基于条件生成对抗网络的高综合性能心电信号降噪架构研究

为解决心电信号(ECG)噪声干扰影响心脏疾病诊断准确性的问题，研究人员提出了一种基于双向长短期记忆自动编码器(BiLSTMAE)和条件生成对抗网络(CGAN)的改进架构。该研究通过优化样本长度(2048样本/5.69秒)使降噪后信号平均信噪比(SNR)达50dB以上，计算量显著低于传统CAE-CGAN方法，并在MIT-BIH和CinC2017数据库验证了其对新型导联和混合噪声(基线漂移BW、肌电噪声EM、运动伪影MA等)的普适性。

　　

心脏疾病诊断领域长期面临一个棘手难题：穿戴式心电设备采集的信号总被各种噪声"污染"。就像试图在暴雨中听清钟表走时，基线漂移(BW)会让心电图上下浮动，肌电干扰(EM)可能伪装成异常心跳，运动伪影(MA)更会扭曲关键波形特征。传统滤波方法对这些"频谱重叠型噪声"束手无策，而现有深度学习方法如CAE-CGAN虽有效但计算成本高达1GFlops/样本，难以在便携设备部署。

山东大学（根据资助项目Natural Science Foundation of Shandong Province推断）的研究团队在《Biomedical Signal Processing and Control》发表的研究中，创新性地将双向长短期记忆网络(BiLSTM)与条件生成对抗网络(CGAN)结合。他们发现心电信号的非平稳准周期性特征如同"加密的生物指纹"，而BiLSTM的双向时间建模能力可精准分离噪声与真实信号。通过构建BiLSTMAE-CGAN架构并优化关键参数，最终实现计算量降低50%的同时，将混合噪声下的信噪比提升至50dB以上。

关键技术包括：1)采用BiLSTM自动编码器提取ECG时序特征；2)设计含BiLSTM模块的判别器进行对抗训练；3)提出SNR-CA(信噪比-计算量比)和SNR-CT(信噪比-计算时间比)综合评价指标；4)在MIT-BIH和CinC2017数据库验证跨数据集适用性。

【The principle of ECG signal denoising based on CGAN】

研究团队将CGAN的生成器替换为BiLSTMAE，其前向-后向LSTM层可同步分析ECG信号的"历史"与"未来"状态，相比CAE的卷积操作更适配心电信号的准周期性。判别器同样引入BiLSTM模块增强时序判别能力。

【The BiLSTMAE-CGAN structure optimization experiment】

通过控制变量实验发现，当样本长度(SL)为2048样本(5.69秒)时达到性能拐点：该长度覆盖5-7个完整心搏周期，既保证时序特征完整性，又避免过长序列导致的梯度消失。在-5dB至5dB输入信噪比条件下，输出SNR提升幅度达45-55dB。

【The influence of sample length】

对比512/1024/2048/4096四种SL发现，过短样本无法捕捉完整P-QRS-T波形关系，而过长样本会增加30%冗余计算。2048样本方案在PLI噪声去除中表现尤为突出，QRS波群保真度提升22%。

【Conclusion】

该研究证实BiLSTMAE-CGAN在三个维度实现突破：1)计算效率比CAE-CGAN提升2.3倍；2)对EM噪声的消除效果使心律失常诊断准确率提高18%；3)跨数据库测试表明其无需重新训练即可适应不同采集设备信号。这些发现为穿戴式心电设备的实时降噪提供了可落地的解决方案，尤其对突发性心律失常的早期预警具有重要临床价值。