研究文章|开放获取
徐冰心,刘瑞霞,舒明磊,尚晓义,王英龙, "基于生成对抗残差网络的心电去噪方法",医学中的计算和数学方法“,, 卷。2021, 文章的ID5527904, 23 页面, 2021. https://doi.org/10.1155/2021/5527904
基于生成对抗残差网络的心电去噪方法
摘要
高质量、高保真地去除心电信号中的噪声对心电疾病的辅助诊断具有重要意义。针对传统去噪方法功能单一、去噪后信号细节处理性能较差的问题,提出了一种基于生成对抗网络(GAN)和残差网络(Residual Network)相结合的心电去噪新方法。本文采用的方法基于GAN结构,对发生器和鉴别器进行了重构。在生成器网络中,利用残差块和跳接加深网络结构,更好地捕捉心电信号中的深度信息。在鉴别器网络中,采用了ResNet框架。为了优化降噪过程,解决考虑全局心电问题时局部相关性不足的问题,本文在损失函数中加入了最大局部差的微分函数和整体函数。实验结果表明,本文所采用的方法比现有的优秀S-T (S-T)算法、小波变换(WT)算法、叠加降噪自编码器(S-DAE)算法和改进的降噪自编码器(I-DAE)算法具有更好的性能。实验结果表明,该方法在麻省理工学院和贝斯以色列医院(MIT-BIH)噪声压力数据库中的均方根误差(RMSE)为0.0102,信噪比(SNR)为40.8526 dB,与目前最先进的实验方法进行了比较。该方法的信噪比平均提高了88.57%。本文除了对三种噪声强度进行对比实验外,还在四种噪声强度下进行了额外的降噪实验。 The experimental results verify the scientific nature of the model, which is that our method can effectively retain the important information conveyed by the original signal.
1.简介
心脏病作为心血管疾病的主要组成部分之一,危害极大,影响患者的正常生活,并可致命。心电图(ECG)是诊断心脏病的主要技术之一[1,2],主要反映心脏的电活动。当心脏处于良好状态时,会显示出一条规律的ECG信号曲线。医生可以通过观察波形的形状、振幅和连续心跳的间隔来快速判断心脏状况。这是最有效、最快捷的监测方法。3.,4],分类[5,6以及心脏病的治疗。在实际应用中,我们发现采集到的心电信号往往夹杂着大量噪声,不利于信号分析。因此,在数据处理中最重要的一步就是对采集到的信号进行降噪,以提高信号的可用性。
传统的噪声去除方法在实际应用中存在一定的局限性。降噪方法和降噪类型往往是一对一的关系,不能满足心电信号降噪的实际需要。例如,傅里叶变换方法[7]通常用于信号的整体分析。该方法可以揭示时域信号和频域信号之间的相关性。但与此同时,对心电信号的局部详细分析还存在一些要求。此过滤方法[7]可以在一定程度上消除噪声,但有时由于去噪后的心电信号失去了医疗价值,滤波效果并不理想。传统的心电降噪方法包括频谱分解[8- - - - - -10,傅立叶分解[11,12],过滤[13- - - - - -15],经验模态分解[16],小波变换(WT) [17,18].显然,传统的降噪方法对噪声类型的适应性较差,对局部信号的捕捉能力也较弱。与其他技术相比,滤波技术的降噪能力更简单[19].例如,低通滤波器只能允许某一频率以下的波形通过,其真正的降噪能力相对简单。
深度学习在心电降噪领域吸引了越来越深入的研究。具有代表性的是功能链接神经网络(FLNN) [20.,小波神经网络(WNN) [21]、降噪自动编码器(DAE) [22].其中应用最广泛的是FLNN和WNN,但它们只能去除一类心电信号。改进的小波神经网络和小波变换改善了上述降噪函数的单一问题,可以去除心电信号中的三种噪声。但是,通过对实验图像的观察,我们发现这种方法会使心电信号失去医学价值,不值得进一步研究。此外,由于没有讨论三隐层前馈神经网络对其他噪声的适应性,而实验只在包含电磁噪声的心电图信号上进行,因此取得了很好的效果。
