基于多核卷积变压器的条件扩散模型的行走式心电图噪声降低算法.
Huiquan Wang1,2, Juya Zhang1, Xinming Dong3
1School of Life Sciences, Tiangong University, Tianjin 300387, China.
The Review of scientific instruments
|September 9, 2024
概括
这项研究引入了一种新的深度学习方法,用于减少门诊心电图 (ECG) 信号中的噪声. 该技术有效地去除了文物,提高了心血管疾病的诊断准确度.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能在医学中的应用
- 信号处理 信号处理
背景情况:
- 门诊心电图 (ECG) 测试对于心血管疾病管理至关重要.
- 运动心电图信号容易产生噪音,妨碍准确的分析,并可能导致误诊.
- 常见的噪音来源包括电极运动,基线流浪和肌肉工件.
研究的目的:
- 开发和验证一种基于深度学习的新方法,以有效地降低门诊心电图信号中的噪音.
- 提高心电图波形的清晰度和可靠性,以便更好地进行临床解释.
主要方法:
- 一种新的深度学习方法,利用一个增强的扩散模型网络.
- 整合条件噪声和多核卷积变压器网络用于噪声预测.
- 整合扩散模型的反向过程以抑制噪音.
主要成果:
- 拟议的方法在QT和MIT-BIH Noise Stress Test数据库上的八种最先进的算法相比,显示出优异的降噪性能.
- 在统计,基于距离和波形可视化指标方面取得了最佳结果.
- 展示了对电极运动,基线漫游,肌肉工件及其组合的稳定性能.
结论:
- 新的深度学习方法在减少门诊心电图信号中的噪音方面取得了重大进展.
- 这种技术对临床动态心电图信号分析的未来应用具有前景,提高了诊断能力.
- 改善心电图信号质量可以导致更准确的诊断和更好的心血管疾病患者结果.
