心电信号噪声处理方法
阅读说明：本技术 心电信号噪声处理方法 (Electrocardiosignal noise processing method ) 是由 王丽荣 朱文亮 邱励燊 蔡文强 王朵朵 俞杰 张淼 于 2021-01-15 设计创作，主要内容包括：本发明公开了一种心电信号噪声处理方法,包括以下步骤：使用人工合成的数据集训练轻量深度学习网络得到训练完成的轻量深度学习网络,测试后端应用算法得到对应的预设熵阈值；将采集到的心电信号数据分段并输入训练完成的训练轻量深度学习网络,分类得到含噪声部分的信号段数据；计算含噪声部分的信号段数据的样本熵,与预设熵阈值比较并将大于预设熵阈值的信号段数据去除,得到去噪后的心电信号数据。本发明通过轻量深度学习网络直接对段信号进行分类,避免了人工提取特征的弊端；通过样本熵对分段信号去噪,有效降低肌电干扰、电极运动干扰噪声对诊断系统造成的误警,提高后端应用算法在心电信号中含有噪声时的准确性。(The invention discloses an electrocardiosignal noise processing method, which comprises the following steps: training a light-weight deep learning network by using a artificially synthesized data set to obtain a trained light-weight deep learning network, and testing a back-end application algorithm to obtain a corresponding preset entropy threshold; segmenting the collected electrocardiosignal data, inputting the segmented electrocardiosignal data into a trained lightweight deep learning network, and classifying to obtain signal segment data containing a noise part; and calculating the sample entropy of the signal segment data of the noise-containing part, comparing the sample entropy with a preset entropy threshold value, and removing the signal segment data larger than the preset entropy threshold value to obtain the denoised electrocardiosignal data. According to the method, the segment signals are directly classified through the lightweight deep learning network, so that the defect of manual feature extraction is overcome; the segmented signals are denoised through the sample entropy, false alarms of the diagnosis system caused by electromyographic interference and electrode movement interference noise are effectively reduced, and the accuracy of the rear-end application algorithm when the electrocardiosignal contains noise is improved.)
技术领域
本发明涉及心电信号处理技术领域，具体涉及一种心电信号噪声处理方法。
背景技术
心律失常通常具有短暂性、阵发性、有时无症状等特点，给诊断带来挑战，心电信号分析则是判断心脏疾病的有效手段之一。现有的心电信号采集设备只能间歇性采集，一些偶发性特征的心脏疾病往往不能够被及时注意到，因此病人通常需要配备一个可穿戴心电监测装置来动态监测心电信号。但是，动态监测设备在实时监测心电信号的同时也引入了更多的噪声。目前，研究临床心电信号诊断的方法层出不穷，但是因噪声造成的严重信号干扰依然会引起很多误报，使监护人员对系统的报警变得麻木，出现“警报疲劳”现象，最终忽略报警。动态心电信号中主要包含基线漂移、工频干扰、肌电干扰、电极运动干扰等多种干扰，其中基线漂移和工频干扰已经具有较为成熟的消除算法，而电极运动干扰和肌电干扰仍难以滤除。去除电极运动干扰和肌电干扰较大的部分，提升后端应用算法在噪声环境下的性能指标，可以降低误警率。
近年来，许多研究在评估心电质量信号的工作上做出了巨大贡献。在2011年CinC挑战赛中[1]，有使用若干SQI指标(Signal Quality Index,语音质量指标)对片段进行评估，并将一段心电信号划分为各种质量等级，此后类似研究逐渐增多。典型的信号质量指标包括bSQI、tSQI、iSQI、aSQI、pSQI、sSQI、kSQI、basSQI等，以上统称为SQIs[2，3]。在不同的研究中出现了不同的SQIs组合，NeginYaghmaie等人[4]提出了一个新的信号质量指标dSQI，并与四种SQIs组合，使用支持向量机对干净的正常心电信号和异常心电信号分别与含噪声的心电信号进行分类，准确率分别为96.9％和96.3％。Zhao,Z等人[5]通过将qSQI、kSIQ、pSQI、basSQI组合，然后结合柯西分布、矩形分布和梯形分布，对SQIs的隶属函数进行量化，建立模糊向量，再选择有界算子进行模糊综合，利用加权隶属函数进行评价和分类，在高质量和低质量二分类任务中获得94.67％的准确率。