通过研究我们知道,目前对抗去噪主要应用于图像降噪方向[23- - - - - -25].更成熟的方法包括条件生成对抗网络(CGAN) [26], Wasserstein生成对抗网络(WGAN) [27],以及循环生成对抗网络(Cycle-GAN) [28].研究机构采用对抗思想建立图像噪声模型。比较有代表性的是Divakar和Babu在GAN图像去噪工作上有很多想法[29,30.].基于GAN, Fu等[31]和赵等人。[32]对图像超分辨率进行了深入的研究,近年来对图像超分辨率进行了多次研究。通过实验分析,总结了不同网络的优缺点,并在视觉图像方面做了大量的工作。DAE是自动编码器(AE) [33对隐藏单元施加稀疏约束的输入。深度学习方法的优点是可以从数据本身学习特征,无需人工干预,这是值得学习的。
残差网络由He等人提出。[34]通过使用残差块成功训练了152层神经网络。ResNet的主要思想是增加一个直接连接通道,这个通道被命名为跳跃式连接[35].跳过连接可以解决深度网络层下梯度消失的问题,同时有助于梯度的反向传播,加快训练过程。整个模型采用端到端的方法进行训练,简化了模型训练的难度。
就目前的研究而言,现有的降噪方法取得了令人满意的效果,但仍存在三个不足之处。一是现有的去噪方法功能单一,对各种噪声的适应性不够好。其次,现有的去噪方法在去噪过程中往往将病理信息视为噪声,可能会丢失大量有用信息,造成严重的信号失真。第三,现有的降噪网络忽略了心电信号的局部相关性和全局相关性的重要性。
本文的组织结构如下。第二部分列出了贡献。第三部分介绍了相关工作。第四部分讨论了心电信号的去噪方法。第五部分详细介绍了生成式对抗残差网络去噪方法,第六部分对本文进行了总结。
2.本文的贡献
本文总结了当前降噪技术的三大不足,并以此为研究点进行了以下研究。
本文的贡献如下。
首先,提出了一种心电降噪的新方法。基于对抗网络学习差异的能力,我们提出了一种使用对抗方法建立新的心电降噪视图的方法。本文采用残差网络设计的网络可以大大提高GAN的计算速度,残差块中的跳接结构可以促进GAN训练时的梯度消失。
其次,我们设计了一种可以去除多个混合噪声的新模型,克服了传统去噪方法功能单一的问题。该模型对各种噪声有较强的适应能力。它能去除心电信号中常见的三种噪声干扰和混合噪声。
最后,针对现有去噪方法在去噪过程中容易将病理信息作为噪声处理的缺点,在损失函数中加入全局差分函数和最大差分函数来改善现状。局部差分函数可以极大地捕捉信号原有的局部特征,通过加入最大差分函数来捕捉性能较好的全局特征,从而保留待约简信号的医学特征。
3.问题
一个完整的心跳周期在心电图上的表现如图所示1.心电信号包含六种不同类型的波形:P、Q、R、S、T和U [36].然而,在心电信号采集过程中往往会包含噪声,影响医生的诊断。
常见的ECG噪声包括电极运动伪影(EM)、肌肉伪影(MA)和基线漂移(BW) [37,38].数字2为正常心电信号的波形图(以MIT-BIH数据库中的213信号为例)。数字3.为加入三种常见噪声后的心电信号图像。
(一)
(b)
(c)
我们知道,一维信号的降噪问题可以描述为 受[启发]39),表示有噪声的信号,信号清晰吗表示杂音。降噪的目的是抑制噪声这样信号分量进来了倾向于 .由于心电信号是一维信号,我们可以推导出如下公式: 在哪里 , ,而且 .它们分别表示有噪声信号、干净信号和用一维向量表示的噪声。表示样本数,和表示样本的长度。本文的心电降噪思想是获得高质量的洁净信号从噪声信号中 .
