[论文解读] DeScoD-ECG: Deep Score-Based Diffusion Model for ECG Baseline Wander and Noise Removal

Huayu Li, Gregory Ditzler+2 more|arXiv (Cornell University)|Jul 31, 2022

ECG Monitoring and Analysis被引用 6

一句话总结

本文提出 DeScoD-ECG，一种基于条件得分的扩散模型，通过从高斯噪声开始的马尔可夫链迭代去噪，条件于含噪 ECG 输入，实现 ECG 信号的去噪。该方法在四项相似性度量上均优于基线方法至少 20%，在极端噪声污染下表现出更优的鲁棒性。

ABSTRACT

Objective: Electrocardiogram (ECG) signals commonly suffer noise interference, such as baseline wander. High-quality and high-fidelity reconstruction of the ECG signals is of great significance to diagnosing cardiovascular diseases. Therefore, this paper proposes a novel ECG baseline wander and noise removal technology. Methods: We extended the diffusion model in a conditional manner that was specific to the ECG signals, namely the Deep Score-Based Diffusion model for Electrocardiogram baseline wander and noise removal (DeScoD-ECG). Moreover, we deployed a multi-shots averaging strategy that improved signal reconstructions. We conducted the experiments on the QT Database and the MIT-BIH Noise Stress Test Database to verify the feasibility of the proposed method. Baseline methods are adopted for comparison, including traditional digital filter-based and deep learning-based methods. Results: The quantities evaluation results show that the proposed method obtained outstanding performance on four distance-based similarity metrics with at least 20\% overall improvement compared with the best baseline method. Conclusion: This paper demonstrates the state-of-the-art performance of the DeScoD-ECG for ECG baseline wander and noise removal, which has better approximations of the true data distribution and higher stability under extreme noise corruptions. Significance: This study is one of the first to extend the conditional diffusion-based generative model for ECG noise removal, and the DeScoD-ECG has the potential to be widely used in biomedical applications.

研究动机与目标

• 解决在嘈杂临床环境中对高保真 ECG 信号重建的迫切需求，特别是在运动负荷试验中，运动伪影和基线漂移会严重降低信号质量。
• 克服传统数字滤波器和基于深度学习的方法在高幅噪声或极端污染条件下的局限性。
• 探索基于得分的扩散模型在 ECG 去噪中的潜力——该方法此前尚未应用于 ECG 去噪，可用于学习在给定含噪观测下清洁 ECG 信号的复杂条件分布。
• 开发一种更接近真实数据分布的去噪方法，并在噪声水平极高时仍保持稳定性。
• 通过在具有挑战性的条件下提升信号保真度，实现实时临床和运动场景下更灵活、更精确的 ECG 监测。

提出的方法

• 提出一种专为 ECG 信号设计的条件得分驱动扩散模型，通过在含噪数据分布的马尔可夫链上进行得分匹配，学习逆向去噪过程。
• 在每一步中将扩散过程条件于含噪 ECG 输入，使模型能够从随机高斯噪声开始，通过迭代去噪生成清洁的 ECG 重建结果。
• 实施多轮次平均策略，即生成多个独立的重建结果并取平均，以提升信号保真度并减少随机波动。
• 使用去噪得分匹配目标进行模型训练，以最小化预测得分函数与真实清洁 ECG 分布得分函数之间的差异。
• 采用类似 U-Net 的架构，结合残差块和注意力机制，以建模 ECG 时间序列中的长程依赖关系，提升特征提取与重建质量。
• 使用基于去噪得分的训练目标优化模型，使模型能够学习在含噪输入条件下的清洁 ECG 分布得分。

实验结果

研究问题

• RQ1 与传统数字滤波器和基于深度学习的方法相比，条件得分驱动的扩散模型能否实现更优的 ECG 去噪性能？
• RQ2 在极端噪声条件下，DeScoD-ECG 模型的表现如何，特别是在基线方法因高幅噪声污染而失效时？
• RQ3 多轮次平均策略在多大程度上提升了重建保真度并降低了输出信号的方差？
• RQ4 与端到端深度学习模型相比，基于扩散的生成方法是否能更好地逼近真实清洁 ECG 信号的数据分布？
• RQ5 DeScoD-ECG 模型能否在标准个人计算硬件上高效部署，以支持真实临床环境中的应用？

主要发现

• 在 QT 和 MIT-BIH 噪声应激测试数据库上，DeScoD-ECG 在所有四项基于距离的相似性度量（如 NRMSE、SNR 等）上，相较于最佳基线方法均实现了至少 20% 的性能提升。
• 该模型在极端噪声污染下表现出更优的鲁棒性，在传统方法和深度学习基线失效时仍能保持高保真度的重建。
• 多轮次平均策略显著提升了重建质量，减少了噪声引起的伪影，并改善了信号的一致性。
• 基于扩散的生成方法更好地逼近了真实清洁 ECG 信号的数据分布，生成的重建结果更自然且具有更高的生理合理性。
• 在标准笔记本电脑（i7-10750H CPU，GTX 1660 Ti GPU）上，20 秒的 ECG 信号（7200 个点）的 10 轮次重建耗时 7.136 秒，表明推理速度可行但仍有优化空间。
• 模型性能在多种 ECG 类型和噪声配置下均得到验证，证实其在临床和运动监测应用中的良好泛化能力。