级联多级自适应噪声消除器的研究：ECG伪影去除效果比较

阵列14（2022）100133级联多级自适应噪声消除器MohammedMujahidUllaFaiz，IzzetKale应用DSP和VLSI研究组，计算机科学与工程系，威斯敏斯特大学，伦敦，W1W 6UW，英国A R T I C L E I N F O保留字：ECGLMSLMFLMMNPLIA B S T R A C T虽然级联多级自适应噪声消除器已经被研究人员用于从心电图（ECG）信号中去除多个伪影，但它们都在所有级联多级中使用相同的自适应算法来调整自适应滤波器的权重。在本文中，我们提出了一个级联的4级自适应噪声消除器，用于去除ECG信号中存在的四个伪影，即基线漂移，运动伪影，肌肉伪影和60 Hz电源线干扰（PLI）。本文研究了八种自适应算法的性能，即最小均方（LMS），最小均四阶（LMF），最小均混合范数（LMMN），符号回归最小均方（SRLMS），符号误差最小均方（SELMS），符号-符号最小均方（SSLMS），符号回归最小均四阶（SRLMF），和符号回归最小均值混合范数（SRLMMN）在信噪比（SNR）改善方面用于从ECG信号中去除上述四种伪影。我们采用LMMN，LMF，LMMN，LMF算法在所提出的级联4级自适应噪声消除器，以消除各自的ECG伪影如上所述。我们成功地实现了12.7319 dB的SNR改善。采用LMMN、LMF、LMMN、LMF算法的级联4级自适应噪声抵消器性能优于采用相同算法的级联4级自适应噪声抵消器。我们提出的级联4级自适应噪声消除器的一个独特而强大的功能是，它只采用那些自适应算法在四个阶段，这是有效地消除各自的ECG伪影，如上所述这样的计划还没有被调查之前在文献中。1. 介绍自适应噪声抵消是一种估计被加性噪声或干扰破坏的信号的方法。该方法采用主输入，其是被破坏的信号，以及次输入或参考输入，其是与主输入中存在的噪声相关的噪声。参考输入被自适应地滤波并从主输入中减去，以便获得信号估计。 只要有合适的参考输入，就可以采用自适应噪声消除方法[1，2]。Thakor和Zhu [3]提出了几种用于ECG信号中的噪声消除和心律失常检测的从ECG信号中消除了各种形式的噪声，如基线漂移、60 HzPLI、肌肉伪影和运动伪影[3]。Hamilton [4]研究了自适应和非自适应60 Hz陷波滤波器降低ECG信号中PLI的相对性能。Ziarani和Konrad[5]提出了一种从ECG信号中消除PLI的非线性自适应方法。所提出的方法提供了一种鲁棒的结构，并显示出对外部噪声具有高度的免疫力[5]。Raya和Sison [6]提出了一种自适应噪声消除方法，通过使用加速度计来去除应力ECG信号中的运动伪影。文[6]中的自适应噪声消除器是利用两种最广泛采用的自适应滤波算法实现的，即：LMS和递归最小二乘（RLS）。Martens等人[7]提出了一种改进的自适应噪声消除器，用于减少ECG信号中的基本PLI分量和谐波。Behbahani [8]模拟并测试了一种使用LMS算法消除60 HzPLI的自适应噪声消除方法。 Lin和Hu [9]开发了一种有效的RLS自适应陷波滤波器，用于抑制ECG信号中的PLI。他们还提出了一种PLI检测器，该检测器采用最佳线性判别分析算法来检测ECG信号中的PLI [9]。Rahman等人。[10- 基线漂移、60 Hz PLI、肌肉伪影和来自ECG信号的运动伪影。 Rahman等人[13]采用LMS、SRLMS、SELMS和SSLMS算法来消除上述各种伪影∗ 通讯作者。电子邮件地址：w1805470@my.westminster.ac.uk（M.M.U. Faiz），kalei@westminster.ac.uk（I.羽衣甘蓝）。https://doi.org/10.1016/j.array.2022.100133接收日期：2021年8月20日;接收日期：2021年10月18日;接受日期：2022年2月20日在线预订2022年3月6日2590-0056/© 2022作者。爱思唯尔公司出版这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表阵列期刊主页：www.elsevier.com/locate/array麻省理工学院法伊兹和我。羽衣甘蓝阵列14（2022）1001332⎨上面的ECG信号。在[13]中，表明性能SRLMS算法在信噪比改善方面优于LMS算法。