TF-TransUNet1D：面向心电图数字孪生的时频引导 Transformer U-Net

心电图（ECG）信号是心脏数字孪生的基础数据源，但其诊断效用常被噪声和伪影所损害。为此，我们提出TF-TransUNet1D，一种新型一维深度神经网络，将 U-Net 编码器-解码器架构与 Transformer 编码器集成，采用混合时频域损失函数引导。该模型旨在同时捕捉局部形态特征和长程时间依赖关系，这些特征对保持 ECG 信号的诊断完整性至关重要。为增强去噪鲁棒性，我们引入双域损失函数，联合优化时域波形重建和频域谱保真。其中，频域组件有效抑制高频噪声，同时保持信号的谱结构，实现对细微但临床关键波形成分的恢复。我们采用合成噪声信号（来自 MIT-BIH 心律失常数据库和噪声压力测试数据库 NSTDB）对TF-TransUNet1D进行评估。与基于最新基线方法的比较实验表明，我们模型在信噪比改进和误差指标方面均表现优异，平均绝对误差为0.1285，皮尔逊相关系数为0.9540。通过提供高精度去噪，本工作弥补了心脏数字孪生预处理流程中的关键性空白，实现更可靠的实时监测和个性化建模。