便携式胎儿心电图设备及移动应用程序对胎儿心律失常的检测和诊断的研究

医学信息学解锁17（2019）100268便携式胎儿心律失常阿夫里尔·科罗纳-菲格罗亚EscuelaSuperiordeCéomputo，InstitutoPoli téecnicoNacional，Av. JuandeDiosBa�tizS/N，NuevaIndustrialVallejo，07738，CDMX，墨西哥A R T I C L EI N FO保留字：胎儿心律失常胎儿心电图（fECG）胎儿心率（FHR）移动应用A B S T R A C T熟练的知识和适当的技术是诊断和治疗胎儿心脏病所必需的。胎儿心律失常是胎儿心脏病的重要组成部分，因为它传达了心脏电生理状态的异常。心律失常可由心率或节律改变或QRS或QT间期异常引起。胎儿超声心动图已成为儿科心脏病专家的金标准，因为它涉及胎儿心血管病理的多个方面。与此同时，人工智能技术正在被设计为在检测和准确性方面为医学领域的专家提供额外的支持。本文介绍了一种通过分析胎儿心率及其变异性来检测胎儿它由一个便携式心电图仪和一个移动应用程序组成，它们一起提取胎儿心电图进行分析，最终做出初步诊断。根据临床胎儿心律失常的合成信号进行测试，检出率为88.88%。对孕妇的测试结果可能表明，所提出的原型可用于提供首次诊断，而不完全依赖于专家的帮助。该原型可能有助于在与胎儿心律失常发作/进展的高风险相关的病理性妊娠的第二或第三孕期进行常规检查。此外，医疗从业者可以使用它来证实给定的诊断，或者在人类专家不足以照顾大量患者的情况下。1. 介绍由于多学科和高度专业化的胎儿心脏医学，需要新的标准来治疗胎儿心脏疾病[1]。心律失常在胎儿心脏疾病的背景下是重要的，因为它们传达心脏电生理状态的异常。胎儿心律失常的诊断和治疗是儿科心脏病专家的各种角色之一;因此，了解心律失常的特征、机制和潜在的相关性对于建立适当的治疗至关重要。虽然胎儿超声心动图能够单独评估胎儿心血管病理的几个方面，但评估胎儿心率和心律的技术是必要的。胎儿心率（FHR）是胎儿整体健康状况的指标，对其进行有效评估可以预防低心输出量、胎儿水肿和胎儿死亡[2]。胎心率不稳可分为胎儿心律失常，异常缓慢的心率，例如100 bpm（每分钟心跳数）或快速心率，例如>180 bpm，或不规则节律和异常心率的组合。胎儿心电图（fECG）是用于评估胎儿心律的先进技术之一，因为它提供了额外的心电图检查。心脏结构、功能和节律的信息[1]。尽管胎儿心电图仍在研究中，但目前的趋势已逐渐倾向于无创胎儿心电图（NI-FECG）。事实上，NI-FECG可防止母亲和胎儿处于应激状态和感染，并且可以从妊娠18周获得fECG[3]。NI-FECG 已经吸引了研究人员的注意力，以提供实时监测FHR和评估房室/心室内传导的技术[4]，以及测量和显示子宫收缩（UA）（来自MindChild Medical，North Andover，MA的MERIDIAN监测器）。然而，NI-FECG仍然是一个挑战，因为缺乏具有标记FECG QRS复合波的标准数据库[5]。本工作旨在通过分析通过提取的fECG获得的FHR变异性来检测可能的心律失常。它可用于与胎儿心律失常发作/进展的高风险相关的病理性妊娠。它的好处之一是在缺乏专门设备或现有设备不足的社区。此外，对于任何胎龄的低风险胎儿，可以使用原型来获得fECG，以仅检查心跳是否存在，而不记录其速率。所提出的原型不仅测量和显示胎心率和MHR，但提供了第一次诊断，电子邮件地址：acoronaf1302@egresado.ipn.mX，abril. gmail.com。https://doi.org/10.1016/j.imu.2019.100268接收日期：2019年7月23日;接收日期：2019年10月24日;接受日期：2019年在线发售2019年2352-9148/© 2019由Elsevier Ltd.发布这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表医学信息学期刊主页：http://www.elsevier.com/locate/imuA. 科罗纳菲格罗亚医学信息学解锁17（2019）1002682Fig. 1. 通过便携式心电图仪和Android移动应用程序诊断胎儿心律失常的拟议原型。