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

Het menselijk hart klopt met een ritme waar artsen al lang op vertrouwen om de gezondheid te peilen, een gestage elektrische puls die wordt vastgelegd op een strook papier of een digitaal scherm. Deze opname, bekend als een elektrocardiogram, of ECG, brengt de elektrische activiteit van het hart in kaart over een bepaalde tijd, waarbij duidelijke golven worden onthuld die overeenkomen met de contractie en ontspanning van het orgaan. Het vastleggen van dit signaal verloopt echter zelden als een schoon proces. Het lichaam is een luidruchtige omgeving, en de minuscule elektrische stromen die door het hart worden gegenereerd, worden gemakkelijk overstemd door de veel grotere, chaotische elektrische signalen die door skeletspieren worden geproduceerd. Wanneer een persoon beweegt, rilt of simpelweg zijn spieren aanspant, lekken deze spiersignalen, genaamd elektromyogrammen, of EMG, door in de hartopname. Omdat de frequenties van spierruis en hartsignalen aanzienlijk overlappen, verwijdert het simpelweg wegfilteren van de ruis vaak ook het hartsignaal, waardoor artsen achterblijven met een vertekend beeld dat levensbedreigende condities kan verbergen of valse alarmen kan veroorzaken.

Decennialang hebben onderzoekers gezocht naar een manier om de gestage hartslag te scheiden van het willekeurige gekletter van de spieren zonder de delicate details van de vorm van het hart te verliezen. Traditionele methoden vertrouwen er vaak op om het signaal in kleine, hanteerbare stukjes te snijden voor analyse, maar deze aanpak kan per ongeluk de zeer belangrijke kenmerken die artsen moeten zien, doormidden hakken, waardoor er kunstmatige pieken ontstaan of echte verdwijnen. Een nieuwe studie door onderzoekers van de Shanghai University of Engineering Science en University College Dublin stelt een ander pad voor. Zij hebben een methode ontwikkend die het signaal niet in stukjes snijdt, maar in plaats daarvan de unieke vorm van de hartslag direct uit de ruisige opname leert herkennen, waardoor de computer effectief leert de stem van het hart te herkennen, zelfs wanneer deze boven een menigte aan spierruis uit schreeuwt.

De aanpak van de onderzoekers is gebouwd op het idee dat het elektrische signaal van het hart repetitief en voorspelbaar is, terwijl spierruis willekeurig en chaotisch is. Ze creëerden een systeem dat werkt als een zeer bekwame luisteraar, één die het specifieke patroon van een hartslag kan identificeren te midden van de verwarring. In plaats van de gegevens in vaste, vooraf gedefinieerde vormen te dwingen, bouwt het systeem een op maat gemaakte bibliotheek van patronen door de ruisige opname zelf te bestuderen. Het zoekt naar de korte, scherpe energiebursts die de hartslag vormen, bekend als QRS-complexen, en leert deze te isoleren. Wat deze nieuwe methode onderscheidt, is hoe deze met de gegevens omgaat. In plaats van de volledige opname in één keer te verwerken of in willekeurige segmenten te hakken, richt het systeem zich alleen op de minuscule, actieve regio's waar het hartsignaal aanwezig is. Het negeert de uitgestrekte periodes van stilte of pure ruis en werkt het begrip van het hartslagpatroon alleen bij waar het signaal daadwerkelijk aanwezig is. Deze strategie zorgt ervoor dat de computer veel sneller werkt en veel minder geheugen gebruikt, wat het mogelijk maakt om lange opnames van hartactiviteit te verwerken zonder erdoor te worden vertraagd.

