An electrocardiogram (ECG) signal is a record of the electrical activities of heart muscle and is used clinically to diagnose heart diseases. An ECG signal should be presented as clear as possible to support accurate decisions made by doctors. This article proposes different combinations of combined adaptive algorithms to derive different noise‐cancelling structures to remove (denoise) different kinds of noise from ECG signals. The algorithms are applied to the following types of noise: power line interference, baseline wander, electrode motion artifact, and muscle artifacts. Moreover, the results of the suggested models and algorithms are compared with those of conventional denoising tools such as the discrete wavelet transform, an adaptive filter, and a multilayer neural network (NN) to ensure the superiority of the proposed combined structures and algorithms. Furthermore, the hybrid concept is based on dual, triple, and quadruple combinations of well‐known algorithms that derive adaptive filters, such as the least mean squares, normalized least mean squares and recursive least squares algorithms. The combinations are formulated based on partial update, variable step‐size (VSS), and second iterative VSS algorithms, which are considered in different combinations. In addition, biased NN and unbiased linear neural network (ULNN) structures are considered. The performance of the different structures and related algorithms are evaluated by measuring the post‐signal‐to‐noise ratio, mean square error, and percentage root mean square difference.

中文翻译：

---

提出的心电图信号降噪的网络结构和组合自适应算法

心电图（ECG）信号是心肌电活动的记录，在临床上用于诊断心脏病。心电图信号应尽可能清晰，以支持医生做出的准确决定。本文提出了组合自适应算法的不同组合，以得出不同的噪声消除结构，以从ECG信号中消除（去噪）不同种类的噪声。该算法适用于以下类型的噪声：电源线干扰，基线漂移，电极运动伪影和肌肉伪影。此外，将建议的模型和算法的结果与常规降噪工具（如离散小波变换，自适应滤波器，以及多层神经网络（NN），以确保所提出的组合结构和算法的优越性。此外，混合概念基于众所周知的算法的双，三和四组合，这些算法可导出自适应滤波器，例如最小均方，归一化最小均方和递归最小二乘算法。组合是根据部分更新，可变步长（VSS）和第二次迭代VSS算法制定的，这些算法在不同组合中考虑。此外，还考虑了有偏神经网络和无偏线性神经网络（ULNN）结构。通过测量信号后的信噪比，均方误差和均方根差百分比来评估不同结构和相关算法的性能。混合概念基于众所周知的算法的对偶，三重和四重组合，这些算法派生出自适应滤波器，例如最小均方，归一化最小均方和递归最小二乘算法。组合是根据部分更新，可变步长（VSS）和第二次迭代VSS算法制定的，这些算法在不同组合中考虑。此外，还考虑了有偏的NN和无偏线性神经网络（ULNN）结构。通过测量信号后的信噪比，均方误差和均方根差百分比来评估不同结构和相关算法的性能。混合概念基于众所周知的算法的对偶，三重和四重组合，这些算法派生自适应滤波器，例如最小均方，归一化最小均方和递归最小二乘算法。组合是根据部分更新，可变步长（VSS）和第二次迭代VSS算法制定的，这些算法在不同组合中考虑。此外，还考虑了有偏的NN和无偏线性神经网络（ULNN）结构。通过测量信号后的信噪比，均方误差和均方根差百分比来评估不同结构和相关算法的性能。归一化最小均方和递归最小二乘算法。这些组合是根据部分更新，可变步长（VSS）和第二次迭代VSS算法制定的，这些算法在不同的组合中考虑。此外，还考虑了有偏的NN和无偏线性神经网络（ULNN）结构。通过测量信号后的信噪比，均方误差和均方根差百分比来评估不同结构和相关算法的性能。归一化最小均方和递归最小二乘算法。这些组合是根据部分更新，可变步长（VSS）和第二个迭代VSS算法制定的，这些算法在不同的组合中考虑。此外，还考虑了有偏的NN和无偏线性神经网络（ULNN）结构。通过测量信号后的信噪比，均方误差和均方根差百分比来评估不同结构和相关算法的性能。