[发明专利]基于BiLSTM与生成对抗网络结合的ECG降噪方法

说明书

一种基于BiLSTM与生成对抗网络结合的ECG降噪方法，生成器采用BiLSTM,其复杂的非线性单元可以构造更大型的深度神经网络，使生成器更适用于处理心电数据；其次，对生成器和判别器的损失函数进行改进：在生成器损失函数中引入Fréchet距离以及L1范数，并且对判别器权重加惩罚，从而控制降噪后心电贴近原始纯净心电信号；无需传统的时频变换，就可实现端到端的心电降噪，即输入带噪信号到最优生成器就可以得到降噪信号。通过以上方法实现的ECG降噪后，降噪后的ECG信号与原始纯净信号基本重合，更大限度的保留了心电波形的细节,可以实时完成端到端的心电降噪。

技术领域

本发明涉及ECG信号领域，具体涉及一种基于BiLSTM与生成对抗网络结合的ECG降噪方法。

背景技术

由于肌体活动和环境影响，实际采集到的ECG往往掺杂随机性的噪声，因此ECG降噪方法的研究尤为重要。对带噪信号通过频谱分解的方法处理，可以去除部分噪声，但只针对特定的噪声，对各类型噪声的适应性不足。另外，随着远程医疗的发展，深度学习的方法也已经用于ECG信号降噪，但这些方法依赖训练样本的挑选，并且用于训练的带噪数据是将纯净数据按照心跳周期切分后加入噪声，而在实际应用中，带噪ECG信号很难直接按照心跳周期切分。

发明内容

本发明为了克服以上技术的不足，提供了一种减少工作量、提高效率的ECG降噪方法。

本发明克服其技术问题所采用的技术方案是：

一种基于BiLSTM与生成对抗网络结合的ECG降噪方法，包括如下步骤：

a)在纯净ECG信号片段叠加噪声，得到有噪片段；

b)将纯净ECG信号片段和有噪声的ECG信号片段均以每T个采样点分割成一个样本；

c)通过公式计算纯净ECG信号片段分割形成的样本中第i个点的归一化值Normalized(x_i)，x_i为该样本中第i个点的幅值，x_min为该样本中的最小值，x_max为该样本中的最大值，通过公式计算有噪声ECG信号片段分割形成的样本中第i个点的归一化值为该样本中第i个点的幅值，为该样本中的最小值，为该样本中的最大值，将归一化后的纯净信号表示为x，将归一化后的带噪信号表示为

d)构建由两层BiLSTM层及一层全连接层构成的生成器模型G，经生成器模型G输出为降噪信号y；

e)构建由4个covld层和1个全连接层构成的判别器模型D，将归一化后的纯净ECG信号片段x和归一化后的带噪信号构成的数据对以及降噪信号y和归一化后的带噪信号构成的数据对输入至判别器模型D后通过sigmoid输出判别结果；

f)对生成器模型G和判别器模型D初始化参数；