整合对比学习和循环生成对抗网络,用于非侵入性胎儿心电图提取

科学领域:

• 生物医学工程 生物医学工程
• 信号处理 信号处理
• 人工智能的人工智能

背景情况:

• 胎儿心电图 (FECG) 提取对于产前监测至关重要.
• 由于噪音和母体心电图 (MECG) 的干扰,腹部FECG (AECG) 信号难以分离.

研究的目的:

• 开发一个先进的循环生成对抗网络 (CycleGAN),用于精确的FECG信号提取.
• 提高胎儿健康评估的FECG信号的质量和可靠性.

主要方法:

• 提出了一个改进的CycleGAN模型,在发电机中结合了双重注意力机制 (多头自我注意力和通道智能自我注意力).
• 集成的对比三重损失,以增强提取和参考FECG信号之间的相似性.
• 在Physionet的ADFECG和PCDB数据集上评估模型.

主要成果:

• 在信号提取质量指标方面取得了显著的改进:平均平方误差 (MSE) 为0.036,平均绝对误差 (MAE) 为0.009,皮尔森相关系数 (PCC) 为0.924.
• 在验证指标方面表现良好,包括结构相似性指数 (95.54%),峰值信号噪声比 (PSNR,38.87dB) 和R平方 (R2) (95.12%).
• 在两个数据集上都表现出优异的QRS波群检测性能,PPV,灵敏度 (SEN) 和F1得分超过98%并达到99.56%.

结论:

• 拟议的CycleGAN具有对比学习和双重注意力,可以有效地从AECG中提取FECG信号.
• 该模型为准确的胎儿健康监测提供了强大的解决方案,优于现有方法.
• 这一进步具有在产前护理中临床应用的巨大潜力.