CN105534517A - 一种去除三导联心电信号中车辆运动噪声的方法 - Google Patents

Abstract

本发明公开了一种去除三导联心电信号中车辆运动噪声的方法，其利用三轴加速度传感器采集运动数据作为神经网络输入样本，通过格式转换和归一化方法在神经网络训练前对人体静止及运动时的动态心电数据进行预处理并使两者之间的偏差作为神经网络的监督，进而使用人工神经网络学习算法以比例共轭梯度的优化方式确立噪声模型，用监测得到的动态心电数据减去对应的运动噪声即完成去噪。整个方法简便且易于实现，能够有效地在心电监测过程中自动去除车辆运动噪声，得到精确的心电数据，为医生对心血管疾病的诊疗提供保证。

Description

一种去除三导联心电信号中车辆运动噪声的方法

技术领域

本发明属于医疗器械技术领域，具体涉及一种去除三导联心电信号中车辆运动噪声的方法。

背景技术

动态心电图用于连续记录24小时动态心电活动数据，包括休息、活动、工作、进餐等不同情况下的心电活动数据，能够帮助用于发现心律失常和心肌缺血等症状，为临床分析病情和诊疗提供重要的依据。随着便携可穿戴式心电监护设备的涌现，使得用户可在各种状态下进行非常便捷的心电监测。但是动态心电图信号很容易受到各种噪声的干扰，主要干扰有交流干扰、肌电干扰、基线漂移、导联线连接错误、电极片与皮肤接触不充分等，随着技术的发展，大部分动态心电图设备都配置了各种类型的滤波器用以消除这些干扰，但是便携式动态心电图设备在移动的交通工具上使用时，车辆运动的干扰可能严重限制动态心电图信号的质量。

车辆的运动干扰会作用在车上的物体上，包括人体所穿戴的心电监测设备。而车辆运动的状态能够很好地反映干扰对心电监测设备的影响，通过三轴加速度传感器能够非常便捷地获取车辆的运动状态，从而分析运动的影响方式和程度，为消除车辆运动干扰提供数据基础。

三轴加速度传感器是一种将物理信号加速度转换成便于测量的电信号的传感器，目前大多数三轴加速度传感器的工作原理为压阻式、压电式和电容式，产生的加速度正比于电阻、电压和电容的变化，通过计算这些变化量和加速度之间的关系，即可计算出加速度的值。三轴加速度传感器能够在预先不知道物体运动状态的场合下，通过检测x,y,z三轴的信号，获取其坐标分量，从而准确判断物体的运动状态，具有体积小、重量轻的特性点，可以测量空间加速度，能够全面准确反映物体的运动性质，在航空航天、汽车、机器人和医学等领域获得广泛应用。

目前市场上大多便携式动态心电监测设备，结构简易，没有消除车辆运动噪声功能，在车辆运动状态下使用很容易受到干扰造成动态心电图信号不稳定，记录的心电波形无法用于心电分析，不仅限制了动态心电监护设备的使用范围，还可能使医生对心血管疾病患者的诊疗造成严重后果。

发明内容

针对现有技术所存在的上述技术问题，本发明提供了一种去除三导联心电信号中车辆运动噪声的方法，能够有效地在心电监测过程中自动去除车辆运动噪声，得到精确的心电数据，为医生对心血管疾病的诊疗提供保证。

一种去除三导联心电信号中车辆运动噪声的方法，包括如下步骤：

(1)对于任一种心率状态，利用心电信号模拟发生器在静止时产生处于该心率状态下的m组三通道静止心电信号段以及在车辆运动时产生处于该心率状态下的m组三通道运动心电信号段；利用三轴加速度传感器同步采集与上述心电信号模拟发生器在车辆运动时所产生的三通道运动心电信号段对应的三轴加速度信号段，m为大于1的自然数；

(2)对所述的三通道静止心电信号段、三通道运动心电信号段和三轴加速度信号段进行预处理；使预处理后的三通道运动心电信号段与三通道静止心电信号段对应作差，得到m组三通道心电运动噪声；

(3)根据所述的三通道心电运动噪声以及预处理后的三轴加速度信号段通过人工神经网络学习算法进行训练，得到关于三导联心电信号的车辆运动噪声模型；依此遍历得到对应各种心率状态的车辆运动噪声模型；

