Noise Removal from ECG Signals by Adaptive Filter Based on Variable Step Size LMS Using Evolutionary Algorithms
Notice bibliographique
Résumé
Nowadays, the electrocardiogram (ECG) signal is widely used to detect cardiovascular diseases. Several studies are conducted on noise removal of ECG signal based on the adaptive filter with least-mean Square (LMS) algorithm. In this paper, for improving the traditional LMS method, the evolutionary algorithms are used to select the variable optimal step size of LMS, causing the least error between the main and filtered ECG signals. The proposed Adaptive Noise Cancellation System (ANC) includes Wavelet Transform and IIR-Notch filter to reduce the baseline Wander and Power Line Interference noises. Afterward, an additive white noise generator unit is employed to evaluate the performance of the three adaptive models involving GA-LMS, PSO-LMS, and GA-PSO-LMS algorithms in terms of Signal to Noise Ratio (SNR) and Mean Square Error (MSE). Eventually, to evaluate the performance of the proposed models in terms of the MSE and SNR criteria, we conduct comprehensive experiments on the ECG records of the MIT -BIH database. The obtained results of variable step size, GA-LMS, PSO-LMS, and hybrid GA-PSO-LMS, demonstrate more efficiency in filtered signal compared to constant step size LMS. Besides, in most cases, the Hybrid GA-PSO-LMS method has superiority over two other proposed methods concerning the SNR and MSE criteria.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».