心血管疾病作为一种隐形杀手,其高发病率和高致残率给社会、家庭和患者本人带来沉重的经济负担和心理负担。所以,对心血管疾病的预防、监控以及后期治疗显得尤为重要。心电信号(Electrocardiogram,ECG)被广泛应用于心脏疾病的诊断。然而,在实际情况下,心电信号记录往往会受到不同噪声的污染,导致信号波段失真,影响最终的诊断结果。因此,提出一种有效的心电信号噪声抑制算法具有十分重要的意义。经过多年的发展,虽然ECG信号的处理与分析已取得重大进步,但是ECG信号降噪处理仍面临诸多挑战,比如:(1)利用传统模型对ECG信号进行降噪处理时,其降噪性能很难进一步提升且去除噪声种类单一。(2)基于学习的模型虽然达到了预期的效果,但大多神经网络作为一种黑匣子,其架构设计主要依赖于人工经验,且不具备较强的可解释性。基于上述问题,本文提出了两种ECG信号降噪算法进行研究,主要创新点与贡献AY-22989临床试验如下:(1)针对传统降噪模型去除噪声种类单一且泛化能力不足等问题,本文提出了一种基于对抗去噪卷积神经网络的ECG降噪模型。首先,采用对抗去噪卷积神经网络模型学习噪声信号中的残差信号,以此来得到降噪后的信号。其次,利用鉴别器网络对降噪后Compound 3配制的信号和原始干净信号进行分类,并反馈给对抗去噪卷积神经网络模型进行参数调整。此外,还设计了新的最小化时频域损失函数来训练网络模型,以此捕捉非线性特征和波形细节,也保证了网络训练过程的稳定性。通过在MIT-BIH数据库和QT数据库上划分三种不同类型的数据集来验证所提出的模型的降噪性能。实验结果表明,该方法与现有模型相比具有一定的优势。(2)针对传统的ECG降噪模型存在去除噪声类型单一、深度神经网络可解释性不足等问题,本文提出了一种基于稀疏表示的ECG深度神经网络降噪模型,Unani medicine将传统方法融入到神经网络的设计中,探讨了稀疏表示算法与神经网络之间的联系。首先,利用稀疏表示算法对ECG信号进行建模。其次,采用半二次分裂算法将优化问题转化为两个子问题。在设计并求解子问题的基础上,提出了一种新的神经网络架构,所设计的神经网络架构对其参数和数据流有清晰而有意义的解释。此外,还设计了一种新的权重分配模块,利用ECG信号数据间的相关性自适应地取超参数,大大提高了超参数选择的效率。为了验证所提模型的有效性,采用四种不同的降噪模型以及对应不同的数据预处理技术进行比较。经过大量的实验验证和仿真研究表明,该框架具有良好的降噪性能。