System.ArgumentOutOfRangeException: 索引和長度必須引用該字符串內的位置。 參數名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 久久亚洲AV成人出白浆无码国产,国产精品多人p群无码,一本无码中文字幕在线观
  • 
    <ul id="o6k0g"></ul>
    <ul id="o6k0g"></ul>

    基于雙遞歸密集網絡的心電圖降噪方法、裝置及存儲介質制造方法及圖紙

    技術編號:44326559 閱讀:4 留言:0更新日期:2025-02-18 20:35
    本發明專利技術涉及圖像數據處理技術領域,提供一種基于雙遞歸密集網絡的心電圖降噪方法、裝置及存儲介質。所述方法包括步驟S1,構建基于密集關系提取網絡算法模型DRDnet,從原始的ECG信號R中提取首次去噪后的ECG信號S2,將基于長短期記憶算法LSTM與步驟S1中的模型DRDnet構建雙遞歸密集網絡算法模型DRLDnet,迭代計算得到第t次除燥后的ECG信號。本發明專利技術從圖像降噪的角度對ECG信號進行降噪,為遠程監測系統中海量ECG信號的處理方法提供參考。

    【技術實現步驟摘要】

    本專利技術涉及圖像數據處理,具體涉及一種基于雙遞歸密集網絡的心電圖降噪方法、電子裝置及計算機可讀存儲介質。


    技術介紹

    1、遠程心電圖(electrocardiogram,?ecg)監測系統的廣泛應用,能有效實時地遠程監測患者的心臟健康信息,通過傳感器將監測信號實時傳輸給醫院的醫生。

    2、然而,遠程心電監測系統產生的海量ecg信號面臨干擾源多和噪聲強的挑戰,低質量的ecg波形圖會影響醫生對疾病的準確診斷,降低診斷效率,甚至導致誤診,嚴重阻礙智能遠程心電監測技術的發展和應用,主要存在如下幾個方面:

    3、一是設備和環境等產生的非人為噪聲,這種噪聲會使信號帶有毛刺,影響醫生的臨床診斷;

    4、二是人體動作等引起的瞬時噪聲,通常伴有突然動作、劇烈呼吸和采集設備突然移位甚至脫落等各種瞬間發生的不規范人體動作對心電產生基線漂移和肌電干擾,可能對心肌梗死、brugada綜合征和其他st段相關異常引起錯誤診斷;

    5、三是網絡傳輸引起的結構噪聲,因網絡延遲、信道干擾等產生的結構噪聲會導致ecg形態特征失真。

    6、因此,有必要設計一種心電圖降噪方法來消除遠程監測系統引起的各類噪聲,使之提高臨床診斷的精準度,改善臨床診斷的準確率,為實現ecg信號的智能分析與診斷,提高遠程心電監測效率、研制高精度可穿戴設備打下堅實的理論基礎。


    技術實現思路

    1、本專利技術目的在于提供一種基于雙遞歸密集網絡的心電圖降噪方法、電子裝置及計算機可讀存儲介質,以解決上述的技術問題。

    2、本專利技術提供一種基于雙遞歸密集網絡的心電圖降噪方法,包括步驟:

    3、s1,構建基于密集關系提取網絡算法模型drdnet,從原始的ecg信號r中提取首次去噪后的ecg信號;其中,所述基于密集關系提取網絡模型包括輸入層、稠密網絡層以及輸出層;所述輸入層用于執行卷積操作,提取所述r中的特征信息,再將特征信息轉輸給所述稠密網絡層;所述稠密網絡層用于進一步進行特征重用,實現非線性relu功能;所述輸出層用于對稠密網絡層輸出的結果進行向量卷積運算,得到輸出結果x0,并記錄得到的噪聲特征=r-x0;

    4、s2,將基于長短期記憶算法lstm與步驟s1中的模型drdnet構建雙遞歸密集網絡算法模型drldnet,迭代計算得到第t次除燥后的ecg信號;所述模型drldnet包括所述輸入層、所述稠密網絡層、所述輸出層以及lstm層;

    5、其中,將所述r和作為所述模型drldnet的輸入層的初始輸入信號,將所述r和所述模型drldnet迭代計算得到第t-1次除燥后的ecg信號作為所述模型drldnet的輸入層的第t次迭代計算的輸入信號;

    6、將所述作為所述lstm層的初始輸入信號,將所述模型drldnet迭代計算得到第t-1次噪聲特征作為所述lstm層的第t次迭代計算的輸入信號;所述lstm層接收所述輸入層輸出的所述r和的特征信息,以及輸入的所述或者,并傳遞至所述稠密網絡層;

