BLiSS: A Beat-Local, Signal-Quality-Informed Kalman Smoother for ECG Denoising under Non-Stationary Muscle Artifact, with Ectopic-Beat Reconstruction Assessment
该论文提出了 BLiSS，一种基于节拍局部且受信号质量启发的卡尔曼平滑器，它在处理非平稳肌电伪影下的心电信号去噪方面优于现有方法，并能有效保留异位搏动的形态，尽管在全波形和 P 波保留方面仍存在一些局限性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
人类的心脏以一种电信号的形式进行交流，通过身体发送微小的、有节奏的脉冲，医生可以将这些脉冲捕捉在纸条或数字屏幕上。这种被称为心电图（electrocardiogram）的记录，是识别心跳异常（从漏跳到危险的心律失常）的重要工具。然而，这种信号非常脆弱。当一个人移动时，他们的肌肉会产生与心脏自身节奏重叠的电噪声，就像收音机里的静电干扰一样。这种被称为肌肉伪影（muscle artifact）的干扰，会模糊心跳清晰的线条，使得区分正常心跳与危险心跳变得困难。工程师面临的挑战在于，如何在清除这些噪声信号的同时，不会意外地抹平那些他们试图寻找的异常情况，因为那些异常往往是故事中最关键的部分。
一位名叫 Khanh Duy Tran 的研究人员开发了一种新方法来解决这个问题，旨在去除肌肉噪声，同时保持异常心跳的独特形状。这种名为 BLiSS 的方法将每一次心跳都视为一个独立的事件，而不是假设所有的跳动看起来都一样。在标准的清洗方法中，算法通常会根据之前的跳动来猜测当前的跳动应该是什么样子。这对于规律稳定的节奏效果很好，但当心脏漏跳或提前跳动时，这种方法就会失效，因为算法会试图将异常的跳动强行塑造成正常的形状。Tran 的方法通过避免这个陷阱，它会评估每一次独立跳动的原始信号质量，并据此调整清洗强度。它使用了一种数学平滑技术，在单次跳动的时间轴内同时观察“向前”和“向后”的信息，基于该特定时刻存在的实际数据来精炼形状。
为了测试这一想法，研究人员将这种新方法应用于大量经过人工污染、含有不同类型肌肉噪声的心脏记录。这些记录来自一个著名的数据库，包含大约 22 小时的心脏数据，涉及数十名患者，其中许多人具有心律不齐的情况。添加到这些记录中的噪声从持续的嗡嗡声到突然的静电爆发不等，模拟了肌肉干扰真实世界记录时的不可预测性。该新方法与几种现有的其他技术进行了对比，其中包括依赖复杂心脏动力学数学模型的模型，以及其他专注于去除肌肉噪声的技术。目标是观察哪种方法能最大限度地提高信号的清晰度，同时保留异常跳动的真实形状。
结果显示，新方法 BLiSS 在整体信号清洗方面最为有效。在测试的所有不同类型的噪声中，它将心脏信号的清晰度平均提高了 4.44 到 5.38 分贝，这一增益高于其他任何方法。当噪声发生突变时（例如，当一阵肌肉活动中断了安静的记录时），这种提升尤为明显。更重要的是，该方法在保护异常跳动的形状方面表现出色。当研究人员专门观察室性期前收缩（一种可能预示心脏问题的早期、宽大心跳）时，新方法在重建其形状方面的误差最小。它在保留这些异常跳动的高度方面也做得最好，而高度是医生评估病情严重程度的关键细节。
虽然新方法在清洗异常跳动的主要部分方面表现优异，但研究发现它并非在每个领域都完美无缺。另一种使用了不同组合滤波器的法，在保留异常跳动的整个长度以及精准定位特定患者组心脏第一次电波的时机方面，实际上做得稍好一些。这表明没有一种工具是适用于所有情况的完美的，但新方法在最关键的领域——即区分危险跳动的真实形状与周围噪声——提供了显著优势。研究还测试了如果算法尝试利用前一次跳动的信息来预测当前跳动会发生什么（这是其他系统中常见的策略）。结果显示，这样做实际上会让异常跳动的重建效果变差，从而证实了将每次跳动视为独特事件是更好的路径。
研究结论认为，通过关注单次跳动内的信号质量并避免对跳动形状做出假设，可以比以前更有效地去除肌肉噪声。这种方法使得即使在身体移动且信号受到干扰时，也能听到心脏真实的“声音”。尽管该方法仍存在局限性，例如需要在现实环境下的可穿戴设备记录上进行进一步测试，但它代表了在提高心脏监测可靠性方面迈出的重要一步。研究结果表明，清洗这些信号的关键不在于强迫它们符合标准模式，而在于仔细倾听每一次跳动所讲述的独特故事。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。