胎儿心律失常，例如心动过缓、窦性心动过缓、心动过速、持续性室上性心动过速（SVT）、心房扑动、加速、减速和延长减速。2. 材料和方法所提出的原型包括便携式心电图仪和Android操作系统的移动应用程序（图1）。移动应用程序由一个自适应神经模糊推理系统（ANFIS）和一个专家系统。通过心电图仪获取孕妇心电图（mECG）和胎儿心电图（fECG）信号，利用ANFIS确定这些信号之间的非线性关系，提取胎儿成分。随后，通过分析胎儿成分来计算FHR，以诊断可能的胎儿心律失常。该诊断通过移动应用程序中的专家系统进行。所设计的应用程序提供了在监控会话中测量和计算的内容的简单信息。2.1. 便携式心电仪本节重点介绍便携式心电图机的功能及其组成部分。这些功能包括：生物电位信号的提取、数字转换和与手机的数据通信。2.1.1. 生物电位信号提取该功能需要提取、放大和过滤来自母亲和胎儿心脏的小生物电位信号的能力这些信号存在于噪声条件下，振幅不超过10 mV，频率范围为0.15 Hz至150 Hz [6]。这些信号的提取由两组电极和两个集成电路AD8232 [7]执行，AD8232是ADI公司制造的ECG信号调理模块。AD8232 [7]采用双极点高通滤波器，用于消除运动伪影和电极半电池电位。该滤波器与放大器的仪表架构紧密耦合，可在单级中实现大增益和高通滤波A. 科罗纳菲格罗亚医学信息学解锁17（2019）1002683图二、提出了一种基于一对AD8232 [22]模块和蓝牙串口通信的便携式心电图机的方案。此外，运算放大器使AD8232 [7]能够创建一个三极点低通滤波器，以消除额外的噪声。AD8232 [7]的快速例如，如果放大器中发生突然的信号变化（例如引线断开），则AD 8232 [7]会自动调整到更高的滤波器截止值。该特性使AD8232 [7]能够快速恢复，因此在将电极连接到受试者后不久即可进行有效测量。两组电极连接到一根导线，它们是每个AD8232 [7]仪表放大器的输入。这些输入，把对应的正，负和驱动电极（引脚2，3和5，分别输出引线）（图。 2）。2.1.2. 模数转换和数据通信ATmega328P [8]用于对两个AD8232 [7]输出端提供的完全调理的母体和胎儿心率信号进行模数转换（ADC）。便携式心电图机与智能手机之间的通信是通过ATmega328P的异步串行发送器进行的[8]以及HC-08 [6]的蓝牙LE协议，即基于V4.0低功耗（LE）协议的蓝牙GPRS通信模块。AVR系列的ATmega328P [8]型号是8位微控制器。其32 KB的闪存允许写入设备中的必要数量的线，以转换两个模拟输入及其传输。此外，2 KB的SRAM允许在程序中声明相关变量。该设备fea- tures一个10位连续APPROXimation ADC，并包含一个采样保持电路，它可以确保ADC的输入电压在转换过程中保持在一个恒定的水平。为了提供短脉冲能量，ATmega328P [ 8 ]的电源引脚上有三个去耦100 nF电容C1、C2和C3（图10）。 2）。HC-08 [9] 实 现 了 通 用 异 步 接 收 器 / 发 送 器 （ UniversalAsynchronous Receiver/- Transmitter ， UART ） 通 信 ， 允 许 接 收ATmega 328 P [8]发送的数据。其无线工作频率为2.4 GHz ISM，采用GFSK调制方式，可实现更平滑的过渡，降低边带功率和对相邻信道的干扰。A. 科罗纳菲格罗亚医学信息学解锁17（2019）1002684þ���þð Þð Þð Þ ð Þ ð Þ图3.第三章。 构建了一种由3.7V锂离子电池供电的便携式心电图机模 型 。见图4。ANFIS体系结构的五层用于原型。x和w分别表示胸部和腹部信号。Yi表示第二层的输出，Yi表示第三层的输出f是ANFIS的最终输出2.1.3. 电路尺寸、电源和安全措施便携式心电图仪的电气方案（图2）用于构建图3所示的印刷电路板（PCB）模型。该型号的PCB尺寸为0.82 2.55X 2.87 in（2.1 6.57.3厘米）。该电路由一个容量为1200 mA h的3.7 V锂离子电池供电电池必须在不超过其额定容量（300 mA h）30%的充电状态下运输。该模型的典型电流消耗为14.5 mA。原型的电池通过微型USB锂离子电池充电器充电。电源提供给Micro-USB插座或输入IN /GND。