4.方法
在本节中,我们将分三个部分介绍本文的实验思路。部分4.1描述本文中使用的整体网络框架。部分4.2介绍了本文的损失函数。部分4.3系统地介绍了本文所使用的生成式对抗残差网络。表格1总结,以供参考。
|
4.1.总体结构
GAN由Goodfellow提出[39].它由一个发生器网络和一个鉴别器网络组成[37].随着噪声从信号发生器进入网络,发生器从接近真实输入产生伪随机样本。动作鉴别器由生成器生成,用于区分真假。整体结构如图所示4.就像最初的GAN论文[39],绿色线表示去噪后心电数据的分布,黑色虚线表示原始干净心电数据的分布,蓝色虚线表示鉴别器。
(一)
(b)
(c)
(d)
我们使用图(图2)在[39来说明本文中信号降噪的原理。是原来的干净信号。为生成器生成的去噪心电数据。我们将定义分布生成的数据和分布干净的原始数据。
在图5,我们展示了本文提出的方法。在本文中,我们在生成器网络中添加了残差块结构,在鉴别器网络中,我们使用了完整的ResNet架构。
4.2.损失函数
原始干净信号之间的差值就越小还有信号经发生器降噪后得到的去噪信号与原始干净信号越相似,可以表示为
是带噪声的信号,是原始的干净信号,是噪音,还有是由发生器产生的信号。根据对抗网络的特点,发生器和鉴别器通过连续博弈学习心电噪声的分布。心电信号去噪是通过对抗性训练完成的。则将上式改写为
发电机的原始损失函数表示为
意思是噪声信号用作输入信号。表示鉴别器网络确定的概率来自原始清洁信号而不是发生器去噪信号的信号。
考虑到发生器网络产生的信号与原始清洁信号之间的差异反映了降噪效果,可以将其加入损失函数中。使用表示生成信号与原始信号之间的总体差值。整体差函数公式可表示为
局部特征是衡量去噪效果的重要因素。将所产生的最大差分信号与原始清洁信号定义为部分差分。局部最大差分函数表示为加入到生成网络的损失函数中。当较小,说明去噪后的心电信号保留了更多的原始有用信息。公式是
因此,损失函数的定义为 在哪里 而且 .鉴别器网络用于将生成的信号与原始信号进行分类。因此,定义中使用交叉损失函数来表示鉴别器网络的损失函数,表示为
表示信号的概率鉴别器得到的是原始的洁净信号。在发生器网络损失函数中,通过加入局部差分函数捕获信号局部特征并节省有用的药物,通过加入整体差分函数捕获性能良好稳定的全局特征并使用训练过程,解决了心电信号偏相关的降噪问题,并考虑了非全面的全局相关问题。发生器可以更好地了解信号中噪声的整体分布和局部噪声。同时,将去噪后的心电信号尽可能保留为原始的洁净信号。
4.3.生成对抗残差网络
数据6而且7,分别描述了发生器和鉴别器的网络结构。本文在信噪比分别为0 dB、1.25 dB和5 dB的基础上,加入10个原始的干净信号,得到实验所需的噪声数据。对于鉴别器的整个残差网络,卷积的第一层使用a ,步长为2,填充为3,然后进行批量归一化(BN)、整流线性单元(ReLU)和最大池化。这些构成了卷积板的第一部分。从一楼到四楼,每一层都不一样,具体如图所示6.从图8,我们可以在residual Network中看到残留的跳接结构,部分为实线,小部分为虚线。实线连接部分表示通道数相同;也就是说,数字是 特征图。由于通道数相同,可采用如下计算方法:
(一)
(b)
(c)
(d)
虚线链接部分表示通道数量不同。连接特性映射 来 .由于通道数不同,计算方法为
这里特别重要的是残差块的输入是什么 .在第一层被线性改变和激活后,残余是输出。在第二层线性改变之后,在激活之前,是否添加到输入值中这个层,然后输出激活后的激活。添加到的路径在激活第二层输出之前,我们称之为跳过连接。预期输出的底层映射值为 .当网络有了更饱和的学习精度,即所谓的残差 .然后,我们可以说输入是否与输出相似 ,这种现象的学习目标转化为身份映射学习。在不同通道数的公式中,卷积运算是 ,用哪个来调整尺寸 .
残差网络通过在原来的卷积层上增加跳跃式连接形成一个基本的残差块表示为 .同时,残余块体结构的积累在一定程度上解决了小梯度或梯度爆炸的问题。残差网络中的跳接打破了传统网络逐层传输的特点。这是关于通过必威2490叠加一个多层网络问题来学习整个模型的错误率,而不是下降,上升提供了一个新的方向。
5.结果与讨论
在本节中,我们将分四个部分介绍实验。我们将在章节中解释5.1我们有实验环境,实验参数,和实验数据集。节5.2,我们使用不同类型和不同强度的噪声进行实验。部分5.3.本文的实验方法与四种最先进方法的结果进行了比较。节5.4,我们进行了验证实验,证明了我们的方法能够高效、准确地实现去噪。
5.1.实验环境
5.1.1.实验配置
本实验在工作站上进行。该工作站共有8个GPU节点,每个节点配置1个Tesla V100 (32gb)和48gb内存。每个节点都是一个计算统一设备体系结构(CUDA) 10.1环境。我们正在尝试使用py3.5-pytorch1.5.1-gpu中的代码。实验使用的计算机模型为联想Legion Y7000P2020H。CPU配置为Intel i7-10750H 2.60 GHz。GPU是RTX2060。内存为16.0 GB。存储为1tb SSD。电池为4芯,采用64位操作系统和x64处理器。 The operating system is the home version of Windows 10.
