基于Transformer的心电信号降噪方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115919325A(43)申请公布日2023.04.07(21)申请号202211435254.7G06N3/0499(2023.01)(22)申请日2022.11.16G06N3/082(2023.01)G06F18/214(2023.01)(71)申请人武汉大学地址430072湖北省武汉市武昌区珞珈山武汉大学(72)发明人刘娟朱丁冯晶(74)专利代理机构武汉科皓知识产权代理事务所(特殊普通合伙)42222专利代理师罗敏清(51)Int.Cl.A61B5/346(2021.01)A61B5/00(2006.01)G06N3/0455(2023.01)G06N3/0464(2023.01)G06N3/048(2023.01)权利要求书2页说明书6页附图5页(54)发明名称基于Transformer的心电信号降噪方法(57)摘要本发明公开了一种基于Transformer的心电信号降噪方法，包括：获取无噪心电图信号数据集ECG_D1和纯噪声数据集Noise_D；利用Noise_D对ECG_D1中的心电图信号数据进行加噪处理得到带噪声的心电信号数据，并将其分为训练集和验证集；构建基于Transformer的深度神经网络；将步骤S2得到的带有噪声的心电信号训练集送入步骤S3构建的深度神经网络中训练，直至训练至达到终止条件，并采用验证集验证验证得到优化后的深度神经网络并将其作为心电信号降噪模型M；利用心电信号降噪模型M对真实的心电信号进行降噪处理，得到去噪后的心电数据用于下游任务。本发明能够学习心电信号的时序长期依赖性以及局部相关性，且能迅速地对不同种类的心电信号数据进行降噪处理，提高了效率与准确率。CN115919325ACN115919325A权利要求书1/2页1.一种基于Transformer的心电信号降噪方法，其特征在于，包括如下步骤：S1：获取公开的无噪心电图信号数据集ECG_D1和模拟真实心电噪声的纯噪声数据集Noise_D；S2：利用Noise_D对ECG_D1中的心电图信号数据进行加噪处理得到带噪声的心电信号数据，并将其分为训练集和验证集；S3：构建基于Transformer的深度神经网络，其包括编码器、Transformer层和解码器，其中，编码器用于提取心电信号的抽象特征，Transformer层用于生成心电信号的抽象特征，解码器用于将抽象特征重建为心电信号；S4：将步骤S2得到的带有噪声的心电信号训练集送入步骤S3构建的深度神经网络中训练，直至训练至达到终止条件，并采用验证集验证验证得到优化后的深度神经网络并将其作为心电信号降噪模型M；S5：利用心电信号降噪模型M对真实的心电信号进行降噪处理，得到去噪后的心电数据用于下游任务。2.根据权利要求1所述的基于Transformer的心电信号降噪方法，其特征在于，纯噪声数据集Noise_D中的噪声数据包括基线漂移噪声、肌肉伪影噪声、电极运动伪影噪声；其中，基线漂移噪声为低频的噪声信号；肌肉伪影噪声为肌肉电信号活动产生的噪声；电极运动伪影噪声为人在动态下电极与皮肤的相对位移以及皮肤的拉伸引起的电极‑皮肤阻抗变化导致的。3.根据权利要求2所述的基于Transformer的心电信号降噪方法，其特征在于，步骤2包括如下子步骤：S2.1：每次提取一定时间长度的心电信号数据，并计算该时序长度标准化后的心电信号；S2.2：从噪声数据集Noise_D中分别提取与心电信号相同时间长度的基线漂移噪声、肌肉伪影噪声、电极运动伪影噪声，并计算三种噪声的权重，将三个权重分别与对应的噪声相乘后与标准化后的心电信号相加，得到带有噪声的心电信号数。4.根据权利要求1所述的基于Transformer的心电信号降噪方法，其特征在于，编码器包括多个编码器块，每一个编码器块学习信号中的时序信息并抽象时序特征，并且上一个编码器块的输出作为下一个编码器块的输入，第一个编码器块的输入为步骤S2中得到的数据集中的带噪声心电信号数据，每个编码器块包括自注意力模块、局部增强前馈层以及下采样层；最后一个编码器块的下采样层的输出通过Transformer层后再输入至解码器中，解码器包括多个解码器块，每一个解码器块的输入包括了上一个解码器块的输出，并且对应编码器块的输出向量通过跳跃连接，与上一个解码器块的输出进行拼接，每个解码块包括自注意力模块、局部增强前馈层以及上采样块。5.根据权利要求4所述的基于Transformer的心电信号降噪方法，其特征在于，编码块中的自注意力模块对每一个时间点计算查询向量、键向量以及值向量，之后通过两个时间点查询向量和键向量的内积来计算两个时间点的相关性；通过归一化，计算每个时间点与其余所有时间点之间的相关性权重，并乘以值向量从而计算