NEAR-SSB: Noisy ECG Artifact Removal via Spectral Schrodinger Bridge

Motivation

• Known: 전통적인 bandpass filtering, wavelet denoising 등은 고정된 신호 가정에 의존하며 non-stationary artifact에 취약하고, diffusion 기반 모델(DeScoD, EDDM 등)은 clean 분포를 학습해 SOTA 성능을 보이지만 white Gaussian corruption을 가정한다. I2SB는 noisy-clean 분포 간 직접적인 stochastic transport를 학습해 효율성을 개선했지만 여전히 Brownian motion reference process에 의존한다.
• Gap: ECG artifact(baseline wander, electrode motion, muscle noise)는 white noise가 아니라 spectrally colored(구조화된 저주파/고주파) 특성을 가지므로, isotropic Gaussian noise를 가정하는 기존 diffusion 및 I2SB 프레임워크는 이러한 물리적 특성과 불일치하여 복원 성능이 저하된다.
• Why: ECG 신호는 심혈관 진단의 핵심 자료이며 P wave, QRS complex, ST segment 등 임상적으로 중요한 파형이 artifact로 인해 왜곡되면 부정맥 검출, 허혈 평가 등 하위 진단 작업의 신뢰도가 크게 저하되므로, 생리학적으로 타당한 denoising 방법이 임상 적용에 중요하다.
• Approach: I2SB의 diffusion SDE에 circulant spectral covariance matrix H를 도입하여 노이즈 주입이 ECG의 spectral 구조를 따르도록 하고, 데이터로부터 학습한 PSD prior(Cubic Spline 모델)로 H의 스펙트럴 프로파일을 파라미터화한다.

Achievement

Figure 2. Sample power spectral density comparison between

1. 스펙트럴 diffusion SDE의 이론적 정립: spectral diffusion coefficient H^{1/2}를 도입한 SDE의 transition kernel이 spectrally aligned covariance를 갖는 Gaussian 분포임을 증명(Proposition 2.1).
2. Simulation-free 학습 가능한 posterior 도출: 스펙트럴 anisotropy 하에서도 posterior mean이 기존 isotropic 경우와 동일한 precision-weighted scalar interpolation 형태를 유지함을 증명(Theorem 2.2)하여, SDE를 수치적으로 풀지 않고도 학습 가능하게 함.
3. 데이터 기반 PSD prior 구축: Physiological Prior, GMM, Cubic Spline 세 가지 파라메트릭 모델을 비교하여 Cubic Spline이 empirical target에 가장 근접함을 규명(Figure 1).
4. 다양한 노이즈 조건에서의 성능 우위: BW, EM, MA 노이즈에 대해 전통적 필터링, diffusion baseline(DeScoD, EDDM), isotropic Schrödinger Bridge(NEAR-SSB-White) 대비 MAD, SSD 지표에서 전반적으로 우수한 성능을 달성.

How

Figure 1. PSD Model Comparison

• I2SB의 forward SDE dx_t = f(x_t,t)dt + sqrt(g(t)) H^{1/2} dw_t 에서 H를 circulant matrix로 제한하여 DFT를 통해 대각화하고, convolution theorem을 이용해 H^{1/2}dw_t를 효율적으로 계산.
• Proposition 2.1과 Theorem 2.2를 통해 forward 및 posterior 분포가 spectrally aligned covariance를 갖는 닫힌 형태(closed-form)임을 증명.
• 학습 데이터셋 전체에 대해 Fourier magnitude 제곱 평균으로 empirical PSD(ĥ_emp)를 계산.
• Physiological Prior(7-parameter), GMM(3/5 components), Cubic Spline(8-parameter) 세 모델을 log-spectral distance 기준으로 비교하여 최적 스펙트럴 프로파일 h를 선정.
• 선정된 spline S(f;θ*)를 DFT 주파수에서 discretize하여 최종 diagonal h 구성.
• BW, EM, MA 세 가지 벤치마크 노이즈 조건에서 전통적 필터링, DeScoD, EDDM(10-shot), NEAR-SSB-White(H=I)와 PRD, MAD, SSD, cosine similarity 지표로 비교 평가.

Originality

• I2SB 프레임워크에 처음으로 spectrally structured(anisotropic) diffusion process를 도입하여, 기존 isotropic Brownian motion 기반 diffusion bridge의 한계를 극복하려는 시도가 독창적임.
• circulant matrix 구조를 활용해 spectral covariance H를 DFT 도메인에서 효율적으로 처리하는 방법론적 기여가 있음.
• 단순 고정된 physiological/GMM prior가 아닌 데이터 기반 학습형 Cubic Spline PSD prior를 도입해 empirical spectral 구조에 최적화한 점이 실용적으로 참신함.

Limitation & Further Study

• 실험이 초록 및 본문 발췌 수준에서 특정 3가지 노이즈(BW, EM, MA) 조건과 제한된 baseline(DeScoD, EDDM 10-shot)에 국한되어 있어 일반화 가능성에 대한 추가 검증이 필요함.
• PRD 지표에서는 EDDM이 더 우수한 경우가 많아, 제안 방법이 모든 지표에서 일관되게 우월한 것은 아니며 trade-off에 대한 심층 분석이 부족함.
• Cubic Spline PSD prior가 특정 데이터셋(및 노이즈 유형)에 최적화된 것으로 보이며, 다양한 환자군·기기·노이즈 조건에 대한 일반화 및 강건성 검증이 추가로 필요함.
• Appendix에 위치한 정량적 결과(Table 1) 및 정성적 비교(Figure 3)에 대한 심층 논의가 본문 발췌에서는 제한적으로만 제공됨.

Evaluation

총평: isotropic diffusion 가정을 spectral prior로 대체한다는 아이디어는 ECG denoising에 물리적으로 타당하고 이론적 뒷받침도 탄탄하며, 실험적으로도 경쟁력 있는 성능을 보이는 견실한 연구이다. 다만 일부 지표(PRD)에서의 일관된 우위 부족과 제한된 baseline 비교는 추가 검증이 필요한 부분이다.