    7、所述稠密網絡層在當前第t次迭代計算中接收所述輸入層提取的所述r和的特征信息以及所述所述lstm層傳遞的所述噪聲特征進一步進行特征重用,實現非線性relu功能;

    8、所述輸出層用于在當前第t次迭代計算中對稠密網絡層輸出的結果進行向量卷積運算,得到輸出結果xt,并記錄得到的噪聲特征=r-xt;

    9、其中,,n為最大預設迭代次數。

    10、優選的,還包括步驟s3,通過目標函數,對模型drldnet進行訓練,得到最佳降噪模型,具體包括:

    11、獲取訓練集(,),i=?1,2,???,?n;其中,n為訓練樣本個數,為第i個訓練樣本的含噪聲的ecg信號,為第i個訓練樣本的干凈的ecg信號;

    12、通過混合函數)對所述模型drldnet進行訓練,其中,,,=1-ssim(b,h(r)),;其中,表示干凈ecg圖像的像素平均值,是預測ecg圖像的像素平均值,干凈ecg圖像b與ecg圖像預測值的協方差,、分別是b和h(r)的標準偏差,、為常數,為設定值。

    13、優選的,通過調節參數,當達到迭代次數或值不再發生改變時,輸出的結果即為得到的干凈ecg圖像。

    14、優選的,所述輸入層采用大小為?3×3?的?32?個濾波器將接收到的所述r和轉換為?32?個特征圖。

    15、本專利技術還提供一種基于雙遞歸密集網絡的心電圖降噪系統,包括:

    16、drdnet模塊,用于構建基于密集關系提取網絡算法模型drdnet,以及從原始的ecg信號r中提取首次去噪后的ecg信號;其中,所述基于密集關系提取網絡模型包括輸入層、稠密網絡層以及輸出層;所述輸入層用于執行卷積操作,提取所述r中的特征信息,再將特征信息轉輸給所述稠密網絡層;所述稠密網絡層用于進一步進行特征重用,實現非線性relu功能;所述輸出層用于對稠密網絡層輸出的結果進行向量卷積運算,得到輸出結果x0,并記錄得到的噪聲特征=r-x0;

    17、drldnet模塊,用于將基于長短期記憶算法lstm與步驟s1中的模型drdnet構建雙遞歸密集網絡算法模型drldnet,并迭代計算得到第t次除燥后的ecg信號;所述模型drldnet包括所述輸入層、所述稠密網絡層、所述輸出層以及lstm層;

    18、其中,將所述r和作為所述模型drldnet的輸入層的初始輸入信號,將所述r和所述模型drldnet迭代計算得到第t-1次除燥后的ecg信號作為所述模型drldnet的輸入層的第t次迭代計算的輸入信號;

    19、將所述作為所述lstm層的初始輸入信號,將所述模型drldnet迭代計算得到第t-1次噪聲特征作為所述lstm層的第t次迭代計算的輸入信號;所述lstm層接收所述輸入層輸出的所述r和的特征信息,以及輸入的所述或者,并傳遞至所述稠密網絡層;

    20、所述稠密網絡層在當前第t次迭代計算中接收所述輸入層提取的所述r和的特征信息以及所述所述lstm層傳遞的所述噪聲特征進一步進行特征重用,實現非線性relu功能;

    21、所述輸出層用于在當前第t次迭代計算中對稠密網絡層輸出的結果進行向量卷積運算,得到輸出結果xt,并記錄得到的噪聲特征=r-xt;

    22、其中,,n為最大預設迭代次數。

    23、優選的,還包括訓練模塊,用于通過目標函數,對模型drldnet進行訓練,得到最佳降噪模型,具體包括:

    24、獲取訓練集(,),i=?1,2,???,?n;其中,n為訓練樣本個數,為第i個訓練樣本的含噪聲的ecg信號,為第i個訓練樣本的干凈的ecg信號;

    25、通過混合函數)對所述模型drldnet進行訓練,其中,,,=1-ssim(b,h(r)),;其中,表示干凈ecg圖像的像素平均值,是預測ecg圖像的像素平均值,干凈ecg圖像b與ecg圖像預測值的協方差,、分別是b和h(r)的標準偏差,、為常數,為設定值。

    本文檔來自技高網...

