一个增强的深度学习框架,用于从心电图信号中去除肌肉工件,集成resnet,GCAB和BI-LSTM

科学领域:

• 生物医学工程 生物医学工程
• 信号处理 信号处理
• 人工智能的人工智能

背景情况:

• 电心电图 (ECG) 信号经常被肌肉人工物 (MA) 噪音损坏.
• 这种噪声与信号频率重叠,妨碍了精确的心电图解释.
• 深度学习 (DL) 为信号处理提供了潜力,但需要强大的模型和数据集.

研究的目的:

• 开发和评估一个增强的混合深度学习框架,HRGB-Net,用于过来自ECG信号的MA噪声.
• 将HRGB-Net的性能与使用实时ECG数据集的其他神经网络模型进行比较.
• 评估使用原始与短时间里埃变换 (STFT) ECG数据用于MA消除噪声的有效性.

主要方法:

• 拟议的HRGB-Net框架将ResNet,GCAB和Bi-LSTM块集成在一起.
• 利用来自PhysioNet的三个MIT-BIH实时数据集进行培训和测试.
• 将HRGB-Net与CNN,FCNN和Reg-LSTM-DNN模型使用原始和STFT心电图数据进行比较.
• 分析了基于平均平方误差 (MSE) 和相关系数 (CC) 在不同信号对噪声比率 (SNR) 上的性能.

主要成果:

• 与其他模型相比,HRGB-Net表现出优越的MA消除噪声能力.
• 经过STFT训练和测试的ECG数据比原始的ECG数据产生了更好的结果.
• 使用STFT数据实现了98.82%的相关系数和0.053068的最佳MSE.
• 该模型在一系列SNR (-7dB到2dB) 的无声化后有效地改善了信号参数.

结论:

• 拟议的HRGB-Net模型在过来自心电图信号的肌肉人工物噪声方面非常有效.
• 使用STFT数据可以提高深度学习模型的ECG denoising的性能.
• HRGB-Net显著优于现有的神经网络模型和MA去除的标准技术.