本發(fā)明屬于心電信號(hào)處理，具體涉及一種基于頻率信息增強(qiáng)的心電去噪方法。

背景技術(shù)：

1、心電圖(ecg)是現(xiàn)代醫(yī)療設(shè)備中使用最廣泛的生命體征監(jiān)測技術(shù)。每次心跳由不同幅度的波組成，包括p波、t波、qrs波和u波。心電圖是一種無創(chuàng)檢查，可記錄心臟的電活動(dòng)并有助于診斷心臟病。波形異常表明心臟健康狀況出現(xiàn)異常，根據(jù)波形可以檢測各種異常情況，如心律失常、冠狀動(dòng)脈阻塞等。然而心電信號(hào)在采集的過程中極易受到來自不同噪聲源的影響，從而干擾診斷結(jié)果。

2、污染心電信號(hào)的干擾源包括各種類型的噪聲?；€漂移(bw,baseline?wander)是一種由電極-皮膚阻抗變化、患者運(yùn)動(dòng)和呼吸引起的噪聲。受基線漂移影響的心電圖隨時(shí)間持續(xù)向下移動(dòng)，而不是遵循恒定的基線。肌肉偽影(ma,muscleartifact)是心電圖監(jiān)視器可以記錄的骨骼肌活動(dòng)，掩蓋了真實(shí)信號(hào)。運(yùn)動(dòng)偽跡(em,electrode?motion)通常是由于身體的各種運(yùn)動(dòng)引起的，如呼吸、肌肉收縮等，這些運(yùn)動(dòng)導(dǎo)致電極與皮膚之間的產(chǎn)生相對(duì)位移。這些噪聲會(huì)覆蓋心電信號(hào)所要傳遞的信息，破壞心電信號(hào)的波形，影響對(duì)心臟疾病的正確診斷。因此，為了更準(zhǔn)確的臨床診斷，開發(fā)有效的心電信號(hào)的去噪方法是十分有必要的。

3、目前，心電信號(hào)去噪的方法大致可以分為兩類，一類是傳統(tǒng)的濾波方法，包括經(jīng)驗(yàn)?zāi)B(tài)分解、數(shù)字濾波器、卡爾曼濾波、小波濾波等方法，另一類則是基于深度學(xué)習(xí)的方法。雖然傳統(tǒng)的濾波方法在可解釋性更強(qiáng)，但其有效性與魯棒性都不如深度學(xué)習(xí)方法。然而現(xiàn)有的深度學(xué)習(xí)心電信號(hào)去噪的方法大多是基于信號(hào)的時(shí)域信息，忽略了信號(hào)的頻域信息，這可能會(huì)影響到模型的性能表現(xiàn)。

4、由于心電信號(hào)的非平穩(wěn)的性質(zhì)，如果使用經(jīng)驗(yàn)?zāi)B(tài)分解和小波變換可以利用心電信號(hào)中的時(shí)頻信息對(duì)心電信號(hào)進(jìn)行去噪。

5、其中，小波變換(wt,wavelet?transform)是一種在心電信號(hào)去噪領(lǐng)域廣泛應(yīng)用的算法，它通過分解信號(hào)來實(shí)現(xiàn)噪聲剔除。通過對(duì)心電信號(hào)進(jìn)行離散小波變換，將信號(hào)分解成不同尺度的小波系數(shù)。隨后，采用軟閾值處理，將小于某一閾值的小波系數(shù)置為零，從而去除被認(rèn)為是噪聲的成分。為了提高算法的魯棒性，引入了平穩(wěn)小波變換。與傳統(tǒng)小波變換相比，平穩(wěn)小波變換提供了更為穩(wěn)定的基底函數(shù)，能更好地適應(yīng)信號(hào)的非平穩(wěn)性質(zhì)，在更精確地保留心電信號(hào)中的關(guān)鍵特征，同時(shí)去除噪聲。然而，這種軟閾值方法可能會(huì)導(dǎo)致心電信號(hào)的部分重要特征丟失，并且難以去除信號(hào)中的殘余噪聲。

