波形信号的降噪方法、装置、电子设备和存储介质与流程

1.本公开涉及信号处理技术领域，尤其是一种波形信号的降噪方法、装置、电子设备和存储介质。


背景技术：

2.信号处理(signal processing)是对各种类型的电信号，按各种预期的目的及要求进行加工过程的统称。按照不同的标准，可以将信号进行多种分类。目前，信号处理具有越来越广泛的应用场景。然而，由于信号中噪声的存在，导致信号处理的准确度大大降低。
3.现有技术中，通常采用滤波器、基于小波变换的信号方法等方式进行去噪。


技术实现要素：

4.鉴于此，为解决以上部分或全部技术问题，本公开实施例提供一种波形信号的降噪方法、装置、电子设备和存储介质。
5.第一方面，本公开实施例提供一种波形信号的降噪方法，上述方法包括：
6.获取实时待降噪波形信号；
7.采用预先训练的深度自注意力转换网络模型，对上述实时待降噪波形信号进行降噪处理，得到实时降噪后信号。
8.可选地，在本公开任一实施例的方法中，上述深度自注意力转换网络模型经由如下方式训练得到：
9.获取训练样本集合，其中，上述训练样本集合中的训练样本包括训练用待降噪波形信号和训练用降噪后信号；
10.采用机器学习算法，将上述训练样本集合中的训练样本包括的训练用待降噪波形信号作为输入数据，将上述训练样本集合中的训练样本包括的训练用降噪后信号作为期望输出数据，训练得到深度自注意力转换网络模型。
11.可选地，在本公开任一实施例的方法中，上述训练样本集合中的训练样本包括的训练用降噪后信号经由接触式心电采集装置得到，上述训练样本集合中的训练样本包括的训练用待降噪波形信号经由对训练用降噪后信号添加噪声信号而得到。
12.可选地，在本公开任一实施例的方法中，深度自注意力转换网络模型与噪声信号的类别一一对应；以及
13.上述采用预先训练的深度自注意力转换网络模型，对上述实时待降噪波形信号进行降噪处理，得到实时降噪后信号，包括：
14.确定上述实时待降噪波形信号中的噪声信号的类别；
15.采用与所确定的类别相对应的深度自注意力转换网络模型，对上述实时待降噪波形信号进行降噪处理，得到实时降噪后信号。
16.可选地，在本公开任一实施例的方法中，上述训练样本集合包括的各训练用降噪后信号的采集点所处的环境的噪声信号的类别相同。
17.可选地，在本公开任一实施例的方法中，上述实时待降噪波形信号为模拟信号；以及
18.上述采用预先训练的深度自注意力转换网络模型，对上述实时待降噪波形信号进行降噪处理，得到实时降噪后信号，包括：
19.对上述实时待降噪波形信号进行离散化处理，得到离散后波形信号；
20.将上述离散后波形信号输入至预先训练的深度自注意力转换网络模型，得到上述离散后波形信号的实时降噪后信号。
21.可选地，在本公开任一实施例的方法中，上述实时待降噪波形信号为经由非接触式设备采集的待降噪的心电信号；以及
22.上述方法还包括：
23.基于上述实时降噪后信号，对上述实时待降噪波形信号取自的人员的睡眠进行睡眠检测。
24.第二方面，本公开实施例提供一种波形信号的降噪装置，上述装置包括：
25.获取单元，被配置成获取实时待降噪波形信号；
26.降噪单元，被配置成采用预先训练的深度自注意力转换网络模型，对上述实时待降噪波形信号进行降噪处理，得到实时降噪后信号。
27.可选地，在本公开任一实施例的装置中，上述深度自注意力转换网络模型经由如下方式训练得到：
28.获取训练样本集合，其中，上述训练样本集合中的训练样本包括训练用待降噪波形信号和训练用降噪后信号；
29.采用机器学习算法，将上述训练样本集合中的训练样本包括的训练用待降噪波形信号作为输入数据，将上述训练样本集合中的训练样本包括的训练用降噪后信号作为期望输出数据，训练得到深度自注意力转换网络模型。
30.可选地，在本公开任一实施例的装置中，上述训练样本集合中的训练样本包括的训练用降噪后信号经由接触式心电采集装置得到，上述训练样本集合中的训练样本包括的训练用待降噪波形信号经由对训练用降噪后信号添加噪声信号而得到。
31.可选地，在本公开任一实施例的装置中，深度自注意力转换网络模型与噪声信号的类别一一对应；以及
32.上述降噪单元包括：
33.确定子单元，被配置成确定上述实时待降噪波形信号中的噪声信号的类别；
34.降噪子单元，被配置成采用与所确定的类别相对应的深度自注意力转换网络模型，对上述实时待降噪波形信号进行降噪处理，得到实时降噪后信号。
35.可选地，在本公开任一实施例的装置中，上述训练样本集合包括的各训练用降噪后信号的采集点所处的环境的噪声信号的类别相同。
36.可选地，在本公开任一实施例的装置中，上述实时待降噪波形信号为模拟信号；以及
37.上述降噪单元包括：
38.离散子单元，被配置成对上述实时待降噪波形信号进行离散化处理，得到离散后波形信号；
