摘要
目标：心电图（ECG）信号通常会受到基线漂移等噪声干扰的影响。高质量和高保真度的心电图信号重建对于诊断心血管疾病具有重要意义。因此，本文提出了一种新的心电图基线漂移和噪声去除技术。方法：我们以条件扩散模型为基础，针对心电图信号进行了扩展，提出了用于心电图基线漂移和噪声去除的深度评分扩散模型（Deep Score-Based Diffusion model for Electrocardiogram baseline wander and noise removal, DeScoD-ECG）。此外，我们采用了多次平均策略来提高信号重建的质量。为了验证所提方法的可行性，我们在QT数据库和MIT-BIH噪声压力测试数据库上进行了实验。同时，采用了一些基线方法进行对比，包括传统的数字滤波器方法和基于深度学习的方法。结果：定量评估结果显示，所提出的DeScoD-ECG方法在四种基于距离的相似性指标上均表现出色，与最佳基线方法相比总体性能提升了至少20%。结论：本文展示了DeScoD-ECG在心电图基线漂移和噪声去除方面的最先进性能，该模型对真实数据分布有更好的逼近能力，并且在极端噪声污染下具有更高的稳定性。意义：本研究是最早将条件扩散生成模型应用于心电图噪声去除的研究之一，DeScoD-ECG有潜力广泛应用于生物医学领域。