シングルチャネル胎児ECG抽出のための深層ソース分離

科学分野:

• 生体医工学
• 信号処理
• 人工知能

背景:

• 腹部信号からの胎児心電図（FECG）の抽出は、胎児の健康モニタリングにとって重要です。
• 母体心電図（MECG）の干渉は、腹部心電図（AECG）信号におけるFECGの分離を著しく困難にします。
• 既存の方法では、MECGの高い振幅に対処することが困難であり、重要なFECG信号がしばしば覆い隠されてしまいます。

研究 の 目的:

• 単一リードAECGからの堅牢なFECGソース分離のための注意機構ベース敵対的生成ネットワーク（AGAN）を提案すること。
• 信号分離のためのマルチ目的学習における振幅バイアスの問題に対処すること。
• 生体信号に適用可能な新しいブラインドソース分離フレームワークを開発すること。

主な方法:

• GANスタイルの敵対的トレーニングと注意機構を組み合わせたAGANアーキテクチャが開発されました。
• 学習目標としてアダマール積を革新的に採用し、振幅バイアスを軽減しました。
• モデルは、ADFECGDB、B2_LABOUR、PCDBデータセットでトレーニングおよび評価されました。

主要な成果:

• AGAN法は、単一リードAECGからMECGとFECGの両方の成分を同時に効果的に分離しました。
• 一貫して高いパフォーマンスが複数のデータセットで達成され、SE、PPV、F1スコアは94%を超えました。
• ADFECGDBでは、SE 96.67%、PPV 97.13%、F1 96.90%という具体的なスコアが達成されました。

結論:

• 提案されたAGANは、AECG信号からのFECG抽出のための堅牢で効果的なソリューションを提供します。
• 本研究は、ブラインドソース分離の課題に対処するための革新的なデータ駆動型フレームワークを導入します。
• この方法は、非侵襲的な胎児モニタリング技術を進歩させる大きな可能性を秘めています。