对现有技术的不足之处，提供一种基于Transformer的心电信号降噪方法，以解决现有心电信号降噪技术中不同强度信号降噪效果差的问题。
[0005]为解决上述技术问题，本专利技术采用如下技术方案：
[0006]一种基于Transformer的心电信号降噪方法，包括如下步骤：
[0007]S1：获取公开的无噪心电图信号数据集ECG_D1和模拟真实心电噪声的纯噪声数据集Noise_D；
[0008]S2：利用Noise_D对ECG_D1中的心电图信号数据进行加噪处理得到带噪声的心电信号数据，并将其分为训练集和验证集；
[0009]S3：构建基于Transformer的深度神经网络，其包括编码器、Transformer层和解码器，其中，编码器用于提取心电信号的抽象特征，Transformer层用于生成心电信号的抽象特征，解码器用于将抽象特征重建为心电信号；
[0010]S4：将步骤S2得到的带有噪声的心电信号训练集送入步骤S3构建的深度神经网络中训练，直至训练至达到终止条件，并采用验证集验证验证得到优化后的深度神经网络并将其作为心电信号降噪模型M；
[0011]S5：利用心电信号降噪模型M对真实的心电信号进行降噪处理，得到去噪后的心电数据用于下游任务。
[0012]进一步地，纯噪声数据集Noise_D中的噪声数据包括基线漂移噪声、肌肉伪影噪声、电极运动伪影噪声；其中，基线漂移噪声为低频的噪声信号；肌肉伪影噪声为肌肉电信号活动产生的噪声；电极运动伪影噪声为人在动态下电极与皮肤的相对位移以及皮肤的拉伸引起的电极
‑
皮肤阻抗变化导致的。
[0013]进一步地，步骤2包括如下子步骤：
[0014]S2.1：每次提取一定时间长度的心电信号数据，并计算该时序长度标准化后的心电信号；
[0015]S2.2：从噪声数据集Noise_D中分别提取与心电信号相同时间长度的基线漂移噪声、肌肉伪影噪声、电极运动伪影噪声，并计算三种噪声的权重，将三个权重分别与对应的噪声相乘后与标准化后的心电信号相加，得到带有噪声的心电信号数。
[0016]进一步地，编码器包括多个编码器块，每一个编码器块学习信号中的时序信息并抽象时序特征，并且上一个编码器块的输出作为下一个编码器块的输入，第一个编码器块的输入为步骤S2中得到的数据集中的带噪声心电信号数据，每个编码器块包括自注意力模块、局部增强前馈层以及下采样层；最后一个编码器块的下采样层的输出通过Transformer层后再输入至解码器中，解码器包括多个解码器块，每一个解码器块的输入包括了上一个解码器块的输出，并且对应编码器块的输出向量通过跳跃连接，与上一个解码器块的输出进行拼接，每个解码块包括自注意力模块、局部增强前馈层以及上采样块。
[0017]进一步地，编码块中的自注意力模块对每一个时间点计算查询向量、键向量以及值向量，之后通过两个时间点查询向量和键向量的内积来计算两个时间点的相关性；通过归一化，计算每个时间点与其余所有时间点之间的相关性权重，并乘以值向量从而计算得到带有全局信息的时序特征向量；
[0018]其中，自注意力模块的计算公式为：
[0019]Q,K,V＝conv(x)+PE
[0020][0021]式中，x表示编码块的输入，PE表示位置信息编码，conv表示一维卷积神经网络，Q、K、V分别对应表示查询向量、键向量以及值向量，d
k
表示k的维度，softmax表示softmax函数；
[0022]将得到的带有全局信息的时序特征向量输入到局部增强前馈层中，通过局部增强前馈层的向量首先经过线性层，以实现不同维度特征的融合；然后通过一维卷积层，提取出时间序列的局部特征，之后再通过一个线性层；在下采样块中，数据先通过一维卷积层对时间序列进行压缩，然后经过激活函数层以及归一化层，激活函数用于引入非线性因素，归一化层用于加快深度神经网络的收敛。
[0023]进一步地，Transformer层包括多头自注意力层、前馈层，最后一个编码器的下采样块的输出通过Transformer层中的多头自注意力层，自动提取全局的自注意力权重并与原序列相乘，从而实现更有效的特征的权重自动增加；之后通过Transformer层中的前馈
