Una nova publicació amb participació de Jordi Solé-Casals va ser acceptada a la revista internacional Circuits, Systems, and Signal Processing sota el títol:
“ECGDenoiser: A Magnitude-Aware Deep Learning Framework with Phase Retrieval for Electrocardiogram Signal Enhancement”.

Millorar la qualitat dels senyals ECG amb intel·ligència artificial
L’objectiu principal d’aquesta recerca és millorar la qualitat dels senyals d’electrocardiograma (ECG) contaminats per soroll mitjançant un nou marc de deep learning anomenat ECGDenoiser. Aquest sistema introdueix un enfocament “magnitude-aware” al domini temps-freqüència i incorpora recuperació de fase, una combinació que permet obtenir senyals més nets i fiables per al diagnòstic clínic.
El projecte aborda un repte clau en el camp del processament biomèdic: com garantir la fiabilitat dels senyals fisiològics en entorns reals, sovint afectats per interferències elèctriques o electromagnètiques.

Metodologia i disseny del model
L’estudi aplica una Transformada de Fourier de curta durada (STFT) per separar magnitud i fase del senyal. A continuació, utilitza un model ConvNeXtV2 Attention UNet (CAUNet) per estimar l’espectre de magnitud del soroll i el mètode fast Griffin-Lim per recuperar la fase. Finalment, el senyal es reconstrueix amb ISTFT, i el rendiment es mesura mitjançant mètriques com RMSE i SNR.
Aquesta combinació d’enfocaments permet una millora significativa en la claredat i precisió dels senyals ECG, amb un model eficient i adaptable.

Resultats i perspectives futures
Els resultats obtinguts mostren que ECGDenoiser pot reduir considerablement el soroll i millorar la interpretació de les dades cardíaques. L’equip investigador planteja com a pròximes línies de treball:
• Reduir el cost computacional del model (mitjançant tècniques com pruning i quantization).
• Ampliar l’avaluació a fonts de soroll del món real, com la interferència de xarxa elèctrica o electromagnètica.
• Explorar l’aplicació del mètode a altres biosenyal fisiològics, com EMG o EEG.
• Validar clínicament el model en entorns mèdics reals per a la seva futura integració en sistemes de monitoratge.

Impacte i aplicacions pràctiques
Aquesta recerca obre la porta a millores substancials en el monitoratge cardíac, permetent obtenir senyals més nets i fiables en dispositius portàtils o entorns de edge computing. Això pot traduir-se en diagnòstics més precisos i detecció precoç de problemes cardíacs, així com en una millor gestió de dades biomèdiques en temps real.
A més, l’enfocament proposat és transferible a altres tipus de senyals fisiològics, fet que amplia el seu potencial d’impacte en el camp de la salut digital i la bioenginyeria.