Rahman等人[14]通过采用基于块的归一化符号回归最小均 方 （ BBNSRLMS ） 、 基 于 块 的 归 一 化 符 号 误 差 最 小 均 方（BBNSELMS）和基于块的归一化符号-符号最小均方（BBNSSLMS）算法从ECG信号中消除上述各种伪影，扩展了[10-Islam等人[15]增加了ECG信号的四种类型的交流电（AC）和直流电（DC）干扰/噪声，并使用LMS和RLS算法消除了这些噪声Vullings等人[16]开发了一种自适应卡尔曼滤波器，以提高ECG信号的质量。Dhubkarya等人。[17]实现了一种自适应噪声消除器，用于对ECG信号进行降噪，并使用各种算法（如LMS，归一化最小均方（NLMS）和RLS）测试了系统的性能。Chandrakar和Kowar [18]采用RLS算法从ECG信号中去除不同类型的噪声。Kim等人[19]提出了一种使用级联2级LMS自适应滤波器的动态ECG监测系统运动伪影消除方法。Mugdha等人[20]对RLS算法在ECG信号噪声去除方面进行了研究，并得出结论，RLS算法在ECG信号噪声去除方面比LMS算法更有效。Ebrahimzadeh等人[21]比较了各种ECG降噪算法，如LMS、基于块的最小均方（BBLMS）、NLMS、无偏和归一化自适应降噪（UNANR）和RLS。Sharma等人[22]使用了一种自适应噪声消除器，该自适应噪声消除器采用LMS算法来消除ECG噪声，并得出结论，步长的增加会增加噪声以及收敛速度。 Satheeskillaran和Sabrigiriraj [23]提出了一种可变步长延迟最小均方（VSSDLMS）自适应滤波器，用于从ECG信号中去除伪影塞汉比和辛格[24]使用基于LMS的自适应噪声消除器来导出无噪声的胎儿ECG信号。Haritha等人[25]调查了用于ECG信号的不同滤波器和去噪技术。Qureshi等人[26]提出级联3级自适应噪声消除器，用于消除ECG信号中的三种伪影，即基线漂移、60 Hz PLI和运动伪影。在级联的自适应噪声消除器的所有三级中使用相同的算法。级联3-应用共生有机体搜索算法来估计优化的自适应噪声消除器的权向量，以减少来自ECG信号的伪影在本文中，我们将采用级联的4级自适应噪声消除器来去除ECG信号中的四种类型的伪影，即基线漂移、运动伪影、肌肉伪影和60 Hz PLI。本文的贡献是：（1）在本文所研究的八种自适应算法中，首先从信噪比改善的角度确定性能最好的自适应算法，即最小均方（LMS）、最小均四阶（LMF）、最小均混合范数（LMMN）、符号回归最小均方（ SRLMS ） 、 符 号 误 差 最 小 均 方 （ SELMS ） 、 符 号 最 小 均 方（SSLMS），符号回归最小均方四阶（SRLMF）和符号回归最小均方混合范数（SRLMMN）用于从ECG信号中去除上述四种伪影。（2）然后，我们在所提出的级联4级自适应噪声消除器中使用四种候选算法，即LMMN、LMF、LMMN、LMF，用于从ECG信号中去除上述四种伪影，（3）比较了采用LMMN、LMF、LMMN、LMF算法和采用LMS、LMS、LMS、LMS算法，采用LMF、LMF、LMF、LMF算法，采用LMMN、LMMN、LMMN、LMMN算法，采用SRLMMN、SRLMF、SRLMMN、SRLMF算法的级联四级自适应噪声抵消器的性能。我们能够实现滤波后的ECG信号的SNR的显着改善后的应用 我们提出的方案优于其他方案。本文的其余部分组织如下。本文研究的各种自适应算法在第2节中讨论。第3节讨论了所提出的级联4级自适应噪声消除器。 模拟结果在第4节中讨论。最后，在第5节中对本文进行了总结。2. 自适应算法在这项工作中，我们研究了八种自适应算法，即LMS，LMF，LMMN，SRLMS，SELMS，SSLMS，SRLMF和SRLMMN。去除ECG信号中存在的多个伪影。这八种自适应算法的权值更新方程在表1中给出，其中，R1∈R1���×1是迭代次数≥0时的更新权值向量，R2是自适应滤波器长度，R3是步长，R4∈R1×R5是回归量���或方差为λ2的输入向量，λ是混合参数范围对基于LMS自适应噪声抵消器和基于LMS自适应噪声抵消器进行了比较的级联3级NLMS为基础的自适应噪声抵消器，级联���在0≤k≤ 1之间，k是由下式给出的估计误差：���3-级Log LMS自适应噪声消除器和级联的3级SRLMS自适应噪声消除器。