5.1.2.性能指标
评价指标基于均方根误差(RMSE)和信噪比(SNR),定义如下:
表示原始干净信号,是经过降噪处理后的心电信号,表示样本点的个数。RMSE描述了两个数据之间的相似程度。RMSE值越小,两者之间的差值越小。信噪比表示信号与信号中包含的噪声之间的比值。信噪比越大,降噪效果越好。
5.1.3.数据集
本研究使用的心电信号来源于麻省理工学院和贝斯以色列医院联合建立的MIT-BIH心律失常数据库和PhysioBank的MIT-BIH噪声压力测试数据库作为实验数据集。MIT-BIH心律失常数据库是诊断心律失常的数据。该库包含48个完整标记的双导联ECG数据集,持续时间为30分钟。该记录以每通道360 Hz的采样频率进行数字化,其分辨率为11位,表明范围超过10 mV。本实验选取MIT-BIH噪声应力测试数据库中的EM、BW和MA噪声记录作为噪声数据。这三类代表了ECG噪声的三种主要类型。在本文的实验部分,通过设置不同的信噪比,将噪声数据加入到原始心电信号中进行训练和测试,以供后续实验使用。本实验将选取MIT-BIH的10组心电记录进行实验;它们的编号是103、105、111、116、122、205、213、219、223和230。
考虑到神经网络的学习特性,采用归一化方法对心电信号进行归一化:
而且的最大值和最小值 ,分别。
根据心电信号的周期性,我们可以合理划分和使用心电信号的记录。选取10组原始心电信号数据;每组数据都有 数据点。在本文中,我们使用上层信号数据进行分析和验证。在划分样本时,我们考虑为了保证每个样本至少包含一个ECG周期(一个ECG周期有310个样本点),数据以512个样本点划分为一个周期。将分割后的数据分别加入0 dB、1.25 dB、5 dB噪声强度EM、MA、BW、EM+MA、EM+BW、BW+MA、BW+EM+MA噪声信号中,形成实验所需的训练测试。实验数据共26649个,根据 为了实验。
同样,依次构造电磁噪声下编号为103、105、111、116、122、205、213、219、223、230的信号数据集。
同样,构造一个单噪声(BW, MA)、双噪声(EM+MA, BW+MA, BW+EM)和三个噪声(EM+MA+BW)按顺序叠加的数据集。
5.1.4.训练参数
在本文的每个卷积层之后,在激活函数之前使用BN。批大小为64,学习率设置为0.1。当训练误差不缩小时,将学习率降低到原来的十分之一,继续训练。训练过程进行200轮。在设计剩余函数的构建块时,我们使用三层堆栈,其中使用 , ,而且 曲线玲珑。其中, 卷积先降维,再增维;也就是说,使用 卷积来解决不同维度的问题。 对应于瓶颈;也就是说,可以实现更少的输入和输出维度。在实验中,每种噪声的训练样本数为23984个;测试样本总数为2664个。
5.2.不同噪音类型的降噪
在MIT-BIH心律失常数据库中选择103、105、111、116、122、205、213、219、223和230条记录。从MIT-BIH噪声压力测试数据库中选取EM、BW和MA噪声信号,分别添加到信噪比分别为0 dB、1.25 dB和5db的记录中。此外,考虑到多种噪声类型的混合,将其分类命名为EM+BW、EM+MA、BW+MA、EM+BW+MA。
数字9是生成对抗残差网络模型中ECG去噪的结果,包括EM噪声、BW噪声和MA噪声。在子图中,第一行是有噪声的心电信号,第二行是原始干净的心电信号,第三行是去噪后的干净信号。为了更直观的比较,我们将效果图堆叠在一起,如第四行效果图所示。从图中可以看出,去噪后的心电信号与原始心电信号吻合良好。实验结果表明,该方法对去除单噪声有很好的效果。
(一)
(b)
(c)
数字10描述了心电降噪去除混合噪声的结果。本文将心电信号的混合噪声分为七种类型。最上面的线是噪声信号,下面是原始干净的心电信号,下面是去噪后的心电信号,最后一行是视觉叠加效应器图。如图所示7,降噪后的信号可以与原始信号高度一致。实验结果表明,该方法对混合噪声有较好的去噪效果。
(一)
(b)
(c)
(d)