39.输入子单元，被配置成将上述离散后波形信号输入至预先训练的深度自注意力转换网络模型，得到上述离散后波形信号的实时降噪后信号。
40.可选地，在本公开任一实施例的装置中，上述实时待降噪波形信号为经由非接触式设备采集的待降噪的心电信号；以及
41.上述装置还包括：
42.检测单元，被配置成基于上述实时降噪后信号，对上述实时待降噪波形信号取自的人员的睡眠进行睡眠检测。
43.第三方面，本公开实施例提供一种电子设备，包括：
44.存储器，用于存储计算机程序；
45.处理器，用于执行所述存储器中存储的计算机程序，且所述计算机程序被执行时，实现本公开上述第一方面的波形信号的降噪方法中任一实施例的方法。
46.第四方面，本公开实施例提供一种计算机可读介质，该计算机程序被处理器执行时，实现如上述第一方面的波形信号的降噪方法中任一实施例的方法。
47.第五方面，本公开实施例提供一种计算机程序，该计算机程序包括计算机可读代码，当该计算机可读代码在设备上运行时，使得该设备中的处理器执行用于实现如上述第一方面的波形信号的降噪方法中任一实施例的方法中各步骤的指令。
48.本公开上述实施例提供的波形信号的降噪方法中，通过获取实时待降噪波形信号，然后，采用预先训练的深度自注意力转换网络模型，对上述实时待降噪波形信号进行降噪处理，得到实时降噪后信号。由此，本公开实施例采用深度自注意力转换网络模型，进行波形信号的降噪处理，丰富了波形信号的降噪方式，有助于提高对波形信号进行降噪的准确度。
49.下面通过附图和实施例，对本公开的技术方案做进一步的详细描述。
附图说明
50.通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：
51.图1是本公开实施例提供的一种波形信号的降噪方法或波形信号的降噪装置的示例性系统架构图；
52.图2a是本公开实施例提供的一种波形信号的降噪方法的流程图；
53.图2b是本公开实施例提供的深度自注意力转换网络模型的结构示意图；
54.图2c是本公开实施例提供的深度自注意力转换网络模型中的编码器的结构示意图；
55.图2d是本公开实施例提供的深度自注意力转换网络模型中的解码器的结构示意图；
56.图3是针对图2a的实施例的一个应用场景的示意图；
57.图4是本公开实施例提供的另一种波形信号的降噪方法的流程图；
58.图5a是本公开实施例提供的又一种波形信号的降噪方法的流程图；
59.图5b是本公开实施例提供的深度自注意力转换网络模型的另一结构示意图；
60.图6是本公开实施例提供的一种波形信号的降噪装置的结构示意图；
61.图7是本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
62.现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值并不限制本公开的范围。
63.本领域技术人员可以理解，本公开实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等对象，既不代表任何特定技术含义，也不表示它们之间的逻辑顺序。
64.还应理解，在本公开实施例中，“多个”可以指两个或两个以上，“至少一个”可以指一个、两个或两个以上。
65.还应理解，对于本公开实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。
66.另外，本公开中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本公开中字符“/”，一般表示前后关联对象是一种“或”的关系。
67.还应理解，本公开对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。
68.以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
69.对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
70.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
71.需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
72.图1是本公开实施例提供的一种波形信号的降噪方法或波形信号的降噪装置的示例性系统架构图。
73.如图1所示，系统架构100可以包括电子设备101、102、103中的至少一者。可选的，在系统架构100可以包括的电子设备的数量大于或等于2时，系统架构100还可以包括网络104，网络104可以在电子设备101、102、103中的至少两者之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
