فيلترينگ داده هاي الكتروكارديوگرام با استفاده از سيستم كاهش نويز وفقي بدون باياس و نرمال شده با نرخ يادگيري موثر

Filtering ECG data via an unbiased and normalized adaptive noise reduction system with an effective learning rate

نوار قلب ضبط شده اغلب توسط ميزان زيادي از نويز مي تواند خراب شود كه با فيلتر و الگوريتم هاي مشخص مي توان سيگنال هاي نويزدار را تشخيص داده و نويز را حذف نمود. مدل پيشنهادي ما يك سيستم كاهش نويز وفقي نرمال شده و بدون باياس است كه شامل روشي براي حذف نويز انحراف خط زمينه با استفاده از يك فيلتر ميانگين دو مرحله اي، فيلترينگ شانه اي تداخل خط برق با پاسخ ضربه نامحدود و ژنراتور نويز سفيد افزودني براي تست عملكرد سيستم از نظر نسبت سيگنال به نويز بوده كه براي تخمين نويزي كه از سيگنال نوار قلب نويزي حذف شده است، استفاده مي گردد. اين مدل باياس واحد را ندارد و ضرايب به صورت وفقي با استفاده از الگوريتم شديدا نزولي به روز مي شوند. فرآيند وفقي براي به حداقل رساندن خطاي لحظه اي بين توان سيگنال تخمين زده شده و توان سيگنال بدون نويز مطلوب طراحي شده است. در اين مقاله با نتايج حاصل از مطالعه همگرايي نرخ يادگيري سيستم كاهش نويز وفقي نرمال شده و بدون باياس نشان مي دهيم كه اين سيستم مي تواند نويز تصادفي را در هنگام ثبت نوار قلب، حذف كرده و منجر به بهبودي بيشتر نسبت سيگنال به نويز در مقايسه با سيستم هاي مشابه استفاده كننده از فيلتر رايج حداقل ميانگين مربعات گردد.

Recorded electrocardiographic (ECG) signal can often be damaged by a large amount of noise which can be recognized by specific filter and algorithms and the noise can be removed.Our proposed model is an unbiased and normalized adaptive noise reduction (UNANR) system which includes a method for the removal of baseline wander noise with a two-stage moving-average filter, comb filtering of power-line interference with an infinit impulse response (IIR) and additive white noise generator to test the system’s performance in terms of signal to noise ratio (SNR) that is used to estimate the noise which is subtracted from the contaminated ECG signals.This model does not contain a bias unit, and the coefficients are adaptively updated by using the steepest-descent algorithm.The matching adaptation process is designed to minimize the instantaneous error between the estimated signal power and the desired noise- free signal power. In this paper, by using the results of a study on the learning rate convergence of the UNANR system, we show that the system can eliminate random noise in ambulatory ECG recordings and leading to a higher SNR improvement in comparison to the same system using the popular least-mean-square (LMS) filter.