使用深度注意力变压器在腹腔心电图中提取胎儿心跳位置
Murad M Almadani1, Mohanad Alkhodari2, Samit Kumar Ghosh1
1Khalifa University, Department of Biomedical Engineering and Biotechnology, Abu Dhabi, 127788, United Arab Emirates.
Computers in biology and medicine
|March 17, 2025
概括
一个新的深度学习模型,胎儿心脏声音U-NetR (FHSU-NETR),准确地从心电图信号中提取胎儿和母亲的心率. 这项创新提高了胎儿监测的可访问性和可靠性,特别是在资源较少的环境中.
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
- 孕产妇和胎儿医学 孕产妇和胎儿医学
背景情况:
- 传统的胎儿健康评估方法,如心声回声学,资源密集,在资源较低的环境中无法使用.
- 心电图 (PCG) 提供了一个负担得起的替代方案,但在准确性和复杂性方面面临挑战.
- 需要可靠,易于使用的胎儿监测工具,适合各种医疗环境.
研究的目的:
- 开发和验证一个深度学习模型 (FHSU-NETR) 来从原始PCG信号中提取胎儿和母亲的心率.
- 通过非侵入性PCG提高胎儿监测的准确性和实用性.
- 提高各种临床环境中胎儿健康评估的可访问性.
主要方法:
- 一个新的深度学习架构,胎儿心脏声音U-NetR (FHSU-NETR) 被开发出来,结合了变压器的自我注意力机制.
- 该模型在20名正常受试者的原始PCG信号上进行了训练和验证,其中包括一个胎儿心律不整的病例.
- 胎儿和母亲的心率直接从PCG信号中提取,并与地面真相数据 (母体心电图) 进行比较.
主要成果:
- 在确定胎儿心跳位置方面,FHSU-NETR实现了高精度.
- 该模型表明,胎儿心率估计 (-2.55±10.25 bpm) 和母亲心率估计 (-1.15±5.76 bpm) 的平均差异很小.
- 该模型成功检测到了胎儿心律不整的病例,展示了其临床适用性.
结论:
- FHSU-NETR模型提供了一种可靠和准确的方法,用于从PCG信号中提取胎儿和母亲的心率.
- 这种深度学习方法提高了胎儿监测的可访问性和效率,特别是在资源有限的地区.
- 该模型的性能表明,在临床实践中减少对PCG记录专家解释的依赖的巨大潜力.
