Unet网络降噪ECG

### 使用UNet神经网络对心电图（ECG）信号进行降噪处理

#### UNet架构简介
UNet是一种卷积神经网络结构，最初设计用于生物医学图像分割任务。其编码器-解码器结构能够有效地捕捉输入数据的空间特征并重建高分辨率输出。

对于ECG信号的降噪处理，可以借鉴UNet的思想来构建适合一维时间序列数据的模型。具体来说：

- **编码路径**负责提取原始带噪ECG信号中的重要特征；
- **解码路径**则尝试恢复干净的心跳形态；
- 中间通过跳跃连接将低层细节信息传递给高层，从而更好地保留局部特性[^1]。

#### 数据预处理
为了适应UNet框架的要求，在训练之前需对收集到的真实世界ECG记录做适当转换：

- 将每条记录切割成固定长度的小片段作为单个样本；
- 对这些片段实施标准化操作使其均值接近零且方差为单位量级；
- 准备对应的纯净版本或合成无干扰波形充当目标标签。

import numpy as np
from sklearn.preprocessing import StandardScaler

def preprocess_ecg_signal(signal, segment_length=500):
    scaler = StandardScaler()
    
    segments = []
    labels = []

    for i in range(0, len(signal)-segment_length+1, int(segment_length/2)):
        seg = signal[i:i+segment_length]
        
        scaled_seg = scaler.fit_transform(seg.reshape(-1, 1)).flatten()

        segments.append(scaled_seg)
        labels.append(generate_clean_label()) # 假设有一个函数generate_clean_label()生成对应清洁版
        
    return np.array(segments), np.array(labels)

X_train, y_train = preprocess_ecg_signal(noisy_ecg_data)

#### 构建UNet模型
基于Keras/TensorFlow实现适用于ECG的一维UNet变体:

from tensorflow.keras.models import Model
from tensorflow.keras.layers import Input, Conv1D, MaxPooling1D, UpSampling1D, concatenate

input_layer = Input(shape=(None, 1))

# 编码部分
conv1 = Conv1D(filters=64, kernel_size=3, activation='relu', padding='same')(input_layer)
pool1 = MaxPooling1D(pool_size=2)(conv1)

conv2 = Conv1D(filters=128, kernel_size=3, activation='relu', padding='same')(pool1)
pool2 = MaxPooling1D(pool_size=2)(conv2)

# 解码部分
up1 = UpSampling1D(size=2)(pool2)
concat1 = concatenate([up1, conv2], axis=-1)
deconv1 = Conv1D(filters=64, kernel_size=3, activation='relu', padding='same')(concat1)

up2 = UpSampling1D(size=2)(deconv1)
concat2 = concatenate([up2, conv1], axis=-1)
output_layer = Conv1D(filters=1, kernel_size=3, activation=None, padding='same')(concat2)

unet_model = Model(inputs=[input_layer], outputs=[output_layer])
unet_model.compile(optimizer='adam', loss='mse')

#### 训练过程
使用准备好的配对数据集`X_train`, `y_train`来进行监督学习式的参数优化迭代直至收敛为止。

history = unet_model.fit(
    X_train[:, :, None],
    y_train[:, :, None],
    epochs=100,
    batch_size=32,
    validation_split=0.2
)

完成上述步骤后即可得到一个经过充分调优后的UNet去噪器实例，可用于实际应用场景下的实时滤除杂音干扰，提高后续分析准确性.