Francisco Perdigon Romero; David Castro Piñol; Carlos Román Vázquez Seisdedos

摘要

根据世界卫生组织的数据，每年约有36%的死亡与心血管疾病有关，而90%的心脏病发作是可以预防的。动态心电图信号分析、运动负荷试验期间的心电图信号分析以及静息状态下的心电图信号分析有助于诊断心血管疾病。然而，在采集过程中，存在多种噪声可能损害信号质量，从而影响其诊断潜力。基线漂移是其中最不希望出现的噪声之一。在本研究中，我们提出了一种基于深度学习技术的新算法来过滤BLW（基线漂移）噪声。该模型的性能通过使用Physionet提供的QT数据库和MIT-BIH噪声压力测试数据库进行了验证。此外，还进行了多项对比实验，将我们的方法与传统滤波方法及最新的深度学习技术进行了比较。实验结果表明，所提出的算法在四个相似性指标上均取得了最佳成绩：平方距离之和为4.29（6.35）任意单位、最大绝对平方值为0.34（0.25）任意单位、根距离百分比为45.35（29.69）任意单位以及余弦相似度为91.46（8.61）任意单位。本研究的源代码，包括我们的方法及相关实现，已免费发布在Github上。