A novel EMG artifact removal algorithm based on complete local convolutional sparse dictionary learning in ECG signals

Das menschliche Herz schlägt in einem Rhythmus, auf den Ärzte schon lange vertrauen, um die Gesundheit zu beurteilen – ein stetiger elektrischer Impuls, der auf einem Streifen Papier oder einem digitalen Bildschirm festgehalten wird. Diese Aufzeichnung, bekannt als Elektrokardiogramm oder EKG, bildet die elektrische Aktivität des Herzens über die Zeit ab und zeigt deutliche Wellen, die der Kontraktion und Entspannung des Organs entsprechen. Das Erfassen dieses Signals ist jedoch selten ein sauberer Prozess. Der Körper ist eine verrauschte Umgebung, und die winzigen elektrischen Ströme, die das Herz erzeugt, werden leicht von den viel größeren, chaotischen elektrischen Signalen übertönt, die von der Skelettmuskulatur produziert werden. Wenn eine Person sich bewegt, zittert oder einfach nur ihre Muskeln anspannt, fließen diese Muskelsignale, genannt Elektromyogramme oder EMG, in die Herzaufzeichnung ein. Da sich die Frequenzen von Muskelrauschen und Herzsignalen erheblich überschneiden, entfernt eine einfache Filterung des Rauschens oft auch das Herzsignal zusammen mit ihm, was die Ärzte mit einem verzerrten Bild zurücklässt, das lebensbedrohliche Zustände verbergen oder Fehlalarme auslösen kann.

Seit Jahrzehnten suchen Forscher nach einem Weg, den stetigen Schlag des Herzens vom zufälligen Geplapper der Muskeln zu trenken, ohne die feinen Details der Herzform zu verlieren. Traditionelle Methoden verlassen sich oft darauf, das Signal in kleine, handhabbare Stücke zu schneiden, um sie zu analysieren, aber dieser Ansatz kann versehentlich genau die Merkmale zerstückeln, die Ärzte sehen müssen, wodurch künstliche Spitzen entstehen oder reale Spitzen fehlen. Eine neue Studie von Forschern der Shanghai University of Engineering Science und der University College Dublin schlägt einen anderen Weg vor. Sie haben eine Methode entwickelt, die das Signal nicht in Stücke schneidet, sondern stattdert lernt, die einzigartige Form des Herzschlags direkt aus der verrauschten Aufzeichnung zu erkennen – sie lehrt einen Computer effektiv, die Stimme des Herzens zu erkennen, selbst wenn sie über einem Publikum aus Muskelrauschen schreit.

Der Ansatz der Forscher basiert auf der Idee, dass das elektrische Signal des Herzens repetitiv und vorhersehbar ist, während das Muskelrauschen zufällig und chaotisch ist. Sie entwickelten ein System, das wie ein hochqualifizierter Zuhörer agiert, einer, der in der Lage ist, das spezifische Muster eines Herzschlags inmitten der Verwirrung zu identifizieren. Anstatt die Daten in feste, vordefinierte Formen zu pressen, erstellt das System ein maßgeschneidertes Wörterbuch von Mustern, indem es das verrauschte Signal selbst studiert. Es sucht nach den kurzen, scharfen Energieausbrüchen, die den Herzschlag ausmachen, bekannt als QRS-Komplexe, und lernt, diese zu isolieren. Was diese neue Methode besonders macht, ist die Art und Weise, wie sie mit den Daten umgeht. Anstatt die gesamte Aufzeichnung auf einmal oder in willkürliche Segmente zu zerlegen, konzentriert sich das System nur auf die winzigen, aktiven Regionen, in denen das Herzsignal existiert. Es ignoriert die weiten Strecken der Stille oder des reinen Rauschens und aktualisiert sein Verständnis des Herzschlagmusters nur dort, wo das Signal tatsächlich vorhanden ist. Diese Strategie ermöglicht es dem Computer, viel schneller zu arbeiten und weit weniger Speicher zu benötigen, was es möglich macht, lange Aufzeichnungen der Herzaktivität zu verarbeiten, ohne stecken zu bleiben.