    【技術保護點】

    1.一種基于雙遞歸密集網絡的心電圖降噪方法,其特征在于,包括步驟:

    2.根據權利要求1所述的方法,其特征在于,還包括步驟S3,通過目標函數,對模型DRLDnet進行訓練,得到最佳降噪模型,具體包括:

    3.根據權利要求2所述的方法,其特征在于,通過調節參數,當達到迭代次數或值不再發生改變時,輸出的結果即為得到的干凈ECG圖像。

    4.根據權利要求1所述的方法,其特征在于,所述輸入層采用大小為?3×3?的?32個濾波器將接收到的所述R和轉換為?32?個特征圖。

    5.一種基于雙遞歸密集網絡的心電圖降噪系統,其特征在于,包括:

    6.根據權利要求1所述的系統,其特征在于,還包括訓練模塊,用于通過目標函數,對模型DRLDnet進行訓練,得到最佳降噪模型,具體包括:

    7.根據權利要求6所述的系統,其特征在于,所述訓練模塊還用于通過調節參數,當達到迭代次數或值不再發生改變時,輸出的結果即為得到的干凈ECG圖像。

    8.根據權利要求5所述的系統,其特征在于,所述輸入層采用大小為?3×3?的?32個濾波器將接收到的所述R和轉換為?32?個特征圖。。

    9.一種電子裝置,其特征在于,包括存儲器、處理器、存儲在所述存儲器中并可在所述處理器上運行的計算機程序,其特征在于,所述處理器執行所述計算機程序時實現如權利要求1至4中任一項所述的基于雙遞歸密集網絡的心電圖降噪方法的步驟。

    10.一種計算機可讀存儲介質,存儲有計算機程序,其特征在于,所述計算機程序被處理器執行時實現如權利要求1至4中任一項所述的基于雙遞歸密集網絡的心電圖降噪方法的步驟。

    ...

    【技術特征摘要】

    1.一種基于雙遞歸密集網絡的心電圖降噪方法,其特征在于,包括步驟:

    2.根據權利要求1所述的方法,其特征在于,還包括步驟s3,通過目標函數,對模型drldnet進行訓練,得到最佳降噪模型,具體包括:

    3.根據權利要求2所述的方法,其特征在于,通過調節參數,當達到迭代次數或值不再發生改變時,輸出的結果即為得到的干凈ecg圖像。

    4.根據權利要求1所述的方法,其特征在于,所述輸入層采用大小為?3×3?的?32個濾波器將接收到的所述r和轉換為?32?個特征圖。

    5.一種基于雙遞歸密集網絡的心電圖降噪系統,其特征在于,包括:

    6.根據權利要求1所述的系統,其特征在于,還包括訓練模塊,用于通過目標函數,對模型drldnet進行訓練,得到最佳降噪模型,具體包括:...

    【專利技術屬性】
    技術研發人員:曹步文肖賽男李仁發陽王東黃田范詠梅李文杰
    申請(專利權)人:湖南城市學院
    類型:發明
    國別省市:

    網友詢問留言 已有0條評論
    • 還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。

    1
    主站蜘蛛池模板: 无码精品久久久久久人妻中字| 无码国产福利av私拍| 国产精品无码一区二区在线观一| 免费无码又爽又刺激高潮的视频 | 精品久久久无码人妻中文字幕豆芽| 亚洲av无码乱码在线观看野外 | 亚洲国产成人无码av在线播放| 亚洲精品无码久久久久AV麻豆| 中文字幕乱码人妻无码久久| 国产午夜鲁丝片AV无码免费| 亚洲国产精品无码中文lv| 性无码免费一区二区三区在线 | 久久久久亚洲av成人无码电影| 中文字幕无码人妻AAA片| 亚洲aⅴ无码专区在线观看春色| 色欲狠狠躁天天躁无码中文字幕 | 国产午夜无码片在线观看| 无码一区二区三区视频| 国产强被迫伦姧在线观看无码| 亚洲中文无码av永久| 国产精品无码无在线观看| 亚洲中文字幕无码久久综合网| 亚洲日韩看片无码电影| 无码人妻视频一区二区三区| 人妻无码精品久久亚瑟影视| 九九无码人妻一区二区三区| 玖玖资源站无码专区| 午夜无码性爽快影院6080| 亚洲AV日韩AV永久无码久久| gogo少妇无码肉肉视频| 色综合色国产热无码一| 亚洲av中文无码字幕色不卡 | 亚洲成在人线在线播放无码| 无码人妻丰满熟妇区免费| 变态SM天堂无码专区| 无码久久精品国产亚洲Av影片| 国产成人无码a区在线视频| 色综合久久久无码中文字幕| 免费无码看av的网站| 久久亚洲av无码精品浪潮| 日本无码小泬粉嫩精品图|