使用基于注意力的BiLSTM进行引导适应性胎儿心电图提取

科学领域:

• 生物医学工程 生物医学工程
• 信号处理 信号处理
• 人工智能在医学中的应用

背景情况:

• 从腹部心电图 (AECG) 提取胎儿心电图 (fECG) 对于评估胎儿心律至关重要.
• 临床AECG记录通常含有信号异常,阻碍了传统的fECG提取方法.
• 为了可靠的胎儿监测,需要强大的fECG提取.

研究的目的:

• 提出一种基于深度学习的方法,用于从多AECG中进行自适应的fECG信号提取.
• 在存在信号异常和通道缺陷的情况下,提高fECG提取的准确性和弹性.
• 提高fECG提取用于胎儿心律评估的临床适用性.

主要方法:

• 一个使用双向长短期记忆 (BiLSTM) 架构的深度学习模型.
• 集成深度监督子网络和注意力机制模块.
• 注意模块计算了适应性特征融合和缺陷通道缓解的通道间相关性权重.

主要成果:

• 拟议的模型有效地在各种通道缺陷条件下提取fECG信号,在公开数据集上进行验证.
• 除研究证实了注意力模块在提高对通道异常的恢复能力方面的关键作用.
• 信号掩盖实验证实了提取的fECG信号的可靠性.

结论:

• 开发的深度学习方法提供了一个有效的解决方案,用于从多AECG中进行自适应性fECG提取.
• 注意力机制显著提高了该模型对信号异常和通道缺陷的稳定性.
• 这种方法对胎儿心律评估的临床部署充满希望.