(4)获取用户日常在车辆运动时通过心电监测仪检测得到的三通道心电检测信号段，利用三轴加速度传感器同步采集与该心电监测仪在车辆运动时所检测得到的三通道心电检测信号段对应的三轴加速度信号段；根据用户所处的心率状态将该三轴加速度信号段输入对应的车辆运动噪声模型中输出得到一组三通道心电运动噪声，进而使所述的三通道心电检测信号段减去该三通道心电运动噪声即得到消除车辆运动噪声后的三通道心电数据。

所述步骤(2)中的预处理包括格式转换和归一化处理，以得到适当格式及范围内的数据信号。

所述的归一化处理基于以下表达式：

$x^{\′}=\frac{2(x-x_{\min })}{x_{\max }-x_{min}}-1$

其中：x为信号段中的任一信号值，x_min和x_max分别为信号段中的最小值和最大值，x'为对应x经归一化处理后的信号值。

所述的人工神经网络学习算法以比例共轭梯度法作为优化方向。

所述的步骤(3)中通过人工神经网络学习算法进行训练的具体过程如下：

3.1将预处理后与三通道运动心电信号段对应的m组三轴加速度信号段分为训练集和测试集且训练集大于测试集；

3.2初始化构建一个由输入层、隐藏层和输出层组成的神经网络；

3.3从训练集中任取一组三轴加速度信号段代入上述神经网络计算得到对应关于心电运动噪声的输出结果，计算该输出结果与该三轴加速度信号段所对应的三通道心电运动噪声之间的累积误差；

3.4根据该累积误差通过梯度下降法对神经网络中输入层与隐藏层之间以及隐藏层与输出层之间的权重进行修正，进而从训练集中任取下一组三轴加速度信号段代入修正后的神经网络；

3.5根据步骤3.3和3.4遍历训练集中的所有三轴加速度信号段，取累积误差最小时所对应的神经网络为车辆运动噪声模型。

所述步骤3.2中初始化构建的神经网络中输入层由3个神经元组成，隐藏层由10个神经元组成，输出层由3个神经元组成。

所述步骤3.2中初始化构建的神经网络中神经元函数g(z)的表达式如下：

$g\left(z\right)=\frac{2}{1+e^{-2z}}-1$

其中：z为函数的自变量。

所述的步骤(3)中对于训练得到的车辆运动噪声模型，将测试集中的三轴加速度信号段逐个代入该车辆运动噪声模型得到对应关于心电运动噪声的输出结果，使测试集中每一组三轴加速度信号段所对应的输出结果与三通道心电运动噪声进行比较，若测试集中有一定比例的三轴加速度信号段的比较结果小于等于阈值的话，则该车辆运动噪声模型最终确定；否则的话，通过采集更多的三通道静止心电信号段、三通道运动心电信号段和三轴加速度信号段根据步骤(1)～(2)增加训练集的规模作为神经网络的输入。

本发明三导联心电信号去噪方法利用三轴加速度传感器采集运动数据作为神经网络输入样本，通过格式转换和归一化方法在神经网络训练前对人体静止及运动时的动态心电数据进行预处理并使两者之间的偏差作为神经网络的监督，进而使用人工神经网络学习算法以比例共轭梯度的优化方式确立噪声模型，用监测得到的动态心电数据减去对应的运动噪声即完成去噪。整个方法简便且易于实现，能够有效地在心电监测过程中自动去除车辆运动噪声，得到精确的心电数据，为医生对心血管疾病的诊疗提供保证。

附图说明

图1为本发明三导联心电信号去噪方法的步骤流程示意图。

图2为本发明三导联心电信号去噪方法中的人工神经网络模型示意图。

具体实施方式

为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。

如图1所示，本发明去除三导联心电信号中车辆运动噪声的方法，包括如下步骤：

(1)训练样本集构建。

为建立神经网络模型，使用心电信号模拟器的输出信号作为心电监测终端的输入信号，分别在静止和运动状态下采集动态心电数据和运动状态数据。

动态心电数据包括m组在静止状态时采集的，处于1种心率状态下的心电信号序列E，由于有n种不同的心率状态，则有n*m组静止心电数据E；m组在车辆运动状态时采集的，处于1种心率状态下的心电信号序列M，由于有n种不同的心率状态，则有n*m组运动心电数据M；

运动状态数据为m组在车辆运动状态时采集的，对应于其中1种心率状态下的三轴加速度传感器输出信号序列Q[x,y,z]，由于有n种不同的心率状态，则有n*m组运动状态序列Q[x,y,z]，m、n为大于1的自然数。

