DCPA-SNN，直接编码物理感知脉冲神经网络：动态噪声条件下可穿戴ECG去噪框架

《Sensors》：DCPA-SNN, Direct-Coding-Physics-Aware Spiking Neural Network: A Framework for Wearable ECG Denoising Under Dynamic-Noise Conditions

　　

智能可穿戴心电图（ECG）监测可实现临床环境之外的连续心脏评估，但ECG信号常因基线漂移、肌肉伪影和电极运动伪影而退化。目前，具有低计算复杂度的纯端到端脉冲神经网络（SNN）在ECG噪声抑制中鲜有探索，尤其是在动态条件下。为填补这一空白，研究人员提出了直接编码物理感知脉冲神经网络（DCPA-SNN）用于可穿戴ECG去噪。该方法集成了直接编码SNN、通道注意力、残差噪声学习和物理感知多域损失函数，以保留诊断重要的波形结构。来自MIT-BIH心律失常数据库的干净ECG信号和MIT-BIH噪声压力测试数据库的真实噪声片段被用于构建单噪声和混合噪声评估场景，输入信噪比（SNR）范围为-6 dB至4 dB，以反映可穿戴设备的噪声特性。实验结果表明，DCPA-SNN在不同噪声条件下均实现了稳健的去噪性能。在作为本研究主要评估设置的混合噪声场景中，平均去噪后SNR达到5.80 dB，平均SNR改善为6.80 dB，同时R峰检测率从90.71%提升至95.72%。这些结果表明，所提出的DCPA-SNN模型为可穿戴ECG去噪提供了一种有前景的方法，并具有低功耗部署的潜力。

**研究背景与问题**
心血管疾病（CVD）已成为全球主要死亡原因之一，智能可穿戴心电图（ECG）监测技术虽可实现长期连续心脏评估，但在动态噪声条件下，ECG信号常受基线漂移（BW）、肌肉伪影（MA）和电极运动伪影（EM）的严重退化。现有去噪方法中，传统信号处理方法（如小波阈值、经验模态分解EMD）在低信噪比（SNR）下易失真，而深度学习方法（如卷积神经网络CNN、Transformer）虽性能优越，但计算复杂度高，难以部署于资源受限的可穿戴设备。脉冲神经网络（SNN）因事件驱动计算和低功耗特性具有潜力，但纯端到端SNN在ECG噪声抑制中尚未被充分探索。为此，研究人员提出直接编码物理感知脉冲神经网络（DCPA-SNN），旨在解决动态噪声下的可穿戴ECG去噪问题，并保持低功耗部署潜力。该论文发表在《Sensors》上。

**主要技术方法**
（不超过250字）
研究人员采用以下关键方法：1）直接编码策略：将连续ECG信号直接编码为SNN输入，无需额外转换；2）通道注意力机制：在SNN自编码器瓶颈层动态学习特征通道权重，增强有效波形特征；3）残差噪声学习：采用U-Net启发式编码器-解码器结构，估计噪声分量并通过残差减法恢复干净信号；4）物理感知多域损失函数：结合临床加权重建损失、感知损失、频率域一致性损失、QRS斜率损失、R峰幅度损失、差分平滑损失和总变差损失，约束网络保留诊断关键波形（如QRS波群、ST段、P波）。数据来源：使用MIT-BIH心律失常数据库（44个非起搏记录）的干净ECG信号和MIT-BIH噪声压力测试数据库的真实噪声片段，构建单噪声和混合噪声评估场景，输入SNR范围为-6 dB至4 dB。

**研究结果**
（保留每个小标题）

**4.1 消融实验**
通过移除通道注意力、残差学习和物理感知损失，分别评估各组件贡献。结果表明，通道注意力主要提升全局噪声抑制和重建稳定性，平均SNR改善从6.80 dB降至4.44 dB；残差学习是最关键组件，移除后SNR改善为负值；物理感知损失对局部临床形态保留贡献显著，移除后SNR改善降至5.63 dB，R峰检测率从95.72%降至92.13%。

**4.2 损失加权系数敏感性分析**
通过调整R峰幅度保留权重（α_R）和QRS斜率保留权重（α_QRS），发现模型对系数变化相对稳健，最优配置（α_R=3.0，α_QRS=2.0）实现去噪性能与临床特征保留的最佳平衡。

**4.3 单噪声条件下去噪性能**
- **肌肉伪影（MA）噪声**：平均去噪后SNR为5.78 dB，平均SNR改善6.78 dB，平均R峰检测率98.90%。低SNR范围（-6 dB至-1 dB）平均SNR改善达8.94 dB，高SNR范围（0 dB至4 dB）平均SNR改善4.20 dB，R峰检测率100%。
- **电极运动伪影（EM）噪声**：平均SNR改善6.67 dB，平均R峰检测率96.72%。低SNR范围平均SNR改善8.84 dB，高SNR范围改善幅度减小至4.26 dB。
- **基线漂移（BW）噪声**：平均去噪后SNR为4.04 dB，平均SNR改善5.04 dB，平均R峰检测率96.87%。由于BW与低频成分重叠，改善幅度低于MA和EM，但R峰检测率仍保持93%以上。

**4.4 混合噪声条件下性能**
在混合噪声场景中，DCPA-SNN平均去噪后SNR为5.80 dB，平均SNR改善6.80 dB，R峰检测率从90.71%提升至95.72%。低SNR范围（-6 dB至-1 dB）平均SNR改善8.82 dB，R峰检测率提升7.53个百分点；高SNR范围（0 dB至4 dB）平均SNR改善4.38 dB，R峰检测率提升至98.34%。QRS和ST/P区域SNR改善分析表明模型提供了一定程度的波形保护。

**4.5 零样本外部验证（INCART）**
在未重新训练的INCART数据集上，模型在低SNR条件下仍获得正SNR改善，但R峰检测率从98.80%降至94.79%，表明跨数据库形态差异限制了零样本泛化能力。

**4.6 基于脉冲活动的理论能耗评估**
在45 nm CMOS设定下，DCPA-SNN理论推理能耗为38.62 μJ，而同构ANN为279.69 μJ，能效提升约7.25倍。能耗降低归因于SNN的稀疏事件驱动计算，以加法操作替代乘法累加操作。

**4.7 与代表性ECG去噪方法性能比较**
与DCAE、VFCDM、R-CED及传统方法（DWT、SWT、NLM、IIR COMB）比较，DCPA-SNN在混合噪声场景下平均输出SNR为5.80 dB，平均SNR改善6.80 dB，R峰检测率95.72%，在噪声抑制与R峰保留之间取得良好平衡，并具有低功耗部署潜力。

**4.8 局限性**
模型主要基于正常心跳评估，对复杂病理波形（如室性早搏PVC、束支阻滞）的鲁棒性未验证；人工叠加噪声无法完全模拟真实可穿戴动态；MIT-BIH数据库缺乏P、ST、T波边界标注，需专用数据库验证形态保留。

**总结与结论**
本研究提出直接编码物理感知脉冲神经网络（DCPA-SNN），将ECG去噪视为事件驱动信号重建任务，集成多步SNN编码器-解码器架构、瓶颈通道注意力、残差噪声估计和物理感知多域损失函数。通过直接编码与LIF神经元的时序积分和阈值触发放电特性，模型为低功耗ECG去噪提供了潜在路径。在MIT-BIH心律失常数据库和噪声压力测试数据库上的实验表明，DCPA-SNN在去噪性能和功耗方面表现良好。具体而言，本研究首先考察了模型在SNR和R峰检测方面的去噪性能，随后进行了理论能耗评估，并开展了单噪声实验以评估其对MA、EM和BW噪声的抑制能力。最后，与现有方法的比较表明，DCPA-SNN在噪声抑制与功耗之间取得了有利权衡。这些发现表明，DCPA-SNN在低功耗可穿戴ECG监测和神经形态边缘设备部署方面具有潜力，但实际系统级优势需通过嵌入式硬件或神经形态平台实现验证。本工作确立了所提出的SNN框架在基础ECG去噪中的可行性，为临床部署前在复杂病理形态上的大规模验证铺平了道路。