Л.Ю. Кривоногов1, С.И. Геращенко2, Д.В. Папшев3, П.Д. Крянина4, Е.С. Халяпина5

1–5 ФГБОУ ВО «Пензенский государственный университет» (г. Пенза, Россия)
1 leonidkrivonogov@yandex.ru, 2 mpo@list.ru, 3 rover_d@mail.ru, 4 kryanina.lia@yandex.ru, 5 evgenia.halyapina@yandex.ru

Постановка проблемы. Развитие современных медицинских технологий требует совершенствования методов и алгоритмов подавления помех в биомедицинских сигналах (БМС). Искажения БМС, вызванные помехами или полученные в результате неадекватной фильтрации, становятся основным источником погрешностей измерений, затрудняют анализ БМС и снижают эффективность медицинской диагностики, так как могут привести к неточным и даже ошибочным диагностическим заключениям.

Цель. Разработать алгоритмы подавления помех в биомедицинских сигналах, обеспечивающие значительное подавление помех при минимальном искажении полезных сигналов.

Результаты. Проведено научное обоснование возможности эффективного подавления помех в БМС на основе методов декомпозиции сложных сигналов на узкополосные компоненты. Выбран метод декомпозиции, адаптированный к нестационарному характеру БМС. Созданы специализированные алгоритмы подавления высокочастотных и низкочастотных помех в БМС, проведена оценка их качества.

Практическая значимость. Предложенные и описанные в работе алгоритмы подавления помех в БМС являются основой для создания кардиодиагностических систем нового поколения, обеспечивающие высокоточное измерение параметров и выявление диагностически важных изменений в БМС, и позволяющие повысить достоверность диагностики сердечно-сосудис­той системы.

Кривоногов Л.Ю., Геращенко С.И., Папшев Д.В., Крянина П.Д., Халяпина Е.С. Алгоритмы подавления помех в биомедицинских сигналах на основе модифицированной эмпирической модовой декомпозиции // Биомедицинская радиоэлектроника. 2025.
T. 28. № 5. С. 23−26. DOI: https://doi.org/10.18127/j15604136-202505-05

1. Huang N.E., Shen Z., Long S.R., Wu M.C., Shih H.H., Zheng Q., Yen N.-C., Tung С.C., Liu H.H. The Empirical Mode Decomposition and The Hilbert Spectrum for Nonlinear and Non-Stationary Time Series Analysis. Proc. R. Soc. Lond. A. 1998. V. 454. P. 903–995.
2. Huang N.E., Shen S.S.P. The Hilbert-Huang Transform and Its Applications. World Scientific Publishing Co. Pte. Ltd., Singapore 596224. 2005. 526 р.
3. Zhaohua Wu, Norden E. Huang. Ensemble Empirical Mode Decomposition: A Noise Assisted Data Analysis Method. Advances in Adaptive Data Analysis 2009. V.1. №1. P. 1–41.
4. Yeh J.-R., Shieh J.-S., Huang N.E. Complementary ensemble empirical mode decomposition: A novel noise enhanced data analysis method. Advances in Adaptive Data Analysis. 2010. № 2(2). P. 135–156.
5. Torres M.E., Colominas M.A., Schlotthauer G., Flandrin P. A complete ensemble empirical mode decomposition with adaptive noise. 2011 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). 22–27 May 2011. Prague. P. 4144–4147.
6. Rousseeuw P.J. Croux C. Alternatives to the Median Absolute Deviation. Journal of the American Statistical Association. 1993. V. 88. № 424. P. 1273–1283.
7. Breiman L. Better Subset Regression Using the Nonmegative Garrote. Technometrics. 1995. V. 37(4). P. 373–384.