Extracción profunda de fuentes para la extracción de ECG fetal de un solo canal

Área de la Ciencia:

• Ingeniería Biomédica; Procesamiento de Señales; Inteligencia Artificial

Sus antecedentes:

• La extracción del electrocardiograma fetal (FECG) de señales abdominales es crucial para la monitorización de la salud fetal.
• La interferencia del electrocardiograma materno (MECG) desafía significativamente el aislamiento del FECG en las señales del electrocardiograma abdominal (AECG).
• Los métodos existentes luchan con la alta amplitud del MECG, que a menudo eclipsa la señal crítica del FECG.

Objetivo del estudio:

• Proponer una red generativa antagónica basada en atención (AGAN) para la separación robusta de fuentes de FECG de AECG de un solo canal.
• Abordar el problema del sesgo de amplitud en el aprendizaje multiobjetivo para la separación de señales.
• Desarrollar un marco novedoso para la separación ciega de fuentes aplicable a señales biomédicas.

Principales métodos:

• Se desarrolló una arquitectura AGAN que combina el entrenamiento adversarial estilo GAN y mecanismos de atención.
• Se empleó de forma innovadora el producto Hadamard como objetivo de aprendizaje para mitigar el sesgo de amplitud.
• El modelo se entrenó y evaluó en los conjuntos de datos ADFECGDB, B2_LABOUR y PCDB.

Principales resultados:

• El método AGAN separó eficazmente tanto los componentes MECG como FECG simultáneamente de AECG de un solo canal.
• Se logró un alto rendimiento constante en múltiples conjuntos de datos, con puntuaciones de SE, PPV y F1 superiores al 94%.
• Las puntuaciones específicas incluyeron 96,67% de SE, 97,13% de PPV y 96,90% de F1 en ADFECGDB.

Conclusiones:

• El AGAN propuesto presenta una solución robusta y eficaz para la extracción de FECG de señales AECG.
• Este estudio introduce un marco innovador impulsado por datos para abordar los desafíos de la separación ciega de fuentes.
• El método tiene un potencial significativo para avanzar en las tecnologías de monitorización fetal no invasiva.