一种心电信号降噪方法、装置及可存储介质

本发明涉及心电图信号处理，更具体的说是涉及一种心电信号降噪方法、装置及可存储介质。

背景技术：

1、目前，心电图(electrocardiogram,ecg)信号是重要的生命体征信号，具有重要的医学和临床价值。ecg信号的特征如下：1.随机性强：有强烈的非线性和非平稳性，数学上无法用准确数学函数来描述,是一个准周期信号。2.信号微弱：心电信号的频率范围大约在0.05hz～100hz,其中信号能量主要集中在0.5hz～45hz区间内。3.抗干扰性差：由于心电信号的微弱，在采集过程中，极易受人体内和体外环境的影响，采集到的心电信号常常都伴随着强烈的噪声。

2、心电降噪算法是一种针对心电信号中存在的多种干扰噪声进行去除的算法。其中ceemdan+ica联合降噪算法是一种基于完全自适应噪声集合经验模态分解算法(completeeemd with adaptive noise，ceemdan)和独立成分分析(independent componentanalysis，ica)的心电信号降噪方法。该方法将心电信号分解为多个本征模态函数(intrinsic mode function，imf)和残差项，然后利用ica对imf进行独立成分分析，去除其中的噪声成分，最后通过重构信号得到降噪后的心电信号。但是这类算法也具有一定的缺点：1.不稳定性，ceemdan得到的imf分量在短时高强度冲击噪声干扰的情况下会存在部分模态混叠(mode mixing，mm)的问题。模态混叠的出现不仅会导致错假的时频分布，也使imf失去物理意义。因此在处理不同的心电信号时，可能会出现不同的本征模态函数和残差项，导致重构信号的稳定性差。2.ceemdan+ica联合降噪算法在处理多噪声情况时可能会面临困难。由于emd算法只能处理单噪声情况，因此需要对每种噪声分别进行处理，这样就会增加计算复杂度和参数调整的难度。如中国专利cn 114781445b公开了一种基于可解释性的深度神经网络的心电降噪方法，通过心电信号噪声数据与干净数据在搭建的神经网络中端对端训练来寻求最优解，以此得到降噪模型用于ecg降噪，其缺点在于：需要事先准备好大量带噪信号与纯净信号，并且模型的训练十分耗费时间与硬件资源，同时需要针对网络参数进行不断调整。

3、因此，如何提供一种能够解决上述问题的心电信号降噪方法是本领域技术人员亟需解决的问题。

技术实现思路

1、有鉴于此，本发明提供了一种心电信号降噪方法、装置及可存储介质，能够最大程度上消除包括冲击噪声在内的多种复合噪声，并且能够最大程度保持波形的特征；同时本方法仅需要针对窗口大小与阈值进行调整，参数量较少，便于调整。

2、为了实现上述目的，本发明采用如下技术方案：

3、一种心电信号降噪方法，包括以下步骤：

4、s1：获取原始心电信号；

5、s2：对所述原始心电信号进行ceemdan分解，得到对应的各阶imfs分量；

6、s3：将所述各阶imfs分量组成矩阵，利用改进蚁群ica方法对矩阵进行处理，得到对应的源信号估计；

7、s4：利用排列熵判据对所述源信号估计进行判断、分离噪声及信号重构，得到干净的心电信号。

8、优选的，s2的具体处理过程包括：

9、s21：对所述原始心电信号加入高斯白噪声，得到新的源信号；

10、s22：对所述新的源信号进行emd分解得到多个imf分量，并对多个imf分量取平均，得到首个imf分量，同时计算所述首个imf分量对应的残差；

11、s23：将所述残差加入高斯白噪声得到对应的新信号，对新信号再次进行emd分解，得到多个一阶imf分量，并对所述多个一阶imf分量取平均得到第二个imf分量，再次计算第二个imf分量对应的残差；

