摘要
如今，心血管类疾病已经变成造成人类伤亡的最重大疾病之一，这类疾病给我国带来了较大的医疗负担。心电图是一种判断人心脏健康状况的无创检测，其检测手段简单快捷，诊断结果具有很高的可靠性和准确性。但是在现实心电采样过程中心电信号经常会被噪声干扰，影响信号的可读性和可识别性。因此，降噪工作是在进行信号识别和病情诊断前的重要信号处理工作。论文主要内容如下: (1)对心电信号的降噪研究现状进行分析整理，通过将降噪方法分成传统方法和基于深度学习的方法两种类型进行分别讨论，分析了现存方法的特点和不足。文献研究发现，现有的心电信号降噪方法存在降噪后的信号细节保留能力差、需要对待处理信号进行心拍划分、泛化能力不强等问题。 (2)针对生成对抗网络和自编码器网络进行了基础论证和原理与特征上的分析。为了解决现存降噪方法中的不足，本文提出一种基于自编码器条件生成对抗网络的心电降噪方法。本方法通过使用生成对抗网络结构，参考心电信号时域特性，对抗性地学习带噪信号中噪声的分布特点并将其抑制，准确恢复心电信号中微小细节。通过使用卷积层有效地保留所有输出样本相邻区域的空间信息，解除了需在降噪前将输入数据按照心拍划分的限制。 (3)提出基于改进自编码器条件生成对抗网络的心电降噪方法。考虑到在原始生成对抗网络和多种降噪方法中存在潜在向量输入，且不稳定的输入在降噪过程难以产生正面影响，本文利用自编码器条件生成对抗网络和SEGAN的潜在向量输入模式构建了有无潜在向量输入的两个模型。实测了两个模型对在相同噪声强度影响下的信号降噪后的SNR和RMSE，实验结果表明去除随机向量输入后平均SNR提高3.88dB，平均RMSE降低至0.0037，通过数据的讨论和分析发现了潜在向量输入对降噪过程的消极影响。考虑到本方法中生成器与降噪自编码器的相似性以及降噪自编码器中编码容量大小对降噪效果的影响，通过调整卷积后的特征数据中深度构建了编码容量大小不同的五个模型。实测了五个模型在相同的训练、测试、泛化验证集等训练条件下降噪后信号的SNR和RMSE。通过平均SNR的分析讨论，发现了测试集和泛化验证集数据的降噪后的SNR和其编码容量在一定范围内呈正相关，超过范围后，其SNR与编码容量呈负相关，即在本实验中存在最优编码容量。参考实验结果，选取本实验中表现最好的编码容量优化所提方法的网络结构。 (4)将优化后的模型投入多种噪声的降噪实验并与现存方法的结果对比，实验结果显示基于改进自编码器生成对抗网络结构的心电信号降噪方法对于三种单独噪声影响的心电信号降噪后具有最高的平均SNR，在七种噪声条件下平均SNR为41.47dB，与目前表现最好的Adversarialmethod相比平均SNR提高了25.05％，提高值达到8.31dB。实验表明本方法在无需对输入数据进行心拍划分且能够保留微小波形特征的基础上仍具有优于现有方法的降噪效果。
NETL