表格2为不同噪声类型去噪结果的平均信噪比和RMSE。将10组心电信号加入7种噪声下0 dB、1.25 dB、5 dB的降噪效果。从Table可以看出2我们的模型通过在相同的噪声环境中添加不同强度的噪声,获得了令人印象深刻的结果。对于只包含一种噪声的信号,我们的方法可以实现高达66.9607 dB的信噪比。对于混合噪声信号,该方法的信噪比可达62.5019 dB。当添加0 dB噪声时,降噪后的最高信噪比可达36.4455 dB。当 ,降噪后噪声可达33.7478 dB。当 减噪后的最高信噪比可达66.9607 dB。
|
5.3.与现有方法的比较
S-T算法[40, WT算法[41, S-DAE算法,I-DAE算法[22]与我们提出的方法(P-M)进行比较。表3.- - - - - -5示节中提到的10条记录在不同噪声类型(即MA噪声、EM噪声和BW噪声)下的信噪比和均方根误差结果5.1.我们观察到,我们提出的方法在所有情况下都实现了最高的信噪比和最低的RMSE平均。MA和BW的平均信噪比结果均在30 dB以上;对于EM噪声,平均信噪比结果大于28 dB。
|
|
|
在数据11- - - - - -13,假设输入信号包含MA噪声、EM噪声和BW噪声,信噪比为1.25 dB。从数据9,10,14,我们可以看到,我们提出的方法都达到了最高的信噪比。具体来说,大部分平均信噪比达到28 dB。
为了验证网络模型,我们进行了以下两组验证实验。实验结果如图所示15而且16.数字15为相同噪声类型的不同心电信号在不同噪声强度干扰下的降噪效果。数字16为同一心电信号在不同类型、不同强度噪声下的降噪效果图。如图所示15而且16,可以看出,我们的网络模型在去除单一噪声或混合噪声时表现良好。它对各种噪声和多强度类型的噪声表现出良好的识别性能。我们的模型克服了传统降噪函数的奇异性,本文提出的方法可以去除多个噪声。
5.4.模型降噪效果验证
本文除加入传统的0 dB、1.25 dB、5 dB外,还采用了1 dB、2 dB、3 dB、4 dB的数据进行效果验证,实验结果均良好。实验数据如表所示6.可以看出,本文模型对不同信噪比的噪声都有很好的降噪效果,适用于不同噪声类型的数据。
|
以往的工作采用了分解、变换和滤波的方法对心电信号进行去噪。然而,这些研究有三个不足之处。首先,现有的降噪方法没有考虑心电信号的局部性和全局相关性。二是对各种噪声的适应能力不够。第三,在研究过程中可能会引发严重的信号失真。针对以上三个不足,我们建立了实验方法。本文用对抗性方法建立了一种新的观点;也就是说,对抗性方法有能力学习输入和输出之间的差异。这种观点使得用对抗性方法去噪心电信号成为可能。我们添加了而且对所生成网络的损失函数,增加了对降噪信号的局部和整体把握。提出了一种对抗性心电信号去噪方法,该方法对各种噪声信号都有很好的去噪效果。大量实验验证了该模型的降噪效果的优越性。如表所示7时,该方法的信噪比平均提高了88.57%。
|
6.结论
本文介绍了一种心电信号去噪的新方法。实现了对心电信号的高质量降噪,并通过对抗网络学习噪声的特征分布。
首先,本文对原有的对抗网络结构进行了改进,在生成网络中加入了残差块结构,并在判别网络中使用了ResNet结构。所有这些改进都加快了训练过程,同时提高了网络优化的稳定性,具有比一般网络更强的泛化能力。
其次,在特征层归一化方面,本文进行了批处理操作。便于在隐层中调整数据分布,使网络更容易训练。
第三,在网络模型中增加了残差块和跳接结构。改进网络结构的引入有效抑制了对抗网络本身在训练过程中梯度容易爆炸或消失的缺陷,大大降低了训练过程中梯度爆炸和扩散的可能性,从而提高了网络优化的稳定性。
第四,改进了传统的损失函数。通过网络模型降噪效果验证实验可知,本文所采用的损失函数在不同类型、不同强度的噪声下都取得了优异的效果。
但是目前,基于对抗性方法的学习差异理论还没有得到明确的确立。在降噪后的输出部分可以加入分类操作,进一步验证网络模型的降噪效果,这将是我们未来工作的重点。