锂离子电池可以连接到XH电源插座或输出BAT /BAT-。充电指示有四种状态：充电红色LED亮，绿色LED灭;充电灭，亮。电源输入太过关闭。无电池闪烁，打开。器械必须在室温下保存。电池不能在阳光直射下，并将其存放在远离任何可能着火的2.2. Android手机应用本节介绍Android应用程序的软件元素，包括四个阶段。首先，数字样本，母亲和胎儿信号被临时存储。其次，确定这些信号之间的非线性关系，以提取fECG。第三，得到相应的FHR。最后，由专家系统分析所得到的FHR，以提供检测到的胎儿心律失常的第一诊断。2.2.1. 基于自适应神经模糊推理系统的胎儿心电提取电极组捕获胸部和腹部信号，并分别命名为x n和w n。w n由x n的变形版本组成，因为它从胸部一直行进到腹部。因此，w，n包含fECG和来自其他源（诸如母体生理信号（胎儿的电活动））的骨骼肌）和信号提取期间胎儿的运动[3]。由于xn传播到腹部区域，非线性变换导致其在wn中变形。 这种非线性变换T的近似作用于x n，产生信号x'n，即x我的朋友这样的比对允许抑制妊娠中的母体成分，并因此提取估计的fEGC。A. 科罗纳菲格罗亚医学信息学解锁17（2019）1002685ð Þ ð Þð Þ ð Þ¼ð ÞþðÞðÞ表1胎儿心律失常诊断的建议原型的概述。知识库中的元组是列之间建立的关系：胎儿心律失常、诊断和可能的原因。胎儿心律失常诊断可能的原因网络结构此外，与神经网络相比，ANFIS架构要求和初始化更少，更简单[11]。ANFIS架构通常有五层，并取决于每个输入的规则和隶属函数（MF）的数量。隶属函数是一条曲线，它定义了输入中的每个点心动过缓FHR 120bpm，<3分钟窦性心动过缓FHR在90和130BPM窦性心动过缓。胎儿窘迫。胎儿压迫。脐带受压。异位心房。起搏器窦房结功能障碍。精神病。空间映射到0到1之间的隶属度值（或隶属度）。每个MF向架构中的每一层添加一个节点。所提出的架构有五层，并实现了基于一阶Sugeno模型的两个模糊规则（图1）。 4）。原型的ANFIS实现基于K。Assa-leh的工作[ 12 ]证明了即使当QRS波完全嵌入母体成分时，也能成功提取fECG成分。用于提取fECG的ANFIS的完整详情见参考文献[12]。ANFIS的编程使用MATLAB模糊逻辑工具箱X和MATLAB Android的Simulink支持。的心动过速FH> 160bpm持续10分钟对低氧血症或酸中毒的反应。将两个生物电位信号（母体和胎儿）的样本集存储在存储器中，然后设置ANFIS的训练选项：持续室上性胎心率>220bpm;折返性室上性心动过速，副折返径路隶属函数（每个输入两个）和140个训练时期。选择这些选项是因为它们在以下方面表现更好：心动过速（SVT）房室沟房扑房扑FHR> 300bpm2：1房室传导阻滞。胎儿水肿。胎儿或母体运动时，加速FHR ≤15bpm持续15秒减速FHR-15bpm，持续-15s 脐静脉闭塞。脐动脉闭塞。延长减速FHR -15bpm，持续120s脐带压迫。子宫胎盘功能不全。母体缺氧。胎儿迷走神经反应。表2专家系统知识库中所含条款的格式陈述性记忆类属性格式胎龄周心律失常类型名称年龄周胎心率指标持续时间单位，值描述文本病理类型名称病因医学术语程序性记忆程序层类格式起因心律失常名称处理过的病理性心律失常法名称名称描述腹部信号w n 因此可以表示为wn x ′ n sANFIS是Sugeno模糊模型（也称为TSK模糊模型，由Takagi，Sugeno和Kang提出），置于自适应系统的框架中，以改善学习和适应[10]。该框架使模糊逻辑更加系统化，减少了对专家知识的依赖。与线性系统和神经网络相比，使用ANFIS进行模式学习和检测有许多好处。这些优点集中在ANFIS结合了神经网络和模糊系统在学习非线性方面的能力。为了简化学习，模糊技术将信息源合并到一个模糊规则库中，该模糊规则库表示提取fECG。 模糊规则和可调参数系统被添加以初始化训练。最后，得到ANFIS的输出，该输出对应于T。fECG通过将T与从腹部信号w_n中抑制的母体分量对齐来提取。2.2.2. 胎心率（FHR）提取不同的技术已经被应用于FHR的提取，例如，自适应算法[13]，FIR神经网络[14]，模糊方法[15]等。2004年，Karvounis等人[16]提出了一种基于复连续小波变换和模极大值理论的胎心率提取新方法。