+---------------------+
|                     |
|  Noisy Input Signal  |
|  x(t) = s(t) + n(t)  |
+----------+----------+
           |
           v
+-----------------------------+
|                             |
|  Deep Neural Network         |
|  (e.g., CNN, LSTM, U-Net)    |
|  f_θ: x → ŝ(t)               |
|  θ: 网络参数（千万级）       |
+----------+------------------+
           |
           v
+---------------------+
|                     |
|  Clean Output        |
|  ŝ(t) ≈ s(t)         |
+---------------------+

✅ 关键洞察：训练好的DNN本身就是一台“超级滤波器”，其内部权重编码了从噪声到信号的非线性变换知识。

2. 与传统方法对比

特性	传统滤波器	深度学习滤波器
设计方式	数学推导	数据驱动训练
先验知识	必需（模型）	可选（可融入）
适应性	固定结构	自适应学习
性能上限	受限于模型	接近信息论极限
可解释性	高（传递函数）	低（黑箱）

💡 适用场景：当“你知道信号长什么样，但说不清怎么滤”时，DL是终极武器。

三、应用实例：基于U-Net的ECG信号去噪

场景描述

信号：心电图（ECG），含肌电干扰（EMG）、基线漂移、工频噪声
挑战：
- 噪声非平稳、非高斯
- QRS波群、P/T波细节易被传统滤波器平滑
目标：设计一个能保留微弱病理特征的去噪滤波器

解决方案：使用 U-Net架构 实现端到端ECG去噪

四、建模与实现步骤

第一步：准备数据集（MATLAB）

1. 获取真实ECG数据

matlab

编辑

% 使用MIT-BIH Arrhythmia Database
data = load('mitdb/100.mat');  % 示例记录
ecg_clean = data.val(1,:)';     % 真实干净信号（专家标注）
fs = 360;                        % 采样率

2. 合成含噪信号

matlab

编辑

% 添加三种噪声
noise_emg = 0.1 * randn(size(ecg_clean));          % 肌电干扰
noise_baseline = 0.5 * sin(2*pi*0.5*(0:end-1)/fs); % 基线漂移
noise_powerline = 0.05 * sin(2*pi*50*(0:end-1)/fs);% 50Hz工频

ecg_noisy = ecg_clean + noise_emg + noise_baseline + noise_powerline;

3. 构建训练对

matlab

编辑

X_train = reshape(ecg_noisy, [], 1);  % 输入：含噪信号
Y_train = reshape(ecg_clean, [], 1);  % 输出：干净信号

% 分段处理（每段1024点）
X_train = buffer(X_train, 1024, 512);
Y_train = buffer(Y_train, 1024, 512);

save('ecg_denoise_data.mat', 'X_train', 'Y_train', 'fs');

第二步：设计U-Net网络（Deep Learning Toolbox）

1. U-Net架构特点

编码器（下采样）：提取多尺度特征
解码器（上采样）：逐步恢复细节
跳跃连接：融合浅层细节与深层语义

2. MATLAB代码实现

matlab

编辑

function unet = create_ecg_unet()
    layers = [
        imageInputLayer([1024 1], 'Normalization', 'zscore')
        
        % 编码器
        convolution2dLayer(3, 16, 'Padding', 'same') 
        batchNormalizationLayer
        reluLayer
        maxPooling2dLayer(2, 'Stride', 2)
        
        convolution2dLayer(3, 32, 'Padding', 'same')
        batchNormalizationLayer
        reluLayer
        maxPooling2dLayer(2, 'Stride', 2)
        
        convolution2dLayer(3, 64, 'Padding', 'same')
        batchNormalizationLayer
        reluLayer
        
        % 解码器
        transposedConv2dLayer(2, 32, 'Stride', 2)
        concatenationLayer(3, 2)  % 跳跃连接
        convolution2dLayer(3, 32, 'Padding', 'same')
        batchNormalizationLayer
        reluLayer
        
        transposedConv2dLayer(2, 16, 'Stride', 2)
        concatenationLayer(3, 2)
        convolution2dLayer(3, 16, 'Padding', 'same')
        batchNormalizationLayer
        reluLayer
        
        % 输出层
        convolution2dLayer(1, 1, 'Padding', 'same')
        regressionLayer];

    % 创建dlnetwork
    unet = dlnetwork(layers);
end

第三步：训练深度学习滤波器

matlab

编辑

% 加载数据
load('ecg_denoise_data.mat');

% 创建数据存储
ds_X = arrayDatastore(X_train', 'IterationDimension', 2);
ds_Y = arrayDatastore(Y_train', 'IterationDimension', 2);
ds = combine(ds_X, ds_Y);
ds = transform(ds, @preprocessData); % 归一化等

% 初始化网络
unet = create_ecg_unet();

% 训练选项
options = trainingOptions('adam', ...
    'MaxEpochs', 100, ...
    'MiniBatchSize', 32, ...
    'Plots', 'training-progress', ...
    'Verbose', false, ...
    'InitialLearnRate', 1e-3);

% 训练
[unet_trained, info] = trainNetwork(ds, unet, options);

% 保存模型
save('dl_ecg_denoiser.mat', 'unet_trained');

第四步：集成到Simulink实现实时去噪

方案1：`Neural Network Predict` 模块（推荐）

在Simulink库中找到：
- Deep Learning Toolbox → Neural Network Predict
设置：
- Network: unet_trained
- Input Size: [1024 1]
- Execution Mode: Interpreted Execution 或 Code Generation

方案2：`MATLAB Function` + `predict`

matlab

编辑

function y_clean = dl_denoiser(u_buffered)
    persistent net
    if isempty(net)
        net = load('dl_ecg_denoiser.mat').unet_trained;
    end
    
    % 预处理
    X = normalize(u_buffered, 'zscore');
    X = permute(X, [2 1]);  % 转为 H×W×C×B
    X = reshape(X, 1024, 1, 1, size(X,2));
    
    % 预测
    Y = predict(net, dlarray(X, 'SSCB'));
    y_clean = extractdata(Y);
    y_clean = squeeze(y_clean);
end