[发明专利]一种基于对抗性深度全卷积网络的ECG降噪方法

权利要求书

1.一种基于对抗性深度全卷积网络的ECG降噪方法，其特征在于，包括如下步骤：

a)选取MIT-BIH噪声压力测试数据库中编号为BW、MA和EM的噪声并进行截取，选择截取的BW噪声中通道一的噪声信号并将其切割成N份与M份，其中切割的N份与M份噪声信号长度均为L，选择截取的MA噪声中通道一的噪声信号并将其切割成N份与M份，其中切割的N份与M份噪声信号长度均为L，选择截取的EM噪声中通道一的噪声信号并将其切割成N份与M份，其中切割的N份与M份噪声信号长度均为L；

b)选取MIT-BIH心律失常数据库48条记录，将选取的每一份信号切割成N份且长度为L的干净信号，选取QT数据库105条记录，将选取的每一份信号切割成M份且长度为L的干净信号；

c)将步骤a)中切割的噪声信号进行归一化处理，将步骤b)中切割后的干净信号进行归一化处理，将归一化后的BW噪声中的N份噪声信号及M份噪声信号分别注入到归一化后的N份干净信号及M份干净信号中，将将归一化后的MA噪声中的N份噪声信号及M份噪声信号分别注入到归一化后的N份干净信号及M份干净信号中，将归一化后的EM噪声中的N份噪声信号及M份噪声信号分别注入到归一化后的N份干净信号及M份干净信号中，得到需要降噪的信号；

d)分别将BW、MA和EM中切割的噪声信号划分为训练集、验证集与测试集，将MIT-BIH心律失常数据库切割的干净信号划分为训练集、验证集与测试集，将QT数据库切割的干净信号划分为训练集、验证集与测试集；

e)通过公式x＝v+n建立神经网络模型中的降噪网络模型，式中j＝1表示为BW噪声中的噪声信号，j＝2表示为MA噪声中的噪声信号，j＝3表示为EM噪声中的噪声信号，为加入噪声类型为j的第i个含噪信号，v_i为第i个干净信号，为加入噪声类型为j的第i个噪声信号，在神经网络模型中的鉴别器网络中利用二分类任务鉴别原始信号与降噪后的信号；

f)以含噪信号x为输入，干净信号v为目标训练神经网络模型，通过公式计算神经网络模型的总参数θ，式中为第i个经过降噪网络模型得到降噪后的信号，arg为损失函数取最小值时最优的参数，λ为平衡项，λ取值为10^-3，为的快速傅里叶变换，V_i为v_i的快速傅里叶变换，通过公式计算鉴别器网络中最小化损失函数l_D，式中为鉴别器网络将确定来自干净信号而非降噪信号的概率，D(v_i)为鉴别器网络识别干净信号的概率；

g)将步骤d)中的测试集中的噪声信号通过步骤f)训练完成的神经网络模型进行降噪处理。

2.根据权利要求1所述的基于对抗性深度全卷积网络的ECG降噪方法，其特征在于：步骤a)中N的取值为600，M的取值为300，L的取值为512。

3.根据权利要求1所述的基于对抗性深度全卷积网络的ECG降噪方法，其特征在于：步骤b)中N的取值为600，M的取值为300，L的取值为512。

4.根据权利要求1所述的基于对抗性深度全卷积网络的ECG降噪方法，其特征在于：步骤d)中通过设置信噪比为0dB、1.25dB与5dB分别将BW、MA和EM中切割的噪声信号划分为训练集、验证集与测试集。

5.根据权利要求1所述的基于对抗性深度全卷积网络的ECG降噪方法，其特征在于：步骤d)中在MIT-BIH心律失常数据库切割的干净信号中选取训练集的样本数为23040，选取验证集的样本数为2880，选择测试集样本数为2880，在QT数据库切割的干净信号中选取训练集的样本数为25200，选择验证集的样本数为3150，选择测试集样本数为3150。