Karvounis等人用15个持续时间为1分钟的真实信号测试了这种方法。在妊娠20至41周之间记录ECG数据。其结果与上述方法及其它方法比较，其准确率为99.5%。这种方法的全部细节可以在参考文献中找到。[16 ]第10段。Karvounis等人的fECG提取方法[16]包括四个阶段：信号平均、母体QRS检测、候选胎儿QRS检测和胎儿心率检测。由于fECG是由ANFIS提取的，因此该实现集中在第三阶段。采用复频B样条小波对胎心信号进行识别应用1的标度。该小波可以表示为fbsp m;fb;fc;对于这种情况，使用参数fbsp1; 1; 0： 5。然后，针对两个连续胎儿R之间的每个间隔估计峰最后，该阈值不断更新，保持其值等于小波系数模的最高值的60%2.2.3. 基于规则的胎儿心律失常诸如专家系统、贝叶斯推理和模糊逻辑的方法可以应用于医学状况的检测。 然而，贝叶斯推理和模糊逻辑可能需要一定量的数据进行可靠的训练。针对胎儿心律失常数据库的缺乏，选择了基于产生式规则的专家系统的实现。产生式规则或产生式作为一种知识表示方法在人工智能产生式规则具有以下一般形式：如果条件，则操作或如果条件，则事实专家系统是一种软件，它具有问题的有限领域的知识，它由知识库和推理机组成。推理引擎充当规则解释器。该解释器记录知识库中的规则被触发的条件。知识库是一组表示A. 科罗纳菲格罗亚医学信息学解锁17（2019）1002686图五. 移动应用程序教程中提供的拟定电极网格。(a)减少了三个电极网格，用于整个怀孕期间的测量。(b)宽的三电极网格用于接近分娩的测量见图6。来自母体信号x n的一次搏动的QRS部分的非线性轨迹。以规范化的方式，也就是说，符号已被应用和指定的知识。知识是任何专家系统能力的关键最初，这种知识可能是粗糙的，不准确的，不完整的，并且以糟糕的形式指定[17]。为拟议的应用程序提取知识包括与放射科医生和生物医学工程师的一系列互动。然而，大多数关于如何检测胎儿心律失常是通过产科领域的专业书籍[18应用程序的知识集由161个元组组成，其中包含一系列与胎儿心律失常缩减集检测相关的规则（见表1）。这一组通过心率或节律改变来诊断心律失常。1. 陈述性：概念、对象和事实。胎儿：根据孕周与胎儿正常FHR相关的信息。心律失常：胎儿心律失常（心动过缓、心动过速、加速、减速）的描述及其检测定义。病理学：胎儿病理学的定义，以确定胎儿心律失常的可能原因。2. 程序：规则、策略、时间表和程序。caused-by：说明检测到的心律失常的可能原因。治疗：在检测到胎儿心律失常并确定可能的原因后，向用户提供可能的行动过程。图第七章（a）合成胸部信号mECG（5s），x±n，和（b）模拟腹部信号fECG（5s），w±n，fmSNR为1/4-10dB。A. 科罗纳菲格罗亚医学信息学解锁17（2019）1002687ð Þ ð Þ见图8。ANFIS获得的输出标记为“。“和蓝色，而原始的合成胸部信号x n用”*“和红色标记。ANFIS输出是用于提取fECG的x n的算法表示，s(For解释，解释关于本图图例中颜色的引用，读者可参考本文的Web版本。）表2包含胎儿心律失常知识库中规则的定义格式。这种形式代表了从前面提到的访谈和书籍中获得的知识的标准化[18推理机的功能取决于知识库以及如何使用这些知识。规则系统是推理机的基本机制，其功能如下：1. 从FHR变异性提取中产生工作记忆2. 从工作记忆和知识库中检索一组事实。3. 程序记忆的规则是通过对事实的解释来确定的以这种方式，所提出的专家系统仿真人类专家在促进由所提取的fECG定义的FHR变异性的第一诊断方面的决策能力。第一次诊断包括确定的胎心率、可能检测到的心律失常、其定义、可能的原因和建议。在Simulink环境下利用MATLAB模型SWI-Prolog接口模块实现了该方法。2.2.4. 拟议原型电极组一和电极组二分别放置在孕妇的胸部和腹部区域。为了尝试获得生物电位信号的最佳测量，需要根据妊娠周将双极定位在特定距离处。该位置在移动应用程序中编程的教程中显示给用户。考虑到在妊娠的最后阶段（妊娠的37周和41周内）胎儿的运动自由度降低，使用减小的电极网格（图5（a）），而在整个妊娠的早期（妊娠的18周和37周内），由于胎儿有更多的活动空间，使用加宽的网格（图5（a））。（第5（b）段）[22]。原型可以在第二个三个月的后期或整个第三个三个月使用。