Warmerdam等人[27]提出了一种固定滞后卡尔曼平滑器，用于在ECG波形失真最小的情况������=������ −������������−1,(1)式中，λ是所需值，⎧⎪−1,如果是0，Sutha和Jayanthi [28]讨论了为监测和记录包含胎儿心电图的原始母亲ECG信号而开发的原型硬件。sgn[]=���0，如果n=0，如果���>0，则为1。（二）心电图和信号处理算法提取胎儿心电图。他们工作中采用的自适应噪声消除器使用SSLMS算法[28]。Gilani等人[29]采用基于LMS的自适应噪声消除器从ECG信号中去除50 Hz PLI。 Venkatesan等人[30]研究了具有流水线架构的延迟误差归一化最小均方（DENLMS）自适应滤波器，以去除白噪声。 高斯 噪声 从 的 ECG 信号了 Srinivasa 潘迪安[31]使用基于LMS的自适应噪声消除器从ECG信号中消除50 Hz PLI。Xiong等人[32]已经表明，基于余弦的自适应算法在减少ECG信号中的高振幅运动伪影噪声方面优于标准LMS算法。Saxena等人[33]使用基于NLMS的自适应噪声消除器从ECG信号中去除50 Hz PLI。Manju和Sneha [34]使用维纳滤波器和卡尔曼滤波器进行ECG去噪。他们的结果表明，维纳滤波器比卡尔曼滤波器更好地去除ECG噪声Khiter等人[35]提出了一种新的自适应去噪方法，称为具有不同步长和泄漏系数的自校正泄漏归一化最小均方算法，用于减少ECG信号中的肌肉伪影Yadav等[三十六]LMMN算法是LMS和LMF算法的组合，只要混合参数在0- 1之间。当混合参数为0和1时，LMMN算法分别简化为LMF和LMS算法符号自适应滤波器用于ECG信号的处理和分析，因为它们在计算上不太复杂。然而，符号自适应滤波器的性能是妥协，因为削波效应由于应用的正负号函数的回归向量，估计误差，或两者兼而有之。SRLMS、SELMS和SSLMS算法在文献中也分别被称为符号SRLMMN算法是SRLMS和SRLMF算法的组合，只要混合参数的范围在0- 1之间。当混合参数为0和1时，SRLMMN算法分别简化为SRLMF和SRLMS算法。请注意，SRLMF [37]和SRLMMN [38]算法由我们开发，并在本工作中用于消除ECG信号中存在的多个伪影麻省理工学院法伊兹和我。羽衣甘蓝阵列14（2022）1001333������ ������������表1各种自适应算法的权值更新方程自适应算法权值更新方程LMS [39，40]LMS=LMS���−1+LMS������T������LMF [40，41]=���−1+���������T3LMMN [42]=���−1+T[+（1 −）2]���������������������������SRLMS [43]=���−1+sgn[]T���������������������SELMS [44]=���−1+���������������Tsgn[]������SSLMS [45]=���−1+sgn[]T sgn[]���������������������SRLMF [37]=���−1+sgn[]���������������T3���SRLMMN [38]=���−1+sgn[]���������������T[+（1 −）������������2]Fig. 1. 自适应噪声消除器。3. 级联四级自适应噪声抵消器图1示出了一种单级自适应噪声消除器，用于从ECG信号中去除单个伪影。1.一、从该图中可以看出，ECG形成自适应噪声消除器的主输入，ECG包含具有附加伪影的ECG信号，ECG形成自适应噪声消除器的次输入或参考输入，ECG包含仅与存在于损坏的ECG信号中的伪影相关的参考伪影，ECG是自适应滤波器系数，ECG是自适应������������图二. 提出了级联的4级自适应噪声抵消器。4. 仿真结果4.1. 基线漂移去除在本实验中，对于所研究的所有这八种自适应算法，步长固定为λ= 0.01，自适应滤波器长度固定为λ = 5，噪声方差固定为λ2=0.1，迭代次数固定为L = 10���除上述设置外，LMMN和SRLMMN算法的混合参数固定为λ= 0.5。输出���，d������是滤波后的ECG信号，没有���伪影。在这种情况下，从ECG信号中提取3600个干净的ECG信号样本。图���1示出了一种用于从ECG信号中去除四个伪影的建议的级联4级自适应噪声消除器。