Neues Transformer‑U‑Net für robuste ECG‑Rauschunterdrückung in Digital Twins

Im Bereich der kardiologischen Digital Twins sind Elektrokardiogramme (EKG) die zentrale Datenquelle. Ihre diagnostische Aussagekraft wird jedoch häufig durch Rauschen und Artefakte beeinträchtigt. Um diesem Problem entgegenzuwirken, wurde das Modell TF‑TransUNet1D entwickelt – ein ein‑dimensionales Deep‑Learning‑Netzwerk, das die Stärken eines U‑Net‑Encoders/Decoders mit einem Transformer‑Encoder kombiniert und dabei einen hybriden Zeit‑Frequenz‑Verlust nutzt.

Die Architektur des Modells ist darauf ausgelegt, sowohl lokale morphologische Merkmale als auch langfristige zeitliche Abhängigkeiten gleichzeitig zu erfassen. Durch die Einführung eines Dual‑Domain‑Losses wird die Rekonstruktion des Signals im Zeit‑ und Frequenzbereich gleichzeitig optimiert. Der Frequenz‑Domänen‑Term reduziert hochfrequentes Rauschen, während die zeitliche Struktur erhalten bleibt, sodass auch feine, klinisch relevante Signalbestandteile wiederhergestellt werden.

Die Leistungsfähigkeit von TF‑TransUNet1D wurde an synthetisch verrauschten Signalen aus der MIT‑BIH‑Arrhythmie‑Datenbank sowie dem Noise Stress Test Database (NSTDB) getestet. Im Vergleich zu führenden Baselines erzielte das Modell eine signifikante Verbesserung des Signal‑zu‑Rausch‑Verhältnisses und reduzierte die mittlere absolute Fehlergröße auf 0,1285. Darüber hinaus erreichte es einen Pearson‑Korrelationskoeffizienten von 0,9540, was die hohe Genauigkeit der Rekonstruktion unterstreicht.

Durch die Bereitstellung einer hochpräzisen Rauschunterdrückung schließt TF‑TransUNet1D eine entscheidende Lücke im Vorverarbeitungs‑Pipeline für kardiologische Digital Twins. Damit wird die Zuverlässigkeit von Echtzeit‑EKG‑Analysen verbessert und die Grundlage für genauere Diagnosen und Therapieentscheidungen gelegt.