74.电子设备101、102、103之间可以通过网络104进行交互，以接收或发送数据等。这里，电子设备101、102、103中的至少一者可以作为本公开的实施例中所描述的波形信号的降噪方法中各步骤或部分步骤的执行主体。
75.需要说明的是，本公开的实施例所提供的波形信号的降噪方法的执行主体可以是硬件，也可以是软件，在此不作具体限定。
76.另外，本公开的实施例所提供的波形信号的降噪方法的执行主体可以是一个或多个电子设备，例如，在本公开的实施例所提供的波形信号的降噪方法的执行主体为多个电
子设备时，本公开的实施例所提供的波形信号的降噪方法，可以由至少两个电子设备彼此配合来执行。
77.作为示例，上述电子设备可以是具有获取波形信号功能的设备，例如心电检测仪、睡眠仪等等。在上述电子设备是具有获取波形信号功能的设备的情况下，该电子设备可以是接触式心电检测设备，也可以是非接触式心电检测设备。此外，上述电子设备也可以是不具有获取波形信号功能，但可以与具有获取波形信号功能的设备进行通信的电子设备，例如，服务器、终端设备。
78.应该理解，图1中的电子设备和网络的数目仅仅是示意性的。根据实现需要，可以具有任意数目的电子设备和网络。此外，在本公开的实施例所提供的波形信号的降噪方法的执行主体不需要与其他电子设备进行交互时，上述统架构100可以仅包括波形信号的降噪方法的执行主体，而不包括除此之外的其他电子设备和网络。例如，上述统架构100可以仅包括心电检测设备。
79.图2a示出了本公开实施例提供的一种波形信号的降噪方法的流程200。该波形信号的降噪方法，包括以下步骤：
80.步骤201，获取实时待降噪波形信号。
81.在本实施例中，波形信号的降噪方法的执行主体(例如图1所示的电子设备)可以通过有线或无线的方式，从其他电子设备或者本地，获取实时待降噪波形信号。
82.其中，实时待降噪波形信号可以是实时获取的、待对其进行降噪处理的波形信号。该实时待降噪波形信号可以经由上述执行主体直接采集，也可以经由与上述执行主体通信连接的电子设备采集后，发送至上述执行主体。作为示例，实时待降噪波形信号可以是语音信号、心电信号等频谱信号。
83.这里，实时待降噪波形信号为模拟信号。
84.步骤202，采用预先训练的深度自注意力转换网络模型，对上述实时待降噪波形信号进行降噪处理，得到实时降噪后信号。
85.在本实施例中，上述执行主体可以采用预先训练的深度自注意力转换网络模型，对上述实时待降噪波形信号进行降噪处理，得到实时降噪后信号。
86.其中，深度自注意力转换网络模型可以用于对实时待降噪波形信号进行降噪处理，从而获得实时待降噪波形信号的实时降噪后信号。此外，深度自注意力转换网络模型也可以用于对实时待降噪波形信号对应的离散信号进行降噪处理，从而获得实时待降噪波形信号对应的离散信号的实时降噪后信号。
87.降噪后信号(包括实时降噪后信号和训练用降噪后信号)，可以是离散信号，也可以是模拟信号。
88.这里，深度自注意力转换网络(transformer)，可以包括编码器和解码器。如图2b所示，深度自注意力转换网络可以通过编码器对输入的带噪声的心电信号进行编码，再通过解码器解码得到实时降噪后信号。
89.具体的编码器结构和解码器结构可以如图2c和图2d所示。
90.在图2c中，编码器主要由两部分组成：自注意力机制以及前向网络。自注意力机制主要用来获取各时刻信号的重要程度并进行加权求和得到特征向量。前向网络可以是全连接网络，对特征向量做进一步提取。
91.在图2d中，解码器主要包括三部分。带掩码的自注意力机制与普通的自注意力机制基本一样，只是只使用当前时刻之前的信号来做处理。
92.此外，编码器与解码器注意力机制主要是利用了来自编码器的注意力机制参数，来参与解码器注意力机制的计算，从而实现解码器与编码器的信息共享。也即，在训练过程中，解码器的参数与编码器的参数可以进行同步更新。
93.在本实施例的一些可选的实现的方式中，上述深度自注意力转换网络模型，可以经由上述执行主体或者与上述执行主体通信连接的电子设备，通过如下方式训练得到：
94.首先，获取训练样本集合。
95.其中，上述训练样本集合中的训练样本包括训练用待降噪波形信号和训练用降噪后信号。单个训练样本包括的训练用待降噪波形信号和训练用降噪后信号相对应，也即，单个训练样本包括的训练用降噪后信号，基于该训练样本包括的训练用待降噪波形信号获得，或者，单个训练样本包括的训练用待降噪波形信号，基于该训练样本包括的训练用降噪后信号获得。
96.然后，采用机器学习算法，将上述训练样本集合中的训练样本包括的训练用待降噪波形信号作为输入数据，将上述训练样本集合中的训练样本包括的训练用降噪后信号作为期望输出数据，训练得到深度自注意力转换网络模型。
