基于深度学习的心音信号压缩感知算法研究.pdf

摘要

可穿戴心音信号采集设备一般使用电池供电，通过压缩感知减少信号的传输

数据量，可以减少信号传输阶段的能源消耗，增加续航时间，延长电池寿命。传统

心音信号压缩感知算法存在测量矩阵性能不够好和重构效果有待提高的问题，基

于深度学习，设计了心音信号压缩感知测量矩阵构建网络，心音信号压缩感知重构

网络和心音信号去噪网络。主要研究内容如下：

1）根据现有基于规则设计的传统高斯测量矩阵和基于Dr2Net网络构建的测

量矩阵的局限性，提出使用Inception模块和额外卷积层作为新的解码器，利用

Inception模块内部使用多通道学习不同维度的特征，构建心音信号压缩感知测量

矩阵。经过相同的基追踪算法重构后，提出的网络生成的测量矩阵相对于对比测量

矩阵，重构信号在指标PSNR、RMSE和PRD上取得了5%以上的提升率。

2）提出了基于多通道多尺度特征学习模块的心音信号重构网络。基础模块使

用3个通道提取不同尺度的局部空间特征，利用Non-localblock结构计算长距离

依赖来学习非局部时序特征，利用LSTM来学习心音信号局部时序特征，最后通

过堆叠各通道的特征，利用1x1卷积来融合堆叠在一起的多尺度特征。相对于对

比重构网络CSNet和BP重构算法，提出的重构网络在PRD、RMSE和PSNR3个

指标上取得了4%以上的提升率；在重构时间上相对于基追踪重构算法提高了1~2

个数量级。

3）摒弃了传统Encoder-Decoder的去噪网络设计模式，采用基于模块化的网

络设计，并在模块中引入注意力机制。去噪网络由4个SKandAttention（SKA）

模块构成，SKA模块由SkBlock和AttentionBlock构成。Skblock包含Selective

KernelConvolution结构，该结构内部实现神经元不同尺寸感受野的自适应调整；

AttentionBlock则基于Squeeze-and-Excitation模块，该模块实现了一种空间注意力

机制。在肺音噪声，运动伪迹，高斯白、粉、红、紫噪声和混合上述6种噪声共7

种情况下，验证了不同网络的去噪能力，提出的网络在SNR、PRD和RMSE三

个指标上均取得了14%以上的提升率。

4）使用基于单片机STM32F103T8和MAX9812采集芯片的心音信号采集硬

件，上位机采用Python和PyQt5进行信号重构去噪以及界面开发，验证了实测情

况下针对不同采样频率不同信号帧长度时，信号的重构和去噪效果。

关键词：心音信号，压缩感知，测量矩阵，信号重构，信号去噪，深度学习

ABSTRACT

Thewearableheartsoundsignalacquisitiondeviceisgenerallypoweredbybatteries,

theenergyconsumptionoftheacquisitiondeviceneedstobestrictlylimited.Reducing

theamountofdatatransmittedthroughcompressedsensingcanreducetheenergy

consumptioninthesignaltransmissionstage,increasethebatterylifeofthewearable

device,andprolongthelifeofthebattery.Thetraditionalheartsoundsignalcompressive

sensingalgorithmhasproblemsthattheperformanceofthemeasurementmatrixisnot

goodenoughandtheeffectofthereconstructionneedstobeimproved.Basedondeep

learni