一种基于增强解码的AE-GAN的ECG信号重建方法

本发明涉及生理信号处理与分析，具体涉及一种基于增强解码的ae-gan的ecg信号重建方法。

背景技术：

1、心电图(electrocardiogram，ecg)是心脏电活动在人体表面的反映，是临床上用于心脏及心血管健康状态评估的金标准。随着便携式监护设备的日趋流行，ecg日常行为环境下的采集与分析成为研究热点。然而，长时间ecg的记录常受到采集设备、人体活动、电极接触等因素的影响，这导致设备采集到的ecg中含有各种噪声与干扰(主要包括基线漂移噪声、肌电干扰、电极干扰等)。甚至，噪声可能淹没ecg信号使得监测设备无法正确获取生理状态。因此，研发相关算法去除ecg噪声、重构纯净的ecg是心血管疾病智能诊断的前期重要工作。本发明针对上述问题，给出一种增强解码的ae-gan的ecg信号重建方法。

2、ecg中常出现的噪声主要有呼吸引起的基线漂移(baseline wander,bw)(分布频段：0.05-2hz)、工频干扰(50hz或60hz)、肌肉运动引起的肌电干扰(muscle artifacts,ma)(分布频段：5-2000hz)、运动过程中电极接触变动引起的电极干扰(electrode motion,em)。针对这些噪声的去除，纯净ecg的重建，研究人员投入了相当的精力，也取得了一定的成果，现有的心电信号降噪算法主要分为：传统降噪方法和基于深度学习的降噪算法。其中，传统的心电信号滤波包括模拟滤波和数字滤波器设计，模拟滤波器滤波效果不佳，一般伴随着放大电路做硬件外围，而主要控制端的高精度滤波均由数字滤波器实现。常见数字滤波包括：fir/iir滤波器，小波变换(wavelet transform，wt)滤波、经验模式分解(empirical mode decomposition，emd)滤波、自适应滤波器以及基于上述理论的改进算法。由于ecg的主要能量集中在0-100hz，与上述噪声有重叠频段，所以fir/iir滤波器效果不佳，且容易发生群延迟。wt可以将ecg分解到不同的频带上，一般认为噪声分布在小波分解的高频部分，ecg信号主要分布在小波分解的低频部分。因此，对小波分解的高频系数经过软阈值或硬阈值的处理后重构ecg可去除噪声。这种方法的效果比较依赖小波母函数及阈值的选择。emd方法将ecg分解为多个本征模态函数(intrinsic mode functions,imfs)，然后去除噪声最大的模态函数，剩余的imfs去重构ecg。但因高频噪声常混叠与多个imfs中，与qrs波群交杂，而易发生模态混叠现象，甚至导致qrs波群失真。为减少模态混叠的影响，集成经验模态分解、变分模态分解及它们的改进算法被大量引入ecg去噪领域。由于ecg噪声种类复杂，且信号本身具有较大的个体差异性、病理差异性以及人体运动对其影响严重，因此，对纯净ecg的准确重建往往需要借助上述多种方法协同进行。

3、随着机器学习、神经网络技术的快速发展，基于数据训练的ecg除噪、重建算法与逐渐被提出。这类方法大体可分为两种，一种是基于机器学习训练来改进、优化、更新降传统噪模型中的重要参数，以达到更好的去噪效果；另一种是基于数据训练，利用神经网络对ecg进行分解与重构，寻找点对点对应的数据重建模型。例如，误差反向传播神经网络与变分模态分解结合用于bw噪声的去除；构建有监督深度因子模型，去除ecg的线性叠加噪声；利用自编码器(autoencoder，ae)的压缩编码与表征学习能力，将其应用于ecg除噪，重点通过设计合适的编码过程找到含噪ecg与特征向量间的非线性关系；由于生成对抗神经网络(generative adversarial net，gan)在生成器和鉴别器的共同作用下能够使生成的信号从全局和局部特征上都逼近纯净信号，因此，有学者将其引入ecg除噪领域，获得了一定的成果。但单一的神经网络面对ecg复杂多样的噪声时有一定的局限性。其中，ae在压缩编码过程中容易丢失ecg的细节特征，这可能导致心脏一过性病理信息的丢失，造成不可挽回的局面。gan的应用中，生成器和鉴别器的结构很大程度上影响最终降噪性能，因此研究人员常通过在生成器、鉴别器中引入残差神经网络、深度卷积神经网络、条件卷积等来改善网络的性能。然而，基于深度学习的降噪算法存在以下问题：(1)部分方法需要对ecg进行分割，信号处理过程繁杂，稳定性不高；(2)ecg细节丰富，富含病理信息，部分除噪方法在去除噪声的同时对细节信息的丢失严重，准确度有待提高。

