摘要
心电图（Electrocardiogram,ECG）是一项重要的非入侵性检测技术，可用于检测和诊断心脏疾病。然而，由于心电信号的频率和幅值较低，对各类仪器及生物干扰非常敏感，因此通常会被各种噪声污染。存在的噪声会对心电信号的波形造成变化，这给专业人员辨识心脏病理造成了极大的不便。目前，针对复杂环境条件下的医学信号降噪问题，学术界已研究出许多算法，但仍存在模型泛化能力较弱或降噪后信号失真等问题。在此背景下，本文以深度神经网络为基础，采用生成对抗网络的方法，对心电信号降噪问题进行深入研究。本论文创新之处体现在以下几个方面。 （1）本文提出了一种基于生成对抗网络（GenerativeAdversarialNetwork,GAN）的心电信号降噪方法，该方法相对于传统降噪方法模型可以有效去除信号中的多种噪声类型且具有更好的泛化能力和降噪性能。模型使用Transformer的编码器结构作为GAN的生成器产生降噪信号，同时引入注意力机制将信号中不同部分的重要性进行可视化，帮助模型更好的理解信号特征。GAN的鉴别器引入了多尺度Inception结构，通过使用不同尺度的卷积核捕捉不同尺度的特征，从而提高深度神经网络的性能。实验结果表明，该方法可以有效去除心电信号中三种常见单一噪声及混合噪声。对于单一噪声，降噪心电信号的平均信噪比能够达到29.64dB，对应的均方根误差为0.0106，对于混合信号，降噪后的心电信号平均信噪比最高为28.07dB，对应的均方根误差为0.0134。 （2）本文提出了一种基于半实例归一化网络的先降噪后恢复的两阶段降噪方法，该方法可以有效缓解现有方法降噪后造成的心电信号波形失真问题。方法的每个阶段都是由U-Net网络构成。在第一阶段中，使用半实例归一化层对每个样本进行独立的规范化，更好地保留了每个样本的特征。在第二阶段使用跨阶段特征融合方法（Cross-StageFeatureFusion,CSFF）来连接两个阶段的网络，从而简化信息的流动，使网络的优化过程更加稳定。此外，针对现有降噪方法未同时兼顾信号的局部和全局特征问题，本文提出了一种正则项损失函数——梯度差损失，该损失函数将信号的梯度考虑在内，通过保证降噪信号和干净信号在同一间隔内的梯度尽可能相等来抑制降噪信号中的干扰因素，从而加快模型的收敛速度。最终的实验结果验证了方法的有效性和鲁棒性。 本文提出的两种降噪方法均在MIT-BIH数据库上进行实验。实验结果表明，两个模型框架均可以取得出色的心电信号降噪效果。
NETL