基于图的时空注意力与多尺度融合用于临床可解释的高保真胎儿心电图提取
信号处理
2025-09-25 v1 机器学习
摘要
先天性心脏病（CHD）是最常见的新生儿异常，凸显了早期检测以改善预后的迫切需求。然而，腹部心电图（aECG）中的胎儿心电图（fECG）信号常被母体心电图和噪声掩盖，对低信噪比（SNR）条件下的传统方法构成挑战。我们提出FetalHealthNet（FHNet），这是一个深度学习框架，它融合了图神经网络与多尺度增强Transformer，以动态建模时空导联间相关性并提取干净的fECG信号。在基准aECG数据集上，FHNet始终优于长短期记忆（LSTM）模型、标准Transformer和最先进的模型，即使在严重噪声下也能达到R2>0.99和RMSE = 0.015。可解释性分析突出了具有生理意义的时间和导联贡献，支持模型透明度和临床信任。FHNet展示了AI驱动建模在推进胎儿监护和实现早期CHD筛查方面的潜力，凸显了下一代生物医学信号处理的变革性影响。
引用
@article{arxiv.2509.19308,
title = {Graph-Based Spatio-temporal Attention and Multi-Scale Fusion for Clinically Interpretable, High-Fidelity Fetal ECG Extraction},
author = {Chang Wang and Ming Zhu and Shahram Latifi and Buddhadeb Dawn and Shengjie Zhai},
journal= {arXiv preprint arXiv:2509.19308},
year = {2025}
}
备注
6 pages, ACM BCB 2025