层，将多头得到的特征进行融合，最后生成心电信号抽象特征，并作为解码器的输入。
[0024]进一步地，步骤S4包括如下子步骤：
[0025]S4.1：将S2中得到的心电信号训练集数据与通过S3构建的基于Transformer深度神经网络模型中重建的降噪心电信号数据计算均方误差损失L
mse
；
[0026]S4.2：将步骤S3中重建的降噪心电信号数据在时序维度上计算二阶差分作为平滑损失L
smooth
，公式如下：
[0027][0028]式中，x
i
为时间i的重建的降噪心电信号数据；
[0029]S4.3：将步骤S4.1中的得到的均方误差损失与平滑损失按一定比例相加得到最终损失，公式如下：
[0030]l
final
＝L
Lse
+γL
smooth
[0031]其中，γ为L
mse
与L
smooth
的比例；
[0032]之后使用优化器，按照最终本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Transformer的心电信号降噪方法，其特征在于，包括如下步骤：S1：获取公开的无噪心电图信号数据集ECG_D1和模拟真实心电噪声的纯噪声数据集Noise_D；S2：利用Noise_D对ECG_D1中的心电图信号数据进行加噪处理得到带噪声的心电信号数据，并将其分为训练集和验证集；S3：构建基于Transformer的深度神经网络，其包括编码器、Transformer层和解码器，其中，编码器用于提取心电信号的抽象特征，Transformer层用于生成心电信号的抽象特征，解码器用于将抽象特征重建为心电信号；S4：将步骤S2得到的带有噪声的心电信号训练集送入步骤S3构建的深度神经网络中训练，直至训练至达到终止条件，并采用验证集验证验证得到优化后的深度神经网络并将其作为心电信号降噪模型M；S5：利用心电信号降噪模型M对真实的心电信号进行降噪处理，得到去噪后的心电数据用于下游任务。2.根据权利要求1所述的基于Transformer的心电信号降噪方法，其特征在于，纯噪声数据集Noise_D中的噪声数据包括基线漂移噪声、肌肉伪影噪声、电极运动伪影噪声；其中，基线漂移噪声为低频的噪声信号；肌肉伪影噪声为肌肉电信号活动产生的噪声；电极运动伪影噪声为人在动态下电极与皮肤的相对位移以及皮肤的拉伸引起的电极
‑
皮肤阻抗变化导致的。3.根据权利要求2所述的基于Transformer的心电信号降噪方法，其特征在于，步骤2包括如下子步骤：S2.1：每次提取一定时间长度的心电信号数据，并计算该时序长度标准化后的心电信号；S2.2：从噪声数据集Noise_D中分别提取与心电信号相同时间长度的基线漂移噪声、肌肉伪影噪声、电极运动伪影噪声，并计算三种噪声的权重，将三个权重分别与对应的噪声相乘后与标准化后的心电信号相加，得到带有噪声的心电信号数。4.根据权利要求1所述的基于Transformer的心电信号降噪方法，其特征在于，编码器包括多个编码器块，每一个编码器块学习信号中的时序信息并抽象时序特征，并且上一个编码器块的输出作为下一个编码器块的输入，第一个编码器块的输入为步骤S2中得到的数据集中的带噪声心电信号数据，每个编码器块包括自注意力模块、局部增强前馈层以及下采样层；最后一个编码器块的下采样层的输出通过Transformer层后再输入至解码器中，解码器包括多个解码器块，每一个解码器块的输入包括了上一个解码器块的输出，并且对应编码器块的输出向量通过跳跃连接，与上一个解码器块的输出进行拼接，每个解码块包括自注意力模块、局部增强前馈层以及上采样块。5.根据权利要求4所述的基于Transformer的心电信号降噪方法，其特征在于，编码块中的自注意力模块对每一个时间点计算查询向量、...

【专利技术属性】
技术研发人员：刘娟，朱丁，冯晶，
申请(专利权)人：武汉大学，
类型：发明
国别省市：