【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
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
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：
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。