Zhang,Y等人[6]提出将Lempel-Ziv复杂度作为ECG信号质量评价指标。随后，Liu,C.Y.等人[7]将典型SQIs与样本熵、模糊测度熵、Lempel-Ziv复杂度进行组合，使用SVM分类器将信号质量分为5个等级，获得了不错的效果。除了使用SQIs将信号质量进行分类外，Satija,U.等人[8]将心电信号通过CEEMD进行分解，在固有模态分解函数IMFs中提取不同噪声的特征，实现了噪声的定位和分类。Moeyersons,J.等人[9]将心电信号分割成5秒的信号段并提取其ACF，再从ACF中提取特征，通过RUSBoost分类器，将信号质量分为5个等级。此外，Zhang,Q.等人[10]将时频谱信号转换成分辨率为257×63的图片，使用多个级联CNN作为分类器，将心电信号分为5个等级，在公开数据库中的准确率达到92.7％。最后，Satija,U.等人[11]对2017年之前的相关研究做了非常好的总结，对心电信号质量评估工作的意义重大。
与此同时，有部分研究成果能够识别并剔除心电信号质量较差的部分，并取得了很好的效果。Mico,P.等人[12]基于样本熵，利用其对噪声不规律性敏感的特性，使用滑动窗口计算的方法，经过MIT-BIH数据库验证，在滤除MA信号的任务中获得了97％的灵敏度和16％的误检率。Satija,U.等人[13]首先使用小波对心电信号进行分解，然后对分解后的不同频段系数进行特征提取，最后使用多个经验阈值实现了对噪声的定位和分类，获得不错的效果。Bashar,S.K.等人[14]分别在心电信号的时域和频域寻找噪声特征，利用经验阈值实现了对心电信号质量较差的部分更细致的识别，并在房颤检测方面减少了94％的假阳。
但是，现有信号质量指标(SQIs)是人工特征选择的特征，它们无论如何组合都可能会存在特征冗余或特征不充分的问题；而且有些信号质量指标的提取准确性与该指标的提取算法有关，如pSQI准确性依赖R波定位算法，这就导致了心电信号质量分类的准确性依赖信号质量指标的提取算法。并且，现有研究中划分信号质量等级的依据来自标注者主观判断，而不是来自后端应用算法，因此信号等级不一定适用于多种后端应用算法。同时，在真实心电信号中，常见几种噪声的含量会出现渐变现象，包括电极运动干扰和肌电干扰，这就导致同一位标注者在信号等级标注的过程中产生了犹豫心理。虽然有些研究为信号等级标注工作制定了关于犹豫状态下的标注规则，但在实际中犹豫现象是无法避免的，来自同一标注者的歧义标签问题难以消除。
本发明参考文献如下：
[1]Silva,I.,G.B.Moody,and L.Celi,Improving the Quality of ECGsCollected Using Mobile Phones:The PhysioNet/Computing in Cardiology Challenge2011.2011Computing in Cardiology,2011.38:p.273-276.
[2]Behar,J.,et al.,A single channel ECG quality metric,in Computingin Cardiology.2012.p.381-384.
[3]Clifford,G.D.,et al.,Signal quality indices and data fusion fordetermining clinical acceptability ofelectrocardiograms.PhysiolMeas,2012.33(9):p.1419-33.
[4]Yaghmaie,N.,et al.,Dynamic signal quality index forelectrocardiograms.PhysiolMeas,2018.39(10):p.105008.
[5]Zhao,Z.and Y.Zhang,SQI Quality Evaluation Mechanism of Single-LeadECG Signal Based on Simple Heuristic Fusion and Fuzzy ComprehensiveEvaluation.Front Physiol,2018.9:p.727.
[6]Zhang,Y.,et al.,Using Lempel-Ziv Complexity to Assess ECG SignalQuality.J Med Biol Eng,2016.36(5):p.625-634.
[7]Liu,C.Y.,et al.,Signal Quality Assessment and Lightweight QRSDetection for Wearable ECG SmartVest System.Ieee Internet ofThings Journal,2019.6(2):p.1363-1374.
[8]Satija,U.,B.Ramkumar,and M.Manikandan,Automated ECG NoiseDetection and Classification System for Unsupervised HealthcareMonitoring.IEEE Journal ofBiomedical and Health Informatics,2017.PP.
[9]Moeyersons,J.,et al.,Artefact detection and quality assessment ofambulatory ECG signals.Comput Methods Programs Biomed,2019.182:p.105050.
[10]Zhang,Q.,L.Fu,and L.Gu,A Cascaded Convolutional Neural Networkfor Assessing Signal Quality of Dynamic ECG.Comput Math Methods Med,2019.2019:p.7095137.