97.具体而言，由于训练用待降噪波形信号是一维的连续波，所以需要先进行特征提取，将连续的一维数据离散化为单位时刻内的特征向量。这里单位时刻的长度可以根据实际需要来确定，在此不作限定。特征提取的方法有多种，例如stft(短时傅里叶变换，short－time fourier transform或short－term fourier transform)、小波变换等操作。之后，将以上得到的特征向量输入到transformer得到实际输出数据。若训练用降噪后信号为模拟信号，则需要对训练用降噪后信号同样做特征提取，得到训练用降噪后信号的离散数据，若训练用降噪后信号为数字信号，则可以将训练用降噪后信号作为降噪后信号的离散数据。然后，计算transformer的实际输出数据，与训练样本集合中包括的训练用降噪后信号的离散数据的损失函数的值，利用后向传播修正深度自注意力转换网络模型的参数。
98.若满足预先确定的训练结束条件，则停止训练，将停止训练后得到的、包含修正后的参数的深度自注意力转换网络模型，作为训练得到的深度自注意力转换网络模型。
99.若不满足上述训练结束条件，则继续训练，并修正深度自注意力转换网络模型的参数。
100.其中，上述训练结束条件可以包括：用以进行训练的训练样本的数量，大于或等于目标数量。其中，目标数量可以是预先确定的数值，也可以是训练样本集合中包含的训练样本的数量的预设百分比。或者，上述训练结束条件也可以包括：训练时长超过预设时长，计算得到的损失函数的值小于或等于预设数值。
101.可以理解，上述可选的实现的方式中，采用机器学习算法，通过对训练用待降噪波形信号进行离散处理，从而训练得到深度自注意力转换网络模型，这样，可以提高深度自注意力转换网络模型进行降噪处理的准确度。
102.在上述可选的实现的方式中的一些应用场景中，上述训练样本集合中的训练样本包括的训练用降噪后信号经由接触式心电采集装置得到。上述训练样本集合中的训练样本包括的训练用待降噪波形信号经由对训练用降噪后信号添加噪声信号而得到。
103.其中，上述接触式心电采集装置，可以包括但不限于：具有心电信号采集功能的手环、医用心电监护仪等。
104.这里，可以通过将训练用降噪后信号和噪声信号叠加，从而获得训练用待降噪波形信号。其中，单个训练样本集合中的训练用降噪后信号所添加的噪声信号可以是单一类别的噪声信号，也可以是多种类别的噪声信号。作为示例，噪声信号的类别可以包括：高斯噪声、伽马噪声、瑞利噪声等等。
105.可以理解，上述应用场景中，通过接触式心电采集装置获得训练用降噪后信号，可以较为准确的获得训练用降噪后信号。采用对训练用降噪后信号添加噪声信号的方式得到训练用待降噪波形信号，能够得到较为准确的训练用待降噪波形信号。这样，可以进一步提高深度自注意力转换网络模型进行降噪处理的准确度。
106.可选的，上述训练样本集合中的训练样本包括的训练用降噪后信号，还可以经由对训练用待降噪波形信号进行滤波处理得到。
107.应该理解，上述训练用待降噪波形信号，为在深度自注意力转换网络模型的训练过程中，用于训练该深度自注意力转换网络模型的训练样本中所包含的波形信号；实时待降噪波形信号，为在深度自注意力转换网络模型的使用过程中，用于输入至该模型的波形信号。
108.此外，上述训练用降噪后信号，为在深度自注意力转换网络模型的训练过程中，用于训练该深度自注意力转换网络模型的训练样本中所包含的信号；实时降噪后信号，为在深度自注意力转换网络模型的使用或训练过程中，该模型实际输出的信号。
109.在本实施例的一些可选的实现的方式中，上述训练样本集合包括的各训练用降噪后信号的采集点所处的环境的噪声信号的类别相同。
110.作为示例，上述训练样本集合包括的各训练用降噪后信号的采集点所处的环境的噪声信号的类别，可以均为高斯噪声。这里，环境噪声基本满足高斯分布，因而，可以统一采用高斯噪声作为噪声信号。
111.可以理解，上述可选的实现方式中，采用同一类别的噪声信号，来得到训练样本集合中的各训练用降噪后信号，可以进一步提高深度自注意力转换网络模型在相应环境中进行降噪处理的准确度。
112.在本实施例的一些可选的实现的方式中，上述实时待降噪波形信号为模拟信号。在此基础上，上述执行主体可以采用如下方式，来执行上述步骤202：
113.首先，对上述实时待降噪波形信号进行离散化处理，得到离散后波形信号。
114.之后，将上述离散后波形信号输入至预先训练的深度自注意力转换网络模型，得到上述离散后波形信号的实时降噪后信号。