二、从该图中可以看出，ECG 1形成第一自适应噪声消除器的主输入，ECG���1包含具有四个附加伪影的ECG信号，即基线漂移、运动伪影、肌肉伪影和60 Hz PLI，ECG���1形成第一自适应噪声消除器的次级或参考输入，ECG���1包含仅与存在于受损ECG信号ECG���1中的基线漂移相关的参考基线漂移，ECG���2形成第二自适应噪声消除器的次级或参考输入，ECG���2包含仅与存在于受损ECG信号ECG���1中的运动伪影相关的参考运动伪影，ECG���3形成第三自适应噪声消除器的次级或参考输入，ECG���3包含仅与存在于受损ECG信号ECG���1中的肌肉伪影相关的参考肌肉伪影，PLL���4形成第四自适应噪声消除器的次级或参考输入，PLL���4包含参考60Hz PLI，该参考60 Hz PLI仅与存在于受损ECG信号PLL���1、PLL1至PLL 2中的60 Hz PLI相关。其中，ECG 4是相应的自适应滤波器系数，ECG���1至ECG���4是相应的自适应滤波器输出，ECG���1是没有基线漂移的部分损坏的ECG信号，ECG���1将充当主输入ECG���2对于第二自适应噪声消除器，ECG���2是没有基线漂移和运动伪影的部分损坏的ECG信号，ECG���2将起作用作为第三自适应噪声消除器的主输入ECG���3，ECG���3是没有基线漂移、运动伪影和肌肉伪影的部分损坏的ECG信号，ECG���3将用作第四自适应噪声消除器的主输入ECG 4，并且ECG 4是没有基线漂移、运动伪影、肌肉伪影和60 Hz PLI的滤波的ECG信号。���我们提出的级联4级自适应噪声消除器的一个独特而强大的功能是，它只采用那些自适应算法的四个阶段，这是有效的，在随后的部分中从ECG信号中去除上述四个伪影。MIT-BIH心律失常数据库（MITDB）记录：105 [46]，随后添加了3600个基线漂移样本， MIT-BIH噪声应力测试数据库（NSTDB）记录：bw[46]。本文所研究的八种自适应算法，即LMS、LMF、LMMN、SRLMS、SELMS、SSLMS、SRLMF和SRLMMN，分别进行了测试。最后，通过将它们插入如图1所示的单级自适应噪声消除器中。1用于基线漂移消除。自适应滤波前后的SNR记录在表2中。 SNR是通过使用内置的MATLAB函数计算的，即，SNR（SNR，SNR）。之前的SNR 并且在表2中的自适应滤波之后，如附录A中的MATLAB代码片段所述来计算。这里，λ是自适应滤波器输出。请注意，ECG信号和基线漂移的增益均为200。因此，我们将这些信号除以200，如附录A中的MATLAB代码片段所示。从表2可以看出，LMMN算法在SNR改善方面优于其他七种算法。使用采用SSLMS自适应算法的单级自适应噪声消除器消除基线漂移后的均方误差（MSE）图，这是所研究的八种算法中的最差情况，如图所示。3.4.2. 运动伪影去除在本实验中，对于所研究的所有这八种自适应算法，步长固定为λ= 0.01，自适应滤波器长度固定为λ = 5，噪声方差固定为λ2���除上述设置外，LMMN和SRLMMN算法的混合参数固定为λ= 0.5。在这种情况下，从MIT-BIH心律失常数据库（MITDB）记录：105[46]中获取3600个干净ECG信号样本，麻省理工学院法伊兹和我。羽衣甘蓝阵列14（2022）100133表24使用单级自适应噪声消除器消除基线漂移。自适应算法滤波前SNR（dB）滤波后SNR（dB）SNR改善（dB）LMS 7.9251 7.9446 0.0195黎巴嫩货币基金组织LMMN 7.9251 8.98123.3297 −4.5954SELMS 7.9251SSLMS 7.9251 1.1036 −6.8215SRLMFSRLMMN 7.9251 5.2039 −2.7212表3使用单级自适应噪声消除器去除运动伪影自适应算法滤波前SNR（dB）滤波后SNR（dB）SNR改善（dB）LMS 5.7109 3.7061 −2.0048LMF 5.71094.4862 −1.2247SRLMS 5.7109 2.1133 −3.5976SELMS 5.7109SSLMS 5.7109SRLMF 5.7109SRLMMN 5.7109 2.7931 −2.9178图三. 