[11]Satija,U.,B.Ramkumar,and M.S.Manikandan,A Review of SignalProcessing Techniques for Electrocardiogram Signal Quality Assessment.IEEERev Biomed Eng,2018.11:p.36-52.
[12]Mico,P.,et al.,Automatic segmentation of long-term ECG signalscorrupted with broadband noise based on sample entropy.Comput MethodsPrograms Biomed,2010.98(2):p.118-29.
[13]Satija,U.,B.Ramkumar,and M.S.Manikandan,An automated ECG signalquality assessment method for unsupervised diagnostic systems.Biocyberneticsand Biomedical Engineering,2018.38(1):p.54-70.
[14]Bashar,S.K.,et al.,Noise Detection in Electrocardiogram Signalsfor Intensive Care Unit Patients.IEEE Access,2019.7:p.88357-88368.
发明内容
本发明要解决的技术问题是提供一种可以有效降低肌电干扰、电极运动干扰噪声对诊断系统造成的误警，提高噪声环境下的准确性的心电信号噪声处理方法。
为解决上述技术问题，本发明提供了一种心电信号噪声处理方法，包括以下步骤：
使用人工合成的数据集训练轻量深度学习网络得到训练完成的轻量深度学习网络，使用人工合成的数据集测试后端应用算法得到后端应用算法对应的预设熵阈值；
将采集到的心电信号数据分段并输入训练完成的训练轻量深度学习网络，分类得到含噪声部分的信号段数据；
计算含噪声部分的信号段数据的样本熵，与后端应用算法对应的预设熵阈值比较并将大于预设熵阈值的信号段数据去除，得到去噪后的心电信号数据。
进一步地，所述轻量深度学习网络为双支路分割网络，所述双支路分割网络包括学习降采样阶段、全局特征提取阶段、特征融合阶段和分类器阶段，
所述学习降采样阶段用于提取浅层特征，所述全局特征提取阶段用于提取信号全局语义，所述特征融合阶段用于对心电信号中不同细粒度、不同层次的特征进行融合，所述分类器阶段用于输出信号中每个采样点的类别。
进一步地，所述学习降采样阶段包括二维卷积层和两个通道数不同的深度可分离卷积结构层。
进一步地，所述学习降采样阶段中的二维卷积层和两个通道数不同的深度可分离卷积结构层后端均设有批标准化层，所述二维卷积层和两个通道数不同的深度可分离卷积结构层中采用的激活函数均为Leaky ReLU，所述深度可分离卷积结构层中同时使用Depthwise卷积与Pointwise卷积，用于与深度可分离卷积相区别。
进一步地，所述全局特征提取阶段包括瓶颈层和金字塔池化层，所述瓶颈层用于在降低网络参数的同时保持网络准确性，所述金字塔池化层用于提取多个尺度信号中的特征。
进一步地，所述特征融合阶段包括第一层、第二层和相加层，所述第一层包括上采样层、深度可分离卷积结构层和二维卷积层，所述第二层为二维卷积层，所述相加层用于将所述第一层和所述第二层的输出结果相加，所述相加层为批标准化层。
进一步地，所述第一层中的深度可分离卷积结构层、所述第一层中的二维卷积层和所述第二层中的二维卷积层后端均设有批标准化层，所述第一层中的深度可分离卷积结构层和所述相加层中采用的激活函数均为Leaky ReLU。
进一步地，所述分类器阶段包括多个不同尺度的深度可分离卷积结构层、二维卷积层和上采样层。
进一步地，所述分类器阶段中多个不同尺度的深度可分离卷积结构层和二维卷积层后端均设有批标准化层，所述分类器阶段中多个不同尺度的深度可分离卷积结构层、二维卷积层和上采样层中采用的激活函数均为Leaky ReLU。
进一步地，所述计算含噪声部分的信号段数据的样本熵，具体方法为：
将长度为N的离散时间序列组成长度为m，维度为N-m+1的向量序列Xm(i)，其中m，r是样本熵的超参数，决定了搜索相同元素的大小和相似度阈值；
