一种基于频率信息增强的心电去噪方法

本发明属于心电信号处理，具体涉及一种基于频率信息增强的心电去噪方法。

背景技术：

1、心电图(ecg)是现代医疗设备中使用最广泛的生命体征监测技术。每次心跳由不同幅度的波组成，包括p波、t波、qrs波和u波。心电图是一种无创检查，可记录心脏的电活动并有助于诊断心脏病。波形异常表明心脏健康状况出现异常，根据波形可以检测各种异常情况，如心律失常、冠状动脉阻塞等。然而心电信号在采集的过程中极易受到来自不同噪声源的影响，从而干扰诊断结果。

2、污染心电信号的干扰源包括各种类型的噪声。基线漂移(bw,baseline wander)是一种由电极-皮肤阻抗变化、患者运动和呼吸引起的噪声。受基线漂移影响的心电图随时间持续向下移动，而不是遵循恒定的基线。肌肉伪影(ma,muscleartifact)是心电图监视器可以记录的骨骼肌活动，掩盖了真实信号。运动伪迹(em,electrode motion)通常是由于身体的各种运动引起的，如呼吸、肌肉收缩等，这些运动导致电极与皮肤之间的产生相对位移。这些噪声会覆盖心电信号所要传递的信息，破坏心电信号的波形，影响对心脏疾病的正确诊断。因此，为了更准确的临床诊断，开发有效的心电信号的去噪方法是十分有必要的。

3、目前，心电信号去噪的方法大致可以分为两类，一类是传统的滤波方法，包括经验模态分解、数字滤波器、卡尔曼滤波、小波滤波等方法，另一类则是基于深度学习的方法。虽然传统的滤波方法在可解释性更强，但其有效性与鲁棒性都不如深度学习方法。然而现有的深度学习心电信号去噪的方法大多是基于信号的时域信息，忽略了信号的频域信息，这可能会影响到模型的性能表现。

4、由于心电信号的非平稳的性质，如果使用经验模态分解和小波变换可以利用心电信号中的时频信息对心电信号进行去噪。

5、其中，小波变换(wt,wavelet transform)是一种在心电信号去噪领域广泛应用的算法，它通过分解信号来实现噪声剔除。通过对心电信号进行离散小波变换，将信号分解成不同尺度的小波系数。随后，采用软阈值处理，将小于某一阈值的小波系数置为零，从而去除被认为是噪声的成分。为了提高算法的鲁棒性，引入了平稳小波变换。与传统小波变换相比，平稳小波变换提供了更为稳定的基底函数，能更好地适应信号的非平稳性质，在更精确地保留心电信号中的关键特征，同时去除噪声。然而，这种软阈值方法可能会导致心电信号的部分重要特征丢失，并且难以去除信号中的残余噪声。

6、经验模态分解(emd,empirical mode decomposition)是一种自适应的时间序列分析技术，经常用于处理非线性和非平稳信号。经验模态分解将复杂信号分解成一系列固有模态函数，每个部分代表信号的不同频率成分，通过分析其频率特性和能量分布，即可识别出主要包含噪声的固有模态函数，对这些固有模态函数选择性地去除与修改。但是由于部分噪声频率与心电信号频率部分频谱重叠，若将其当作整体来处理，会导致部分有用信息的丢失。

7、深度学习算法需要根据提前准备好的带噪数据与纯净数据进行训练，在迭代训练中学习噪声特征，从而实现心电信号中噪声的准确滤除，与传统的心电信号去噪方法相比，表现出更强的鲁棒性。目前用于心电信号去噪的模型结构大致有去噪自动编码器、生成对抗网络以及循环神经网络等。而去噪自动编码器，由于其强大的非线性映射功能，它比其他技术表现出更好的滤波能力。

8、虽然现在有许多不同的心电信号去噪的深度学习方法，但都是关注的信号的时域信息，无法利用到信号的频域信息。

技术实现思路

1、为了填补现有技术的空白，使得模型在学习时域特征的同时能够学习信号的频域特征，本发明提出了一种基于频率信息增强的心电去噪方法。

2、本发明解决其技术问题具体采用的技术方案是：

3、一种基于频率信息增强的心电去噪方法，首先使用滑窗将心电信号划分为指定长度的时间步的样本，将心电信号划分为片段。接着将划分好的心电信号信号输入端到端的频率信息增强的两阶段去噪网络当中，首先将输入的信号进行掩码的操作，按照设定好的概率随机屏蔽一部分数据点，并对掩码后的信号做离散余弦变换，得到信号的频域信息；

4、接着，分别使用时域特征提取模块与频域特征提取模块对时域与频域信息进行特征提取，得到心电信号在时域与频域的特征，通过跨域特征融合模块将时域与频域特征融合，完成特征的频率信息增强；

5、最后将融合后的时频域特征输入到信号重构模块中，并利用基于通道注意力机制改进的跨阶段特征融合模块获取第一阶段的特征，用以增加阶段之间的信息流动；所述信号重构模块输出去噪后平滑的心电信号，由此完成心电信号混合噪声的去除。

6、进一步地，所述端到端的频率信息增强的两阶段去噪网络，包括：时域特征提取模块、频域特征提取模块、跨域特征融合模块、跨阶段特征融合模块以及信号重构模块；

7、所述时域特征提取模块和频域特征提取模块作为两阶段网络的第一阶段，分别用于提取时域与频域的特征，同时将心电信号的时域信息与频域信息集成到深度学习网络模型中，将频域信息作为时域信息的补充；所述跨域特征融合模块用于连接网络的两个阶段，将时域特征与频域特征融合得到信号的时频特征；所述信号重构模块根据输入的特征输出相应的重构信号；