使用采用SSLMS自适应算法的单级自适应噪声消除器消除基线漂移后的MSE（最坏情况）随后添加了3600个运动伪影样本，MIT-BIH噪声应力测试数据库（NSTDB）记录：em [46]。本文所研究的八种自适应算法，即LMS、LMF、LMMN、SRLMS、SELMS、SSLMS、SRLMF和SRLMMN，分别进行了测试。最后，通过将它们插入如图1所示的单级自适应噪声消除器中。1用于去除运动伪影。自适应滤波前后的SNR记录在表3中。 表3中自适应滤波前后的SNR通过替换第五行在附录A的MATLAB代码片段中，���������������������运动伪影具有200的增益。 因此，我们将该信号除以200，如附录A中的MATLAB代码片段所示。 从表3可以看出，LMF算法在SNR改善方面优于其他七种算法。使用采用SSLMS自适应算法的单级自适应噪声消除器去除运动伪影后的MSE图，这是所研究的八种算法中的最差情况，如图所示。 四、见图4。使用采用SSLMS自适应算法的单级自适应噪声消除器去除运动伪影后的MSE（最坏情况）。4.3. 肌肉伪影去除在本实验中，对于所研究的所有这八种自适应算法，步长固定为λ= 0.01，自适应滤波器长度固定为λ = 5，噪声方差固定为λ2=0.1，迭代次数固定为L = 100���除上述设置外，LMMN和SRLMMN算法的混合参数固定为λ= 0.5。在这种情况下，从ECG信号中提取3600个干净的ECG信号样本。MIT-BIH心律失常数据库（MITDB）记录：105 [46]，随后添加了从MIT-BIH噪声应力测试数据库（NSTDB）记录：ma [46]。本文所研究的八种自适应算法，即LMS、LMF、LMMN、SRLMS、SELMS、SSLMS、SRLMF和SRLMMN，分别进行了测试。最后，通过将它们插入如图1所示的单级自适应噪声消除器中。1例用于去除肌肉伪影。自适应滤波前后的SNR记录在表4中。之前的SNR和麻省理工学院法伊兹和我。羽衣甘蓝阵列14（2022）100133表55使用单级自适应噪声消除器去除肌肉伪影。自适应算法滤波前SNR（dB）滤波后SNR（dB）SNR改善（dB）沪ICP备17006888号-1LMF 17.8230 21.0251 3.2021LMMN 17.8230 26.1239 8.300910.0358 −7.7872SELMS 17.8230 19.2611SSLMS 17.8230 5.4269 −12.3961SRL MF 17.8230 16.5538 −1.2692SRLMMN 17.8230 12.3562 −5.4668图五. 使用采用SSLMS自适应算法的单级自适应噪声消除器去除肌肉伪影后的MSE（最差情况）。表4中的自适应滤波后，通过将附录AMATLAB代码片段中的第五行替换为“肌肉伪影”（“肌肉伪影”）来计算;注意，肌肉伪影的增益为200。因此，我们将该信号除以200，如附录A中的MATLAB代码片段所示。从表4可以看出，LMMN算法在SNR改善方面优于其他七种算法。使用采用SSLMS自适应算法的单级自适应噪声消除器去除肌肉伪影后的MSE图，这是所研究的八种算法中的最差情况，如图所示。 五、4.4. 60 Hz PLI移除在该实验中，对于所研究的所有八种自适应算法，步长固定为λ=0.01，自适应滤波器长度固定为λ除上述设置外，LMMN和SRLMMN算法的混合参数固定为λ= 0.5。在这种情况下，从ECG信号中提取3600个干净的ECG信号样本。MIT-BIH心律失常数据库（MITDB）记录：105 [46]，随后添加3600个振幅为100 mV、频率为60 Hz、采样频率为360 Hz的合成PLI样本，选择该样本与整个过程中使用的其余ECG信号相同我们的实验本 文 所 研 究 的 八 种 自 适 应 算 法 ， 即 LMS 、 LMF 、 LMMN 、SRLMS、SELMS、SSLMS、SRLMF和SRLMMN，分别进行了测试。最后，通过将它们插入如图1所示的单级自适应噪声消除器中。1用于60Hz PLI移除。 自适应滤波前后的SNR记录在表5中。表5中自适应滤波前后的SNR按照MATLAB所述计算见图6。使用采用SSLMS自适应算法的单级自适应噪声消除器去除60 Hz PLI后的MSE（最差情况）。附录B中的代码片段。这里，λ是自适应滤波器输出。注意，ECG信号的增益为200。因此，我们将这个信号如附录B中的MATLAB代码片段所示。从表5可以看出，LMF算法在SNR改善方面优于其他七种算法。