监测预期在一天内以仰卧位或侧卧位进行任意次数。然而，在妊娠24-35周期间，胎脂具有电绝缘特性，可以进一步减弱甚至消除胎儿心电图信号。在此范围内从原型获得的首次诊断应通过超声心动图确认。此外，医生亦可利用见图9。从合成信号中提取fECG。(a)合成腹部信号，wn。（b）来自合成信号的原始fECG，sn。（c）由ANFIS获得的EXECG信号，所提出的原型用于证实计算的FHR、MHR、检测到的胎儿心律失常、可能的原因和智能手机中显示的建议。3. 结果本节回顾了使用原型软件和原型本身执行的测试过程。此过程需要使用合成和真实fECG-mECG信号设置测试。所获得的结果试图评估原型在提取fECG、计算FHR和诊断胎儿A. 科罗纳菲格罗亚医学信息学解锁17（2019）1002688ð Þ ð Þð Þ ð Þð Þ公司简介ð Þð Þð Þ我...ð Þð Þ ð Þð Þ ð Þ见图10。原始合成胎儿信号s n和提取的fECG s' n的功率谱分析。在左侧，两个信号在时域中被绘制，并且右侧示出了它们的功率谱的绘制。心律不齐3.1. 使用合成信号的生成一组五个人工信号来测试ANFIS的性能。考虑到正常基线FHR在110 bpm至160 bpm范围内[23]，而MHR基线的正常范围被认为在60bpm至100 bpm范围内[24]。这些信号是使用FECGSYN [25]一种真实的无创胎儿ECG发生器产生的。该集合包括由代表心脏源（即，母体和胎儿心肌）和噪声源（例如，G. 肌肉运动或收缩）。 非线性和多径通过该算法能够识别具有未包括在建模过程中的样本的母体成分的事实，排除了这种可能性。此外，从胎儿分量中去除了大部分源自非线性轨迹的噪声，如在提取的fECG，s正如预期的那样，在提取的fECG中仍然存在一部分噪声。与图9（b）生成的原始fECG的插图相比，在图9（c）的插图中可以更好地观察到这种噪声。为了量化这些信号的匹配，根据下式获得质量信噪比（qSNR）：北京赛车pk10n胸部信号在到达腹部之前所经历的影响qSNR¼10log10P2（1）用在体积导体内产生轨迹的函数来建模。这些轨迹生成更真实的建模（例如呼吸或胎动）。发生器中使用的轨迹类型是“样条”，因为它似乎具有更非线性的行为。在母体信号的QRS波中，这种轨迹可以通过主叶（R波）的振幅增加和宽度减小以及左叶（Q波）的振幅和宽度减小来区分（图11）。（六）。这里用fECG-mECG的一个混合物来说明fECG提取过程，该混合物是 用 以 下 参 数 生 成 的 ： 500 Hz 采 样 频 率 和 胎 儿 与 母 体 信 噪 比（fmSNR）fmSNR10dB。胸部信号x n和腹部信号w n通过幅度和周期进行区分（图7（a）），（图7（b））。 7（b））。所生成的信号mECG和fECG分别具有80 bpm和130 bpm的心率为了生成w n，x n也被包含（图1）。 7（b））。3.1.1. 性能所获得的ANFIS输出在形状和振幅方面与胸部信号xn高度相似（图8）。因此，所实施的ANFIS算法能够识别母体成分。尽管在图 8、ANFIS输出可能出现过拟合模型，这nsn-s对于该示例，发现qSNR等于19.62 dB，指示所获得的fECG，s，n保留了原始fECG，s，为了进一步评估ANFIS算法在提取fECG中的性能，比较了s n和s功率谱显示每个频率中存在的功率，然后谱相干性识别信号之间的频域相关性。趋向于0的相干值指示对应的频率分量不相关，而趋向于1的值所提取的fECG实际上保留了胎儿分量，如s n和s 'n的主要相关分量约为2：19 Hz，约为130 bpm，这是所使用的FHR（图11）。 10）。3.2. 真实信号使用的数据是Lieven De Lathauwer [数据集] [26]提供的一组系列数据。该组ECG信号是从放置在孕妇皮肤中的八个电极以500 Hz的采样率获得的数据。这些同时发生的信号中有五个是从女性的腹部区域捕获的，而其余三个信号是从女性的腹部区域捕获的。A. 科罗纳菲格罗亚医学信息学解锁17（2019）1002689ð Þ提取。在该帧中，中间QRS波（图11（a））与w n中的第二个QRS波重叠（图11（b））。发现即使当胎儿和母体心脏信号的QRS波重叠时也实现了抑制（图11（c）），这与K. Assaleh [12].3.3. 