Assessing Electrocardiogram Quality: A Deep Learning Framework for Noise Detection and Classification

Abstract

The electrocardiogram (ECG) is essential for diagnosing cardiovascular conditions, yet ECG signals are highly prone to noise, which reduces their reliability, especially in wearable devices and long-term monitoring applications. Traditional noise detection methods achieve limited accuracy, and deep learning (DL) has emerged as a promising solution. Current DL approaches are focused on binary classification (noisy versus clean) and lack more detailed quality information. This paper explores these challenges by developing a DL model capable of performing a comprehensive signal quality assessment (SQA) through the detection of noisy segments and the classification of specific noise types in the ECG data. To accomplish this, a labeled dataset is generated by injecting controlled noise into clean signals. A model based on gated recurrent units (GRUs) is developed to handle the time-series nature of the data, identifying and classifying common noise types. The model achieved a high accuracy of 92.86 % for electrode motion (EM) noise followed by an accuracy of 92.05 % and 81.55 % for baseline wander (BW) and muscle artifacts (MA), respectively. Despite challenges with overlapping noise, the model consistently maintains high recall and precision rates, proving effective in identifying noise when present. Compared to state-of-the-art DL approaches, the proposed model significantly outperforms previous methods, achieving 99.72 % accuracy when conducting a binary classification of the signals. This thesis offers a significant advancement in ECG signal processing by providing a more detailed understanding of noise beyond binary classification. Future improvements comprise adding the quantification of noise to predict the level of contamination. The work has the potential to impact clinical practice, long-term monitoring, and self-monitoring technologies, benefiting medical professionals, researchers, and wearable device users alike.

O eletrocardiograma (ECG) é uma ferramenta diagnóstica crucial para doenças cardi- ovasculares. No entanto, os sinais de ECG são vulneráveis a ruído, que comprometem a sua qualidade e utilidade, especialmente em monitorização a longo prazo e dispositivos Vestíveis. Os métodos tradicionais de deteção de ruído apresentam extatidão limitada, e o deep learning (DL) surge como uma solução promissora. As abordagens atuais de DL concentram-se na classificação binária (ruído versus sinal limpo), sem fornecer informa- ções detalhadas sobre a qualidade dos sinais. Esta tese enfrenta esse desafio desenvolvendo um modelo de DL que realiza uma avaliação abrangente da qualidade do sinal (SQA) ao detetar segmentos ruidosos e classificar tipos específicos de ruído nos dados de ECG. Foi criado um conjunto de dados anotado ao injetar ruído controlado em sinais limpos. Para lidar com a natureza temporal dos dados, foi desenvolvido um modelo baseado em gated recurrent units (GRUs), capaz de identificar e classificar os tipos de ruído mais comuns. O modelo alcançou uma extatidão de 92.86 % na deteção de movimento de eletrodos, 92.05 % para ruído de deriva de linha de base (BW) (MA) e 81.55 % para artefactos musculares (MA). Embora a sobreposição de ruídos apresente desafios, o modelo mantém altas taxas de recall e precisão, demonstrando eficácia na deteção de ruído quando presente. Comparado com as abordagens mais recentes, o modelo proposto supera métodos anteriores, atingindo 99.72 % de extatidão na classificação binária dos sinais. Este trabalho representa um avanço significativo no processamento de sinais de ECG, oferecendo uma compreensão mais detalhada do ruído para além da classificação binária. Melhorias futuras incluem a quantificação do ruído para prever o nível de contaminação. O trabalho tem potencial para impactar a prática clínica, a monitorização a longo prazo e a automonitorização, beneficiando profissionais de saúde, investigadores e utilizadores de dispositivos vestíveis.