向量Xm(i)与Xm(j)之间的距离d[Xm(i)，Xm(j)](1≤j≤N-m，j≠i)为两者对应元素中最大差值的绝对值，计算公式为d[Xm(i)，Xm(j)]＝maxk＝0，...，m-1(|X(i+k)-x(j+k)|)；
对于Xm(i)，计算d[Xm(i)，Xm(j)]≤r，(1≤j≤N-m，j≠i)中Xm(j)的个数Bi，Bi的计算公式为计算两个序列在相似容限r下匹配m个点的概率Bm(r)，计算公式为
将向量序列Xm(i)的长度增加到m+1得到Xm+1(i)，计算d[Xm+1(i)，Xm+1(j)]≤r，(1≤j≤N-m，j≠i)中Xm+1(j)的个数Ai，Am(r)的计算公式为计算两个序列匹配m+1个点的概率Am(r)，计算公式为
样本熵的计算公式为N为有限值时样本熵为
本发明的有益效果：
(1)现有信号质量指标(SQIs)是人工特征选择的特征，人工选择存在特征冗余或特征不充分的问题；同时，存在信号质量指标的提取准确性与指标的提取算法有关的情况。对于给定的一段心电信号，传统方法是先对这段信号求峰度、求偏度、求R波间期吻合度等，然后根据峰度、偏度、R波吻合结果对该段信号进行分类。在此过程中，求偏度、求峰度以及R波间期吻合度都是属于人工提取特征，其中R波间期吻合度依赖两种或多种R波提取算法的准确性，如果R波提取准确性差，将导致这种特征失效，间接导致最终对这段信号的分类结果出现偏差。本发明中使用轻量深度学习网络直接对段信号进行分类，避免了人工提取特征的弊端；同时，轻量深度学习网络属于一种网络轻量(计算量小)的卷积神经网络，适合实时处理心电信号。
(2)现有研究中划分信号质量等级的依据来自标注者主观判断，而不是来自后端应用算法，信号等级不一定适用于多种后端应用算法。本发明中通过样本熵得出分段信号的量化值，如果分段信号超过预设的阈值，就将这段信号去除。预设的阈值是通过不断测试获得的，通过人工合成的信号测试后端应用算法的准确率，不断调整阈值直到得到合适的预设阈值；同时，针对不同的测试后端应用算法，调整得到不同的对应预设阈值。预设阈值既能够有效滤除噪声过多的信号，又能保证R波检测算法、心拍分类算法等后端应用算法的性能，提高噪声环境下的准确性，适应多种后端应用算法，非常灵活。
(3)针对标注犹豫心理会导致歧义标签的问题，本发明中网络训练所使用的数据是人工合成的，不需要人工干预，因此不存在歧义标签或者由于现象的问题。同时，阈值与等级相比起来，阈值更加细腻，避免了按照等级抛弃信号出现的丢弃过多信号的情况，可以有效降低肌电干扰、电极运动干扰噪声对诊断系统造成的误警。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
图1是本发明实施例中对噪声信号处理流程的示意图。
图2是本发明中双支路分割网络的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
在本发明的描述中，术语“包括”意图在于覆盖不排他的包含，例如包含了一系列步骤或单元的过程、方法、系统、产品或设备，没有限定于已列出的步骤或单元而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
后端应用以R-peak波检测算法为例，本实施例中对含有噪声的心电信号的处理流程如图1所示，包括以下步骤：
步骤1：使用人工合成的数据集训练轻量深度学习网络得到训练完成的轻量深度学习网络，使用人工合成的数据集测试后端应用算法得到后端应用算法对应的预设熵阈值。人工合成的数据集由干净的心电信号和噪声叠加产生，干净的心电信号和噪声部分可控，使用人工合成的数据集训练轻量深度学习网络和测试后端应用算法，可以得到性能良好的训练完成的轻量深度学习网络和合适的预设熵阈值。本实施例中测试得到的R-peak波检测算法的预设熵阈值为2.0。
步骤2：将采集到的心电信号数据(被电极运动干扰或者肌电干扰破坏的心电信号)分段并输入训练完成的训练轻量深度学习网络，分类得到含噪声部分的信号段数据。本实施例中将采集到的心电信号数据分为每10s一段的信号，经过轻量网络分类，信号段数据中含有噪声的部分被标记为1，没有噪声的部分被标记为0。
所述轻量深度学习网络为双支路分割网络，如图2所示的双支路分割网络包括学习降采样阶段、全局特征提取阶段、特征融合阶段和分类器阶段四个部分。
