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

人类的心脏以一种医生长期以来依靠来评估健康的节奏跳动，这是一种捕捉在纸条或数字屏幕上的稳定电脉冲。这种被称为心电图（ECG）的记录，描绘了心脏电活动随时间的变化，揭示了与器官收缩和舒张相对应的独特波形。然而，捕捉这种信号很少是一个纯净的过程。人体是一个充满噪声的环境，心脏产生的微弱电流很容易被骨骼肌产生的更大、更混乱的电信号所淹没。当一个人移动、颤抖或仅仅是绷紧肌肉时，这些被称为肌电图（EMG）的肌肉信号就会渗入心脏记录中。由于肌肉噪声和心脏信号的频率显著重叠，简单的滤波往往会在滤除噪声的同时也将心脏信号一并滤掉，导致医生面对的是一个扭曲的图像，从而可能掩盖致命的疾病或产生虚假警报。

几十年来，研究人员一直试图寻找一种方法，能够在不丢失心脏形态精细细节的情况下，将心脏稳定的跳动从肌肉随机的嘈р杂声中分离出来。传统方法通常依赖于将信号切割成小的、易于处理的片段进行分析，但这种方法可能会意外地切断医生需要观察的关键特征，从而产生人工伪影或遗漏真实的特征。来自上海工程技术大学和都柏林大学学院的研究人员提出了一种不同的路径。他们开发出一种方法，该方法并不将信号切碎，而是直接从嘈杂的记录中学习心脏跳动的独特形状，有效地教会计算机即使在心脏信号向肌肉噪声人群“大声叫喊”时也能识别出心脏的声音。

研究人员的方法建立在这样一个理念之上：心脏的电信号是重复且可预测的，而肌肉噪声是随机且混乱的。他们创建了一个系统，其作用像是一个高水平的倾听者，能够从混乱中识别出特定心跳的模式。该系统并非强行将数据放入固定的、预定义的形状中，而是通过研究嘈杂的信号本身来构建一个定制的模式词典。它寻找构成心跳的短促、尖锐的能量爆发，即QRS波群，并学习如何将其隔离。这种新方法的独特之处在于它处理数据的方式。它并不处理整个记录或将其切分为任意段落，而是专注于存在心脏信号的微小活跃区域。它忽略了大量的沉默或纯噪声区域，仅在信号实际存在的地方更新对心跳模式的理解。这种策略使计算机运行速度更快且占用内存更少，使得处理长时间的心脏活动记录而不至于陷入停滞成为可能。

为了测试这种方法是否有效，研究人员将其应用于两个著名的心脏记录集：一个包含标准心律，另一个充满了严重的肌肉干扰。他们将这种新技术与几种现有方法进行了对比，包括复杂的数学分解和现代人工智能模型。结果显示，虽然其他方法在区分心脏与噪声方面表现挣扎，经常留下扭曲的波形或产生虚假的心跳，但这种新方法成功地剥离了肌肉干扰。它恢复了具有显著清晰度的心脏信号，保留了医生进行诊断所需的尖锐峰值和光滑曲线。在肌肉噪声强到心脏信号几乎不可见的测试中，新方法仍然能够恢复心跳，而其他方法则无法产生可用的图像。

研究还检查了这种新技术在不同条件下的表现，例如改变数据段的长度或改变噪声的大小。与其他需要将数据切割成特定长度才能正常工作的旧方法不同，这种新方法表现出了灵活性，无论数据如何排列都能提供准确的结果。这种对固定数据格式的独立性对于现实世界的应用具有重要意义，因为在现实中，心脏信号的速度和持续时间差异极大。此外，研究人员证明了该方法的高效性，足以在移动设备上运行，这是未来可穿戴健康技术的一个关键步骤。通过在本地快速处理信号，它未来可以让智能手表或便携式监测仪实时清理心脏数据，为用户和医生提供即时且准确的反馈。

除了清理信号之外，研究人员还验证了恢复后的心跳是否具有医学用途。他们分析了心脏电循环的特定特征，例如两次跳动之间的时间间隔以及指示心肌健康的波形形状。在涉及特定心脏状况（如心脏电传导阻滞或心肌梗死）的情况下，该方法成功保留了识别这些问题所需的细微细节。清理后的信号可以实现对心脏电间隔的精确测量，而这些间隔对于诊断心律失常和其他心脏问题至关重要。研究表明，通过在不扭曲心脏自然形状的情况下去除肌肉噪声，这种方法可以提高远程健康监测的可靠性，确保从患者家中传输到医生办公室的数据与在医院采集的记录一样清晰准确。

这项工作代表了我们对分离混合信号方式的转变。与其尝试将数据强行塞进一个符合预设理论的框子里，不如让数据本身教计算机去寻找目标。通过仅关注信号的活跃部分并直接从噪声中学习心跳模式，它实现了以往技术无法达到的清晰度。研究结果表明，这种方法可以成为处理心脏信号的标准工具，特别是在运动和噪声无法避免的环境中。随着可穿戴设备变得越来越普遍以及对持续健康监测的需求日益增长，从嘈杂且运动的身体中提取出干净的、具有诊断质量的心脏信号的能力将变得愈发至关重要。这种新方法提供了一种确保即便在身体周围制造大量噪音时，也能听到心脏真实故事的方式。