使用采用SSLMS自适应算法的单级自适应噪声消除器去除60 Hz PLI后的MSE图，这是所研究的八种算法中的最差情况，如图所示。第六章4.5. 多个伪影去除在该实验中，步长固定为���= 0.01，自适应滤波器长度固定为=5，噪声方差固定为������2=0。对于表6中给出的所有算法，迭代次数固定为L = 10。除上述设置外，LMMN和SRLMMN算法的混合参数固定为λ= 0.5在这种情况下，从ECG信号中提取3600个干净的ECG信号样本。MIT-BIH心律失常数据库（MITDB）记录：105 [46]，随后添加了3600个基线漂移样本， MIT-BIH噪声应力测试数据库（NSTDB）记录：bw[46]，从MIT-BIH噪声应力测试数据库（NSTDB）记录：em [46]中获取的3600个运动伪影样本，从MIT-BIH噪声应力测试数据库（NSTDB）记录：ma [46]中获取的3600个肌肉伪影样本，以及幅度为100 mV、频率为60 Hz并以360 Hz采样的四种自适应算法，即LMMN、LMF、LMMN和LMF，从第4.1 - 4.2节讨论的四个实验4.4通过将它们插入建议的级联4级麻省理工学院法伊兹和我。羽衣甘蓝阵列14（2022）1001336表5使用单级自适应噪声消除器消除60 Hz PLI自适应算法滤波前SNR（dB）滤波后SNR（dB）SNR改善（dB）最小均方误差14.6914 14.2872 −0.4042LMF 14.6914 16.4652 1.7738LMMN 14.6914 15.3068SRLMS 14.6914 14.1104 −0.5810SELMS 14.6914 16.0296 1.3382SSLMS 14.6914 13.6714 −1.0200瑞士法郎14.6914SRLMMN 14.6914 14.2847 −0.4067自适应噪声消除器，如图所示。2分别用于从ECG信号中去除基线漂移、运动伪影、肌肉伪影和60 Hz PLI比较了采用LMMN、LMF、LMMN、LMF算法和采用LMS、LMS、LMS、LMS算法、LMF、LMF、LMF算法、LMMN、LMMN、LMMN算法以及SRLMMN、SRLMF、SRLMMN、SRLMF算法的级联四级自适应噪声抵消器的性能。自适应滤波前后的SNR记录在表6中。从该表中可以看出，通过在所提出的级联4级自适应噪声消除器中采用LMMN、LMF、LMMN、LMF算法，我们已经实现了SNR的显著改善。表6中自适应滤波前后的SNR按照附录C中MATLAB代码片段的描述计算。这里，λ是自适应滤波器输出。请注意，ECG信号、基线漂移、运动伪影和肌肉伪影的增益均为200。因此，如前所述，我们将这些信号除以200，如附录C中的MATLAB代码片段所示。作为示例，在表6的第2行中，LMMN算法用于图 1 中的自适应噪声消除器1和3中。2分别用于去除基线漂移和肌肉伪影。表6的第2行中的LMF算法用于图2中的自适应噪声消除器2和4。 2因为分别去除运动伪影和60 Hz PLI。使用所提出的采用SRLMMN、SRLMF、SRLMMN、SRLMF算法的级联4级自适应噪声消除器去除多个伪影后的MSE图，这是表6中研究的所有伪影中的最差情况，如图所示。第七章使用所提出的采用LMMN、LMF、LMMN、LMF算法的级联4级自适应噪声消除器去除多个伪影后的MSE图如图6所示，这是表6中研究的算法中的最佳情况。八、图图9（a）和10（d）示出了没有伪影的干净ECG信号，图9（b）和图10（e）示出了具有附加基线漂移、运动伪影、肌肉伪影和60 Hz PLI的ECG信号，图9（c）示出了来自采用SRLMMN、SRLMF、SRLMMN、SRLMF算法用于多个伪影去除的所提出的级联4级自适应噪声消除器的经滤波的ECG信号，这是表6中研究的算法中的最差情况，并且图10（f）示出了来自采用LMMN、LMF、LMMN、LMF算法用于多个伪影去除的所提出的级联4级自适应噪声消除器的经滤波的ECG信号，这是表6中研究的算法中的最佳情况。从图10（f）可以看出，发现LMMN、LMF、LMMN、LMF算法在从ECG信号中去除相应的多个伪影方面是有效的，这证明我们提出的方案优于主要集中于LMS的公开文献中的那些。值得注意的是，表6中的最后三种方案，即LMF、LMF、LMF 、 LMF 算 法 ， LMMN 、 LMMN 、 LMMN 、 LMMN 算 法 ， 以 及SRLMMN、SRLMF、SRLMMN、SRLMF算法，以前也没有在文献中5. 