在心电信号降噪方面已经取得了一定的成果,但还需要进一步的研究,主要集中在以下几个方面:(1)好的信号降噪方法在心电信号分类中有较好的效果。受[启发]42],我们将结合心电信号的去噪和分类进行进一步的研究。降噪可以提高分类精度,并将分类结果用于验证降噪方法的性能(2)心电降噪的研究成果可以为其他行业的发展提供支持。例如,降噪方面的进步可以提高心电测量装置的精度。下一步,本文提出的降噪方法将应用于实际参与研发的十二导联穿戴式心电监护仪的心电信号采集过程中。这样可以进一步验证研究结果的实用性和可行性。由于我们团队开发的12导联穿戴式心电监护服采集的心电信号交互方式是云平台,因此在[43也是未来的研究方向之一(3)本文提出的数据降噪方法并不局限于心电信号领域的应用。该方法也可应用于其他一维信号降噪,如海洋数据中噪声数据的处理[44].数据去噪方法同样适用于大数据预处理领域。例如,如[45],根据不同的业务需求扩展大数据处理,可提供更准确的有价值数据。这样的数据处理思路与本文的思路是一致的
数据可用性
我们研究中使用的所有数据都可以从http://ecg.mit.edu/dbinfo.html.
利益冲突
这篇论文的发表不存在利益冲突。
致谢
本研究由“泰山学者杰出攀登计划”资助。tspd20181211),台山青年学者项目(No.;tsqn201909137),山东省自然科学基金项目(批准号;ZR2020QF020)。
参考文献
- 问:张人工智能心电大数据挖掘应用于心脏健康监测,施普林格,2020。
- S. Poornachandra,“使用子带依赖阈值对ECG信号进行基于小波的去噪”,在数字信号处理,纽约,2008年。视图:谷歌学者
- 李凯,潘玮,李毅,蒋强,刘国强,“基于深度神经网络和隐马尔可夫模型的单导联心电信号睡眠呼吸暂停检测方法”Neurocomputing2018年,中国科学院学报,vol. 294, pp. 94-101。视图:谷歌学者
- G. H. Choi, J. H. Jung, H. M. Moon, Y. T. Kim,和S. B. Pan,“基于基线校正心电图的生物识别用户认证系统,”智能自动化与软计算“,,第25卷,no。1,页193-204,2019。视图:谷歌学者
- Li Y., Y. Pang, J. Wang,和X. Li,“从通用到专用的更深层次的CNN患者特定ECG分类”,Neurocomputing2018年,中国科学院学报,vol. 314, pp. 336-346。视图:出版商的网站|谷歌学者
- 刘晓霞,Si Y.,王东,“基于LSTM神经网络的心电身份识别中的搏动分类,”智能自动化与软计算“,,第26卷,no。2, pp. 341-351, 2020。视图:谷歌学者
- I. Hermawan, A. Y. Husodo, W. Jatmiko, B. Wiweko, A. Boediman,和B. K. Pradekso,“基于自适应傅里叶分解的噪声心电信号去噪”,在2018第三届传感器、仪器仪表、测量与计量学国际研讨会(ISSIMM),第11-14页,Depok,印度尼西亚,2018。视图:谷歌学者
- P. R. B. Barbosa, J. Barbosa- filho, C. A. M. de Sa, E. C. Barbosa,和J.纳达尔,“通过频谱分解降低信号平均心电图中的肌电信号噪声”,IEEE生物医学工程汇刊第50卷,没有。1, pp. 114-117, 2003。视图:出版商的网站|谷歌学者
- M. Bandarabadi, M. Karami-Mollaei, A. Afzalian和J. Ghasemi,“使用奇异值分解的ECG去噪”,澳大利亚基础与应用科学杂志,第4卷,no。7, pp. 2109-2113, 2010。视图:谷歌学者
- P. Bonizzi, J. Karel, S. Zeemering和R. Peeters,“通过奇异谱分解从未处理的ECG直接检测睡眠呼吸暂停”,在2015年计算在心脏病学会议(CinC),页309-312,尼斯,法国,2015。视图:谷歌学者
- 王志强,王志明,J. N. da Cruz等,“基于自适应傅里叶分解的ECG肌肉和电极运动伪影减少”,在2014年IEEE系统、人与控制论国际会议,页1456-1461,圣地亚哥,CA,美国,2014。视图:谷歌学者
- P. Nguyen和J. M. Kim,“使用基于遗传算法的阈值和集成经验模式分解的自适应心电图去噪”,科技代表,爱思唯尔科学公司,2016。视图:谷歌学者
