编辑推荐：
ECG 易受噪声和基线漂移影响，传统方法难兼顾特征保留与去噪，先进方法计算成本高。研究人员提出结合条件框架与质量分配剪枝（QAP）的改进去噪扩散概率模型（IDPM）。实验表明其去噪性能优于传统及先进模型，且适合低资源设备，为生物医学信号应用提供新方向。
心脏是人体的 “发动机”，其电活动的精确记录对疾病诊断至关重要。心电图（ECG）作为监测心脏电活动的核心手段，能为心律失常、心肌缺血等多种心血管疾病的诊断提供关键依据。然而，在实际应用中，ECG 信号常受到基线漂移、运动伪影、工频干扰等噪声的严重干扰，导致波形失真，影响临床诊断的准确性。传统的去噪方法如数字滤波、经验模态分解等，难以在去除噪声的同时完整保留 ECG 信号的细微特征；而基于深度学习的数据驱动方法，如深度循环去噪神经网络（DRNN）、条件生成对抗网络（CGAN）等，虽在一定程度上提升了去噪效果，但面对强噪声污染的信号时性能下降明显，且部分模型计算成本高昂，难以适配临床低资源设备的实时处理需求。因此，开发一种兼具高效去噪能力与低计算负担的 ECG 信号处理方法，成为当前心血管领域和生物医学工程的重要研究课题。
为解决上述难题，来自相关研究机构的研究人员开展了针对 ECG 信号去噪的创新研究。他们提出了一种基于改进去噪扩散概率模型（IDPM）的新型去噪方案，并将条件框架与质量分配剪枝技术（QAP）相结合，旨在提升去噪精度的同时降低模型计算成本。这项研究成果发表在《Computers in Biology and Medicine》上，为 ECG 信号处理领域带来了新的突破。
研究人员主要采用了以下关键技术方法：首先构建了适配 ECG 一维信号的改进扩散模型（IDPM），该模型引入条件残差块，结合组归一化（Group Normalization）和 Swish 激活函数，以增强对 ECG 信号关键特征的捕捉能力；其次，首次将质量分配剪枝技术（QAP）应用于 ECG 去噪场景，通过去除冗余滤波器，在不显著影响去噪性能的前提下缩减模型规模和计算量。研究使用了 QT 数据库和 MIT-BIH 噪声压力数据库进行模型训练与评估，涵盖了不同噪声水平的 ECG 信号样本。
实验结果与分析
基准性能对比
研究将所提模型与 FIR/IIR 滤波器、DRNN、FCN-DAE、CGAN、DeepFilter、DeScoD-ECG 等多种基线方法进行对比。结果表明，在不同噪声强度下，IDPM+QAP 模型均能更有效地抑制基线漂移和各类噪声干扰，保留 P 波、QRS 波群、T 波等关键波形特征，尤其在极端噪声条件下，其去噪后的信号信噪比（SNR）和均方根误差（RMSE）等指标显著优于传统及现有先进方法，证明了模型在复杂噪声环境中的鲁棒性。
模型效率评估
在计算效率方面，质量分配剪枝技术的应用使模型参数数量和推理耗时显著降低。与 DeScoD-ECG 等计算密集型模型相比，IDPM+QAP 模型的浮点运算量（FLOPs）减少约 40%，而峰值信噪比（PSNR）提升约 5-8dB，实现了计算成本与去噪性能的优化平衡，满足实时处理和低功耗设备的应用需求。
临床适用性验证
通过对真实临床噪声污染的 ECG 信号进行处理，模型能够准确恢复信号基线，清晰呈现各波段形态，为医生提供更可靠的诊断依据。实验结果显示，其去噪后的信号在特征点检测（如 R 波峰值定位）的准确率超过 98%，显著高于传统滤波方法（约 92%），表明该模型在实际临床场景中具有重要应用价值。
结论与讨论
本研究提出的基于条件扩散模型与质量分配剪枝的 ECG 去噪方法，首次将扩散模型直接应用于一维 ECG 信号处理，突破了传统方法对信号变换的依赖。通过条件残差块的设计，模型能够针对性地增强 ECG 信号的关键临床特征，而质量分配剪枝技术则通过结构优化实现了轻量化。实验验证了该方法在去噪性能和计算效率上的双重优势，为动态心电图监测、运动负荷试验等强噪声场景提供了可靠的解决方案。
该研究不仅为 ECG 信号处理领域树立了新的性能标杆，其提出的轻量化扩散模型架构和剪枝策略还可扩展至肌电图（EMG）、脑电图（EEG）等其他生物医学信号处理场景，为低成本医疗设备的普及和远程健康监测技术的发展奠定了基础。未来研究可进一步探索模型在多模态生物信号融合、实时硬件部署等方面的应用潜力，推动人工智能与精准医疗的深度结合。
