通过使用结合CNN-BiLSTM架构的CycleGAN提高胎儿心电图信号提取精度
Yuyao Yang1, Lin Chen1, Shuicai Wu1
1Department of Biomedical Engineering, College of Chemistry and Life Science, Beijing University of Technology, Beijing 100124, China.
Sensors (Basel, Switzerland)
|May 11, 2024
概括
这项研究介绍了CBLS-CycleGAN,这是一种深度学习模型,可以重建胎儿心电图 (FECG) 信号. 该模型准确地保留了FECG形态,有助于早期检测胎儿痛苦并改善新生儿结果.
科学领域:
- 生物医学工程 生物医学工程
- 医疗保健中的人工智能
- 胎儿监测 胎儿监测 胎儿监测
背景情况:
- 胎儿心电图 (FECG) 提供了对胎儿发育和心脏活动的关键见解.
- 在FECG形态的变化可以信号子宫内缺氧,胎儿痛苦和新生儿窒息,需要早期检测,以提高母亲和胎儿的安全.
- 准确的FECG信号重建对于可靠的临床解释和干预至关重要.
研究的目的:
- 提出一种新的深度学习模型,CBLS-CycleGAN,用于以增强的形态清晰度重建FECG信号.
- 通过先进的信号处理,提高通过先进的信号处理来识别胎儿痛苦和相关疾病的诊断能力.
主要方法:
- 开发CBLS-CycleGAN,这是一个深度学习架构,结合CNN用于空间特征和BiLSTM用于生成器中的时间特征.
- 在区分器中利用PatchGAN,通过使用信号段作为输入来关注信号细节.
- 基于两个现实世界FECG数据库对模型的评估:"腹部和直接胎儿心电图数据库"和"胎儿心电图,直接和腹部与参考心跳注释".
主要成果:
- 该模型实现了0.019的平均平方误差 (MSE) 和0.006的平均绝对误差 (MAE).
- 在检测FQRS复合波的高精度,灵敏度,正预测值和F1分数分别为99.51%,99.57%和99.54%.
- 有效保存FECG形态信息,包括P波,T波,P-R间隔和ST段.
结论:
- CBLS-CycleGAN模型成功地重建了FECG信号,同时保留了关键的形态细节.
- 这项技术为早期检测胎儿痛苦提供了巨大的潜力,并为临床决策提供了宝贵的诊断见解.
- 这些发现支持开发合理处理方案,为解释复杂的FECG数据提供科学基础.
