基于条件生成对抗网络的心电信号降噪优化方法及系统技术方案

本发明专利技术公开了一种基于条件生成对抗网络的心电信号降噪优化方法及系统，包括：获取心电信号，将心电信号按照样本长度T进行分割，对分割后的数据片段进行最大最小值归一化处理；将处理后的数据片段输入至训练好的心电信号降噪模型中，得到降噪后的心电信号；其中，心电信号降噪模型基于深度神经网络和条件生成对抗网络构建；通过计算模型的降噪性能与计算复杂度比率指标，在保证模型降噪性能的前提下，根据相应建模参量与该指标的拟合函数曲线，确定样本长度、编码器和解码器的神经网络层数等建模参量的最优值，以使得降噪模型的降噪性能和计算开销达到最优。本发明专利技术提出降噪性能与计算复杂度比率指标，可获得性价比更优的降噪系统。统。统。

【技术实现步骤摘要】
基于条件生成对抗网络的心电信号降噪优化方法及系统


[0001]本专利技术涉及心电信号降噪
，尤其涉及一种基于条件生成对抗网络的心电信号降噪优化方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]心电图是一种通过采集体表固定位置电生理信号来反映心脏活动情况的技术，目前已经被广泛用于心脏疾病的诊断，是心脏疾病医学诊断的金标准之一。但心电图信号(下称心电信号)采集过程易受到身体活动、电路噪声等各种噪声的干扰，进而影响心电信号用于心脏疾病的诊断。
[0004]传统的心电信号降噪方法，如：滤波器、傅里叶变换、小波分解等，一般都是针对某类单一噪声，且噪声时频特征应与心电信号本身有明确的差异。随着深度学习的发展，针对多种噪声的深度学习降噪算法越来越多，如：降噪自编码器、卷积自编码器等方法，其中，基于全连接网络的对抗性降噪、基于卷积自编码器的生成对抗降噪等方法，一定程度上解决了上述算法中存在的心电信号需要在降噪前按照心拍进行分割，不能处理混合噪声等问题。
[0005]但是，上述算法还存在模型学习数据分布的潜力挖掘不够，模型缺乏合理、系统的优化，模型计算复杂度较高，难以在远程医疗设备上部署的限制。
[0006]比如：
[0007]现有技术公开了基于生成对抗网络进行心电信号降噪的方法，其中的生成器网络多采用全连接、卷积等网络结构，但无论采用卷积神经网络(CNN)或双向长短时记忆网络(BiLSTM)进行建模，由于缺少高效降噪网络模型建模的优化方法，导致这些现有技术所建立模型的结构较复杂、规模较大、计算复杂度较高，对部署环境要求苛刻。