技术实现思路

1、针对现有技术存在的不足，本发明的目的在于提供一种基于增强解码的ae-gan的ecg信号重建方法。

2、为了实现上述目的，本发明提供如下技术方案：

3、一种基于增强解码的ae-gan的ecg信号重建方法，构建ae-gan混合神经网络模型，所述ae-gan混合神经网络模型包括生成器和鉴别器，其中所述生成器包括编码器和解码器，所述鉴别器包括第一全卷积层、全连接层和sigmoid激活函数层，将含有不同信噪比的肌电干扰、基线漂移噪声、电极干扰以及混合噪声的ecg信号输入到所述ae-gan混合神经网络模型中，处理后输出重构无噪的ecg信号。

4、在本发明中，优选的，所述生成器由ae网络构建，并添加注意力机制以使ae网络模型在卷积操作中加强通道变化信息。

5、在本发明中，优选的，在所述解码器的每层反卷积层后添加一个se层以捕捉通道关系。

6、在本发明中，优选的，所述生成器采用的损失函数为：

7、

8、

9、

10、式中，第一项为最小二乘损失函数，ldist为距离函数，用于表征数据的全局差异性；lmax为最大差异，用于表征数据的局部差异性，代表噪声信号的分布，n代表样本长度，代表样本点i的降噪信号，xi代表样本点i的纯净信号(即标签数据)，λ1和λ2是ldist和lmax的加权系数，实验中分别设定为0.7和0.2。

11、在本发明中，优选的，所述鉴别器采用的损失函数为：

12、

13、式中，第一项，x～pdata(x)为真实数据x的分布，d(x)为鉴别器鉴别纯净信号的结果，1为真实样本(即纯净信号)的标签；第二项，代表噪声信号的分布，为鉴别器鉴别生成样本的结果，-1为假样本(即生成样本)的标签数据，该式优化目标是通过提高分辨能力来区分g生成的样本。

14、在本发明中，优选的，采用预处理的ecg数据对所述ae-gan混合神经网络模型进行训练，ecg数据的预处理包括：

15、s1、准备训练数据，通过对纯净ecg信号添加不同信噪比的肌电干扰、基线漂移噪声、电极噪声及上述三种噪声的混合噪声获得含噪ecg信号样本；

16、s2、对含噪ecg信号每个样本1024个点进行数据分割，归一化数据幅值；

17、s3、将所有数据按95％为训练集，5％为测试集进行划分。

18、在本发明中，优选的，所述编码器包括6层第二全卷积层，所述解码器包括6层反卷积层和6层se层，所述反卷积层与se层交替设置，所述第二全卷积层与所述反卷积层跳跃连接。

19、在本发明中，优选的，在每层所述第二全卷积层和反卷积层之后添加一层prelu激活函数。

20、在本发明中，优选的，所述鉴别器包括5层第一全卷积层、1层全连接层和1层sigmoid激活函数层，所述第一全卷积层的卷积核大小依次为16，16，16，16，8，(步长分别为2，4，4，4，1，)，每一所述第一全卷积层之后连接有一层leakyrelu激活函数。

21、在本发明中，优选的，所述生成器和鉴别器都使用adam优化器，初始学习率为0.0001，batch size为64。

22、与现有技术相比，本发明的有益效果是：

23、本发明的方法利用gan网络捕获ecg全局特征的同时，采用ae网络卷积操作捕获ecg局部时序特征，并通过添加注意力机制来避免网络在编码过程可能发生的通道信息丢失，且设计集成有遵循皮尔森卡方散度的最小二乘函数、距离函数和局部最大差异函数的生成器损失函数克服gan网络训练过程中存在的梯度弥散问题；在重建ecg信号方面具有更高的精度和稳定性。