相关实验视频
Updated: Jul 11, 2025
04:36
Noninvasive Electrocardiography in the Perinatal Mouse
Published on: June 12, 2020
6.1K
深度学习与胎儿心电图识别
Wei Zhong1, Jiahui Luo1, Wei Du1
1Guangdong Police College, Guangzhou, 510000, People's Republic of China.
Physiological measurement
|November 8, 2023
概括
这项研究引入了一种新的深度学习方法,用于胎儿心电图 (FECG) 识别,克服了独立组件分析 (ICA) 的局限性. 该方法在多通道数据中准确识别FECG信号,推进自动化的FECG监控.
科学领域:
- 生物医学工程 生物医学工程
- 信号处理 信号处理
- 机器学习 机器学习
背景情况:
- 独立成分分析 (ICA) 是提取胎儿心电图 (FECG) 的常用方法.
- 对于FECG的ICA结果通常在幅度,顺序和极性方面不确定.
- 准确的FECG识别对于非侵入性产前监测至关重要.
研究的目的:
- 开发一种新的深度学习策略,以实现强大的FECG识别.
- 为了解决与FECG提取中ICA相关的不确定性.
- 提高FECG信号识别的准确性和自动化.
主要方法:
- 开发了一个跨域一致的卷积神经网络 (CDC-Net).
- ICA的输出被用作CDC-Net的输入.
- 经过训练,CDC-Net从多通道心电图数据中识别了目标FECG通道.
主要成果:
- 拟议的深度学习方法在FECG识别方面表现强.
- 在ADFECGDB数据库中,精度,回忆和F1分数分别为91.69%,91.37%和91.52%.
- 在Daisy数据库中,精度,回忆和F1分数分别达到97.85%,97.42%和97.63%.
结论:
- 本研究提供了使用深度学习进行自动化FECG识别的概念证明.
- 疾病预防控制中心网络有效地在多通道心电图数据中识别FECG信号.
- 这一进步有助于开发自动化的FECG监测技术.
