Performance of an Efficient Hybrid Dilated–Long Short-Term Memory with Residual Learning for High-Fidelity Electrocardiogram Denoising Signal

ข้อมูลจากบทคัดย่อ

ยังไม่มีสรุปภาษาไทยสำหรับระเบียนนี้
ด้านล่างเป็นบทคัดย่อต้นฉบับภาษาอังกฤษจากข้อมูลบรรณานุกรม โปรดตรวจบทความต้นฉบับก่อนอ้างอิง

Addressing the critical challenge of signal degradation in biosensor cardiac monitoring, this paper introduces an efficient hybrid dilated–long short-term memory (LSTM) with residual learning (HDLR), which is a novel architecture engineered for a high-fidelity electrocardiogram (ECG) denoising signal. The proposed HDLR model synergistically integrates with dilated convolutions to expand the receptive field for multi-scale feature extraction. This is an LSTM-based backbone used to resolve long term temporal dependencies with residual learning paths to stabilize gradient flow and accelerate convergence. The proposed HDLR architecture integrates three core functional components with dilated convolutional layers utilized for local temporal feature extraction, where varying dilation rates expand the receptive field to capture both local waveform patterns and broader morphological structures without increasing computational complexity. Experimental results demonstrate a significant leap in performance, with the HDLR model achieving a mean squared error (MSE) of 0.002176, a signal-to-noise ratio (SNR) of 14.4420 dB, and a Matthews correlation coefficient (MCC) of 0.9822. Beyond quantitative metrics, the proposed HDLR architecture exhibits exceptional robustness in preserving cardiac morphology, specifically the P-wave and QRS complex of the ECG signal under stochastic noise conditions. These findings underscore the HDLR model’s potential as a backbone for next generation, real time diagnostic systems in intelligent healthcare.

เหตุผลที่อยู่ในฐานติดตาม

ระเบียนนี้ได้รับ Impact Signal 71/100 จากความใหม่ แหล่งเผยแพร่ ความร่วมมือ และสัญญาณในข้อมูลบรรณานุกรม คะแนนนี้ใช้จัดลำดับการติดตาม ไม่ใช่การตัดสินคุณภาพงานวิจัย

ประเด็นที่เกี่ยวข้อง: ECG Monitoring and Analysis · Non-Invasive Vital Sign Monitoring · Cardiac electrophysiology and arrhythmias

บทบาทของนักวิจัยและสถาบันไทย

Suchada Sitjongsataporn · Pipat Sakarin · Theerayod Wiangtong · Mahanakorn University of Technology · King Mongkut's Institute of Technology Ladkrabang

ข้อจำกัดของข้อมูล

หน้านี้เป็นระเบียนบรรณานุกรมและข้อมูลจากบทคัดย่อ ยังไม่ใช่บทวิเคราะห์ฉบับเต็มหรือการประเมินคุณภาพงานวิจัย ควรตรวจสอบ DOI และเอกสารต้นฉบับก่อนนำไปอ้างอิง