Om te testen of deze methode werkte, pasten de onderzoekers deze toe op twee bekende collecties hartopnames: één met standaard hartritmes en een andere vol met ernstige spierinterferentie. Ze vergeleken hun nieuwe techniek met verschillende bestaande methoden, waaronder complexe wiskundige decomposities en moderne kunstmatige intelligentiemodellen. De resultaten toonden aan dat, terwijl andere methoden moeite hadden om het hart van de ruis te onderscheiden en vaak vertekende golven achterlieten of valse hartslagen creëerden, de nieuwe methode erin slaagde de spierinterferentie weg te strippen. Het herstelde het hartsignaal met opmerkelijke helderheid en behield de scherpe pieken en vloeiende curven die artsen nodig hebben voor een diagnose. In tests waarbij de spierruis zo sterk was dat het hartsignaal bijna onzichtbaar was, slaagde de nieuwe methode er nog steeds in de hartslag te herstellen, terwijl andere benaderingen er niet in slaagden een bruikbaar beeld te produceren.

De studie onderzocht ook hoe deze nieuwe techniek presteert onder verschillende omstandigheden, zoals het variëren van de lengte van de gegevenssegmenten of het veranderen van de hoeveelheid ruis. In tegen tegenstelling tot oudere methoden die vereisten dat de gegevens in specifieke lengtes werden gesneden om correct te werken, bleek de nieuwe aanpak flexibel en leverde nauwkeurige resultaten ongeacht hoe de gegevens waren gerangschikt. Deze onafhankelijkheid van rigide gegevensformattering is een aanzienlijk voordeel voor real-world toepassingen, waarbij hartsignalen sterk kunnen variëren in snelheid en duur. Bovendien toonden de onderzoekers aan dat de methode efficiënt genoeg is om op mobiele apparaten te draaien, een cruciale stap voor de toekomst van draagbare gezondheidstechnologie. Door het signaal lokaal en snel te verwerken, zou het op een dag smartwatches of draagbare monitors in staat kunnen stellen om hartgegevens in realtime op te schonen, wat directe en nauwkeurige feedback geeft aan gebruikers en artsen.

Naast het enkel opschonen van het signaal, verifieerden de onderzoekers dat de herstelde hartslagen medisch bruikbaar waren. Ze analyseerden specifieke kenmerken van de elektrische cyclus van het hart, zoals de timing tussen de slagen en de vorm van de golven die de gezondheid van de hartspier aangeven. In gevallen die te maken hadden met specifieke hartcondities, zoals een blokkade in de elektrische paden van het hart of een hartaanval, behield de methode succesvol de subtiele details die nodig zijn om deze problemen te identificeren. De schoongemaakte signalen maakten nauwkeurige metingen van de elektrische intervallen van het hart mogelijk, die cruciaal zijn voor het diagnosticeren van aritmieën en andere cardiale problemen. De studie suggereert dat door de spierruis te verwijderen zonder de natuurlijke vorm van het hart te verstoren, deze methode de betrouwbaarheid van monitoring op afstand kan verbeteren, waardoor wordt gewaarborgd dat de gegevens die van de woning van een patiënt naar de spreekkamer van een arts worden verzonden, net zo duidelijk en nauwkeurig zijn als een opname die in een ziekenhuis is gemaakt.

Het werk vertegenwoordigt een verschuiving in hoe we denken over het scheiden van gemengde signalen. In plaats van te proberen de gegevens in een doos te dwingen die past bij een vooraf bestaande theorie, laat de nieuwe methode de gegevens de computer leren waar hij naar moet kijken. Door zich alleen op de actieve delen van het signaal te richten en het hartslagpatroon direct uit de ruis te leren, bereikt het een niveau van helderheid dat eerdere technieken niet konden evenaren. De bevindingen suggereren dat deze aanpak een standaardinstrument kan worden voor het verwerken van hartsignalen, met name in omgevingen waar beweging en ruis onvermijdelijk zijn. Naarmate draagbare apparaten gebruikelijker worden en de vraag naar continue gezondheidsmonitoring groeit, zal het vermogen om een schoon, diagnostisch kwalitatief hartsignaal te extraheren uit een ruisend, bewegend lichaam steeds belangrijker worden. Deze nieuwe methode biedt een manier om ervoor te zorgen dat het ware verhaal van het hart wordt gehoord, zelfs wanneer het lichaam eromheen veel lawaai maakt.