所述学习降采样阶段用于提取浅层特征，包括16通道的二维卷积层(Conv2D)、24通道的深度可分离卷积结构层(Depthwise Separable Convolution,DSConv)和32通道的深度可分离卷积结构层三层，每层后端均使用批标准化层(Batch Normalization，BN，与普通的数据标准化类似，是将分散的数据统一的一种做法，也是优化神经网络的一种方法)提升网络的优化速度。所述16通道的二维卷积层(Conv2D)、24通道的深度可分离卷积结构层(Depthwise Separable Convolution,DSConv)和32通道的深度可分离卷积结构层中，采用的激活函数为LeakyReLU(带泄露修正线性单元函数是ReLu激活函数的变体，该函数输出对负值输入有很小的坡度；由于导数总是不为零，能减少静默神经元的出现，允许基于梯度的学习，从而解决了Relu函数进入负区间后导致神经元不学习的问题)；采用LeakyReLU代替ReLU是由于心电信号中存在负值，ReLU(Rectified Linear Unit，线性整流函数，又称修正线性单元，是一种人工神经网络中常用的激活函数，通常指代以斜坡函数及其变种为代表的非线性函数)会直接丢失负值部分的信号特征。所述24通道的深度可分离卷积结构层(DSConv)和32通道的深度可分离卷积结构层(DSConv)中，同时使用Depthwise卷积与Pointwise卷积，用于与深度可分离卷积相区别，Depthwise卷积与Pointwise卷积间有激活函数。
学习降采样阶段的具体结构如表1所示，其中BN表示批标准化层，f表示激活函数，所有的激活函数f均Leaky ReLU。“/BN”表示输出的结果通过BN层；“/f”表示输出的结果通过激活函数f；“/BN/f”表示输出的结果通过BN层，得到的结果再通过激活函数f。
网络输入尺寸
层名称
通道数
卷积尺寸
卷积步长
3600×1×1
Conv2D/BN/f
16
8
2
1800×1×16
DSConv/BN/f
24
4
2
900×1×24
DSConv/BN/f
32
2
2
表1学习降采样阶段的结构表
所述全局特征提取阶段用于提取信号全局语义，包括32通道的瓶颈层(Bottleneck，Bo，一般在深度较高的网络中使用。包括两个1X1滤波器分别用于降低和升高特征维度，可以减少参数的数量从而减少计算量，且在降维之后可以更加有效、直观地进行数据的训练和特征提取)和64通道的金字塔池化层(是一个传统的网络架构模型，其中的卷积层和全连接层之间加一层金字塔池化层(Pyramid pooling，Py)，可以解决输入图片大小不一的情况)，所述瓶颈层用于在降低网络参数的同时保持网络准确性，是实现网络轻量化的关键之一；有研究认为心电信号也存在多个尺度的现象，因此所述金字塔池化层用于提取多个尺度信号中的特征，有利于提取全局语义信息。
经过反复试验，增加多个瓶颈层对结果没有任何提升，因此认为瓶颈层和金字塔池化层的组合已经充分提取了信号特征，全局特征提取阶段的具体结构如表2所示：
表2全局特征提取阶段的结构表
所述特征融合阶段用于对心电信号中不同细粒度、不同层次的特征进行融合，所述特征融合阶段包括第一层、第二层和相加层，所述第一层包括上采样层(Upsample，Up)、64通道的深度可分离卷积结构层(DSConv)和64通道的二维卷积层(Conv2D)，所述第二层包括64通道的二维卷积层，所述相加层用于将所述第一层和所述第二层的输出结果相加，所述相加层为批标准化层(BN)。所述第一层中64通道的深度可分离卷积结构层、所述第一层中64通道的二维卷积层和所述第二层中64通道的二维卷积层后端均设有批标准化层，所述第一层中64通道的深度可分离卷积结构层和所述相加层中采用的激活函数均为LeakyReLU。
特征融合阶段的具体结构如表3所示：
表3特征融合阶段的结构表
输入信号段数据经过表1中学习降采样阶段中的结构后的输出分为两部分，一部分经过表2中全局特征提取阶段的瓶颈层和金字塔池化层后作为特征融合阶段的输入，先后经过表3第一层中的上采样层、二维卷积层和深度可分离卷积结构层；另一部分直接从学习降采样阶段输入到特征融合阶段，经过表3第二层的深度可分离卷积结构层；两部分的输出在表3的批标准化层相加，相加结构经过激活函数f作为分类器阶段的输入。