6、經(jīng)驗(yàn)?zāi)B(tài)分解(emd,empirical?mode?decomposition)是一種自適應(yīng)的時(shí)間序列分析技術(shù)，經(jīng)常用于處理非線性和非平穩(wěn)信號(hào)。經(jīng)驗(yàn)?zāi)B(tài)分解將復(fù)雜信號(hào)分解成一系列固有模態(tài)函數(shù)，每個(gè)部分代表信號(hào)的不同頻率成分，通過分析其頻率特性和能量分布，即可識(shí)別出主要包含噪聲的固有模態(tài)函數(shù)，對(duì)這些固有模態(tài)函數(shù)選擇性地去除與修改。但是由于部分噪聲頻率與心電信號(hào)頻率部分頻譜重疊，若將其當(dāng)作整體來處理，會(huì)導(dǎo)致部分有用信息的丟失。

7、深度學(xué)習(xí)算法需要根據(jù)提前準(zhǔn)備好的帶噪數(shù)據(jù)與純凈數(shù)據(jù)進(jìn)行訓(xùn)練，在迭代訓(xùn)練中學(xué)習(xí)噪聲特征，從而實(shí)現(xiàn)心電信號(hào)中噪聲的準(zhǔn)確濾除，與傳統(tǒng)的心電信號(hào)去噪方法相比，表現(xiàn)出更強(qiáng)的魯棒性。目前用于心電信號(hào)去噪的模型結(jié)構(gòu)大致有去噪自動(dòng)編碼器、生成對(duì)抗網(wǎng)絡(luò)以及循環(huán)神經(jīng)網(wǎng)絡(luò)等。而去噪自動(dòng)編碼器，由于其強(qiáng)大的非線性映射功能，它比其他技術(shù)表現(xiàn)出更好的濾波能力。

8、雖然現(xiàn)在有許多不同的心電信號(hào)去噪的深度學(xué)習(xí)方法，但都是關(guān)注的信號(hào)的時(shí)域信息，無法利用到信號(hào)的頻域信息。

技術(shù)實(shí)現(xiàn)思路

1、為了填補(bǔ)現(xiàn)有技術(shù)的空白，使得模型在學(xué)習(xí)時(shí)域特征的同時(shí)能夠?qū)W習(xí)信號(hào)的頻域特征，本發(fā)明提出了一種基于頻率信息增強(qiáng)的心電去噪方法。

2、本發(fā)明解決其技術(shù)問題具體采用的技術(shù)方案是：

3、一種基于頻率信息增強(qiáng)的心電去噪方法，首先使用滑窗將心電信號(hào)劃分為指定長度的時(shí)間步的樣本，將心電信號(hào)劃分為片段。接著將劃分好的心電信號(hào)信號(hào)輸入端到端的頻率信息增強(qiáng)的兩階段去噪網(wǎng)絡(luò)當(dāng)中，首先將輸入的信號(hào)進(jìn)行掩碼的操作，按照設(shè)定好的概率隨機(jī)屏蔽一部分?jǐn)?shù)據(jù)點(diǎn)，并對(duì)掩碼后的信號(hào)做離散余弦變換，得到信號(hào)的頻域信息；

4、接著，分別使用時(shí)域特征提取模塊與頻域特征提取模塊對(duì)時(shí)域與頻域信息進(jìn)行特征提取，得到心電信號(hào)在時(shí)域與頻域的特征，通過跨域特征融合模塊將時(shí)域與頻域特征融合，完成特征的頻率信息增強(qiáng)；

5、最后將融合后的時(shí)頻域特征輸入到信號(hào)重構(gòu)模塊中，并利用基于通道注意力機(jī)制改進(jìn)的跨階段特征融合模塊獲取第一階段的特征，用以增加階段之間的信息流動(dòng)；所述信號(hào)重構(gòu)模塊輸出去噪后平滑的心電信號(hào)，由此完成心電信號(hào)混合噪聲的去除。

6、進(jìn)一步地，所述端到端的頻率信息增強(qiáng)的兩階段去噪網(wǎng)絡(luò)，包括：時(shí)域特征提取模塊、頻域特征提取模塊、跨域特征融合模塊、跨階段特征融合模塊以及信號(hào)重構(gòu)模塊；

