基于UFIR迭代平滑算法的ECG信号谱特征提取及分类研究

本研究针对ECG信号噪声干扰和分类精度不足的问题，提出采用无偏有限脉冲响应(UFIR)平滑算法进行降噪和时频域特征提取，结合短时傅里叶变换(STFT)和ANOVA统计分析，最终通过优化神经网络实现93.39%的准确率。该成果为心血管疾病的无创诊断提供了新方法。

　　

心血管疾病是全球死亡的主要原因，而心电图(ECG)作为非侵入性诊断工具，其信号质量常受肌肉噪声、呼吸干扰等因素影响。传统滤波方法如切比雪夫滤波器存在相位失真，小波变换(WT)需复杂参数调整，深度学习则面临计算资源消耗大的问题。针对这些挑战，研究人员开发了基于无偏有限脉冲响应(UFIR)平滑算法的新型处理框架。

研究团队采用UFIR平滑器对ECG信号进行降噪处理，通过状态空间模型和泰勒级数展开提取信号特征。实验使用包含心律失常、充血性心力衰竭和正常窦性心律的数据库，结合短时傅里叶变换(STFT)分析时频域特征，并运用方差分析(ANOVA)和Kruskal-Wallis检验筛选显著特征。最终通过优化神经网络分类器实现性能评估。

RMSE估计评估
通过100次仿真实验对比UFIR与卡尔曼滤波(KF)、小波变换的降噪效果，UFIR在信噪比5-25dB范围内均表现出最低均方根误差(RMSE)，验证其稳定性。

讨论
研究发现窗口大小W=10、平滑区间N=11/21时，谱峰度特征能有效区分病理状态。UFIR平滑后的信号状态显著提升了机器学习模型的判别能力，F1-score达0.96，Cohen's kappa系数κ=0.90表明高度一致性。

结论
该研究证实UFIR平滑器在ECG处理中的双重优势：既能有效抑制噪声(RMSE降低23.7%)，其生成的状态向量又为分类提供了高区分度特征。通过特征工程和主成分分析(PCA)进一步优化后，模型准确率提升至93.39%，为心血管疾病的早期筛查提供了自动化解决方案。论文发表于《Biomedical Signal Processing and Control》，为生物医学信号处理领域提供了新的方法论参考。