CleanCTG：用于心动图多杂迹检测与重构的深度学习模型
音频与语音处理
2025-08-18 v1 机器学习
声音
摘要
心动图 (CTG) 是胎儿监护的必不可少的手段，但经常受到各种杂迹的妨碍，这些杂迹遮盖了真实的胎儿心率 (FHR) 模式，可能导致误诊或延迟干预。当前的深度学习方法通常忽视综合性噪声处理，仅进行最小预处理或仅关注下游分类，而传统方法依赖于简单插值或基于规则的滤波，只解决缺失样本，无法纠正复杂杂迹类型。我们提出了 CleanCTG，一个 end-to-end 双阶段模型，首先通过多尺度卷积和上下文感知的 cross-attention 识别多种杂迹类型，然后通过杂迹特定的校正分支重构受损段落。训练利用了超过 80 万分钟的生理上真实的、合成损坏的 CTG，源自经专家验证的 "干净" 记录。在合成数据上，CleanCTG 实现了完美的杂迹检测 (AU-ROC = 1.00)，并将受损段落的均方误差 (MSE) 降低到 2.74 x 10^-4（干净段落 MSE = 2.40 x 10^-6），超过下一最佳方法 60%。在 10,190 分钟的临床标注段落上进行外部验证，AU-ROC = 0.95（灵敏度 = 83.44%，特异度 94.22%），超越六个对比分类器。最后，在 933 例临床 CTG 记录上集成 Dawes-Redman 系统，去噪后信号将特异度提高（从 80.70% 提升到 82.70%）并将决策时间中位数缩短 33%。这些发现表明，显式杂迹移除和信号重构既能保持诊断准确性，又能实现更短的监护时间，为可靠的 CTG 解读提供了实际途径。
引用
@article{arxiv.2508.10928,
title = {CleanCTG: A Deep Learning Model for Multi-Artefact Detection and Reconstruction in Cardiotocography},
author = {Sheng Wong and Beth Albert and Gabriel Davis Jones},
journal= {arXiv preprint arXiv:2508.10928},
year = {2025}
}