检索历史 清除

摘要妊娠期间的胎儿心脏监测和评估在早期发现胎儿心脏潜在问题方面起着重要的作用。然而，从母体腹部中提取的胎儿心电信号(Fetal Electrocardiogram, FECG)，通常被母体心电信号(Maternal Electrocardiogram, MECG)和噪声掩盖，这使得从母体腹部提取出清晰、准确的 FECG信号成为一个挑战。因此，本文围绕 FECG信号的提取问题，从独立分量分析和深度学习两个方面进行了研究，论文主要内容概括如下：<br>　　首先，从 FECG信号提取的研究背景及意义出发，介绍了 FECG信号的波形特点及论文中用到的数据库，并讨论了三类常见的FECG提取方法。<br>　　其次，论文重点分析了基于负熵最大化的快速独立分量分析算法的原理以及推导过程，针对该算法在信号分离时存在的无序性以及初始值敏感和迭代速度较慢等问题，进行了有效改进。首先利用主分量分析算法筛除噪声含量较大的通道，然后引入双收敛因子对梯度下降法获得的优化初值进行自适应调整，以扩大收敛区间，并通过计算样本熵值确定 FECG和 MECG通道。最后利用高相关性的 MECG参考信号，采用自适应滤波技术对部分提取信号含有的母体成分进行抵消，以进一步提高算法的处理效果。论文通过仿真实验验证了改进算法提取 FECG 信号的优良性能。<br>　　接着，针对传统算法在提取 FECG 信号时受通道数限制以及提取过程复杂的问题，提出一种端到端的二维时频域 T-F Conformer 神经网络模型。首先采用短时傅里叶变换将腹部混合信号转换到二维时频域，利用 T-F Conformer 模块对信号时域和频域的抓取能力，保留FECG信号的微小特征，然后在解码之前减去MECG信号的掩码特征，以提高在母胎心电重合处的提取精度，最后通过逆傅里叶变换在时域重构 FECG 信号。通过实验结果对比， T-F Conformer 模型在 FECGSYNDB、ADFECGDB和NIFECGDB数据库中F1值分别达到 97.5%、99.47%和 98.15%，优于目前一些先进的提取方法，证实提出模型在FECG信号提取中的有效性能。<br>　　最后，对全文进行归纳总结，并进一步展望胎儿心电信号提取的未来发展趋势。