结论从我们的实验中，我们已经发现，LMMN算法是最适合于消除基线漂移和肌肉伪影和LMF算法是最适合于消除运动伪影和60 Hz PLI。我们使用了LMMN，LMF，LMMN，LMF见图7。使用采用SRLMMN、SRLMF、SRLMMN、SRLMF自适应算法（最坏情况）的所提出的级联4级自适应噪声消除器去除多个伪影后的MSE。见图8。使用所提出的采用LMMN、LMF、LMMN、LMF自适应算法的级联4级自适应噪声消除器去除多个伪影后的MSE（最佳情况）。提出的级联4级自适应噪声抵消器麻省理工学院法伊兹和我。羽衣甘蓝阵列14（2022）1001337表6使用建议的级联4级自适应消除多个ECG伪影（基线漂移、运动、肌肉、60 Hz PLI） 噪声消除器自适应算法滤波前SNR（dB）滤波后SNR（dB）SNR改善（dB）LMMN，LMF，LMMN，LMF 2.2116 14.9435 12.7319LMS，LMS，LMS，LMS 2.2116 14.0935 11.8819LMF，LMF，LMF，LMF 2.2116 14.8909 12.6793LMMN，LMMN，LMMN，LMMN 2.2116 14.2994 12.0878SRLMMN，SRLMF，SRLMMN，SRLMF 2.2116 13.6959 11.4843以去除如上所述的相应ECG伪影。我们成功地实现了12.7319 dB的信噪比改善，这是优于其他比较的方法。结果表明，采用LMMN、LMF、LMMN、LMF算法的级联4级自适应噪声抵消器在信噪比改善方面优于采用LMS、LMS、LMS、LMS算法，LMF、LMF、LMF、LMF算法，LMMN、LMMN、LMMN、LMMN算法，SRLMMN、SRLMF、SRLMMN、SRLMF算法的级联4级自适应噪声抵消器它还发现，采用SSLMS算法的单级自适应噪声消除器的性能是比较差的SNR改善方面相比，在这项工作中研究的其他七种算法，即LMS，LMF，LMMN，SRLMS，SELMS，SRLMF，和SRLMMN。不同类型的归一化自适应算法和它们各自的符号对应物在识别最佳候选人的多个伪影从ECG信号中使用自适应滤波器级联在这项工作中讨论的将是我们未来的研究的主题。CRediT作者贡献声明见图9。（a）MIT-BIH心律失常数据库（MITDB）记录：105，（b）MIT-BIH心律失常数据库（MITDB）记录：105 + MIT-BIH噪声应力测试数据库（NSTDB）记录：bw +MIT-BIH噪声应力测试数据库（NSTDB）记录：em + MIT-BIH噪声应力测试数据库（NSTDB）记录：ma + 60 Hz PLI，（c）经验证的MIT- BIH心律失常数据库（MITDB）记录：105，使用所提出的级联4级自适应噪声消除器，采用SRLMMN、SRLMF、SRLMMN、SRLMF自适应算法去除多个伪影（最差情况）。见图10。（d）MIT-BIH心律失常数据库（MITDB）记录：105，（e）MIT-BIH心律失常数据库（MITDB）记录：105 + MIT-BIH噪声应力测试数据库（NSTDB）记录：bw +MIT-BIH噪声应力测试数据库（NSTDB）记录：em + MIT-BIH噪声应力测试数据库（NSTDB）记录：ma + 60 Hz PLI，（f）使用采用LMMN、LMF、LMMN、LMF自适应算法的拟议级联4级自适应噪声消除器，验证了MIT- BIH心律失常数据库（MITDB）记录：105 用于多个伪影去除（最佳情况）。Mohammed Mujahid Ulla Faiz：概念化，方法论，软件，验证，形式分析，调查，资源，写作– original draft, Writing – review Izzet Kale：概念化，方法论，软件，验证，形式分析，调查，资源，写作竞合利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作确认作者感谢威斯敏斯特大学提供的支持。