采用合成信号为了验证原型软件的性能，还使用FECGSYN创建了一组胎儿心律失常模拟[25]。这些模拟基于临床病例的描述[27，28]。每种方法的定义和所得结果见表3。九个病例中的每一个都包含至少一个或多个模拟心律失常。每例病例的检测由使用所提出的软件检测到的胎儿心律失常的数量与模拟胎儿心律失常的总数之比来确定。通过这种方式，软件的最终准确度（fa）表示每个病例的准确度之和超过9个病例，即病例总数（表3）。fa11111 1 11 1¼1111122198888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888888对于这组合成信号，计算的FHR的平均误差为1.71 bpm（表3）。9例病例中有7例正确检测到胎儿心律失常（表3）。在胎儿减速的情况下，遇到了不完整的检测。特别是，这些减速的下降正好为15 bpm，或持续时间正好为15 s（表3）。这种差的检测被认为是由以下三个原因的结合引起的：第一，知识库中关于胎儿减速的心跳减少的指示符的严格规则，第二，心律失常持续时间，以及第三，计算的FHR的误差图十一岁 从真实ECG中提取fECG。（a）真实胸部信号，x±N，（b）真实腹部信号，wuyun，和（c）第（1）款提取fECG信号获得通过ANFIS，S' N。从胸部区域捕获。使用数据集中腹部和胸部信号的24种可能组合对所实现的ANFIS进行测试[26]。3.2.1. 性能为了证明ANFIS抑制母体成分的能力，从测试数据中选取了500个样本的框架，3.4. 所提出的原型与实际信号这些测试是在墨西哥墨西哥城的Materno-Infantil Cuautepec医院进行的。一组9名孕妇自愿在医生的监督下使用原型进行监测。这些测试由医院的主治医生批准，并由每位参与者提供研究的知情同意书。儿科心脏病专家监督测试，以确保道德程序并验证所获得的拟议原型的首次诊断。由于这项工作的时间限制，不可能进行从机构审查委员会本身获得批准的过程。每项测试都需要至少2分钟的监测以确定基线FHR，然后进行10分钟的监测以获得fEGC。虽然以真实受试者为特征的测试数量很少，但这只影响了检测到胎儿心律失常的数量。一个有趣的结果发生时，专家经超声波检查显示脐带绕颈（脐带绕在胎儿颈部）。后来的原型诊断表明存在心动过缓（短暂的“可变心率减速”），并且在可能的原因中：“如果脐带变得过度拉伸，它几乎总是导致暂时的胎儿心动过缓。如果胎心率减慢到100 bpm以下，并且在几分钟内没有恢复正常，则采取措施缓解假定的脊髓压迫。如果仍然没有缓解，可以进行剖腹产”[ 29 ]。由于受试者妊娠35周，在该检查后几分钟，她被送往手术室进行剖腹产。其他7项试验未检测到任何心律失常，但根据妊娠周数计算的FHR略低于正常标准。这可以与模拟心律失常的结果进行比较，在大多数情况下，计算的FHR也低于模拟心律失常的结果。只有一项测试的FHR在正常范围内。A. 科罗纳菲格罗亚医学信息学解锁17（2019）10026810表3胎儿心律失常模拟的定义和原型整体软件的测试。FHR变化用“0”或“-”表示，分别表示每分钟心跳数相对于基线FHR的增加或减少，其中“-”表示无变化。准确度由所提出的软件检测到的胎儿心律失常的数量与模拟胎儿心律失常的总数之比确定。心律失常年龄基线FHRMHR胎心率变异持续时间计算的FHR检测（n周）（bpm）（bpm）（bpm）（个）（bpm）-60减速þ60 240案件1 42 130 100-40 10þ10 20-50 5–-50 5-27 20-35 10-1560案件2加速度-37 10 127.11 1/2-10 10–-1715-560-10 10–-55–25 18 126.87 1/2案件1 40 135 125 25 10–案件24. 讨论在2011年，Alfrehimy等人提出了实现便携式医疗电路的想法，该便携式医疗电路能够从孕妇的腹部获取心电图，以发送到远程终端[30]。远程终端是经由软件提取信号以由医师诊断的计算机网络。在紧急情况下，医生可以通过传输数据或在线聊天会话进行指导。结果验证了使用TCP/IP通道处理的数据的正确通信。当胎儿心电图振幅大于3μ V时，可准确检测到胎儿心率后来fECG监测的重点是有效的方法来获取，传输和处理数据。2013年，阿里设计了一款能够采集fECG和mECG样本的远程医疗处理器[31]。