基于深度学习的方法,用于在腹部心电图信号中准确检测胎儿QRS复合体
Kimia Esmaeili Alidash1, Hamed Danandeh Hesar2,3
1Department of Biomedical Engineering, Sahand University, Tabriz, Iran.
Scientific reports
|November 10, 2025
概括
一个新的AI框架从非侵入性的胎儿心电图 (FECG) 信号中准确地检测胎儿QRS复合体. 这种方法通过使用最小的训练数据来改善先天性心脏缺陷的早期检测.
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
- 心脏病学 心脏病学
背景情况:
- 先天性心脏缺陷是导致出生缺陷死亡率的主要原因.
- 通过胎儿心电图 (FECG) 早期检测胎儿心率异常 (FHR) 模式至关重要.
- 精确的胎儿QRS复合体检测对于评估胎儿健康和识别先天性疾病至关重要.
研究的目的:
- 开发一种新的自动化框架,通过腹部心电图 (AECG) 信号检测胎儿QRS复合体.
- 为非侵入性FECG分析使用一维卷积神经网络 (1D-CNN).
- 提高胎儿健康监测的效率和准确性.
主要方法:
- 设计了一种轻量级的1D-CNN架构,具有五个卷积,七个批量正常化,三个掉落和三个密集层.
- 使用了来自PhysioNet非侵入性FECG数据库 (NI-FECGDB) 的AECG信号.
- 信号被分为1秒窗口,并为胎儿QRS复合体提供100毫秒分辨率的二进制注释.
主要成果:
- 拟议的1D-CNN实现了96.79%的精度,97.91%的灵敏度,92.79%的特异性和97.88%的精度.
- 该框架只需要20个AECG信号进行培训,远远少于现有方法.
- 该方法消除了对母体心电图组件提取的需要,减少了计算复杂性.
结论:
- 新的1D-CNN框架为临床胎儿监测提供了一个强大而高效的解决方案.
- 高精度的胎儿QRS检测可以通过最小的预处理和训练数据来实现.
- 这种方法推进了非侵入性的胎儿心电图分析,用于早期发现先天性疾病.