7、所述時(shí)域特征提取模塊和頻域特征提取模塊作為兩階段網(wǎng)絡(luò)的第一階段，分別用于提取時(shí)域與頻域的特征，同時(shí)將心電信號(hào)的時(shí)域信息與頻域信息集成到深度學(xué)習(xí)網(wǎng)絡(luò)模型中，將頻域信息作為時(shí)域信息的補(bǔ)充；所述跨域特征融合模塊用于連接網(wǎng)絡(luò)的兩個(gè)階段，將時(shí)域特征與頻域特征融合得到信號(hào)的時(shí)頻特征；所述信號(hào)重構(gòu)模塊根據(jù)輸入的特征輸出相應(yīng)的重構(gòu)信號(hào)；

8、所述跨階段特征融合模塊使用通道注意力機(jī)制，將第一階段與第二階段的特征進(jìn)行融合，用以提高特征的多樣性。

9、進(jìn)一步地，所述第一階段包括對(duì)心電信號(hào)時(shí)頻域特征的提取以及融合，所述第二階段對(duì)融合之后的時(shí)頻域特征進(jìn)行重構(gòu)，輸出去噪后結(jié)果；

10、其中，第一階段包含三個(gè)步驟：(1)對(duì)輸入模型的信號(hào)進(jìn)行掩碼操作，按照概率隨機(jī)屏蔽一部分?jǐn)?shù)據(jù)點(diǎn)，并對(duì)掩碼后信號(hào)做離散余弦變換，得到頻域信息；(2)將時(shí)域與頻域信息分別輸入到時(shí)域特征提取模塊與頻域特征提取模塊，其中時(shí)域特征提取模塊是一個(gè)結(jié)合半實(shí)例歸一化塊的u-net，頻域特征提取模塊是一個(gè)包含多尺度卷積的殘差網(wǎng)絡(luò)，通過二者分別提取信號(hào)在時(shí)域與頻域的特征；(3)將提取到的時(shí)域與頻域特征輸入跨域特征融合模塊，得到融合后的時(shí)頻域特征；

11、第二階段則是使用信號(hào)重構(gòu)模塊對(duì)第一階段得到時(shí)頻域特征進(jìn)行重構(gòu)，信號(hào)重構(gòu)模塊是在第一階段所提取特征的基礎(chǔ)上，使用跨階段特征融合獲取來自第一階段的特征，以增加階段之間的信息流動(dòng)，再經(jīng)過信號(hào)重構(gòu)模塊得到去噪后平滑的心電信號(hào)。

12、進(jìn)一步地，輸入掩碼隨機(jī)屏蔽輸入信號(hào)的一部分，網(wǎng)絡(luò)在訓(xùn)練的過程修復(fù)被屏蔽部分的信息；首先對(duì)每一個(gè)輸入的樣本xi∈rl，都有一個(gè)相應(yīng)的掩碼向量mi∈rl，掩碼向量是每一個(gè)位置都根據(jù)輸入掩碼比pim的概率置0，其余位置置1；將輸入樣本與對(duì)應(yīng)的掩碼向量相乘則得到掩碼后輸入xmi，如公式(1)所示；

13、xmi＝xi×mi。

14、進(jìn)一步地，所述時(shí)域特征提取模塊由半例歸一化模塊hin?block、res?block、上下采樣以及跳躍連接組成，在網(wǎng)絡(luò)的輸入部分，使用一個(gè)卷積核大小為31x1的卷積提取信號(hào)的初始特征，接著將初始特征輸入到編碼器階段的hin?block中，用于提取不同尺度的特征；然后對(duì)輸出的特征使用卷積核大小為4且步長為2的卷積實(shí)現(xiàn)特征圖的下采樣，同時(shí)將特征通道數(shù)增加為原來的兩倍；在解碼器部分，使用核大小與步長均為2的轉(zhuǎn)置卷積對(duì)特征進(jìn)行上采樣.將上采樣后的特征輸入到resblock中以提取高級(jí)特征，并使用跳躍連接融合來自編碼器部分的特征。

