基于自监督表示学习从心电图检测母婴应激
定量方法
2021-12-20 v5 信号处理
摘要
在孕妇及其胎儿中，慢性产前应激导致胎儿心跳被母体心跳挟带，由胎儿应激指数（FSI）量化。深度学习（DL）能够在复杂医学数据中以高准确度检测噪声真实环境中的模式，但关于 DL 在孕期无创生物特征监测中的效用知之甚少。最近建立的一种 DL 自监督学习（SSL）方法可从心电图（ECG）提供情绪识别。我们假设 SSL 能从包含胎儿与母体 ECG 的原始母体腹部心电图（aECG）中识别慢性应激的母婴对。我们研究了在孕 32 周入组时匹配的慢性应激母亲与对照组。我们通过心理量表、母体头发皮质醇和 FSI 验证了慢性应激暴露。我们测试了两种 SSL 架构变体，一种在公开数据集上训练用于情绪识别的通用 ECG 特征，另一种在我们数据的子集上迁移学习。我们的 DL 模型准确检测出慢性应激暴露组（AUROC=0.982±0.002）、个体心理应激评分（R2=0.943±0.009）和孕 34 周 FSI（R2=0.946±0.013），以及反映慢性应激暴露的出生时的母体头发皮质醇（0.931±0.006）。最佳性能由在公开数据集上训练且仅使用母体 ECG 的 DL 模型取得。本 DL 方法为暴露于慢性应激的不同调节系统间复杂多模态关系提供了新颖的生理学见解。最终 DL 模型可部署于低成本常规 ECG 生物传感器中，作为孕期简单、普及的早期应激检测与监测工具。该发现应能促进早期行为干预。
引用
@article{arxiv.2011.02000,
title = {Detection of Maternal and Fetal Stress from the Electrocardiogram with Self-Supervised Representation Learning},
author = {Pritam Sarkar and Silvia Lobmaier and Bibiana Fabre and Diego González and Alexander Mueller and Martin G. Frasch and Marta C. Antonelli and Ali Etemad},
journal= {arXiv preprint arXiv:2011.02000},
year = {2021}
}
备注
ClinicalTrials.gov registration number: NCT03389178. Code repo: https://code.engineering.queensu.ca/17ps21/ssl-ecg-v2