[论文解读] A Neural Network Approach to ECG Denoising

Rui Rodrigues, Paula Couto|arXiv (Cornell University)|Dec 20, 2012

ECG Monitoring and Analysis参考文献 19被引用 18

一句话总结

本文提出一种具有三个隐藏层的深度前馈神经网络，通过利用其他可用的 ECG 导联来重建噪声 ECG 通道，以实现 ECG 信号去噪。该方法在低信噪比（SNR）条件下显著提升了公开 ECG 分析工具在噪声 Holter 记录上的性能，即使仅从单个干净导联重建，也能实现更优的 QRS 检测和波形分界精度。

ABSTRACT

We propose an ECG denoising method based on a feed forward neural network with three hidden layers. Particulary useful for very noisy signals, this approach uses the available ECG channels to reconstruct a noisy channel. We tested the method, on all the records from Physionet MIT-BIH Arrhythmia Database, adding electrode motion artifact noise. This denoising method improved the perfomance of publicly available ECG analysis programs on noisy ECG signals. This is an offline method that can be used to remove noise from very corrupted Holter records.

研究动机与目标

• 解决 Holter 监测中因运动伪影及其他噪声源导致的 ECG 信号退化问题。
• 开发一种离线、鲁棒的去噪方法，以增强在受损信号上的自动 ECG 分析性能。
• 利用多导联 ECG 信息，通过深度神经网络重建单个噪声 ECG 通道。
• 在真实世界 ECG 数据上评估该方法的有效性，尤其关注低信噪比（SNR）条件下的表现。
• 证明通过神经网络重建实现的去噪可提升下游 ECG 分析任务（如 QRS 检测与波形分界）的性能。

提出的方法

• 训练一个具有三个隐藏层的前馈神经网络，利用其他可用 ECG 导联的噪声输入来重建目标 ECG 通道。
• 使用 1–3 秒的时间段作为输入，通过 16 个样本的重叠窗口确保重建结果的时间一致性。
• 通过平均包含某一特定样本的所有时间片段的重叠预测结果，获得最终的去噪信号。
• 网络采用受限玻尔兹曼机堆叠进行预训练，并通过反向传播进行微调。
• 输入信号经移动平均滤波器预处理以减少基线漂移，输出信号经中值滤波后归一化为单位方差。
• 该方法在 GNU Octave 中实现，并利用 GPU 计算加速训练与重建过程。

实验结果

研究问题

• RQ1 深度神经网络能否有效利用其他 ECG 导联的信息来重建噪声 ECG 导联？
• RQ2 所提出的去噪方法在噪声 Holter 记录上如何提升标准 ECG 分析工具的性能？
• RQ3 该方法在多大程度上保留了 QRS 复合波与波形边界等临床相关 ECG 特征？
• RQ4 当输入信号本身也存在噪声时，该方法是否仍保持鲁棒性？
• RQ5 能否仅使用一个干净的 ECG 导联，实现对高度污染目标导联的临床可用精度重建？

主要发现

• 在 MIT-BIH 心律失常数据库中，当 SNR ≤ 12 dB 时，该方法显著提升了 ECG 分析性能，QRS 检测灵敏度从 85.06% 提升至 89.71%，阳性预测值从 99.14% 提升至 99.90%。
• 对于记录 mgh124，QRS 检测错误数从 1344（噪声）减少至 890（去噪），错误率从 0.1568 降至 0.1038。
• 在 QT 数据库记录 sele0106 中，P 波峰检测的平均误差从通道 1 的 9.33 ms 降低至使用重建通道 2 时的 2.80 ms。
• 即使目标导联被用作输入，该方法仍保持或提升了性能，表明其对输入噪声具有鲁棒性。
• 在某些情况下，重建信号的分界精度优于原始干净导联，尤其在 QRS 起始与终止检测方面表现更优。
• 该方法在真实 Holter 数据上表现出色，重建信号在 QRS 检测与波形分界任务中均实现了更优结果。