15、進(jìn)一步地，所述頻域特征提取模塊包括：離散余弦變換dct、頻域特征提取網(wǎng)絡(luò)以及離散余弦逆變換idct；

16、所述頻域特征提取網(wǎng)絡(luò)是一個(gè)多尺度的殘差卷積神經(jīng)網(wǎng)絡(luò)；首先對(duì)輸入進(jìn)行離散余弦變換dct，將信號(hào)從時(shí)域轉(zhuǎn)換到頻域，結(jié)果被輸入到卷積核大小為5x1的卷積層以提取頻域信號(hào)的初始特征；接著將初始特征分別輸入到三個(gè)不同卷積核大小的resblock，從而使得模型能夠提取不同尺度的頻率特征，在通道維度上將不同尺度的頻域特征進(jìn)行拼接，再使用一個(gè)卷積核大小1x1的卷積層對(duì)拼接后的特征進(jìn)行降維；最后，對(duì)卷積層輸出結(jié)果進(jìn)行離散余弦逆變換idct，得到相應(yīng)時(shí)序信號(hào)的頻域特征圖。

17、進(jìn)一步地，所述跨域特征融合模塊由雙重注意力模塊dam以及一個(gè)核大小為31x1的卷積組成；其中雙重注意力模塊dam通過通道注意力模塊cam、空間注意力模塊sam串聯(lián)得到；所述雙重注意力模塊dam沿著給定特征圖的通道和空間兩個(gè)維度依次推斷注意力圖，然后將注意力圖和輸入特征圖相乘，實(shí)現(xiàn)自適應(yīng)特征細(xì)化；接著將輸出的特征與ffre在通道維度上進(jìn)行拼接，將拼接結(jié)果輸入到一維卷積層，實(shí)現(xiàn)時(shí)域與頻域特征的融合。

18、進(jìn)一步地，所述信號(hào)重構(gòu)模塊由hin?block、res?block、上下采樣以及跳躍連接組成；并結(jié)合引入通道注意力的跨階段特征融合模塊；在兩個(gè)編碼解碼器之間接入改進(jìn)的跨階段特征融合模塊，以融合來自第一階段的編碼器解碼器部分的特征。

19、考慮由于心電信號(hào)在實(shí)際場景中經(jīng)常受到多種噪聲的干擾，傳統(tǒng)的濾波方法難以在最大程度保留心電信號(hào)主要信息的同時(shí)去除多種噪聲的混合，目前的深度學(xué)習(xí)算法都是關(guān)注心電的時(shí)域信息，而忽略了頻域信息。本發(fā)明提供的算法模型在深度學(xué)習(xí)模型hinet的基礎(chǔ)上，引入頻率信息增強(qiáng)機(jī)制，同時(shí)結(jié)合輸入掩碼、跨階段融合等機(jī)制，構(gòu)建了心電信號(hào)去噪的頻率增強(qiáng)的兩階段網(wǎng)絡(luò)，實(shí)現(xiàn)對(duì)心電信號(hào)混合噪聲的濾波。

20、相比于現(xiàn)有技術(shù)，本發(fā)明及其優(yōu)選方案至少具有以下突出特點(diǎn)和有益效果：

21、(1)在網(wǎng)絡(luò)中引入了一個(gè)頻率特征提取模塊，使用離散余弦變換提取心電信號(hào)的頻率信息，并對(duì)其做特征提取得到頻域特征，將其用作時(shí)域特征的補(bǔ)充，使得特征能夠包含更加豐富的信息，填補(bǔ)了目前心電信號(hào)去噪領(lǐng)域內(nèi)這一部分研究的空白。

22、(2)提出了一個(gè)用于心電信號(hào)去噪的兩階段網(wǎng)絡(luò)，在第一階段階段分別使用一個(gè)基于卷積與半實(shí)例歸一化塊hin?block的u-net與多尺度卷積殘差網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)時(shí)域與頻域特征的提取，并將二者進(jìn)行融合。在第二階段對(duì)所提取的特征進(jìn)行重構(gòu)，并使用基于通道注意力機(jī)制的跨階段特征融合模塊，實(shí)現(xiàn)兩階段特征融合。

23、(3)引入了輸入掩碼來隨機(jī)屏蔽輸入心電信號(hào)的部分?jǐn)?shù)據(jù)點(diǎn)，引導(dǎo)模型更多地關(guān)注心電信號(hào)波形所包含的信息，而不是過度擬合噪聲，從而提高模型的泛化性能。