[发明专利]基于生成对抗网络和策略梯度的心电信号去噪方法

说明书

本发明公开了一种基于生成对抗网络和策略梯度的心电信号去噪方法，包括对测试集中每条心电信号段中的所有样本点进行最大最小归一化；构建生成器和判别器构成的生成对抗网络，生成器建模为一个随机策略，同时也是一个行动者；将判别器建模为评论家，其角色是对生成器输出的样本进行打分；采用梯度下降训练生成器和判别器；设定训练信噪比提升阈值，当信噪比提升值大于训练信噪比提升阈值时停止训练；输出去噪信号。本发明采用强化学习中的策略梯度方法对生成对抗网络进行了优化，分别训练生成器和判别器达到纳什均衡点，此时得到了最好的去噪效果。

技术领域

本发明涉及一种心电信号去噪方法，特别是涉及一种基于生成对抗网络和策略梯度的心电信号去噪方法。

背景技术

心电信号是一种具有非线性，周期性，不稳定性等特征的时间序列数据。在采集过程中，由于医疗器械和肌体活动的干扰，实际采集到的心电信号往往掺杂着随机性的噪声，这阻碍了临床试验中相关信息的读取和进一步的疾病诊断。常见的噪声主要为：工频干扰(Electrode Motion Artifact，简称EM)，肌电干扰(Muscle Artifact，简称MA)以及基线漂移(Baseline Wander,简称BW)这三种。

迄今为止，已经涌现出不少关于心电信号的去噪方法。例如小波变换，频谱分解，傅里叶分解，经验模态分解等。这些传统的去噪方法取得了良好的效果，但是在某些方面仍然差强人意，例如：对各类噪声的适应性不够；可能会使得去噪后的心电信号严重失真；不能充分考虑局部性和全局性等。

随着人工智能技术和深度学习方法的不断发展，以去噪自动编码器和生成对抗网络为代表的深度生成式模型也渐渐被应用到了心电信号的去噪任务中。前者会随机地部分采用受损的输入来解决恒等函数风险，使得自动编码器必须进行恢复或去噪。后者是一种在图像处理尤其是图像生成和去噪方面取得良好效果的神经网络，它由生成器(Generator，简称G)和判别器(Discriminator，简称D)组成，生成器负责生成与真实数据分布尽可能接近的模拟数据，判别器则对生成样本进行打分并将梯度反馈给生成器，两者的训练过程遵循一个零和博弈的过程。

基于生成对抗网络的去噪方法普遍优于去噪自编码器和传统的小波去噪方法。然而，在处理长时间心电信号去噪的任务中，基于普通的生成对抗网络的方法则表现不佳。因为心电信号常被当作离散的序列数据来采样，这导致在训练过程中判别器无法有效地将梯度传递给生成器，从而出现训练的不稳定性和去噪效果不佳的情况。

发明内容

本发明的目的是提供一种基于生成对抗网络和策略梯度的心电信号去噪方法，克服了普通的生成对抗网络方法在处理离散数据和长时间依赖方面的不足。

本发明的技术方案是这样的：一种基于生成对抗网络和策略梯度的心电信号去噪方法，包括以下步骤：

S1、对测试集中每条心电信号段中的所有样本点进行最大最小归一化；

S2、构建生成器和判别器构成的生成对抗网络，所述生成器的结构由输入层、隐藏层、全连接层和输出层组成，所述隐藏层基于双向循环神经网络结构BiGRUs，在t时刻，所述生成器的各个参数值满足以下公式：

其中，和分别表示t时刻前向和后向的隐藏元值，h_t表示t时刻的隐藏元值，f_σ和f_o分别代表隐藏层和输出层的激活函数；

所述判别器由输入层、卷积层、六个组合层、全连接层、软最大化层和输出层构成，所述判别器的软最大化层输出去噪后的样本序列是真和是伪的概率值，所述判别器的输出层则输出去噪序列为真的概率；

S3、所述判别器对所述生成器在t时刻输出的样本点提供的立即奖赏r_t为：