115.这里，如果深度自注意力转换网络模型输出的信号，以及降噪后信号(包括实时降噪后信号和训练用降噪后信号)均为离散信号或模拟信号，那么，可以经由深度自注意力转换网络模型直接输出降噪后信号；如果深度自注意力转换网络模型输出的信号、降噪后信号，分别为数字信号和模拟信号(或模拟信号和数字信号)，那么，可以对深度自注意力转换网络模型直接输出的信号进行数模转换或模数转换，从而获得降噪后信号。
116.可以理解，上述可选的实现方式中，首先对实时待降噪波形信号进行离散化处理，并利用离散后波形信号，来获得实时降噪后信号，这样，实现了利用深度自注意力转换网络
模型，对波形信号的离散处理，提高了降噪准确度。
117.在本实施例的一些可选的实现的方式中，上述实时待降噪波形信号为经由非接触式设备采集的待降噪的心电信号。在此基础上，上述执行主体还可以：基于上述实时降噪后信号，对上述实时待降噪波形信号取自的人员的睡眠进行睡眠检测。
118.作为示例，可以基于心电信号中的心率信息、停搏时长等信息，对上述实时待降噪波形信号取自的人员的睡眠进行睡眠检测。
119.可以理解，非接触式设备采集的心电信号中，通常包含较多噪声信号，从而影响了睡眠检测的准确性。上述可选的实现方式中，采用深度自注意力转换网络模型，来降低甚至消除非接触式设备采集的心电信号中的噪声，可以提升睡眠检测的准确性。
120.继续参见图3，图3是根据本实施例的波形信号的降噪方法的应用场景的一个示意图。在图3中，以波形信号的降噪方法的执行主体为设置于床垫内的心电检测仪为例，对本实施例的波形信号的降噪方法进行示例性说明：
121.如图3所示，心电检测仪310首先获取实时待降噪波形信号301。之后，采用预先训练的深度自注意力转换网络模型302，对上述实时待降噪波形信号301进行降噪处理，从而得到了实时降噪后信号303。
122.本公开的上述实施例提供的波形信号的降噪方法，通过获取实时待降噪波形信号，然后，采用预先训练的深度自注意力转换网络模型，对上述实时待降噪波形信号进行降噪处理，得到实时降噪后信号。由此，本公开实施例采用深度自注意力转换网络模型，进行波形信号的降噪处理，丰富了波形信号的降噪方式，有助于提高对波形信号进行降噪的准确度。
123.进一步参考图4，图4示出了波形信号的降噪方法的又一个实施例的流程400。该波形信号的降噪方法的流程，包括以下步骤：
124.步骤401，获取实时待降噪波形信号。
125.在本实施例中，波形信号的降噪方法的执行主体(例如图1所示的电子设备)可以通过有线或无线的方式，从其他电子设备或者本地，获取实时待降噪波形信号。
126.步骤402，确定上述实时待降噪波形信号中的噪声信号的类别。
127.在本实施例中，上述执行主体可以确定上述实时待降噪波形信号中的噪声信号的类别。其中，噪声信号的类别可以包括：高斯噪声、伽马噪声、瑞利噪声等等。
128.这里，对噪声信号的类别的划分方式，可以根据实际情况确定，在此不作限定。
129.作为示例，可以采用基于机器学习的分类模型，或者，信号分析的方式，来确定上述实时待降噪波形信号中的噪声信号的类别。
130.步骤403，采用与所确定的类别相对应的深度自注意力转换网络模型，对上述实时待降噪波形信号进行降噪处理，得到实时降噪后信号。
131.在本实施例中，上述执行主体可以采用与所确定的类别相对应的深度自注意力转换网络模型，对上述实时待降噪波形信号进行降噪处理，得到实时降噪后信号。其中，深度自注意力转换网络模型与噪声信号的类别一一对应。
132.具体而言，可以采用多个训练样本集合，来分别训练与每个训练样本集合相对应的深度自注意力转换网络模型，每个训练样本集合对应噪声信号的一个类别，不同训练样本集合对应噪声信号的不同类别，
133.例如，对于a类别的噪声信号，可以获取与该a类别的噪声信号对应的训练样本集合。例如，该训练样本集合中的各个降噪后波形信号，分别添加a类别的噪声信号之后，获得该训练样本集合中的各个训练用待降噪波形信号。对于b类别的噪声信号，可以获取与该b类别的噪声信号对应的训练样本集合。例如，该训练样本集合中的各个降噪后波形信号，分别添加b类别的噪声信号之后，获得该训练样本集合中的各个训练用待降噪波形信号。这样，可以采用多个练样本集合，分别训练多个深度自注意力转换网络模型，以使深度自注意力转换网络模型与噪声信号的类别一一对应。
134.在本实施例的一些可选的实现的方式中，上述训练样本集合包括的各训练用降噪后信号的采集点所处的环境的噪声信号的类别相同。
135.作为示例，上述训练样本集合包括的各训练用降噪后信号的采集点所处的环境的噪声信号的类别，可以均为高斯噪声。这里，环境噪声基本满足高斯分布，因而，可以统一采用高斯噪声作为噪声信号。
136.可以理解，上述可选的实现方式中，采用同一类别的噪声信号，来得到训练样本集合中的各训练用降噪后信号，可以进一步提高深度自注意力转换网络模型在相应环境中进行降噪处理的准确度。