(2)心电信号预处理。

对动态心电数据和运动状态数据进行格式转换和归一化处理，得到适当格式及范围的原始数据。本实施例中，数据采样率为250，AD转换位数为24bit，通过降采样算法将采样率降为200，通过数据压缩算法将24bit数据转换为16bit，得到容量更小的数据，但需满足神经网络训练模块的需求。归一化算法采用线性转换算法，其表达式为：

$f\left(x\right)=\frac{2*(x-\min )}{(max-min)}-1$

其中：x为输入向量，max为x的最大值，min为x的最小值，f(x)为归一化以后的输出向量。

(3)以共轭梯度法作为优化方向进行监督式学习，获得人工神经网络各层的权值比重。

3.1将m组预处理后的处于1种心率状态下的运动状态数据序列Q[x,y,z]分为训练集和测试集且训练集大于测试集；

3.2根据人工神经网络学习算法建立初始神经网络模型：该神经网络模型由输入层、隐藏层、输出成三层组成，输入层与隐藏层之间通过公式(1)连接，输入层的输入为三轴加速度传感器x，y，z轴的工作数据序列，隐藏层与输出层的激活函数为公式(2)，隐藏层由10个神经元构成，输出层的输出为三轴加速度传感器x，y，z轴的噪声，建立的神经网络模型如图2所示。

$a_i=g\left({\mathrm{\Σ}}_{j=1}^3{w}_{ij}^h{x}_j+b_i^h\right)---\left(1\right)$

其中，和为隐藏层的系数，g为tansig函数，i＝1,2,…,10,j＝1,2,3。

$N_i={\mathrm{\Σ}}_{j=1}^{10}{w}_{ij}^o{x}_j+b_i^o---\left(2\right)$

其中，和为输出层的系数，i＝1,2,3,j＝1,2,…,10。

3.3将训练集的一组样本数据输入到当前权值系数下的神经网络，依次计算输入层、隐藏层、输出层各个节点的输出；

3.4根据公式(3)计算所有训练样本的输出层输出与训练样本的期望结果之间的累积误差E，根据共轭梯度下降法，根据公式(4)修正输入层与隐藏层各节点间的权值系数，根据公式(5)修正隐藏层与输出层各节点间的权值系数；

$E=\frac{1}{2}{\mathrm{\Σ}}_{i=1}^m{\mathrm{\Σ}}_{k=1}^p{\left({\hat{o}}_k-o_k\right)}^2---\left(3\right)$

其中：E为累积误差，为单次训练样本经过神经网络的输出层的第k个输出，o_k为单次训练样本的第k个期望结果，m为训练集样本总数，p为输出层输出总数；

$w_{ho}(t+1)=w_{ho}\left(t\right)+\mathrm{\α}(\hat{o}-o)\hat{o}(1-\hat{o})x_h---\left(4\right)$

其中：w_ho(t)为第t次样本输入到神经网络时隐藏层与输出层之间的权值系数，为单次训练样本经过神经网络的输出层的输出，o为单次训练样本的期望结果，x_h为隐藏层的输出，α为学习速率；

$w_{ih}(t+1)=w_{ih}\left(t\right)+{\mathrm{\α\Σ}}_{j=1}^n\left(\right(\hat{o}-o\left)\hat{o}\right(1-\hat{o}\left)w_{ih}\right(t\left)\right)x_i---\left(5\right)$

其中：w_ih(t)为第t次样本输入到神经网络时输入层与隐藏层之间的权值系数，x_i为输入层的输出；

3.5重复步骤3.3和步骤3.4遍历所有训练集，建立噪声模型，取得E最小时的权值系数组所对应的噪声模型，然后使用测试集对该噪声模型进行测试，如果测试的正确率高于阈值则该噪声模型为最佳模型；如果测试的正确率低于阈值，则继续增加训练样本重复步骤3.3和步骤3.4训练神经网络，直到训练完成。本实施例中训练得到的权值系数矩阵为：

输入层与隐藏层：

隐藏层与输出层：

(4)还原***模型。

根据神经网络各层的权值比重，还原噪声模型的***函数。将用户日常监测得到的体现人体运动状态的三轴加速度输出数据代入噪声模型中，输出相应的噪声结果，然后使用监测得到的动态心电数据减去噪声模型输出的噪声值，得到去除噪声后的动态心电数据。