附录A���������_���������������= 0.1;���������=������������(���������_���������������);������������('105���');������������������������（1）scin200;中文（简体）������������������������������=���������_������������������=���������(���������������,���);���������_���������������=���������(���������������,���);麻省理工学院法伊兹和我。羽衣甘蓝阵列14（2022）1001338附录B������������('105���');������������������������（1）scin200;���= 60;������= 360;[1∶ 1]闪烁;���= 0.1���������������������������������������������_������������������=���������(���������������,���);���������_���������������=���������(���������������,���);附录C���������_���������������= 0.1;���������=������������(���������_���������������);������������('105���');������������������������（1）scin200;中文（简体）������������1 =������������������中文（简体）������������2 =������������������中文（简体）������������3 =���������������������= 60;������= 360;[1∶ 1]闪烁;���4 = 0.1���������������������������������������������������=���������_������������������=���������(���������������,���);���������_���������������=���������(���������������,���);引用[1]Widrow B，Glover Jr JR，McCool JM，KaunitzJ，Williams CS，Hearn RH，Zeidler JR，DongJr E，Goodlin RC.自适应噪声消除：原理和应用。Proc IEEE1975;63（12）：1692[2]WidrowB，Stearns SD.自适应信号处理1st ed.Pearson; 1985.[3]塔科尔 NV， 朱 是的 应用 的自适应过滤到ECG分析：噪声消除和心律失常检测。IEEE Trans Biomed Eng1991;38（8）：785-94.[4]汉密尔顿PS。自适应和非自适应滤波器减少ECG中电源线干扰的 比 较 。IEEETrans Biomed Eng 1996;43（1）：105[5]Ziarani AK，Konrad A.一种消除心电信号中工频干扰的非线性自适应方法IEEETrans Biomed Eng 2002;49（6）：540[6]Raya MAD，Sison LG.使用加速度计的应力ECG信号中运动伪影的自适应噪声消除。在：第二次欧洲生物多样性和生物多样性管理局-生物多样性和环境管理局联合会议的程序中，Houston，Texas，USA; 2002，p. 1756-7年。[7]Martens SMM，Mischi M，Oei SG，Bergmans JWM.一种改进的心电图自适应电力线干扰消除器。IEEE Trans Biomed Eng2006;53（11）：2220-31。[8]贝巴哈尼湾心电信号自适应滤波消噪的研究。In：Proc. of the second int. multi-symp.计算机和计算科学（IMSCCS 2007）。Iowa City，Iowa，USA; 2007，p.144比9[9]林彦东，胡彦宏。心电信号处理中的工频干扰检测与抑制。IEEE Trans BiomedEng2008;55（1）：354-7。[10] Rahman MZU，Shaik RA，Reddy DVRK.一种有效的噪声消除技术以使用归一化的符号回归量LMS a1-a2 m从ECG信号中去除噪声。In：Proc. of the 2009 IEEE int.conf. on bioinformatics and biom