137.需要说明的是，除上面所记载的内容之外，本实施例还可以采用与上述方法所描述的实施例中所描述的相应方式来实现，在此不在赘述。
138.本实施例中波形信号的降噪方法中，每个类别对应一个深度自注意力转换网络模型，这样，可以通过对实时待降噪波形信号的类别进行识别，之后采用相应的深度自注意力转换网络模型，来进行降噪处理，这样，可以提高深度自注意力转换网络模型的去噪效果。
139.进一步参考图5a，图5a是本公开实施例提供的又一种波形信号的降噪方法的流程图。
140.由于非接触式设备获取的心电信号带有大量的噪声，且多为环境噪声。因而，本公开实施例提供的波形信号的降噪方法的流程中，通过一个transformer编解码器来学习获取降噪后的心电信号。由于睡眠是一个与时间强关联的事件，而transformer中的自注意力机制刚好可以获取时序上的信息。因而，可以由非接触式设备获取的心电信号通过transformer结构得到降噪后的心电信号，再进行睡眠检测以提高检测准确率。
141.下面请继续参考图5b，图5b是本公开实施例提供的深度自注意力转换网络模型的另一结构示意图。
142.如图5b所示，transformer可以看作一个编解码器，其可以将输入信号编码到特征空间中，再由解码器解码到输出空间。也即，将输入的带噪声信号经过编码器编码到特征空间中，再由解码器依据特征对噪声部分进行重建，最后得到降噪后的信号。
143.这里，可以借助transformer来实现信号的降噪，过程可以参考以上描述，在此不再赘述。transformer的结构以及信号降噪流程大致如下：
144.首先，输入信号需要先进行编码，这里采用的是一维卷积网络来初步提取特征。提取后的特征与位置编码合并后进入编码器，编码器的输出数据再与位置编码进行合并，输入到解码器，最终得到transformer的输出数据。
145.其中，位置编码可以采用以下公式(1)进行计算：
[0146][0147][0148]
其中，pos表示当前信号点在原信号中的位置，d表示pe的维度(与输入编码后的特征长度一致)，2i表示偶数的维度，2i+1表示奇数的维度，i表示正整数，pe(pos,2i)表示偶数的维度的位置编码，pe(pos,2i+1)表示奇数的维度的位置编码。
[0149]
编码器部分主要由两部分组成：自注意力机制和前向网络。
[0150]
其中，自注意力机制，首先对于输入的每个向量(这里向量表征训练样本中的输入数据，例如对待降噪波形信号(包括实时待降噪波形信号和训练用待降噪波形信号)进行离散处理得到的离散后波形信号)都求得三个内部特征向量(其长度均为d
k
)：q、k、v向量)。这里，可以通过以下公式(2)处理得到训练过程中transformer计算得到的实际输出数据(例如实时降噪后信号)z：
[0151][0152]
可以理解。上述公式(2)本质上就是表示按照关系矩阵进行加权平均。
[0153]
而前向网络就是一个全连接网络，用于进一步提取特征。
[0154]
解码器部分的输入是由编码器的输出和位置编码合并而成的。主要由三部分组成：带掩码的自注意力机制、自注意力机制以及前向网络。
[0155]
带掩码的自注意力机制大体上与原本的自注意力机制一样，只是对矩阵做掩码处理，具体是把该矩阵转为上三角矩阵。
[0156]
经过上一步处理后，再进行正常的自注意力机制，这一层中的参数k、v来自编码器的自注意力机制，这样可以给解码器在输入序列的位置上进行指导。
[0157]
最后是前向网络，与编码器一样，采用的是全连接网络。
[0158]
可以理解，由于睡眠检测仪收到的信号包含的噪音主要是高斯噪音，且在一定的时间范围内是比较固定的，所以这里利用了准确的心电信号(例如医学设备采集的心电信号)人为添加上随机的高斯噪音来训练该模型。最终实现利用transformer模型对睡眠仪检测的心电信号进行降噪，由此提高了降噪的准确度。
[0159]
进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种波形信号的降噪装置的一个实施例，该装置实施例与上述方法实施例相对应，除下面所记载的特征外，该装置实施例还可以包括与上述方法实施例相同或相应的特征，以及产生与上述方法实施例相同或相应的效果。该装置具体可以应用于各种电子设备中。
[0160]
如图6所示，本实施例的波形信号的降噪装置600包括：获取单元601和降噪单元602。其中，获取单元601，被配置成获取实时待降噪波形信号；降噪单元602，被配置成采用预先训练的深度自注意力转换网络模型，对上述实时待降噪波形信号进行降噪处理，得到实时降噪后信号。
[0161]
在本实施例中，波形信号的降噪装置600的获取单元601可以获取实时待降噪波形
信号。
[0162]
