Adaptive Noise Cancellation For Electronic Stethoscopes
Translated title
Adaptiv støjreduktion til elektroniske stetoskoper
Author
El-Omar, Jacob
Term
4. semester
Education
Publication year
2025
Submitted on
2025-05-28
Pages
150
Abstract
Listening to the heart and lungs with a stethoscope is often hindered by background and equipment noise, especially in resource-limited clinics such as those in rural India. This thesis tests software methods that automatically reduce noise in these recordings. We evaluate three adaptive filters—LMS, NLMS, and RLS—and an Independent Component Analysis method (FastICA). We assess clarity using the signal-to-noise ratio (SNR); higher SNR means the body sounds stand out better from noise, measured in decibels (dB). In recordings where clean signals and noise were mixed synthetically, all methods met the target of improving SNR by at least 20 dB, confirming their expected behavior. Among the filters, RLS performed best: it achieved up to 34 dB improvement and worked reliably across different noise types using a fixed hyperparameter setting. FastICA gave strong results in controlled tests but was unreliable on real-world recordings because it was sensitive to timing and environmental conditions. In contrast, RLS with fixed settings proved practical and robust outside the lab. Overall, RLS-based adaptive filtering is a simple and effective way to enhance auscultation in noisy environments, supporting wider use in frontline health care.
At lytte til hjerte- og lungelyde med stetoskop bliver ofte forringet af baggrunds- og udstyrsstøj, især i ressourcebegrænsede klinikker som i landdistrikter i Indien. Denne afhandling afprøver softwaremetoder, der automatisk reducerer støj i sådanne optagelser. Vi evaluerer tre adaptive filtre—LMS, NLMS og RLS—samt en metode til uafhængig komponentanalyse (FastICA). Vi vurderer klarheden med signal-støj-forhold (SNR); højere SNR betyder, at kropslydene træder tydeligere frem i forhold til støjen, målt i decibel (dB). I optagelser, hvor rene signaler og støj blev blandet syntetisk, nåede alle metoder målet om at forbedre SNR med mindst 20 dB, hvilket bekræfter deres forventede virkninger. Blandt filtrene klarede RLS sig bedst: det opnåede op til 34 dB forbedring og fungerede pålideligt på tværs af støjtyper med en fast hyperparameter-indstilling. FastICA gav stærke resultater i kontrollerede tests, men var upålidelig på virkelige optagelser på grund af følsomhed over for timing og miljøforhold. I modsætning hertil viste RLS med faste indstillinger sig praktisk og robust uden for laboratoriet. Samlet set er RLS-baseret adaptiv filtrering en enkel og effektiv måde at forbedre auskultation under støjende forhold og kan støtte bredere anvendelse i frontlinjesundhedsvæsenet.
[This apstract has been rewritten with the help of AI based on the project's original abstract]