使用变分自编码器减少心室电信号中多种噪声源的影响

《Expert Systems with Applications》：Reducing Diverse Sources of Noise in Ventricular Electrical Signals Using Variational Autoencoders

本文提出了一种基于变分自编码器（β-VAE）的心脏电生理信号去噪方法，用于解决传统滤波技术无法有效处理的多样化噪声问题。研究在包含5706个心室MAP信号的数据集上，通过构建包含功率线噪声、基线漂移、尖峰伪影和临床EP噪声的噪声库，验证了β-VAE在非平稳噪声条件下的鲁棒性。实验表明，β-VAE在峰值信噪比（PSNR）、相关系数（PCC）和均方根误差（RMSE）等指标上显著优于传统Butterworth滤波器，同时保持了APD等临床关键特征的完整性，为实时临床应用提供了新的工具。

　　在现代医学领域，电生理（EP）信号的噪声抑制是心脏病诊断、定位和消融治疗中不可或缺的一环。这些信号往往受到多种来源的干扰，传统的处理方法难以有效应对。为了提升信号的清晰度和诊断的准确性，本研究提出了一种基于变分自编码器（VAE）的噪声去除方法，旨在通过构建强大的内部表示，自动消除临床记录中的各种噪声。

### 1. 临床背景与挑战

心律失常，尤其是室性心律失常（VT），是突发性心脏死亡的主要原因之一，每年在美国影响超过30万人。治疗VT的一种重要方法是导管消融术，该方法的成功依赖于对心脏内部电信号的准确解读。其中，单相动作电位（MAP）信号在研究和临床中都具有重要意义，因为它们反映了细胞膜电位的特性，且具有可测量的形态学特征。然而，MAP信号常被各种噪声干扰，包括电源线干扰、基线漂移、尖峰伪影和信号截断等。这些噪声来源多样且非平稳，使得传统的滤波方法难以在不破坏关键生理特征的情况下有效去除噪声。例如，基于模板匹配的方法需要大量的信号库，而心跳平均方法则不适合单次心跳的分析，且可能掩盖关键的心跳间差异。此外，小波变换等方法虽然具有适应性，但其选择的小波非通用，计算成本高，且在不同心脏形态中的泛化能力有限。

### 2. 研究目标与方法

本研究的目标是开发一种基于β-VAE模型的噪声去除方法，以应对临床记录中多样化的噪声类型。为了实现这一目标，研究团队从42名患有缺血性心肌病且有突发性心脏死亡风险的患者中收集了5706个MAP信号，并设计了一个噪声库，其中包括合成的和实际提取的噪声类型。这些噪声类型涵盖了电磁干扰、临床环境噪声、临床伪影和实际EP噪声等。通过比较不同噪声去除方法的效果，研究团队希望验证β-VAE模型在噪声去除方面的优势，特别是在保持关键生理特征方面的能力。

### 3. β-VAE模型的构建与训练

β-VAE是一种生成模型，它通过学习数据的概率分布，将数据映射到潜在空间。该模型的目标是最大化边缘似然，即模型对观察数据的解释能力。为了实现这一目标，β-VAE通过分解Kullback-Leibler（KL）散度和期望对数似然来优化模型。在训练过程中，研究团队采用了特定的参数设置，包括学习率、批次大小、噪声类型和损失函数等。通过调整这些参数，模型能够在不同噪声条件下保持信号的完整性，同时有效去除噪声。

### 4. 评估方法与结果

为了评估β-VAE模型的性能，研究团队采用了多种指标，包括信号形态保持度、时间序列一致性、信号质量提升和临床信息保留度。具体而言，研究团队使用了Pearson相关系数（PCC）、均方根误差（RMSE）、峰值信噪比（PSNR）、信号-噪声比（SNR）、Spearman秩相关系数（SRC）和归一化平均绝对误差（NMAE）等指标。结果显示，β-VAE模型在所有评估指标中均优于当前最先进的滤波方法，特别是在保持关键生理特征方面表现突出。

此外，研究团队还进行了敏感性分析，以验证β-VAE模型在不同噪声水平下的鲁棒性。结果显示，该模型在处理非平稳噪声（如截断伪影和EP噪声）时仍能保持良好的性能，表明其在复杂噪声环境下的适应能力。

### 5. 临床意义与应用前景

本研究的结果表明，β-VAE模型在去除噪声的同时，能够有效保留MAP信号中的关键生理特征，如动作电位持续时间（APD）等。这些特征对于评估药物效果、治疗策略和预测心律失常风险具有重要意义。通过构建一个包含真实噪声的噪声库，研究团队进一步提升了模型的泛化能力，使其能够更好地适应临床环境中的实际噪声情况。

β-VAE模型的应用还验证了其在临床实践中对MAP信号的处理能力。通过将模型应用于实际的MAP信号，研究团队发现，该模型能够重建出具有临床意义的特征，这为实时诊断、治疗跟踪和预后评估提供了新的工具。此外，该模型在保持信号形态的同时，能够有效去除噪声，为临床医生提供了更清晰的信号以进行准确的分析和判断。

### 6. 未来展望与改进方向

尽管β-VAE模型在噪声去除方面表现出色，但仍有进一步改进的空间。首先，模型的泛化能力需要在更多临床数据中进行验证，以确保其在不同患者群体和不同心脏状况下的适用性。其次，模型的可解释性是一个重要的研究方向，未来可以通过可视化潜在空间的特征，进一步理解模型如何学习和保留关键生理信息。此外，研究团队还建议在实际临床应用中，结合其他数据源和方法，如信号处理技术和其他深度学习模型，以提高噪声去除的效率和准确性。

本研究不仅提升了传统信号处理方法的性能，还为心脏病患者的实时诊断和治疗提供了新的思路和技术支持。通过β-VAE模型的应用，临床医生能够更准确地解读MAP信号，从而提高治疗效果和患者预后。未来，随着更多临床数据的积累和模型的不断优化，β-VAE有望成为心电生理信号处理中的重要工具，为心脏病患者提供更精准的诊断和治疗方案。