一种基于1D-CycleGAN保留形态学的母体ECG胎儿ECG提取深度学习新技术
信号处理
2023-10-09 v1 人工智能
机器学习
摘要
通过无创胎儿心电图(fECG)监测胎儿心脏电脉冲可轻易发现发育中心脏的异常，从而显著降低婴儿死亡率与产后并发症。由于母体与胎儿R波重叠、fECG幅值低、系统与环境因素噪声，典型的信号提取方法如自适应滤波、独立成分分析、经验模态分解等无法产生满意的fECG。尽管某些技术能产生准确的QRS波，它们常忽略ECG其他重要方面。我们基于1D CycleGAN的方法，凭借充分的预处理与恰当框架，可从母体ECG(mECG)信号重建fECG信号并保持其形态学。我们的方案通过合并Physionet上两个可用数据集“腹部与直接胎儿ECG数据库”及“胎儿心电图，直接与腹部记录含参考心跳标注”进行评估，取得了平均PCC与谱相关分数分别为88.4%与89.4%。其对信号fQRS的检测精度、查准率、查全率与F1分数分别为92.6%、97.6%、94.8%与96.4%。它还能以0.25%与0.27%的误差准确估计胎儿心率与R-R间期。我们工作的主要贡献在于，与同类研究不同，它能以高保真度保留ECG信号形态学。我们的方案在胎儿心率与R-R间期长度上的精度可与现有最先进技术媲美。这使其成为胎儿心脏病早期诊断与常规健康检查的高效工具。
引用
@article{arxiv.2310.03759,
title = {A Novel Deep Learning Technique for Morphology Preserved Fetal ECG Extraction from Mother ECG using 1D-CycleGAN},
author = {Promit Basak and A. H. M Nazmus Sakib and Muhammad E. H. Chowdhury and Nasser Al-Emadi and Huseyin Cagatay Yalcin and Shona Pedersen and Sakib Mahmud and Serkan Kiranyaz and Somaya Al-Maadeed},
journal= {arXiv preprint arXiv:2310.03759},
year = {2023}
}
备注
24 pages, 11 figures