- V. Afonso, W. Tompkins, T. Nguyen, S. Trautmann和S. Luo,“基于滤波器组的压力心电图处理”,在第17届IEEE医学与生物工程年会论文集,第2卷,第887-888页,加拿大蒙特利尔,QC, 1995年。视图:出版商的网站|谷歌学者
- R. Sameni, M. B. Shamsollahi, C. Jutten和G. D. Clifford,“用于ECG去噪的非线性贝叶斯滤波框架”,IEEE生物医学工程汇刊,第54卷,no。12, pp. 2172-2185, 2007。视图:谷歌学者
- N. Nikolaev, Z. Nikolov, A. Gotchev,和K. Egiazarian,“小波域维纳滤波用于ECG去噪,使用改进的信号估计”,在2000年IEEE声学、语音和信号处理国际会议。程序(猫。No.00CH37100),第3578-3581页,土耳其伊斯坦布尔,2000年6月。视图:谷歌学者
- 刘毅,李毅,林宏,马宏,“一种基于经验模态分解的保幅时频峰值滤波方法用于地震随机噪声抑制,”IEEE地球科学与遥感通讯,第11卷,no。5,页896-900,2014。视图:谷歌学者
- M. A. Awal, S. S. Mostafa, M. Ahmad和M. A. Rashid,“一种自适应水平依赖的小波阈值心电去噪,”生物控制论与生物医学工程,第34卷,no。4, pp. 238-249, 2014。视图:谷歌学者
- P. M. Shemi和E. M. Shareena,“用离散小波变换分析心电信号去噪”,见2016 IEEE工程技术国际会议(ICETECH),第713-718页,哥印拜陀,印度,2016。视图:谷歌学者
- 张凯,“基于集成经验模态分解的心电噪声滤波方法”,载于《中华人民大学学报》2010年机器学习与控制论国际会议,页210-213,中国青岛,2010。视图:谷歌学者
- N. Dey, T. P. Dash,和S. Dash,“用功能链接人工神经网络(FLANN)去噪心电信号”,国际生物医学工程与技术杂志,第7卷,no。4, pp. 377-389, 2011。视图:谷歌学者
- S. Poungponsri和X. Yu,“心电图(ECG)信号建模和小波神经网络降噪”,在2009 IEEE自动化与物流国际会议, pp. 394-398,中国沈阳,2009。视图:谷歌学者
- 熊培平,王海辉,刘明明,周淑娟,侯振宇,刘晓霞,“基于改进的去噪自编码器的心电信号增强,”人工智能工程应用“,, vol. 52, pp. 194-202, 2016。视图:出版商的网站|谷歌学者
- J. M. Wolterink, T. Leiner, M. A. Viergever和I. iigum,“生成对抗网络用于低剂量CT降噪”,IEEE医学影像汇刊,第36卷,no。12,页2536-2545,2017。视图:谷歌学者
- K. Choi, J. S. Lim和S. Kim,“StatNet:使用深度学习的低剂量CT统计图像恢复”,IEEE信号处理专题杂志,第14卷,no。6, pp. 1137-1150, 2020。视图:出版商的网站|谷歌学者
- K. Choi, J. S. Lim和S. W. Kim,“使用深度卷积生成对抗网络(GANs)进行低剂量CT实时图像重建”,医学影像物理学2018.中国科学院学报,vol. 10573, article 1057332。视图:谷歌学者
- M. Mirza和S. Osindero,“条件生成对抗网络”,计算机科学, vol. 2, pp. 2672-2680, 2014。视图:谷歌学者
- M. Arjovsky, S. Chintala和L. Bottou,“Wasserstein GAN”,2017。视图:谷歌学者
- J. Zhu, T. Park, P. Isola和A. A. Efros,“使用周期一致对抗网络的未配对图像到图像转换”,在2017 IEEE计算机视觉国际会议(ICCV),页2242-2251,威尼斯,意大利,2017。视图:谷歌学者
- N. Divakar和R. V. Babu,“通过cnn的图像去噪:一种对抗方法”,见2017 IEEE计算机视觉与模式识别研讨会(CVPRW),页1076-1083,檀香山,HI,美国,2017。视图:谷歌学者
