Цифровое моделирование снижения шума низкочастотных сигналов ЭКГ


Цитировать

Полный текст

Аннотация

Рассмотрена проблема низкочастотного шума - дрейфа базовой линии - в сигналах цифровой электрокардиограммы (ЭКГ) большой длительности, который может искажать критические диагностические признаки, такие как морфология ST-сегмента и T-зубца. Изучены методы цифровой фильтрации с упором на извлечение и коррекцию низкочастотных помех с использованием фильтров Чебышева II типа и Баттерворта, синтезированных на Python. Результаты исследования продемонстрировали, что фильтр верхних частот 7-го порядка с частотой среза 1 Гц эффективно изолирует линию нулевого потенциала, тогда как функция filtfilt необходима для предотвращения фазовых искажений. Успех метода фильтрации зависит от скорости изменения линии нулевого потенциала, и требуется дальнейшая разработка количественных критериев оценки и коррекции искажений, вызванных фильтром. Предлагаемый подход направлен на улучшение автоматизированного анализа ЭКГ и снижение ложных тревог в системах мониторинга сердца.

Об авторах

Синан Владимирович Курбанов

Российский университет дружбы народов

Автор, ответственный за переписку.
Email: ya.sinan@yandex.ru
ORCID iD: 0009-0005-6632-9102
SPIN-код: 1127-5326

аспирант кафедры механики и процессов управления, инженерная академия

Российская Федерация, 117198, Москва, ул. Миклухо-Маклая, д. 6

Денис Анатольевич Андриков

Российский университет дружбы народов

Email: andrikovdenis@mail.ru
ORCID iD: 0000-0003-0359-0897
SPIN-код: 8247-7310

кандидат технических наук, доцент кафедры механики процессов и управления, инженерная академия

Российская Федерация, 117198, Москва, ул. Миклухо-Маклая, д. 6

Светлана Викторовна Агасиева

Российский университет дружбы народов

Email: agasieva-sv@rudn.ru
ORCID iD: 0000-0002-9089-1411
SPIN-код: 9696-6864

кандидат технических наук, доцент кафедры нанотехнологий и микросистемной техники, инженерная академия

Российская Федерация, 117198, Москва, ул. Миклухо-Маклая, д. 6

Артём Вадимович Ярошенко

Российский университет дружбы народов

Email: 1142240338@pfur.ru
ORCID iD: 0009-0009-8379-622X

аспирант кафедры механики и процессов управления, инженерная академия

Российская Федерация, 117198, Москва, ул. Миклухо-Маклая, д. 6

Список литературы

  1. Chieng TM, Hau Y, Omar Z. The study and comparison between various digital filters for ECG denoising. 2018 IEEE-EMBS Conference on Biomedical Engineering and Sciences (IECBES). Sarawak, Malaysia, 2018:226-232. https://doi.org/10.1109/iecbes.2018.8626661
  2. Hramov AE, Koronovskii AA, Makarov VA, Maksimenko VA, Pavlov AN, Sitnikova E. Brief Tourof Wavelet theory. Springer Series in Synergetics. 2021;15-73. https://doi.org/10.1007/978-3-030-75992-6_2
  3. Singh BN, Tiwari AK. Optimal selection of wavelet basis function applied to ECG signal denoising. Digital Signal Processing. 2006;16(3):275-287. https://doi.org/10.1016/j.dsp.2005.12.003
  4. Vullings R, Vries BD, Bergmans J. An adaptive kalman filter for ECG signal enhancement. IEEE Transactions on Biomedical Engineering. 2011;58(4):1094-1103. https://doi.org/10.1109/tbme.2010.2099229
  5. Hesar HD, Mohebbi M. An adaptive kalman filter bank for ECG denoising. IEEE Journal of Biomedical and Health Informatics. 2021;25(1):13-21. https://doi.org/10.1109/jbhi.2020.2982935 EDN: YEKLCI
  6. Rao DrBR, Priyanka K, Raju BB, Deepak S. EMD and wavelet-based ECG signal denoising and QRS complex detection. International journal of scientific research in engineering and management. 2024;08(04):1-7. https://doi.org/10.17148/IJIREEICE.2015.3203
  7. Liu F, Xu Y, Yao Y. Highly efficient low noise solutions in ECG signals. Journal of Physics: Conference Series. 2022;2246(1):012030. https://doi.org/10.1088/1742-6596/2246/1/012030 EDN: YFFCQI
  8. Ahmad RUS, Khan W, Khan MS, Cheung P. Emerging rapid detection methods for the monitoring of cardiovascular diseases: Current trends and future perspectives. Materials Today Bio. 2025;32:01663. https://doi.org/10.1016/j.mtbio.2025.101663
  9. Djigan VI. Adaptive signal filtering: theory and algorithms. Moscow: Technosphera Publ.; 2013 (In Russ.) ISBN 978-5-94836-342-4
  10. Andrikov DA, Kurbanov SV. Algorithmic Support for Spectral Processing of Cardiograms. RUDN Journal of Engineering Research. 2024;25(2):111-120. (In Russ.) https://doi.org/10.22363/2312-8143-2024-25-2-111-120 EDN: HMIHLA
  11. Meyer CR, Keiser HN. Electrocardiogram baseline noise estimation and removal using cubic splines and state-space computation techniques. Computers and Bio-medical Research. 1977;10(5):459-470. https://doi.org/10.1016/0010-4809(77)90021-0
  12. Sörnmo L, Laguna P. Electrocardiogram (ECG) signal processing. Wiley encyclopedia of biomedical engineering. 2006;2:1298-1313. https://doi.org/10.1002/9780471740360.ebs1482
  13. Chouhan VS, Mehta SS. Total Removal of Base-line Drift from ECG Signal. 2007 International Conference on Computing: Theory and Applications (ICCTA’07); 2007 Mar 05-07; Kolkata, India, 2007:512-515. https://doi.org/10.1109/iccta.2007.126
  14. Chatterjee S, Thakur RS, Yadav RN, Gupta L, Raghuvanshi DK. Review of noise removal techniques in ECG signals. IET Signal Processing. 2020;14(9):569-590. https://doi.org/10.1049/iet-spr.2020.0104 EDN: AYCXCR
  15. Chieng TM, Hau YW, Bin Omar Z, Lim CW. Qualitative and quantitative performance comparison of ECG noise reduction and signal enhancement method based on various digital filter designs and discrete Wavelet transform. International Journal of Computing and Digital Systems. 2020;9(4): 553-565. https://doi.org/10.12785/ijcds/090404 EDN: IQGPZL
  16. Chavan M, Agarwala R, Uplane MD. Comparative study of Chebyshev I and Chebyshev II filter used for noise reduction in ECG signal. International Journal of Circuits, Systems and Signal Processing. 2008;2(1):1-17.
  17. Kaur M, Singh B, Seema. Comparison of different approaches for removal of baseline wander from ECG signal. International Conference on Welding Engineering and Technology (ICWET). 2011 Feb 25-26; Mumbai, Maharashtra, India. New York: Association for Computing Machinery. 2011:1290-1294. https://doi.org/10.1145/1980022.1980307
  18. Chuchupal VY. Ways to reduce the computational complexity of neural language models. Speech Technologies. 2020;(3-4):16-29 (In Russ.) EDN: NOPIOU

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).