本发明涉及医学,尤其涉及一种基于深度学习和心电仿真技术的心电信号去噪方法。
背景技术:
1、提取心电信号的r波峰位置往往是自动化处理动态心电图的第一步;现有基于物理模型的很多心跳分类算法都依赖于r波峰位置的准确度,因此提高r波峰提取的准确性意义重大,造成现有算法r波峰位置不准确的主要原因在于动态心电图中的干扰。
2、现有的去噪算法多针对心电图中的工频干扰、呼吸干扰、和高频噪声进行研究,然而与静态心电图不同,动态心电图中干扰种类多,并且由于运动、或者设备导联导电性不稳定等原因造成的噪声干扰幅度大,由于这部分干扰没有固定的规律,如何去除这部分噪声成为动态心电图处理的难点,为此,本申请提出一种基于深度学习算法加心电仿真技术相结合的心电信号去噪方法来解决此问题。
技术实现思路
1、本发明的目的是为了解决现有技术中存在的问题,而提出的一种基于深度学习和心电仿真技术的心电信号去噪方法。
2、为了实现上述目的,本发明采用了如下技术方案:
3、一种基于深度学习和心电仿真技术的心电信号去噪方法,采用以下步骤操作:
4、步骤一,设置参数,产生心电信号;
5、步骤二,随机生成范围在[1.2-4.5]之间的场点处电导率σ,范围在[1.3-3.5]之间的内界面电导率σl-,范围在[2.3-5.5]之间的外界面电导率为σl+,随机设置生成n*n个[0,36]之间的整数,并将其赋值给ε(i,j,0),然后按照步骤一生成不同的心电信号;
6、步骤三,以仿真得到的心电信号作为输入,以场点处电导率σ、内界面电导率σl-、外界面电导率为σl+、ε(i,j,0)作为输出,训练深度学习网络;
7、步骤四,使用深度学习网络对真实采集得到的心电信号进行去噪。
8、优选地,步骤一中,产生心电信号的具体步骤为:
9、a.根据下列等式确定n*n维传递系数矩阵mt,其中n为心外膜表面模型的结点数;
10、其中,
11、
12、b.随机生成n*n个[0,36]之间的整数,并将其赋值给ε(i,j,0),根据步骤a中提供的公式计算出m0;
13、c.按照下列等式求出φ0;
14、
15、d.求出心外膜电位;
16、
17、进一步地,在式中,
18、并且,当0<x<36时,s(x)分别为{-80,-80,-80,-80,55.9,30.3,8.0,-6.8,-14.2,-19.2,-23.3,-28.2,-32.4,-39.0,-44.7,-49.7,-54.6,-60.4,-64.5,-68.7,-72.8,-74.4,-76.1,-77.8,-78.6,-80,-80,-80,-80,-80,-80,-80,-80,-80,-80},x取其他值时,s(x)=0。
19、更进一步地,其特征在于,在式
20、
21、中,δ是周围值在[1-35]之间的元素个数,δth=2。
22、更进一步地,在式中,
23、n为心外膜表面模型的结点数,dj表示心脏中心点到第i个心外膜表面模型的结点位置的归一化向量,r表示场点固定向量,表示偏导运算。
24、更进一步地,在式
25、
26、中,r′是心外膜表面的场点;σ是该场点处的电导率;ωh代表整个心脏区域;js为心肌的等效偶极子源;sl(1=2,3,*m)代表人体躯干内电导率分片均匀的封闭界面,其内界面的电导率为σl-,外界面的电导率为σl+;sl代表体表面。
27、优选地,步骤三中,深度学习网络采用7层网络加一个分类器构造,即layer1-layer7;
28、以仿真得到的心电信号作为输入,以场点处电导率σ,内界面电导率σl-,外界面电导率为σl+,ε(i,j,0)作为输出,训练深度学习网络,训练算法可以为:随机梯度下降算法、adam算法、rmsprop算法、adagrad算法、adadelta算法、adamax算法等。
29、进一步地,layer1-layer6均由一个卷积层和一个池化层组成,layer7为全连接层,具体的:
30、layer1中卷积层包含5个核,卷积核大小均为224,layer1中池化层中的步长和核大小均为2;
31、layer2卷积层包含5个核,卷积核大小均为112,layer2中池化层中的步长和核大小均为2;
32、layer3卷积层包含10个核,卷积核大小均为100,layer3中池化层中的步长和核大小均为2;
33、layer4卷积层包含10个核,卷积核大小均为50,layer4中池化层中的步长和核大小均为2;
34、layer5卷积层包含10个核,卷积核大小均为48,layer5中池化层中的步长和核大小均为2;
35、layer6卷积层包含10个核,卷积核大小均为24,layer4中池化层中的步长和核大小均为2;
36、layer7的输入层神经元个数与layer6的输出特征个数一致,输出层神经元个数为100个,分类器输入特征是100个,输出神经元个数为39。
37、更进一步地,步骤三中,训练算法采用随机梯度下降算法、adam算法、rmsprop算法、adagrad算法、adadelta算法、adamax算法中的任意一种。
38、更进一步地,步骤四中,对真实采集得到的心电信号进行去噪的具体步骤为:
39、①.将心电信号输入步骤三中训练好的神经网络中,通过计算得到场点处电导率σ,内界面电导率σl-,外界面电导率为σl+,ε(i,j,0);
40、②.将步骤①中得到的39个值按照步骤一中进行计算,得到新的心电信号,就是去噪后的心电信号。
41、该装置中未涉及部分均与现有技术相同或可采用现有技术加以实现,本发明中首先输入不同参数得到不同心电仿真信号,用仿真信号作为输入,用参数作为输出训练深度学习网络,最后使用深度学习网络对真实采集得到的心电信号进行去噪,本申请能够避免由于运动、或者设备导联导电性不稳定等原因造成的噪声干扰幅度大的问题,有效地去除动态心电图该部分的噪声,更便于使用,提高使用的准确性。
1.一种基于深度学习和心电仿真技术的心电信号去噪方法,其特征在于,采用以下步骤操作:
2.根据权利要求1所述的一种基于深度学习和心电仿真技术的心电信号去噪方法,其特征在于,步骤一中,产生心电信号的具体步骤为:
3.根据权利要求2所述的一种基于深度学习和心电仿真技术的心电信号去噪方法,其特征在于,在式中,
4.根据权利要求3所述的一种基于深度学习和心电仿真技术的心电信号去噪方法,其特征在于,在式
5.根据权利要求4所述的一种基于深度学习和心电仿真技术的心电信号去噪方法,其特征在于,在式中,
6.根据权利要求5所述的一种基于深度学习和心电仿真技术的心电信号去噪方法,其特征在于,在式
7.根据权利要求1所述的一种基于深度学习和心电仿真技术的心电信号去噪方法,其特征在于,步骤三中,深度学习网络采用7层网络加一个分类器构造,即layer1-layer7;
8.根据权利要求7所述的一种基于深度学习和心电仿真技术的心电信号去噪方法,其特征在于,layer1-layer6均由一个卷积层和一个池化层组成,layer7为全连接层,具体的:
9.根据权利要求8所述的一种基于深度学习和心电仿真技术的心电信号去噪方法,其特征在于,步骤三中,训练算法采用随机梯度下降算法、adam算法、rmsprop算法、adagrad算法、adadelta算法、adamax算法中的任意一种。
10.根据权利要求9所述的一种基于深度学习和心电仿真技术的心电信号去噪方法,其特征在于,步骤四中,对真实采集得到的心电信号进行去噪的具体步骤为: