《Symmetry》：VMD Optimization Using a Logistic-Map-Enhanced BTO Algorithm and a Dual-Head Attention LSTM for Magnetocardiography Signals Denoising
编辑推荐：
心磁图（Magnetocardiography, MCG）在采集过程中极易受到噪声干扰，这显著限制了其在冠状动脉疾病（Coronary Artery Disease, CAD）评估中的临床应用。传统的模型驱动与数据驱动去噪方法常存在手动参数调整、特征保留不充分
心磁图（Magnetocardiography, MCG）在采集过程中极易受到噪声干扰，这显著限制了其在冠状动脉疾病（Coronary Artery Disease, CAD）评估中的临床应用。传统的模型驱动与数据驱动去噪方法常存在手动参数调整、特征保留不充分和适应性有限等缺陷，导致其在噪声环境下性能欠佳。为应对这些挑战，本文提出一种新型混合模型驱动与数据驱动框架，称为LBTO-VMD-DLSTM。该框架利用Logistic映射增强的百慕大三角优化（Logistic-map-enhanced Bermuda Triangle Optimization, LBTO）算法自适应优化变分模态分解（Variational Mode Decomposition, VMD）的参数，实现信号与噪声的有效分离。进一步地，嵌入长短期记忆（Long Short-Term Memory, LSTM）网络的双头注意力机制可捕获长程时间依赖，同时网络采用监督学习方式训练，学习从含噪固有模态函数（Intrinsic Mode Functions, IMFs）到干净信号的映射，最终无需手动选择分量即可实现去噪。为验证LBTO-VMD-DLSTM的优越性，研究人员将其与经验模态分解（Empirical Mode Decomposition, EMD）、去噪自编码器（Denoising Autoencoder, DAE）以及自适应噪声完全集成经验模态分解结合小波变换（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise combined with Wavelet Transform, CEEMDAN-WT）等传统算法进行比较。实验结果表明，所提去噪方法获得了最高21.75 dB的信噪比（Signal-to-Noise Ratio, SNR）和0.99的余弦相似度（Cosine Similarity, CosSim）。在不同SNR水平添加噪声以及不同类型基线漂移的MCG信号测试中，LBTO-VMD-DLSTM方法取得了最高的SNR（20.91 dB和23.5 dB）和最高的CosSim值（0.99和0.98）。这表明所提方法优于对比算法，在有效消除MCG信号中复杂噪声的同时，保留了后续临床判读所需的关键波形特征。
冠状动脉疾病（Coronary Artery Disease, CAD）是全球死亡的主要原因，早期检出需求极为迫切。心电图（Electrocardiography, ECG）对早期CAD的灵敏度较低，而冠状动脉造影（Coronary Angiography, CAG）虽有金标准地位，但有创且费用高。心磁图（Magnetocardiography, MCG）通过测量心脏微弱磁场评估电生理活动，具有无创和高灵敏度优势，但采集时极易受到基线漂移、非平稳生理干扰及环境电磁噪声等混杂因素影响。传统模型驱动方法如傅里叶变换、小波变换依赖经验参数；数据驱动方法如去噪自编码器（Denoising Autoencoder, DAE）易过拟合且时序建模不足。为此，研究人员提出混合框架LBTO-VMD-DLSTM，将模型驱动的自适应分解与数据驱动的时序注意力学习相结合。该框架使用Logistic映射增强的百慕大三角优化（Logistic-map-enhanced Bermuda Triangle Optimization, LBTO）自动优化变分模态分解（Variational Mode Decomposition, VMD）参数，以分解后固有模态函数（Intrinsic Mode Functions, IMFs）的模糊熵最小化为目标，实现信号与噪声分离；再由双头注意力长短期记忆网络（Dual-head attention Long Short-Term Memory, DLSTM）以监督方式学习从含噪IMF到干净信号的映射，免去人工选择IMF。实验表明，其信噪比（Signal-to-Noise Ratio, SNR）、余弦相似度（Cosine Similarity, CosSim）和归一化互相关系数（Normalized Cross-Correlation, NCC）均优于EMD、CEEMDAN-WT、DAE等方法，在强基线漂移与非平稳噪声下仍能保持PQRST波形特征，有助于CAD临床判读。