在本实施例中，降噪单元602可以采用预先训练的深度自注意力转换网络模型，对上述实时待降噪波形信号进行降噪处理，得到实时降噪后信号。
[0163]
在本实施例的一些可选的实现方式中，上述深度自注意力转换网络模型经由如下方式训练得到：
[0164]
获取训练样本集合，其中，上述训练样本集合中的训练样本包括训练用待降噪波形信号和训练用降噪后信号；
[0165]
采用机器学习算法，将上述训练样本集合中的训练样本包括的训练用待降噪波形信号作为输入数据，将上述训练样本集合中的训练样本包括的训练用降噪后信号作为期望输出数据，训练得到深度自注意力转换网络模型。
[0166]
在本实施例的一些可选的实现方式中，上述训练样本集合中的训练样本包括的训练用降噪后信号经由接触式心电采集装置得到，上述训练样本集合中的训练样本包括的训练用待降噪波形信号经由对训练用降噪后信号添加噪声信号而得到。
[0167]
在本实施例的一些可选的实现方式中，深度自注意力转换网络模型与噪声信号的类别一一对应；以及
[0168]
上述降噪单元602包括：
[0169]
确定子单元(图中未示出)，被配置成确定上述实时待降噪波形信号中的噪声信号的类别；
[0170]
降噪子单元(图中未示出)，被配置成采用与所确定的类别相对应的深度自注意力转换网络模型，对上述实时待降噪波形信号进行降噪处理，得到实时降噪后信号。
[0171]
在本实施例的一些可选的实现方式中，上述训练样本集合包括的各训练用降噪后信号的采集点所处的环境的噪声信号的类别相同。
[0172]
在本实施例的一些可选的实现方式中，上述实时待降噪波形信号为模拟信号；以及
[0173]
上述降噪单元602包括：
[0174]
离散子单元(图中未示出)，被配置成对上述实时待降噪波形信号进行离散化处理，得到离散后波形信号；
[0175]
输入子单元(图中未示出)，被配置成将上述离散后波形信号输入至预先训练的深度自注意力转换网络模型，得到上述离散后波形信号的实时降噪后信号。
[0176]
在本实施例的一些可选的实现方式中，上述实时待降噪波形信号为经由非接触式设备采集的待降噪的心电信号；以及
[0177]
上述装置600还包括：
[0178]
检测单元(图中未示出)，被配置成基于上述实时降噪后信号，对上述实时待降噪波形信号取自的人员的睡眠进行睡眠检测。
[0179]
本公开的上述实施例提供的装置600中，获取单元601可以获取实时待降噪波形信号；降噪单元602可以采用预先训练的深度自注意力转换网络模型，对上述实时待降噪波形信号进行降噪处理，得到实时降噪后信号。由此，本公开实施例采用深度自注意力转换网络模型，进行波形信号的降噪处理，丰富了波形信号的降噪方式，有助于提高对波形信号进行降噪的准确度。
[0180]
图7为本公开实施例提供的一种电子设备的结构示意图，图7所示的电子设备700包括：至少一个处理器701、存储器702和至少一个网络接口704和其他用户接口703。电子设备700中的各个组件通过总线系统705耦合在一起。可理解，总线系统705用于实现这些组件之间的连接通信。总线系统705除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图7中将各种总线都标为总线系统705。
[0181]
其中，用户接口703可以包括显示器、键盘或者点击设备(例如，鼠标，轨迹球(trackball)、触感板或者触摸屏等。
[0182]
可以理解，本公开实施例中的存储器702可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read
‑
only memory，rom)、可编程只读存储器(programmable rom，prom)、可擦除可编程只读存储器(erasable prom，eprom)、电可擦除可编程只读存储器(electrically eprom，eeprom)或闪存。易失性存储器可以是随机存取存储器(random access memory，ram)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(static ram，sram)、动态随机存取存储器(dynamic ram，dram)、同步动态随机存取存储器(synchronous dram，sdram)、双倍数据速率同步动态随机存取存储器(double data rate sdram，ddrsdram)、增强型同步动态随机存取存储器(enhanced sdram，esdram)、同步连接动态随机存取存储器(synch link dram，sldram)和直接内存总线随机存取存储器(direct rambus ram，drram)。本文描述的存储器702旨在包括但不限于这些和任意其它适合类型的存储器。