Um zu testen, ob diese Methode funktionierte, wandten die Forscher sie auf zwei bekannte Sammlungen von Herzaufzeichnungen an: eine, die Standard-Herzrhythmen enthielt, und eine andere, die voller schwerer Muskelinterferenzen war. Sie verglichen ihre neue Technik mit mehreren bestehenden Methoden, einschließlich komplexer mathematischer Dekompositionen und moderner KI-Modelle. Die Ergebnisse zeigten, dass andere Methoden Schwierigkeiten hatten, das Herz vom Rauschen zu unterscheiden, wobei sie oft verzerrte Wellen hinterließen oder künstliche Herzschläge erzeugten, während die neue Methode das Muskelrauschen erfolgreich wegfilterte. Sie stellte das Herzsignal mit bemerkenswerter Klarheit wieder her und bewahrte die scharfen Spitzen und glatten Kurven, die Ärzte für eine Diagnose benötigen. In Tests, bei denen das Muskelrauschen so stark war, dass das Herzsignal fast unsichtbar wurde, gelang es der neuen Methode dennoch, den Herzschlag wiederherzustellen, während andere Ansätze kein nutzbares Bild erzeugen konnten.

Die Studie untersuchte auch, wie diese neue Technik unter verschiedenen Bedingungen abschneidet, wie etwa bei variierenden Längen der Datensegmente oder bei unterschiedlicher Menge an Rauschen. Im Gegensatz zu älteren Methoden, die voraussetzten, dass die Daten in spezifische Längen geschnitten wurden, um korrekt zu funktionieren, erwies sich der neue Ansatz als flexibel und lieferte unabhängig davon genaue Ergebnisse, wie die Daten angeordnet waren. Diese Unabhängigkeit von starrer Datenformatierung ist ein bedeutender Vorteil für reale Anwendungen, bei denen Herzsignale in Geschwindigkeit und Dauer stark variieren können. Darüber hinaus zeigten die Forscher, dass die Methode effizient genug ist, um auf mobilen Geräten zu laufen, was ein entscheidender Schritt für die Zukunft der tragbaren Gesundheitstechnologie ist. Durch die lokale und schnelle Verarbeitung des Signals könnte sie eines Tages Smartwatches oder tragbare Monitore in die Lage versetzen, Herzdaten in Echtzeit zu bereinigen und Nutzern sowie Ärzten unmittelbares und genaues Feedback zu geben.

Über die bloße Bereinigung des Signals hinaus verifizierten die Forscher, dass die wiederhergestellten Herzschläge medizinisch nützlich waren. Sie analysierten spezifische Merkmale des elektrischen Herzzyklus, wie etwa den zeitlichen Abstand zwischen den Schlägen und die Form der Wellen, die auf die Gesundheit des Herzmuskels hindeuten. In Fällen, die spezifische Herzerkrankungen betrafen, wie etwa eine Blockade in den elektrischen Pfaden des Herzens oder einen Herzinfarkt, bewahrte die Methode erfolgreich die subtilen Details, die zur Identifizierung dieser Probleme nötig sind. Die bereinigten Signale ermöglichten präzise Messungen der elektrischen Intervalle des Herzens, welche entscheidend für die Diagnose von Arrhythmien und anderen kardialen Problemen sind. Die Studie legt nahe, dass diese Methode durch das Entfernen des Muskelrauschens ohne Verzerrung der natürlichen Herzform die Zuverlässigkeit der Fernüberwachung der Gesundheit verbessern könnte, indem sie sicherstellt, dass die Daten, die vom Zuhause eines Patienten an das Büro eines Arztes gesendet werden, so klar und genau sind wie eine Aufnahme aus einem Krankenhaus.

Die Arbeit stellt einen Wandel in der Art und Weise dar, wie wir über die Trennung gemischter Signale denken. Anstatt zu versuchen, die Daten in eine Box zu pressen, die einer bereits existierenden Theorie entspricht, lässt diese neue Methode die Daten den Computer lehren, wonach er suchen soll. Indem sie sich nur auf die aktiven Teile des Signals konzentriert und das Herzschlagmuster direkt aus dem Rauschen lernt, erreicht sie eine Klarheit, die bisherige Techniken nicht erreichen konnten. Die Ergebnisse deuten darauf hin, dass dieser Ansatz zu einem Standardwerkzeug für die Verarbeitung von Herzsignalen werden könnte, insbesondere in Umgebungen, in denen Bewegung und Rauschen unvermeidlich sind. Da tragbare Geräte immer häufiger werden und der Bedarf an kontinuierlicher Gesundheitsüberwachung wächst, wird die Fähigkeit, ein sauberes Signal in diagnostischer Qualität aus einem verrauschten, bewegten Körper zu extrahieren, zunehmend lebenswichtig. Diese neue Methode bietet einen Weg, um sicherzustellen, dass die wahre Geschichte des Herzens gehört wird, selbst wenn der Körper um es herum viel Lärm macht.