上述的对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。

Claims (8)

1.一种去除三导联心电信号中车辆运动噪声的方法，包括如下步骤：

(1)对于任一种心率状态，利用心电信号模拟发生器在静止时产生处于该心率状态下的m组三通道静止心电信号段以及在车辆运动时产生处于该心率状态下的m组三通道运动心电信号段；利用三轴加速度传感器同步采集与上述心电信号模拟发生器在车辆运动时所产生的三通道运动心电信号段对应的三轴加速度信号段，m为大于1的自然数；

(2)对所述的三通道静止心电信号段、三通道运动心电信号段和三轴加速度信号段进行预处理；使预处理后的三通道运动心电信号段与三通道静止心电信号段对应作差，得到m组三通道心电运动噪声；

(3)根据所述的三通道心电运动噪声以及预处理后的三轴加速度信号段通过人工神经网络学习算法进行训练，得到关于三导联心电信号的车辆运动噪声模型；依此遍历得到对应各种心率状态的车辆运动噪声模型；

(4)获取用户日常在车辆运动时通过心电监测仪检测得到的三通道心电检测信号段，利用三轴加速度传感器同步采集与该心电监测仪在车辆运动时所检测得到的三通道心电检测信号段对应的三轴加速度信号段；根据用户所处的心率状态将该三轴加速度信号段输入对应的车辆运动噪声模型中输出得到一组三通道心电运动噪声，进而使所述的三通道心电检测信号段减去该三通道心电运动噪声即得到消除车辆运动噪声后的三通道心电数据。

2.根据权利要求1所述的方法，其特征在于：所述步骤(2)中的预处理包括格式转换和归一化处理，以得到适当格式及范围内的数据信号。

3.根据权利要求2所述的方法，其特征在于：所述的归一化处理基于以下表达式：

$x^{\′}=\frac{2(x-x_{min})}{x_{\max }-x_{min}}-1$

其中：x为信号段中的任一信号值，x_min和x_max分别为信号段中的最小值和最大值，x'为对应x经归一化处理后的信号值。

4.根据权利要求1所述的方法，其特征在于：所述的人工神经网络学习算法以比例共轭梯度法作为优化方向。

5.根据权利要求1所述的方法，其特征在于：所述的步骤(3)中通过人工神经网络学习算法进行训练的具体过程如下：

3.1将预处理后与三通道运动心电信号段对应的m组三轴加速度信号段分为训练集和测试集且训练集大于测试集；

3.2初始化构建一个由输入层、隐藏层和输出层组成的神经网络；

3.3从训练集中任取一组三轴加速度信号段代入上述神经网络计算得到对应关于心电运动噪声的输出结果，计算该输出结果与该三轴加速度信号段所对应的三通道心电运动噪声之间的累积误差；

3.4根据该累积误差通过梯度下降法对神经网络中输入层与隐藏层之间以及隐藏层与输出层之间的权重进行修正，进而从训练集中任取下一组三轴加速度信号段代入修正后的神经网络；

3.5根据步骤3.3和3.4遍历训练集中的所有三轴加速度信号段，取累积误差最小时所对应的神经网络为车辆运动噪声模型。

6.根据权利要求5所述的方法，其特征在于：所述步骤3.2中初始化构建的神经网络中输入层由3个神经元组成，隐藏层由10个神经元组成，输出层由3个神经元组成。

7.根据权利要求5所述的方法，其特征在于：所述步骤3.2中初始化构建的神经网络中神经元函数g(z)的表达式如下：

$g\left(z\right)=\frac{2}{1+e^{-2z}}-1$

其中：z为函数的自变量。

8.根据权利要求5所述的方法，其特征在于：所述的步骤(3)中对于训练得到的车辆运动噪声模型，将测试集中的三轴加速度信号段逐个代入该车辆运动噪声模型得到对应关于心电运动噪声的输出结果，使测试集中每一组三轴加速度信号段所对应的输出结果与三通道心电运动噪声进行比较，若测试集中有一定比例的三轴加速度信号段的比较结果小于等于阈值的话，则该车辆运动噪声模型最终确定；否则的话，通过采集更多的三通道静止心电信号段、三通道运动心电信号段和三轴加速度信号段根据步骤(1)～(2)增加训练集的规模作为神经网络的输入。