[0183]
在一些实施方式中，存储器702存储了如下的元素，可执行单元或者数据结构，或者他们的子集，或者他们的扩展集：操作系统7021和应用程序7022。
[0184]
其中，操作系统7021，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序7022，包含各种应用程序，例如媒体播放器(media player)、浏览器(browser)等，用于实现各种应用业务。实现本公开实施例方法的程序可以包含在应用程序7022中。
[0185]
在本公开实施例中，通过调用存储器702存储的程序或指令，具体的，可以是应用程序7022中存储的程序或指令，处理器701用于执行各方法实施例所提供的波形信号的降噪方法中的步骤，例如包括：获取实时待降噪波形信号；采用预先训练的深度自注意力转换网络模型，对上述实时待降噪波形信号进行降噪处理，得到实时降噪后信号。
[0186]
上述本公开实施例揭示的方法可以应用于处理器701中，或者由处理器701实现。处理器701可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器701中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器701可以是通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本公开实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本公开实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件单元组合执行完成。软件单元可以位于随机存储器，闪存、只读存储器，可编程只读
存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器702，处理器701读取存储器702中的信息，结合其硬件完成上述方法的步骤。
[0187]
可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(application specific integrated circuits，asic)、数字信号处理器(digital signal processing，dsp)、数字信号处理设备(dspdevice，dspd)、可编程逻辑设备(programmable logic device，pld)、现场可编程门阵列(field
‑
programmable gate array，fpga)、通用处理器、控制器、微控制器、微处理器、用于执行本技术所述功能的其它电子单元或其组合中。
[0188]
对于软件实现，可通过执行本文所述功能的单元来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
[0189]
本实施例提供的电子设备可以是如图7中所示的电子设备，可执行如上述波形信号的降噪方法的所有步骤，进而实现上述波形信号的降噪方法的技术效果，具体请参照以上相关描述，为简洁描述，在此不作赘述。
[0190]
本公开实施例还提供了一种存储介质(计算机可读存储介质)。这里的存储介质存储有一个或者多个程序。其中，存储介质可以包括易失性存储器，例如随机存取存储器；存储器也可以包括非易失性存储器，例如只读存储器、快闪存储器、硬盘或固态硬盘；存储器还可以包括上述种类的存储器的组合。
[0191]
当存储介质中一个或者多个程序可被一个或者多个处理器执行，以实现上述在电子设备侧执行的波形信号的降噪方法。
[0192]
所述处理器用于执行存储器中存储的通信程序，以实现以下在电子设备侧执行的波形信号的降噪方法的步骤：获取实时待降噪波形信号；采用预先训练的深度自注意力转换网络模型，对上述实时待降噪波形信号进行降噪处理，得到实时降噪后信号。
[0193]
专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。
[0194]
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd
‑
rom、或技术领域内所公知的任意其它形式的存储介质中。
[0195]
以上所述的具体实施方式，对本公开的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本公开的具体实施方式而已，并不用于限定本公开的保护范围，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。