基于NOA优化的DWT+NLM混合方法在ECG信号去噪中的创新应用

本研究针对传统DWT+NLM方法在ECG信号去噪中存在的模态混叠、阈值失真等问题，提出了一种基于Nutcracker优化算法(NOA)的混合框架。通过动态优化小波分解层数、基函数和NLM参数，结合改进的Sigmoid阈值函数，在Physionet数据集上实现了最高2.42 dB的SNR提升（AWGN噪声）和平均3.12 dB的实时噪声抑制（BW/MA/EM噪声），为心血管疾病诊断提供了更精准的ECG分析工具。

　　

心血管疾病是全球首要死因，而心电图(ECG)作为诊断"金标准"，其信号质量常受基线漂移(BW)、肌电干扰(MA)等噪声影响。传统离散小波变换(DWT)与非局部均值(NLM)的混合方法虽能兼顾高低频噪声处理，但存在模态混叠、块效应和阈值失真三大瓶颈，严重制约R波振幅测量和ST段分析的准确性。

为解决这一难题，集美大学海洋信息工程学院的研究团队创新性地引入自然界胡桃夹子鸟觅食行为启发的Nutcracker优化算法(NOA)，构建了动态参数优化的DWT+NLM框架。该成果发表于《Scientific Reports》，通过NOA的全局搜索与局部开发机制，实现了小波分解层数(1-5层)、基函数(如Daubechies、Symlet)和NLM参数(带宽λ=3.8±0.5)的协同优化，并设计Sigmoid调谐阈值函数消除恒定偏差。研究采用MIT-BIH等4个ECG数据库的107、109等6组信号，对比PSO+WT等5种现有方法，在5 dB输入信噪比条件下，计算耗时43.86秒但SNR达15.51 dB。

关键技术包括：1) NOA驱动的DWT参数优化，通过Foraging-Storage和Cache-Recovery双阶段机制调整分解策略；2) 改进NLM算法，采用21±3的块尺寸和自适应高斯加权(Eq.9-11)；3) 融合Sigmoid阈值函数(Eq.12)抑制伪吉布斯现象。

Denoising performance on ECG signals with AWG noise
在-10~20 dB宽范围加性高斯白噪声(AWGN)测试中，该方法输出SNR达7.34-15.90 dB，较次优方法最高提升2.42 dB，RMSE降低27.8%。其中cu11信号在5 dB噪声下SNR提升12.84 dB，验证了NOA优化阈值规则(如Rigsure)的有效性。

Denoising performance on ECG signals with real-world noise
对BW噪声，通过3层小波分解优化，cu11信号SNR提升4.10 dB，P/T波保留完整；对MA噪声，自适应带宽控制使s0016lrem信号RMSE降至0.1770，较NLM降低25.6%；对EM噪声，动态搜索窗口(201±15)避免ST段失真，cu07信号SNR达3.25 dB。

Visual comparison

图示去噪波形(蓝色)与干净信号(红色)近乎重合，尤其在QRS波群和ST段等关键特征处优于其他方法。

该研究突破性地解决了传统方法参数固化的局限，通过NOA实现DWT与NLM的深度协同。虽然计算成本增加1.8倍，但SNR提升19.4%，为可穿戴ECG设备提供了更可靠的去噪方案。未来工作将聚焦FPGA硬件加速和心律失常智能诊断模块集成，推动心血管疾病早筛技术发展。