一个深度学习框架,用于非侵入性的胎儿心电图信号提取
Maisam Wahbah1,2, M Sami Zitouni1, Raghad Al Sakaji3
1College of Engineering and Information Technology, University of Dubai, Dubai, United Arab Emirates.
Frontiers in physiology
|May 7, 2024
概括
这项研究引入了一个新的循环神经网络框架,用于从腹部信号准确检测胎儿心电图 (ECG) 的R峰. 这一进步使可靠的远程胎儿监测成为可能,这对母亲和胎儿健康至关重要.
科学领域:
- 生物医学工程 生物医学工程
- 孕产妇和胎儿医学 孕产妇和胎儿医学
- 信号处理 信号处理
背景情况:
- 积极的胎儿健康监测对于减少死亡率和并发症至关重要,特别是在资源有限的环境或危机期间.
- 现有的医疗保健系统往往难以提供持续的胎儿监测,需要用于临床和家庭使用的创新解决方案.
研究的目的:
- 开发一个强大的框架,用于从复合腹部信号直接检测胎儿心电图 (ECG) R峰值.
- 为了在各种环境中实现直接和快速的胎儿监测,包括偏远或低资源的环境.
主要方法:
- 70名孕妇的12通道腹部复合信号的非侵入性记录.
- 开发和应用用于R峰检测的循环神经网络架构.
- 验证使用主体依赖 (5 倍交叉验证) 和独立 (离开一个主体) 测试.
主要成果:
- 在受试者测试中平均准确率为94.2%,在独立测试中达到88.8%.
- 即使在具有挑战性的维尼克斯卡塞奥萨层形成时期,也证明了86.7%的离开一个主体的准确性.
- 从检测到的R峰值成功计算出胎儿心率,证实了框架的强度.
结论:
- 拟议的循环神经网络框架有效地从腹部信号中检测胎儿心电图R峰.
- 这项技术在改善孕产妇和胎儿医疗保健方面具有重大潜力,可在各种条件下进行持续监测.
- 该框架的稳定性表明其可用于关键医疗保健场景和先进的胎儿监测应用.