8、所述跨阶段特征融合模块使用通道注意力机制，将第一阶段与第二阶段的特征进行融合，用以提高特征的多样性。

9、进一步地，所述第一阶段包括对心电信号时频域特征的提取以及融合，所述第二阶段对融合之后的时频域特征进行重构，输出去噪后结果；

10、其中，第一阶段包含三个步骤：(1)对输入模型的信号进行掩码操作，按照概率随机屏蔽一部分数据点，并对掩码后信号做离散余弦变换，得到频域信息；(2)将时域与频域信息分别输入到时域特征提取模块与频域特征提取模块，其中时域特征提取模块是一个结合半实例归一化块的u-net，频域特征提取模块是一个包含多尺度卷积的残差网络，通过二者分别提取信号在时域与频域的特征；(3)将提取到的时域与频域特征输入跨域特征融合模块，得到融合后的时频域特征；

11、第二阶段则是使用信号重构模块对第一阶段得到时频域特征进行重构，信号重构模块是在第一阶段所提取特征的基础上，使用跨阶段特征融合获取来自第一阶段的特征，以增加阶段之间的信息流动，再经过信号重构模块得到去噪后平滑的心电信号。

12、进一步地，输入掩码随机屏蔽输入信号的一部分，网络在训练的过程修复被屏蔽部分的信息；首先对每一个输入的样本xi∈rl，都有一个相应的掩码向量mi∈rl，掩码向量是每一个位置都根据输入掩码比pim的概率置0，其余位置置1；将输入样本与对应的掩码向量相乘则得到掩码后输入xmi，如公式(1)所示；

13、xmi＝xi×mi。

14、进一步地，所述时域特征提取模块由半例归一化模块hin block、res block、上下采样以及跳跃连接组成，在网络的输入部分，使用一个卷积核大小为31x1的卷积提取信号的初始特征，接着将初始特征输入到编码器阶段的hin block中，用于提取不同尺度的特征；然后对输出的特征使用卷积核大小为4且步长为2的卷积实现特征图的下采样，同时将特征通道数增加为原来的两倍；在解码器部分，使用核大小与步长均为2的转置卷积对特征进行上采样.将上采样后的特征输入到resblock中以提取高级特征，并使用跳跃连接融合来自编码器部分的特征。

15、进一步地，所述频域特征提取模块包括：离散余弦变换dct、频域特征提取网络以及离散余弦逆变换idct；

16、所述频域特征提取网络是一个多尺度的残差卷积神经网络；首先对输入进行离散余弦变换dct，将信号从时域转换到频域，结果被输入到卷积核大小为5x1的卷积层以提取频域信号的初始特征；接着将初始特征分别输入到三个不同卷积核大小的resblock，从而使得模型能够提取不同尺度的频率特征，在通道维度上将不同尺度的频域特征进行拼接，再使用一个卷积核大小1x1的卷积层对拼接后的特征进行降维；最后，对卷积层输出结果进行离散余弦逆变换idct，得到相应时序信号的频域特征图。

17、进一步地，所述跨域特征融合模块由双重注意力模块dam以及一个核大小为31x1的卷积组成；其中双重注意力模块dam通过通道注意力模块cam、空间注意力模块sam串联得到；所述双重注意力模块dam沿着给定特征图的通道和空间两个维度依次推断注意力图，然后将注意力图和输入特征图相乘，实现自适应特征细化；接着将输出的特征与ffre在通道维度上进行拼接，将拼接结果输入到一维卷积层，实现时域与频域特征的融合。

18、进一步地，所述信号重构模块由hin block、res block、上下采样以及跳跃连接组成；并结合引入通道注意力的跨阶段特征融合模块；在两个编码解码器之间接入改进的跨阶段特征融合模块，以融合来自第一阶段的编码器解码器部分的特征。

19、考虑由于心电信号在实际场景中经常受到多种噪声的干扰，传统的滤波方法难以在最大程度保留心电信号主要信息的同时去除多种噪声的混合，目前的深度学习算法都是关注心电的时域信息，而忽略了频域信息。本发明提供的算法模型在深度学习模型hinet的基础上，引入频率信息增强机制，同时结合输入掩码、跨阶段融合等机制，构建了心电信号去噪的频率增强的两阶段网络，实现对心电信号混合噪声的滤波。

20、相比于现有技术，本发明及其优选方案至少具有以下突出特点和有益效果：

21、(1)在网络中引入了一个频率特征提取模块，使用离散余弦变换提取心电信号的频率信息，并对其做特征提取得到频域特征，将其用作时域特征的补充，使得特征能够包含更加丰富的信息，填补了目前心电信号去噪领域内这一部分研究的空白。

22、(2)提出了一个用于心电信号去噪的两阶段网络，在第一阶段阶段分别使用一个基于卷积与半实例归一化块hin block的u-net与多尺度卷积残差网络实现对时域与频域特征的提取，并将二者进行融合。在第二阶段对所提取的特征进行重构，并使用基于通道注意力机制的跨阶段特征融合模块，实现两阶段特征融合。

23、(3)引入了输入掩码来随机屏蔽输入心电信号的部分数据点，引导模型更多地关注心电信号波形所包含的信息，而不是过度拟合噪声，从而提高模型的泛化性能。