12、s24：多次重复s22-s23，直至残差信号单调停止，得到对应的各阶imfs分量。

13、优选的，s3的具体处理过程包括：

14、s31：对所述各阶imfs分量进行预处理及转换，得到对应的预处理结果、更新方程、解混矩阵以及解混矩阵对应的分量；

15、s32：确定目标函数以及分量的取值范围，并在定义域内将所述分量进行n等分，初始化以使得蚂蚁在解空间内均匀分布；

16、s33：初始化迭代次数，同时赋值并求解更新方程；

17、s34：按照预设转移概率转移每只蚂蚁，并计算对应的目标函数值，选取最优解；

18、s35：按照更新方程修改吸引强度，同时判断迭代次数是否小于预设最大循环次数，若小于等于则返回执行s34，若大于则返回执行s32。

19、优选的，s4的具体处理过程包括：

20、s41：预设时间序列，并对所述时间序列进行相空间重构，得到对应的矩阵；

21、s42：以所述矩阵中的每一行作为重构分量，将所述重构分量按升序进行排序，并得到对应的符号序列；

22、s43：获取每一种符号序列的出现概率；

23、s44：根据所述出现概率得到对应的排列熵，并将排列熵值进行归一化处理；

24、s45：根据s44得到的排列熵值判断所述原始心电信号的噪声分量。

25、优选的，s45的具体处理过程包括：

26、s451：预先设置多个阈值区间，针对处于不同阈值区间的排列熵值，将对应的重构分量按照不同大小的窗口进行平滑滤波；

27、s452：将s451得到的分量进行重构，得到干净的心电信号。

28、本发明还提供一种利用上述任一项所述的一种心电信号降噪方法的降噪装置，包括：

29、采集模块，用于获取原始心电信号；

30、分解模块，用于对所述原始心电信号进行ceemdan分解，得到对应的各阶imfs分量；

31、处理模块，用于将所述各阶imfs分量组成矩阵，利用改进蚁群ica方法对矩阵进行处理，得到对应的源信号估计；

32、重构模块，用于利用熵判据对所述源信号估计进行判断、分离噪声及信号重构，得到干净的心电信号。

33、本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述的心电信号降噪方法。

34、经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种心电信号降噪方法、装置及可存储介质，具有如下有益效果：

35、1、采用ceemdan算法进行模态分解，最大程度降低了imf之间的模态混叠问题，提高了ecg信号处理的准确度，能够精准地将噪声分量从观测信号中分离出来，得到非常纯净的ecg信号。

36、2、利用蚁群算法改进ica算法，使得ica算法摆脱了对于非线性函数的依赖，能够更好地满足不同环境下测定的ecg信号降噪的要求。同时，蚁群算法能够通过信息素的传递和蚂蚁的随机探索，在解空间中进行全局搜索。这使得算法能够找到全局最优解，而不仅仅是局部最优解。并且具有较高的并行性，使得算法具有较高的计算效率。同时，通过aco改进搜索策略的ica算法能够极大地提升算法处理多种复合噪声的能力。

37、3、排列熵是一种非参数性指标，不需要对数据的分布做出任何假设。这使得排列熵可以广泛应用于各种类型的数据，包括非高斯的和非线性的数据。对于ecg信号来说，它的特点是复杂、非线性和非高斯的，因此排列熵可以很好地适应ecg信号的特点。同时排列熵不仅可以衡量整个信号的复杂性，还可以捕捉信号的局部特征。在ecg信号中，不同的分离信号分量可能具有不同的频率和振幅，因此通过计算各个分离信号分量的排列熵，可以获得更细致的信息，有助于理解和处理各个分离信号分量中混杂的噪声。

38、本发明提供的方法可以解决ceemdan+ica联合降噪算法的两大主要缺陷：模态混叠带来的不稳定性，以及无法针对多种复合噪声自适应处理的问题，实现对ecg信号中的多种噪声自适应地进行处理，获得相较于主流降噪算法更加优越的效果。