从母亲的腹部心电图信号中提取胎儿心电图信号,使用注意力R2W-Net
Lin Chen1, Shuicai Wu1, Zhuhuang Zhou1
1College of Chemistry and Life Sciences, Beijing University of Technology, Beijing 100124, China.
Sensors (Basel, Switzerland)
|February 13, 2025
概括
一个新的Attention R2W-Net有效地将胎儿心电图 (FECG) 信号与母亲心电图 (ECG) 信号分开. 这种先进的深度学习模型在杂的环境中实现了高精度,有助于评估胎儿的心脏健康.
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) 信号对于评估胎儿心脏健康至关重要.
- 由于信号重叠和噪音,将FECG与母体心电图 (MECG) 分离起来具有挑战性.
- 准确的FECG提取对于早期诊断胎儿心脏异常至关重要.
研究的目的:
- 提出和评估一个新的深度学习网络,注意力R2W-Net,用于强大的FECG信号提取.
- 为了提高FECG信号与腹部心电图记录的分离.
- 提高临床应用FECG分析的准确性和可靠性.
主要方法:
- 一个W形并行网络 (注意力R2W-Net) 由两个注意力R2U-Nets组成.
- 循环剩余模块取代了卷积层,以增强特征表示和降噪.
- 注意门取代了跳过连接,用于精确的特征校正,改善模型性能.
- 双解码器重建了FECG和MECG信号.
主要成果:
- 注意力R2W-Net获得了高的F1分数:99.17% (ADFECGDB),98.03% (PCDB) 和97.08% (NIFECGDB). 在这些分数中,注意力R2W-Net获得了高的F1分数.
- 该模型在视觉和客观评估中都表现出卓越的性能.
- 即使在复杂,杂的环境中,也可以有效地提取FECG信号.
结论:
- 注意 R2W-Net 为FECG提取提供了可靠和准确的方法.
- 该网络的效率和准确性支持其广泛临床应用的潜力.
- 这项技术可以有助于改善胎儿心脏异常的早期诊断.
