Улучшение биомедицинских сигналов с помощью оптимизированных генетическим алгоритмом методов подавления шума на основе возведённого в степень транзмутированного распределения Вейбулла

Почему важно очищать медицинские сигналы

Каждое сокращение сердца на электрокардиограмме и каждая флуктуация в записи мозговой активности могут содержать подсказки к серьёзным заболеваниям. Однако в реальных больницах и клиниках эти сигналы часто скрыты под слоями нежелательного шума от мышечных подёргиваний, моргания, электрических помех и несовершенных датчиков. В этой работе предложен новый способ очистки таких запутанных сигналов, чтобы врачи и алгоритмы могли яснее видеть важные закономерности — без необходимости в огромных обучающих наборах или суперкомпьютерах.

Проблема с зашумлёнными сердечными и мозговыми сигналами

Электроэнцефалограммы (ЭЭГ), электрокардиограммы (ЭКГ) и медицинские изображения, такие как МРТ и рентгеновские снимки, имеют ключевое значение для диагностики эпилепсии, нарушений ритма сердца и структурных аномалий. Но эти записи легко искажаются. Движения глаз могут маскировать эпилептические пики, движения тела — скрывать важные особенности ЭКГ, а зернистый шум — размывать мелкие детали на изображениях. Традиционные методы очистки — например, простые фильтры, вейвлеты или популярные методы слепого разделения источников — часто предполагают, что шум ведёт себя аккуратно и симметрично. В реальности клинический шум нерегулярен, скошен и иногда доминирует редкими экстремальными всплесками. Когда методы опираются на упрощённые модели шума, они либо плохо удаляют помехи, либо случайно сглаживают именно те детали, которые важны для клиницистов.

Гибкая модель для сложного шума

Авторы предлагают решить эту проблему, введя высокоадаптивную модель шума, называемую возведённым в степень транзмутированным распределением Вейбулла (Exponentiated Transmuted Weibull Distribution, ETWD). Вместо того чтобы предполагать единую фиксированную форму шума, ETWD использует три основных параметра, которые меняют форму кривой, позволяя ей имитировать широкий класс известных распределений и соответствовать как тяжёлохвостым, так и асимметричным паттернам. На практике это означает, что одна и та же математическая модель может описывать артефакты от моргания в ЭЭГ, всплески от движения в ЭКГ и зернистую структуру на медицинских изображениях. Команда идёт дальше и выводит специальную «функцию оценки» (score function) из ETWD, встраивая её в быстрый алгоритм разделения сигналов (FastICA). Эта функция направляет алгоритм к наиболее правдоподобным скрытым источникам, разделяя сигнал и шум с учётом реальной статистики данных.

Давать настройку очистки эволюции

Поскольку ETWD настолько гибкая, выбирать её параметры вручную — всё равно что настраивать сложный музыкальный инструмент на шумном рынке на слух. Чтобы автоматизировать процесс, исследователи используют генетический алгоритм — процедуру поиска, вдохновлённую естественным отбором. Наборы параметров рассматриваются как особи в популяции; лучшие по качеству подбора к данным постепенно улучшаются в ходе поколений. Этот эволюционный шаг помогает избежать застревания в плохих решениях и не требует вычисления сложных производных. Та же оптимизация регулирует правила разреженности в вейвлет-пространстве, которые выборочно сжимают небольшие коэффициенты, доминируемые шумом, сохраняя при этом крупные коэффициенты, несущие структуру. В сочетании ETWD, FastICA, генетический поиск и разреженность образуют единый конвейер подавления шума, который не требует обучения, но при этом сильно зависит от данных.

Тестирование метода на мозге, сердце и изображениях

Чтобы проверить подход, авторы применили его к трем типам биомедицинских данных. Для ЭЭГ они очистили записи, загрязнённые мышечными и глазными артефактами, а затем запустили процедуру обнаружения вспышек на результатах. Точность обнаружения выросла с 71% на зашумлённых данных до 94% после подавления шума с помощью ETWD с усилением разреженности, а число ложных срабатываний заметно упало. Для ЭКГ они оценивали, насколько хорошо стандартные детекторы сердечных сокращений находят характерные R‑пики. После очистки F1‑метрика детектора, отражающая баланс между попаданиями и промахами, поднялась с 0,89 до 0,97, что указывает на более надёжное сохранение и обнаружение ключевых сокращений сердца. В медицинских изображениях с добавленным гауссовским, спекл‑или рициановским шумом метод стабильно улучшал пик отношения сигнал/шум по сравнению с несколькими стандартными фильтрами, точнее восстанавливая тонкие анатомические детали и делая это за меньшее время.

Противостояние современному глубокому обучению

Глубокие нейронные сети стали популярны для подавления шума, но они требуют больших размеченных наборов данных и значительного времени обучения, а иногда чрезмерно сглаживают мелкую структуру. Авторы сравнили свою схему с свёрточными автоэнкодерами, обученными на тех же данных ЭЭГ, ЭКГ и изображений. По ключевым метрикам качества конвейер на основе ETWD сравним или превосходит эти глубокие модели, при этом избегая отдельной фазы обучения. Он также показал хорошую робастность при применении без перенастройки к совершенно новым наборам данных, полученным по другим протоколам — производительность падает лишь незначительно и всё ещё превосходит стандартные решения, основанные на гауссовских предположениях, что свидетельствует о приемлемой переносимости между площадками.

Что это значит для пациентов и клиницистов

Проще говоря, эта работа предлагает более умный «стиральщик» шума для медицинских сигналов. Используя высокоадаптивное описание шума и позволяя эволюционному алгоритму автоматически его подстраивать, подход удаляет помехи, сохраняя при этом крошечные пики, резкие сердечные сокращения и слабые контуры на изображениях, которые часто несут диагностическую информацию. В результате получаются яснее ЭЭГ‑записи, чище ритмы ЭКГ и отчётливее медицинские изображения — без огромных обучающих коллекций и «чёрных ящиков». При широком клиническом подтверждении такой адаптивный, не требующий обучения метод подавления шума мог бы сделать повседневные устройства мониторинга и больничные системы более надёжными, помогая как людям, так и алгоритмам ставить более безопасные и уверенные диагнозы.

Цитирование: Sayedelahl, M.A., Farouk, R.M. & Adam, A.M. Enhancing biomedical signals through genetic algorithm optimized Exponentiated transmuted weibull denoising techniques. Sci Rep 16, 13409 (2026). https://doi.org/10.1038/s41598-026-46088-7

Ключевые слова: удаление шума в биомедицинских сигналах, удаление шума в ЭЭГ и ЭКГ, улучшение медицинских изображений, анализ независимых компонент, оптимизация генетическим алгоритмом