这些样本通过蓝牙传输到移动电话，然后使用通用分组无线业务（GPRS）将患者的状态传递到医生的移动电话。同时，数据存储在医院服务器的数据库中。使用盲源分离（BSS）的计算机模拟和真实数据的测试似乎能够提取fECG。在2015年，Nit Zulescu等人的后期工作包括一个集成系统，该系统能够在妊娠晚期获得孕妇的心脏分娩描记图，并在数据不准确在异常范围内[32]。从fECG中分离和消除噪声对于实时分析至关重要。Torti等人在2017年提出了一种在Altera StratiX V FPGA（现场可编程门阵列）上实现的硬件架构，能够将fECG与mECG分离，从而解决了这一问题 [33]。采用非线性Infomax网络对20 30 136.89 1/1þ20 2020 10 128.30 1/1数据流为了识别胎道，通过连续聚类对Infomax产生的输出通道进行分类。该系统进行了测试，使用合成和真实的轨道从患者超过20周的妊娠。该体系结构能够正确地分离和分类的合成和真实的信号。该架构的计算功耗小于1 W，满足便携式系统的要求。该架构旨在成为实时fECG监测系统的一部分2018年，Signorini等人进一步推进了这一想法，设计了一种可穿戴的集成系统，用于在妊娠最后几周进行日常胎儿监测[34]。将FHR传输到专业医疗中心允许使用移动电话进行远程分析，并为医院工作人员提供远程监控服务。在妊娠37周时对5名孕妇进行了测试。这些测试证明了测量和提取FHR的精度在所有这些系统中，除非完全借助于医生的意见，否则不提供一种诊断，这可能将用户限制为专家可用性。因此，该原型的新颖性在于用于诊断胎儿心律失常的专家系统的设计和实现，该原型与软计算技术和电路系统一起监测FHR并给出第一诊断。在使用手机索尼Xperia Z1紧凑型测试原型的缺点是缺乏外部存储所获得的信号和一个小的RAM内存2 GB。这仅影响需要更长时间监测的病理诊断，如急性呼吸性酸中毒（2小时监测）和正弦模式（30分钟监测）。多胎妊娠病例和离子通道病引起的QRS或QT间期电生理异常均未发现心动过缓病例14195130-30 330壳体239145120-304560壳体340120125-40120壳体4心动过速病例1383213514011090-80-30-85þ303304533042093.571/1143.231/1122.241/1133.631/1140.301/1A. 科罗纳菲格罗亚医学信息学解锁17（2019）10026811¼-¼¼考虑了未来的工作可以致力于通过其他技术来解决这些可能性。关于ANFIS结果，其中fmSNR10 dB，Assaleh的作品[12]获得的qSNR等于22.7 dB。ANFIS的实施 该工作表现出19.62 dB的qSNR，这接近Assaleh的结果。这表明，对于大部分提取的信号对应于fECG。尽管这项工作中的实现没有产生Karvounis等人报告的确切结果。[16]，但在使用合成信号的测试中，所提出的原型能够以98.63%的精度计算FHR。这些结果也证实了ANFIS进行的正确fECG提取。所获得的FHR允许专家系统以88.88%的准确率检测所建模的胎儿心律失常。胎儿心动过缓的正确检测也是可能的。这一发现得到了使用超声波技术的专家意见的证实5. 结论通过专家系统检测胎儿心律失常表明，可以在没有建模数据集的情况下进行诊断，由于缺乏实验子系统，无法始终获得建模数据集。有助于开发不完全依赖专家意见而提供医疗第一诊断的系统的可能性是一个非常有趣的提议。这可能有助于人类专家不足以照顾大量患者的情况。这种方法可以扩展到其他医疗条件和其他受试者，例如糖尿病患者的血糖控制，以及表征不同的参数以预测可能的癫痫发作等。该原型可以通过包括具有更大RAM的设备来改进，这将允许更长时间的监测以检测其他胎儿心脏状况和病理。原型仅用有限数量的样品进行了测试。更大数量的样本可以导致所呈现的结果的更高概括性。资金来源作者感谢博士。 MarcoA. Barranco-Jiméenez在此原型开发过程中的持续支持以及在手稿阐述过程中的有益评论。作者贡献唯一的作者。竞合利益未申报。确认作者感谢博士。 MarcoA. Barranco-Jiméenez在此原型开发过程中的持续支持以及在手稿阐述过程中的有益评论。作者还感谢审稿人的建议，他们的建议有助于改进和澄清手稿。引用[1] Mary T D，Anita J M-G，Lisa K H，Joshua A C，Mark S S，Alfred A，et al.