An Unbiased Linear Adaptive Filter with Normalized Coefficients for the Removal of Noise in Electrocardiographic Signals
Notice bibliographique
Résumé
The authors propose an unbiased linear adaptive filter (ULAF) to eliminate high-frequency random noise in electrocardiographic (ECG) signals. The ULAF does not contain a bias in its summation unit, and the filter coefficients are normalized. During the adaptation process, the normalized coefficients are updated with the steepest-descent algorithm in order to achieve efficient filtering of noisy ECG signals. The authors tested the ULAF with ECG signals recorded from 16 subjects, and compared the performance of the ULAF with that of the least-mean-square (LMS) and recursive-least-squares (RLS) adaptive filters. The filtering performance was quantified in terms of the root-mean-squared error (RMSE), normalized correlation coefficient (NCC), and filtered noise entropy (FNE). A template derived from each ECG signal was used as the reference to compute the measures of filtering performance. The results indicated that the ULAF was able to provided noise-free ECG signals with an average RMSE of 0.0287, which was lower than the second best RMSE (0.0365) obtained with the LMS filter. With respect to waveform fidelity, the proposed ULAF provided the highest average NCC (0.9964) among the three filters studied. In addition, the ULAF effectively removed more noise measured by FNE versus the LMS and RLS filters in most of the ECG signals tested.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».