一种多尺度膨胀卷积残差密集网络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CN115905996A(43)申请公布日2023.04.04(21)申请号202211135432.4A61B5/346(2021.01)(22)申请日2022.09.19A61B5/318(2021.01)(71)申请人山东省人工智能研究院地址250013山东省济南市历下区科院路19号(72)发明人陈长芳相潇学舒明雷周书旺刘瑞霞刘照阳高天雷单珂(74)专利代理机构济南泉城专利商标事务所37218专利代理师支文彬(51)Int.Cl.G06F18/25(2023.01)G06F18/214(2023.01)G06N3/0464(2023.01)G06N3/082(2023.01)权利要求书3页说明书7页附图1页(54)发明名称一种多尺度膨胀卷积残差密集网络的心电信号降噪方法(57)摘要一种多尺度膨胀卷积残差密集网络的心电信号降噪方法，通过密集连接结构和不同大小的膨胀卷积自适应地学习多尺度的局部特征，能够充分利用所有卷积层的信息。设计双路特征融合增加后续信息流的变化，避免堆叠大量特征。所有双分支残差密集块生成的层级特征自适应地融合，并与浅层特征结合构建出全局特征。同时，在多尺度膨胀卷积网络中融入残差学习，促进跨层信息的交互、提高网络的有效性。CN115905996ACN115905996A权利要求书1/3页1.一种多尺度膨胀卷积残差密集网络的心电信号降噪方法，其特征在于，包括如下步骤：a)从MIT‑BIH心律失常数据库中选取1条记录，将该记录截取成长度为L干净的心电信号，将干净的心电信号按8:1:1的比例进行划分，得到干净心电信号的训练集数据、测试集数据和验证集数据，其中训练集数据有X个，测试集数据有Y个，验证集数据有Z个；b)重复步骤a)N次，得到干净心电信号的训练集数据组成的训练集S、测试集数据组成的测试集和验证集数据组成的验证集；c)从MIT‑BIH心律失常数据库的BW、MA、EM中随机选取一种噪声，设置随机起始点，截取长度为L的噪声信号；d)重复步骤c)P次，将噪声信号依次添加到干净心电信号训练集数据、测试集数据和验证集数据，得到带噪心电信号的训练集数据组成的训练集、测试集数据组成的测试集和验证集数据组成的验证集；e)构建多尺度膨胀卷积残差密集网络模型MSD‑RDN，将带噪心电信号的训练集E输入到多尺度膨胀卷积残差密集网络模型MSD‑RDN中，模型输出得到降噪后的心电信号2.根据权利要求1所述的多尺度膨胀卷积残差密集网络的心电信号降噪方法，其特征在于：步骤a)中L取值为512。3.根据权利要求1所述的多尺度膨胀卷积残差密集网络的心电信号降噪方法，其特征在于：步骤b)中N取值为48。4.根据权利要求1所述的多尺度膨胀卷积残差密集网络的心电信号降噪方法，其特征在于：步骤d)中将信噪比为3dB的噪声信号依次添加到干净心电信号的训练集数据、测试集数据和验证集数据中，P＝N*(X+Y+Z)。5.根据权利要求1所述的多尺度膨胀卷积残差密集网络的心电信号降噪方法，其特征在于，步骤e)包括如下步骤：e‑1)多尺度膨胀卷积残差密集网络模型MSD‑RDN依次由第一卷积层、第二卷积层、M个双尺度残差密集模块DBRDB、第三卷积层、第四卷积层、第五卷积层和第六卷积层构成；e‑2)将带噪心电信号的训练集E输入到第一卷积层后输出浅层特征G‑1，将浅层特征G‑1输入到第二卷积层后输出浅层特征G0；e‑3)所述双尺度残差密集模块DBRDB由多尺度特征提取模块MSFE、多尺度特征融合模块MSFF、膨胀卷积密集连接模块DCDC、双路特征融合模块DWFF和局部残差学习模块LRL构成；e‑4)所述多尺度特征提取模块MSFE依次由局部浅层特征提取单元、第一卷积层、第二卷积层、第三卷积层、第四卷积层以及池化层构成，所述局部浅层特征提取单元由卷积层及ReLU函数层构成，G0为第一个双尺度残差密集模块DBRDB的输入，Gm‑1为第m个双尺度残差密集模块DBRDB的输入，特征Gm‑1输入到第m个双尺度残差密集模块DBRDB的多尺度特征提取模块MSFE中的局部浅层特征提取单元后输出得到局部浅层特征将局部浅层特征输入到第一卷积层后输出得到特征将特征输入到第二卷积层后输出得到特征将特征输入到第三卷积层后输出得到2CN115905996A权利要求书2/3页特征将特征输入到第四卷积层后输出得到特征将特征输入到池化层后输出得到特征e‑5)所述多尺度特征融合模块MSFF由卷积层构成，将特征特征特征特征和特征进行拼接操作，将拼接后的特征输入到卷积层中输出得到多尺度融合特征Gm,MSFF；e‑6)所述膨胀卷积密集连接模块DCDC由K个膨胀卷积密集单元构成，每个膨胀卷积密集单元由卷积层及ReLU函数层构成，将特征Gm‑1输入到第