技术实现思路

[0008]为了解决上述问题，本专利技术提出了一种基于条件生成对抗网络的心电信号降噪优化方法及系统，基于深度神经网络和条件生成对抗网络构建心电信号降噪模型架构，同时提出了一种兼顾降噪性能和计算开销的指标，对该降噪模型的内部结构、学习框架、数据分割、模型复杂度等方面进行了系统化优化设计，使其在花费较低的计算开销的同时获得更优的降噪效果。
[0009]在一些实施方式中，采用如下技术方案：
[0010]一种基于条件生成对抗网络的心电信号降噪优化方法，包括：
[0011]获取心电信号，将所述心电信号按照样本长度T进行分割，对分割后的数据片段进行最大最小值归一化处理；
[0012]将处理后的数据片段输入至训练好的心电信号降噪模型中，得到降噪后的心电信
号；
[0013]其中，心电信号降噪模型基于深度神经网络和条件生成对抗网络构建，包括生成器和判别器；对于心电信号降噪模型中的每一种建模参量，按一定步长分别建立建模参量不同数值下(通常≥3种情况)的降噪模型以获得与其对应降噪性能与计算复杂度比率指标(The ratio of Signal
‑
to
‑
NoiseRatio to Computational Complexity，SNR
‑
CC)，采用拟合函数预测每一种建模参量的对应最优值，通过验证，以确定模型的降噪性能和计算开销达到最优；
[0014]所述建模参量包括：样本长度T、生成器中编码器和解码器的深度神经网络层数N及每一层的神经元数量L
x
和判别器的深度神经网络层数M及每一层的神经元数量R
x
中的至少一种或多种。
[0015]作为进一步的方案，所述生成器是由深度神经网络组成的降噪自编码器(DAE)所构成的，DAE中包含了N层深度神经网络组成的编码器以及N层深度神经网络组成的解码器，训练过程中的判别器由M层深度神经网络组成的二分类深度神经网络构成；
[0016]生成器的输入为长度T的心电信号数据片段，输出为降噪后的信号；判别器在心电信号降噪模型训练时与生成器联合进行抗博弈学习。
[0017]作为进一步的方案，所述生成器的损失函数在条件生成对抗网络的损失函数的基础上，增加了降噪后的心电信号与原始心电信号之间的差距l
dist
，以及降噪后的心电信号与原始心电信号之间的最大局部误差l
max
。
[0018]作为进一步的方案，心电信号降噪模型的降噪性能与计算复杂度比率指标具体为：模型测试时降噪后信号的平均信噪比，与模型处理单个数据样本所需时间的比值。
[0019]作为进一步的方案，采用拟合函数预测样本长度T的最优值的具体过程如下：
[0020]按照样本长度T对心电信号进行分割，并进行数据归一化，获得对应样本长度T的数据集；
[0021]设定多个不同样本长度T的取值，分别得到每一个样本长度T对应的数据集；
[0022]固定其他建模参量不变，根据设定的T值和对应的数据集，分别进行降噪模型的建模和训练；
[0023]对于训练后的心电信号降噪模型，分别计算模型的降噪性能与计算复杂度比率指标；并依据不同样本长度T和对应的SNR
‑
CC数据进行曲线拟合得到拟合函数f(T)，再对拟合后的函数求导得到f
′
(T)，并计算得出f
′
(T)＝0时，T的取值T0。采用T0重新建立数据库，对降噪模型进行训练、测试和验证。若模型降噪后的信号平均信噪比不小于设定的期望值，则当前样本长度T0即为T的最优值。
[0024]同时，建模参量优选时还可联合其他可能会影响模型部署的指标一起进行模型的优化，如：模型参量的占用内存大小等。结合上述建模参量优选过程，对模型参量的占用内存大小加以限制，可得到相应的分段拟合函数，再对其进行分析和预测，以确定在分段内的最优建模参量值。
[0025]对于生成器中编码器和解码器的深度神经网络层数N，以及生成器中每层深度神经网络神经元数量L
x
，分别采用与样本长度T值相同的优化方法，固定非待优化建模参量，选取相应待优化建模参量的最优值。
[0026]对于判别器中深度神经网络的层数M，以及判别器中每层深度神经网络神经元数
量R
x
，分别采用与样本长度T值相同的优化方法，选取相应的最优值；
[0027]在判别器中深度神经网络的优化参量优化完成后，联合已优化的生成器参量一起再构建降噪模型，进一步验证已优化参量的降噪效果，直到模型降噪性能与计算复杂度比率指标在最大值位置附近趋于平稳。
[0028]选取不同种类的深度神经网络和条件生成对抗网络构建对应心电信号降噪模型；分别采用上述的优化方法进行对应降噪模型建模参量的优化，对比优化后对应模型的降噪性能以及降噪性能与计算复杂度比率指标，选取性能最优的降噪模型，作为最终的心电信号降噪模型。
[0029]在另一些实施方式中，采用如下技术方案：
[0030]一种基于条件生成对抗网络的心电信号降噪优化系统，包括：
[0031]数据获取模块，用于获取心电信号，将所述心电信号按照样本长度T进行分割，对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于条件生成对抗网络的心电信号降噪优化方法，其特征在于，包括：获取心电信号，将所述心电信号按照样本长度T进行分割，对分割后的数据片段进行最大最小值归一化处理；将处理后的数据片段输入至训练好的心电信号降噪模型中，得到降噪后的心电信号；其中，心电信号降噪模型基于深度神经网络和条件生成对抗网络构建，包括生成器和判别器；对于心电信号降噪模型中的每一种建模参量，按设定步长选取不同数值，分别建立建模参量在不同数值下的降噪模型并获得与其对应降噪性能与计算复杂度比率指标，采用拟合函数预测每一种建模参量的最优值，以使得模型的降噪性能和计算开销达到最优；所述建模参量包括：样本长度T、生成器中编码器和解码器的深度神经网络层数N及每一层的神经元数量L
x
和判别器的深度神经网络层数M及每一层的神经元数量R
x
中的至少一种或多种。2.如权利要求1所述的一种基于条件生成对抗网络的心电信号降噪优化方法，其特征在于，所述生成器是由深度神经网络组成的降噪自编码器所构成的，降噪自编码器中包含了N层深度神经网络组成的编码器以及N层深度神经网络组成的解码器；所述判别器由M层深度神经网络组成的二分类深度神经网络构成；生成器的输入为样本长度T的心电信号数据片段，输出为降噪后的信号；判别器在心电信号降噪模型训练时与生成器联合进行对抗博弈学习。3.如权利要求2所述的一种基于条件生成对抗网络的心电信号降噪优化方法，其特征在于，所述生成器的损失函数在条件生成对抗网络的损失函数的基础上，增加降噪后的心电信号与原始心电信号之间的差距L
dist
，以及降噪后的心电信号与原始心电信号之间的最大局部误差l
max
。4.如权利要求1所述的一种基于条件生成对抗网络的心电信号降噪优化方法，其特征在于，心电信号降噪模型的降噪性能与计算复杂度比率指标具体为：模型测试时降噪后信号的平均信噪比，与模型处理单个数据样本所需时间的比值。5.如权利要求1所述的一种基于条件生成对抗网络的心电信号降噪优化方法，其特征在于，采用拟合函数预测样本长度T的最优值的具体过程如下：设定多个不同样本长度T的取值，分别得到每一种样本长度T对应的数据集；固定其他建模参量不变，根据设定的T值和对应的数据集，分别进行降噪模型的建模和训练；对于训练后的心电信号降噪模型，分别计算模型的降噪性能与计算复杂度比率指标；构建样本长度T与降噪性能与计算复杂度比率指标的拟合函数；对拟合函数进行求导，计算使得拟合函数的导数为零时对应的样本长度T的值；基于所述的样...

【专利技术属性】
技术研发人员：田岚，曾鸣，陆小珊，刘炜，
申请(专利权)人：山东大学，
类型：发明
国别省市：