1.一种心电信号噪声处理方法,其特征在于:包括以下步骤:
使用人工合成的数据集训练轻量深度学习网络得到训练完成的轻量深度学习网络,使用人工合成的数据集测试后端应用算法得到后端应用算法对应的预设熵阈值;所述轻量深度学习网络为双支路分割网络,所述双支路分割网络包括学习降采样阶段、全局特征提取阶段、特征融合阶段和分类器阶段,所述学习降采样阶段用于提取浅层特征,所述全局特征提取阶段用于提取信号全局语义,所述特征融合阶段用于对心电信号中不同细粒度、不同层次的特征进行融合,所述分类器阶段用于输出信号中每个采样点的类别;
将采集到的心电信号数据分段并输入训练完成的训练轻量深度学习网络,分类得到含噪声部分的信号段数据;
计算含噪声部分的信号段数据的样本熵,与后端应用算法对应的预设熵阈值比较并将大于预设熵阈值的信号段数据去除,得到去噪后的心电信号数据。
2.根据权利要求1所述的心电信号噪声处理方法,其特征在于:所述学习降采样阶段包括二维卷积层和两个通道数不同的深度可分离卷积结构层。
3.根据权利要求2所述的心电信号噪声处理方法,其特征在于:所述学习降采样阶段中的二维卷积层和两个通道数不同的深度可分离卷积结构层后端均设有批标准化层,所述二维卷积层和两个通道数不同的深度可分离卷积结构层中采用的激活函数均为Leaky ReLU,所述深度可分离卷积结构层中同时使用Depthwise卷积与Pointwise卷积,用于与深度可分离卷积相区别。
4.根据权利要求1所述的心电信号噪声处理方法,其特征在于:所述全局特征提取阶段包括瓶颈层和金字塔池化层,所述瓶颈层用于在降低网络参数的同时保持网络准确性,所述金字塔池化层用于提取多个尺度信号中的特征。
5.根据权利要求1所述的心电信号噪声处理方法,其特征在于:所述特征融合阶段包括第一层、第二层和相加层,所述第一层包括上采样层、深度可分离卷积结构层和二维卷积层,所述第二层为二维卷积层,所述相加层用于将所述第一层和所述第二层的输出结果相加,所述相加层为批标准化层。
6.根据权利要求5所述的心电信号噪声处理方法,其特征在于:所述第一层中的深度可分离卷积结构层、所述第一层中的二维卷积层和所述第二层中的二维卷积层后端均设有批标准化层,所述第一层中的深度可分离卷积结构层和所述相加层中采用的激活函数均为Leaky ReLU。
7.根据权利要求1所述的心电信号噪声处理方法,其特征在于:所述分类器阶段包括多个不同尺度的深度可分离卷积结构层、二维卷积层和上采样层。
8.根据权利要求7所述的心电信号噪声处理方法,其特征在于:所述分类器阶段中多个不同尺度的深度可分离卷积结构层和二维卷积层后端均设有批标准化层,所述分类器阶段中多个不同尺度的深度可分离卷积结构层、二维卷积层和上采样层中采用的激活函数均为Leaky ReLU。
9.根据权利要求1‑8任一项所述的心电信号噪声处理方法,其特征在于:所述计算含噪声部分的信号段数据的样本熵,具体方法为:将长度为N的离散时间序列组成长度为m,维度为N‑m+1的向量序列Xm(i),其中m,r是样本熵的超参数,决定了搜索相同元素的大小和相似度阈值;
向量Xm(i)与Xm(j)之间的距离d[Xm(i),Xm(j)](1≤j≤N‑m,j≠i)为两者对应元素中最大差值的绝对值,计算公式为d[Xm(i),Xm(j)]=maxk=0,…,m‑1(|x(i+k)‑x(j+k)|);
对于Xm(i),计算d[Xm(i),Xm(j)]≤r,(1≤j≤N‑m,j≠i)中Xm(j)的个数Bi,Bi的计算公m式为 计算两个序列在相似容限r下匹配m个点的概率B (r),
计算公式为
将向量序列Xm(i)的长度增加到m+1得到Xm+1(i),计算d[Xm+1(i),Xm+1(j)]≤r,(1≤j≤N‑mm,j≠i)中Xm+1(j)的个数Ai,A (r)的计算公式为 计算两个序列匹配m+1个m点的概率A(r),计算公式为
样本熵的计算公式为 N为有限值时样本熵为