研究人员使用了苏州独墅湖医院2024年6月至2025年3月采集的临床MCG数据集，采用苏州Cardiomox公司提供的36通道超导量子干涉器件（Superconducting Quantum Interference Device, SQUID）阵列系统记录，从中选取4名受试者进行详细分析。主要关键技术方法为：一是采用Logistic映射增强BTO算法，在设定的搜索范围内优化VMD的模式数与惩罚因子，并以IMF模糊熵作为适应度函数；二是将LBTO优化的VMD分解所得IMF输入含双头自注意力机制的LSTM网络，通过全连接层和回归层输出重构信号，训练采用Adam优化器、均方误差损失和0.2丢弃率；三是按受试者级别以8:2划分训练集和测试集，使用SNR、CosSim和NCC进行量化评估。
4.1 实验细节
研究在配备Intel i9-13900HX CPU、64 GB内存和NVIDIA RTX 4060 GPU的笔记本电脑上，使用Matlab 2024b环境完成。Adam优化器学习率为0.001，批大小为64。LBTO优化一次约需150 s，随后VMD和DLSTM推理共约4.5 s，单个10 s记录的总体处理时间约154.5 s。
4.2 MCG信号降噪方法的比较与分析
研究人员将所提方法与模型驱动方法EMD、鲁棒经验模态分解（Robust Empirical Mode Decomposition, REMD）、基于时变滤波的经验模态分解（Time-Varying Filter-based Empirical Mode Decomposition, TVF-EMD）、固有时间尺度分解（Intrinsic Time-scale Decomposition, ITD）、CEEMDAN-WT以及数据驱动方法DAE进行对比。对于样本A01，所提方法SNR为21.75 dB、CosSim为0.99、NCC为0.995；对于样本A03，其SNR为19.57 dB、CosSim为0.98、NCC为0.989。在A01–A04四名受试者上，所提方法平均SNR为20.66 dB、CosSim为0.985、NCC为0.992，且SNR和NCC的标准差最小，说明其降噪性能优越且跨受试者稳健。
4.3 不同噪声水平下的MCG降噪性能
研究人员将干净信号A01和A03加入SNR从?7.5 dB到7.5 dB、步长2.5 dB的加性噪声。结果显示，所提算法在平均SNR上比对比算法提高33.3%，CosSim分布更集中，平均NCC最高。在±7.5 dB极端噪声条件下，对比算法出现TP段波形失真、尖峰干扰和P波幅值异常降低，而所提算法仅TP段有轻微尖峰，整体信号保真度显著更优。
4.4 不同类型基线漂移下的MCG降噪性能
研究人员用线性、多项式、指数和正弦四种基线漂移类型污染干净信号。在线性和多项式漂移下，所提算法的平均幅值保持率达99%；在多项式漂移下，其SNR为16.21 dB、CosSim为0.99、NCC为0.998，而DAE虽NCC达0.990，但SNR仅为8.19 dB、CosSim仅为0.46。对于指数和正弦漂移，所提算法同样在SNR、CosSim和NCC上取得均衡最优结果，更好地保留了信号幅度和波形特征。
4.5 分量贡献分析
消融研究比较了VMD-LSTM、BTO-VMD-LSTM、LBTO-VMD-LSTM和完整LBTO-VMD-DLSTM四种配置。SNR从16.32 dB依次提升到18.75 dB、19.98 dB和21.75 dB，表明BTO参数优化、Logistic映射增强以及双头注意力机制均对最终降噪性能有正向贡献。
总结讨论中，研究人员指出，所提框架可扩展到ECG、脑电图（Electroencephalography, EEG）等多模态生理信号，通过替换特征提取骨干网络并整合注意力融合机制，适应多模态输入。研究结论可翻译为：本文提出了一种基于LBTO-VMD-DLSTM的MCG去噪方法，通过Logistic映射增强BTO算法自适应优化VMD参数，有效分离信号与噪声；随后利用双头注意力引导的LSTM网络对每个IMF进行端到端去噪，无需手动选择有效IMF，从而显著减少信息损失；最后重构去噪后的IMF分量获得最终MCG信号。该方法有效解决了MCG信号易受噪声干扰、传统方法参数优化困难以及关键特征保留不足等问题。实验结果证明，所提方法在多个评估指标上优于现有去噪算法，尤其在严重基线漂移和复杂非平稳噪声条件下表现突出；不过在信号本身质量较高时提升不明显，在极低幅值P波信号上性能略有下降，且当前样本量限制了统计推广性。未来将在更大临床队列中验证，并进一步探索多模态复杂生理信号的联合分析。
