基于深度学习的多尺度心电信号降噪方法：残差密集网络与U-Net研究

本篇硕士学位论文聚焦于"基于残差密集网络和U-Net的心电信号降噪技术研究"。随着我国心血管疾病发病率的上升，心电图作为诊断的重要工具，其准确性却易受环境噪声影响。传统的降噪方法存在局限性，无法有效处理多种噪声且可能导致关键信息丢失。作者针对这些问题，提出了两个创新的解决方案。 首先，他们设计了一种多尺度残差密集网络用于心电信号降噪。这个网络结合了密集卷积和膨胀卷积，构建了双分支残差密集块，可以自适应地提取心电信号的局部多尺度特征，并通过结构优化避免了特征堆叠。通过残差学习，浅层和多层级特征得以融合，提升了信号的多尺度、多层次特征提取能力，有效保留了心电波形的细节信息。在MIT-BIH数据库上的实验结果显示，新方法平均信噪比达到35.28dB，明显优于现有技术。 其次，作者进一步提出了基于多尺度残差密集U-Net的心电信号降噪方法。这种方法将双分支残差密集块整合到U-Net的上采样和下采样过程中，使得不同感受野下的特征得到提取。与多尺度残差密集网络相比，U-Net的模型参数更少，训练速度更快。下采样部分通过调整特征图尺寸和增加维度来提高效率，而跳跃连接则确保了上下文信息和细节信息的精确捕捉，减少了信息丢失。实验验证表明，使用多尺度残差密集U-Net降噪后的心电信号波形质量显著提高，接近或优于干净信号。 这篇论文通过深度学习技术，尤其是残差密集网络和U-Net的巧妙应用，为心电信号的高效降噪提供了新的解决方案，有助于提高心电图分析的准确性，对心血管疾病的早期诊断和管理具有重要意义。