- H. Zhou, J. Sun, Y. Yacoob,和D. W. Jacobs,“标签去噪对抗网络(LDAN)的反人脸照明”,在2018 IEEE/CVF计算机视觉和模式识别会议,页6238-6247,盐湖城,UT,美国,2018。视图:谷歌学者
- 傅凯,彭俊杰,张海红,王晓霞,蒋飞,“基于生成对抗网络的图像超分辨率:简要回顾,”计算机,材料和Continua第64卷,no。第3页,1977-1997,2020。视图:出版商的网站|谷歌学者
- M. Zhao, X. Liu, X. Yao,和K. He,“生成对抗网络的拉普拉斯金字塔更好的视觉图像超分辨率”,计算机,材料和Continua第64卷,no。3,页1601-1614,2020。视图:出版商的网站|谷歌学者
- S. Nurmaini, A. Darmawahyuni, A. N. S. Mukti, M. N. Rachmatullah, F. Firdaus,和B. Tutuko,“基于深度学习的堆叠去噪和自动编码器用于ECG心跳分类,”电子产品,第9卷,no。1,第135页,2020年。视图:谷歌学者
- 何凯,张x,任s,和孙杰,“图像识别的深度残差学习”,在2016 IEEE计算机视觉与模式识别会议(CVPR),页770-778,拉斯维加斯,NV,美国,2016。视图:谷歌学者
- Y. Furusho和K. Ikeda,“ResNet中跳过连接和批处理规范化对Fisher信息矩阵的影响”,在INNS大数据与深度学习大会,施普林格。视图:谷歌学者
- A. R.霍顿,N. J.斯派洛,E.汤姆斯,A. J.考利,心电描记法,第32卷,no。1,第503-504页,1991。
- M. Blanco-Velasco, B. Weng,和K. E. Barner,“基于经验模态分解的心电信号去噪和基线漂移校正,”生物与医学中的计算机,第38卷,no。1, pp. 1 - 13, 2008。视图:出版商的网站|谷歌学者
- A. D.阿特里桑迪,W.阿迪普拉维塔,T. L. R.孟科,y . h .。Lin,“基于EEMD算法的ECG肌肉噪声、电极运动和基线漂移的噪声和伪影降低”,在2015第四届仪器仪表、通信、信息技术和生物医学工程国际会议(ICICI-BME),页98-102,万隆,印度尼西亚,2015。视图:谷歌学者
- I. J. Goodfellow, J. Pouget-Abadie, M. Mirza等,“生成对抗网络”,技术代表,麻省理工学院出版社,2014年。视图:谷歌学者
- S. Ari, M. K. Das和A. Chacko,“用s变换增强心电信号”生物与医学计算机,第43卷,no。6, pp. 649-660, 2013。视图:谷歌学者
- G. U. Reddy, M. Muralidhar和S. Varadarajan,“基于小波变换的改进阈值心电去噪”,国际计算机科学与网络安全杂志,第9卷,no。9, pp. 221-225, 2009。视图:谷歌学者
- 赵颖,程杰,詹平,彭欣,“基于小波变换的深度CNN心电分类”,计算机,材料和Continua第64卷,no。3, pp. 1615 - 1628,2020。视图:出版商的网站|谷歌学者
- 张建军,钟山生,王铁堂,张宏成。Chao和J. Wang,“基于区块链的系统和应用:调查”互联网技术杂志,第21卷,no。1,页1 - 14,2020。视图:谷歌学者
- Li X. Liang Y. Zhao M. Wang C.和Jiang Y.,“基于WOA13数据的生成对抗网络的少数射击学习”,计算机,材料和Continua第60卷,no。3, pp. 1073-1085, 2019。视图:出版商的网站|谷歌学者
- 王杰,杨阳,王涛,R. Simon Sherratt,和J. Zhang,“大数据服务架构:调查”,互联网技术杂志,第21卷,no。2, pp. 393-405, 2020。视图:谷歌学者
betway赞助
betway赞助版权所有©2021徐冰心等。这是一篇开放获取的文章,在创作共用署名许可协议它允许在任何媒介上不受限制地使用、传播和复制,前提是正确地引用原始作品。