所述分类器阶段用于输出信号中每个采样点的类别，所述分类器阶段包括多个不同尺度的深度可分离卷积结构层(DSConv)、1通道的二维卷积层(Conv2D)以及上采样层(Upsample)。通过多次实验发现，多层不同尺度的DSConv相比多层固定尺度DSConv分割准确率更高，本发明中称之为多尺度串行深度可分离卷积模块(Multiscale serial depthseparable convolution module(Multiscale Serial DSConv Module，Mu)。本实施例中，多尺度串行深度可分离卷积模块包括64通道的DSConv、32通道的DSConv、16通道的DSConv和8通道的DSConv四个不同尺度的深度可分离卷积结构层。所述分类器阶段中多个不同尺度的深度可分离卷积结构层和1通道的二维卷积层后端均设有批标准化层，所述分类器阶段中多个不同尺度的深度可分离卷积结构层、1通道的二维卷积层和上采样层中采用的激活函数均为Leaky ReLU。分类器阶段的具体结构如表4所示：
网络输入尺寸
层名称
上采样倍数
通道数
卷积尺寸
卷积步长
450×1×64
DSConv/BN/f
-
64
8
1
450×1×64
DSConv/BN/f
-
32
16
1
450×1×32
DSConv/BN/f
-
16
32
1
450×1×16
DSConv/BN/f
-
8
64
1
450×1×8
Conv2D/BN/f
-
1
1
1
450×1×1
Upsample/f
8
-
-
-
表4分类器阶段的结构表
步骤3：计算含噪声部分的信号段数据的样本熵，与后端应用算法对应的预设熵阈值比较并将大于预设熵阈值的信号段数据去除，得到去噪后的心电信号数据。本实施例中计算得到计算含噪声部分的信号段数据的样本熵为2.5，大于预设的样本熵阈值2.0，故将此部分信号段数据去除，将剩余信号段数据作为R-peak波检测算法的输入。
本方法使用样本熵对噪声破坏的部分进行量化，可以得到干净的信号；同时，样本熵是一个估计时间序列规律性的非线性度量，可以在时间序列中寻找具有相同长度的相似模式，这些模式出现的频率和可能性越小，序列的熵值越大，随着信噪比的减小，熵值增大，样本熵与噪声功率之间是密切联系的；并且，由于样本熵值几乎不会受到干净信号能量的影响，因此未受到电极运动干扰、肌电干扰的信号部分与受到干扰部分的熵数值有明显差异。因此使用样本熵对噪声破坏的部分量化后去噪，可以得到干净的信号，可以保证后端应用算法的输入信号是干净的，从而提升后端应用算法的性能。
本实施例中去除大于预设熵阈值的信号段数据为删除大于预设熵阈值的信号段数据或者将大于预设熵阈值的信号段数据归零。计算含噪声部分的信号段数据的样本熵的具体方法为：
步骤3-1：将长度为N的离散时间序列X(n)＝{x(1)，x(2)，...，x(N)}的分段信号数据组成长度为m，维度为N-m+1的向量序列Xm(i)，Xm(i)＝[x(1)，x(i+1)，...，x(i-m+1)]，1≤i≤N-m+1，其中m，r是样本熵的超参数，决定了搜索相同元素的大小和相似度阈值；本实施例中m取值为2，r取值为0.25。
步骤3-2：定义向量Xm(i)与Xm(j)之间的距离d[Xm(i)，Xm(j)](1≤j≤N-m，j≠i)为两者对应元素中最大差值的绝对值，计算公式：d[Xm(i)，Xm(j)]＝maxk＝0，...，m-1(|x(i+k)-x(j+k)|)；其中Xm(i)是样本集、i表示第i个样本集、N表示样本集中向量的个数，k是序数的偏移量
步骤3-3：对于Xm(i)，计算d[Xm(i)，Xm(j)]≤r，(1≤j≤N-m，j≠i)中Xm(j)的个数Bi，Bi的计算公式：定义Bm(r)为两个序列在相似容限r下匹配m个点的概率，计算公式：
步骤3-4：将向量序列Xm(i)的长度增加到m+1得到Xm+1(i)，计算d[Xm+1(i)，Xm+1(j)]≤r，(1≤j≤N-m，j≠i)中Xm+1(j)的个数Ai，Am(r)的计算公式： 定义Am(r)为两个序列匹配m+1个点的概率，计算公式：
步骤3-5：样本熵的计算公式：当N为有限值时，样本熵为：
将步骤3中得到的去噪后的心电信号数据输入后端应用的R-peak波检测算法，与传统的方法相比，经过本发明去噪后的心电信号数据的准确率由40％提升到98％，进一步说明了本发明的有益效果。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。