基于GWO-VMD-DLSTM框架的心磁信号降噪方法

摘要

针对心磁信号在采集过程中易受多源噪声干扰、病理特征被淹没等问题，提出一种基于变分模态分解与双头注意力长短期记忆网络的联合降噪算法。该方法首先通过灰狼优化算法优化的变分模态分解对原始心磁信号进行自适应分解，获得一系列本征模态函数分量，有效抑制模态混叠现象，实现噪声与有效信号的精准分离；随后构建具有双头注意力机制的长短期记忆网络，自适应学习各模态分量中的噪声与信号特征，实现分量级滤波与信号的端到端重构，克服传统方法依赖人工经验筛选模态分量的局限性。实验结果表明，在复杂噪声与基线漂移环境下，所提方法在信噪比（23.58 dB）和余弦相似度（0.99）等关键指标上均优于传统降噪算法，同时能有效保留心磁信号中的病理特征，为心磁图技术在心血管疾病早期诊断中的临床应用提供可靠技术支撑。

关键词

心磁信号 / 变分模态分解 / 长短期记忆网络 / 双头注意力机制 / 信号降噪 / 深度学习