胎儿心脏病的诊断和治疗：美国心脏协会的科学声明。循环2014;129：2183-242。https://doi.org/10.1161/01的网站。 cir.0000437597.44550.5d.[2] ��� 肥胖对妇女生殖及妊娠期并发症的影响。种马健康技术通报2004;5（3）：137-43。https://doi.org//j.1467-789X.2004.00147. X.[3] Karimi A，Setaeldan SK，Araabi BN.一种基于PCA/ICA的胎儿心电图提取母亲腹部记录通过一种新的数据驱动的方法，胎儿心电图质量评估。 J Biomed Phys Eng2017;7（1）：37-50。[4] Arya Bhawna，Govindan Rathinaswamy，Krishnan Anita，Duplessis Adre，Donofrio Mary.无创性胎儿心电监护在临床中的可行性。36.第三十六章：一个女人https://doi.org/10.1007/s00246-015-1118-4.[5] Clifford GD，Silva I，BeharJ， Moody GB.无创胎儿心电图分析。Physiol Meas2014;35（8）：1521-36。https://doi.org/10.1088/0967-3334/35/8/1521网站。[6] Sameni R，Clifford GD.胎儿心电信号处理的问题和有前途的方向的审查。开放式起搏电生理治疗杂志2010;3（1）：4-20。网址：http：//doi.org/10.2174/1876536X01003010004[7] AD8232单 引脚 、心 率监 测 器前 端（ AD8232） 、 模拟 器件 。2012.网 址：https://www.analog.com/media/en/technical-documentation/data-sheets/AD8232.pdf。[2019年7月16日访问]。[8] ATmega328P 8-位ATMEL微控制器（ATmega328）。ATMEL; 2003年。网址：http://ww1.microchip.com/downloads/en/DeviceDoc/Atmel-7810-Automotive-Microprocessers-ATmega328P_Datasheet.pdf。[访问162019年7月[9] HC-08型蓝牙耳机通讯模块（HC-08），wavesen. 2014.网址：http://www.wavesen.com/mysys/db_picture/news3/2015121885146101.pdf。[2019年7月16日访问]。[10] Jang J-SR。ANFIS：基于自适应网络的模糊推理系统。IEEE TransSystManCybern 1993;23（3）：665-85. https://doi.org/10.1109/21.256541网站。[11] Kakar M等人，使用自适应神经模糊推理系统（ANFIS）进行呼吸运动预测。物理医学生物学2005;50（19）：4721-8。https://doi.org/10.1088/0031-9155/50/19/020。[12] 阿萨勒湾自适应神经模糊推理系统用于胎儿心电图提取。IEEE InternationalSymposium on Signal Processing and Information Technology，2006。https://doi.org/10.1109/ISSPIT.2006.270782网站。[13] Mooney Donna M，Groome LynnJ， Bentz Lynn S，WilsonJ Doug.胎儿心电信号自适应提取的计算机算法1995年ACM应用计算研讨会论文集vols. 113网址：http：//doi.org/10.1145/315891.315932[14] 坎普斯-瓦尔斯·古斯塔夫，马丁·曼努埃尔，奥利瓦斯·埃米利奥。使用FIR神经网络提取胎儿ECG。Comput Cardiol 2001;28：249-52.https://doi.org/10.1109/CIC.2001.97763