HKF：基于在线学习演化先验的分层卡尔曼滤波用于自适应心电去噪
信号处理
2023-11-21 v3
摘要
心电图（ECG）信号在许多医疗健康应用中起着关键作用，尤其是在生命体征的居家监测中。这些应用常依赖的可穿戴技术往往产生低质量的心电信号。尽管已有多种心电去噪方法可提升信号质量并辅助临床判读，但由于噪声容限有限或捕捉心电动态灵活性不足，它们在可穿戴技术的心电数据上常表现不佳。本文提出 HKF，一种分层自适应卡尔曼滤波器，其使用专有状态空间模型有效捕捉心电信号的心搏内与心搏间动态以进行去噪。HKF 以在线方式学习患者特定的心电信号心搏内动态结构化先验，从而得到适应每位患者特定心电特征的滤波器。在实证研究中，HKF 在保持波形独有特性的同时展现出更优的去噪性能（降低均方误差）。在对比分析中，HKF 优于此前提出的心电去噪方法，如基于模型的卡尔曼滤波器和数据驱动的自动编码器。这使其成为院外医疗场景应用的合适候选。
引用
@article{arxiv.2210.12807,
title = {HKF: Hierarchical Kalman Filtering with Online Learned Evolution Priors for Adaptive ECG Denoising},
author = {Guy Revach and Timur Locher and Nir Shlezinger and Ruud J. G. van Sloun and Rik Vullings},
journal= {arXiv preprint arXiv:2210.12807},
year = {2023}
}
备注
Submitted to Transactions on Signal Processing