深度源分离用于单通道胎儿心电图提取

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:

• 从腹部信号中提取胎儿心电图 (FECG) 对胎儿健康监测至关重要.
• 孕产妇心电图 (MECG) 干扰显著挑战腹部心电图 (AECG) 信号中的FECG隔离.
• 现有的方法在MECG的高振幅下扎,往往会掩盖关键的FECG信号.

研究的目的:

• 提出一个基于注意力的生成对抗网络 (AGAN) 来实现强大的FECG源与单导 AECG的分离.
• 为了解决信号分离的多目标学习中的振幅偏差问题.
• 开发适用于生物医学信号的盲源分离的新框架.

主要方法:

• 开发了一个AGAN架构,结合了GAN风格的对抗训练和注意力机制.
• 哈达马德产品被创新地用作学习目标,以减轻振幅偏差.
• 该模型在ADFECGDB,B2_LABOUR和PCDB数据集上进行了训练和评估.

主要成果:

• AGAN方法有效地将MECG和FECG组件同时从单AECG中分离出来.
• 在多个数据集中实现了一致的高性能,SE,PPV和F1得分超过94%.
• 具体得分包括96.67%的SE,97.13%的PPV和96.90%的F1在ADFECGDB上.

结论:

• 拟议的AGAN为从AECG信号中提取FECG提供了一个强大而有效的解决方案.
• 本研究介绍了一种创新的数据驱动框架,用于解决盲源分离的挑战.
• 该方法在推进非侵入性胎儿监测技术方面具有重大潜力.