ECGDeDRDNet：基于双循环稠密网络的深度学习心电图去噪方法
信号处理
2025-05-12 v1 计算机视觉与模式识别
摘要
心电图（ECG）信号经常受到噪声干扰，如基线漂移（BW）、肌电伪影（MA）和电极运动（EM），这些噪声显著降低了其诊断价值。为了解决这一问题，我们提出了ECGDeDRDNet，一种基于深度学习的ECG去噪框架，采用双循环稠密网络架构。与传统方法不同，我们引入了双循环方案以增强从ECG波形和估计的干净图像中复用信息。对于ECG波形处理，我们的基础模型采用与DenseNet模块级联的LSTM层。通过从含噪输入中减去预测的噪声分量获得的估计干净ECG图像被迭代地反馈给模型。这种双循环架构实现了对时序波形特征和空间图像细节的全面利用，从而更有效地抑制噪声。在MIT-BIH数据集上的实验结果表明，我们的方法在PSNR和SSIM方面优于传统图像去噪方法，同时在SNR和RMSE方面也超越了经典ECG去噪技术。
引用
@article{arxiv.2505.05477,
title = {ECGDeDRDNet: A deep learning-based method for Electrocardiogram noise removal using a double recurrent dense network},
author = {Sainan xiao and Wangdong Yang and Buwen Cao and Jintao Wu},
journal= {arXiv preprint arXiv:2505.05477},
year = {2025}
}