1.一种心电信号深度压缩感知方法,其特征在于,包括如下步骤:S1,建立训练模型,训练模型中包括测量模块、初始重建模块与最终重建模块,获取初始心电信号,并对初始心电信号进行预处理;
S2,将步骤S1中预处理后的心电信号输入测量模块,在测量模块中使用连续的卷积层对信号进行压缩处理,得到测量值;
S3,将步骤S2中得到的测量值输入初始重建模块进行处理,得到初步恢复后的心电信号;
S4,将步骤S3中初步恢复后的心电信号输入到最终重建模块进行处理,得到最终重建的心电信号;
其中,步骤S2中,使用连续的卷积层对步骤S1中得到的信号S21,先经过第一个卷积层,其卷积核大小为1×4,步长为4,输入通道为1,输出通道为S22,再经过第二个卷积层,其卷积核大小为1×4,步长为4,输入通道为S23,最后经过第三个卷积层,其卷积核大小为1×4,步长为4,输入通道为步骤S3中,具体包括如下步骤:
S31,先将步骤S2中得到的测量值y进行初步的重建,经过一个卷积核为1×1,步长为1,输入通道为S32,然后,进行信号重塑,得到维度为1×256×1的特征图,即得到初步恢复后的心电信号x步骤S4中,具体包括如下步骤:
S41,步骤S3中得到的信号x
S42,将步骤S41中得到的特征图输入改进的Inception块进行处理,得到维度为1×125×64的特征图;
S43,将步骤S42中得到的特征图输入卷积核为1×11,步长为1,进行零填充,输入通道数为64,输出通道数为1的卷积层,再通过LeakyReLU激活函数进行处理,得到维度为1×256×1的特征图;
S44,将步骤S43中得到的特征图输入LSTM层,再通过Tanh激活函数,得到输出维度为1×250×1的特征图;
S45,将步骤S44中得到的特征图输入线性层,以线性映射到维度为256的特征图;
S46,对步骤S45中得到的特征图进行重塑,将特征图的维度变换为1×256×1,即得到最终重建的心电信号x步骤S42中,所述改进的Inception块包括四条并行的卷积线,每条线分别对应的是卷积核1×7,1×9,1×11,1×13,步长为1,进行零填充,输入通道为16,输出通道为16的卷积层,且每条卷积线都采用残差结构;
每一条卷积线均采用下式表示:
其中,n=1、2、3、4,
在获得了四条卷积线的输出之后,进行特征图的拼接,从而得到维度为1×125×64的特征图。
2.根据权利要求1所述的心电信号深度压缩感知方法,其特征在于,步骤S1中,对初始心电信号进行预处理的步骤具体包括:根据如下式子,对初始心电信号进行归一化处理:
式中,x表示初始心电信号,初始心电信号x中包括256个采样点,min(x)与max(x)分别表示初始信号的最大值与最小值,
3.根据权利要求2所述的心电信号深度压缩感知方法,其特征在于,步骤S2中,预设的采样率为0.05、0.1、0.2、0.3、0.4、0.5或0.6。
4.根据权利要求1所述的心电信号深度压缩感知方法,其特征在于,在步骤S1中,建立训练模型时,设定训练参数,利用损失函数训练网络,进行迭代训练,以得到训练模型的参数。