基于物联网的胎儿QRS波自动检测：深度学习框架在远程产前护理中的应用

沙特国王大学学报一个支持IoMT的深度学习框架，用于自动检测胎儿QRS：远程产前护理Abel Jaba Deva Krupaa，Samiappan Dhanalakshmia， Khin Wee Laib，Khin Wee Lai b，Yongqi Tanc，Xiang Wud，Xiang Wu d，aSRM科学技术学院工程技术学院ECE系，SRM Nagar，Kancheepuram603203，Chengapattu Dt.，印度泰米尔纳德邦b马来西亚马来亚大学工程学院生物医学工程系中国人民解放军第71集团军医院，江苏徐州221000d徐州医科大学医学信息工程学院，江苏徐州，221000阿提奇莱因福奥文章历史记录：2022年5月13日收到2022年6月24日修订2022年7月1日接受2022年7月8日在线发布保留字：胎儿心电图腹部心电图斯托克韦尔变换（ST）希尔伯特黄变换（HHT）迁移学习MobileNetResNetA B S T R A C T医疗物联网与人工智能的融合在医疗保健方面显示出巨大的好处。在胎心监护中，对胎儿QRS波群的准确检测提出了很高的要求。利用从腹部电极获得的电生理信号检测胎儿心率似乎是一种有前途的替代方法。从腹部ECG（AECG）确定胎儿心率的挑战要求以更高的精度从信号中消除母体成分和其他噪声。我们提出了一种新的方法，使用基于物联网的深度学习架构来检测胎儿QRS波群，而无需消除腹部ECG中的母体成分。所提出的算法的新颖性是双重的：（1）该方法使用腹部信号的时频图像（TFI）作为深度神经网络的输入，从而提高了丰富特征的可用性，并提高了胎儿QRS波群的准确检测。（2）该算法采用基于迁移学习的预训练模型进行分类，从而提高了胎儿QRS波的检测能力。两种时频方法，即希尔伯特黄变换（HHT）和斯托克韦尔变换（ST），被用来表示输入的AECG信号的二维图像。2013年挑战数据库用于评价拟议方法的绩效。使用HHT和ST的训练数据的TFI表示独立地用于训练预训练模型MobileNet和ResNet18。最后对TFI和深度网络架构的结果进行了比较分析。所提出的解决方案可以适用于实现远程胎儿监测的IoT环境©2022作者（S）。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍在世界范围内，死产的主要原因是先天性心脏病（CHD），并且受害者的百分比为0.8-1.2（Zimmerman等人，2020年）。定期的胎儿心脏监测可以促进妊娠期间CHD的诊断，从而为胎儿提供适当的医疗护理，以避免任何不良影响。超声检查和心脏分娩描记术是两种常用的检查方法*通讯作者。电子邮件地址：dhanalas@srmist.edu.in（S.Dhanalakshmi），lai.khinwee@um.edu.my（K.W. Lai），wuxiang@xzhmu.edu.cn（X. Wu）.沙特国王大学负责同行审查用 于 监 测 胎 儿 健 康 的 技 术 （ Jaeggi 等 人 ， 2002 年 ;Srinivasan 和Strasburger，2008年）。他们利用暴露在母亲腹部的超声信号的多普勒频移来捕捉胎儿心率等生命体征然而，不能肯定暴露在这种波中对胎儿是安全的。此外，这些技术是高度手动操作的，并且换能器的频繁重新定位给母亲造成不适。 这些模态的其他缺点包括它们的体积较大、设计用于医院环境中，并且操作专家的存在限制了它们在远程胎儿监测中的使用（Goberna-Tricas等人，2011年）。近年来，在全球范围内，远程患者监测部门出现了一种趋势，有助于应对大流行情况。图1显示了巴西、俄罗斯、中国和印度等国家的远程健康监测系统市场规模的统计数据。在所有国家，远程保健部门的市场规模都有增长趋势;因此，对远程胎儿监测的需求仍然存在。因此，与传统的CTG或https://doi.org/10.1016/j.jksuci.2022.07.0021319-1578/©2022作者。由爱思唯尔公司出版代表沙特国王大学这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comA. Jaba Deva Krupa，S.Dhanalakshmi，Khin Wee Lai等.沙特国王大学学报7201基于美国的模式，不适合远程监控，一个替代的创新解决方案是小时的需要表1无创性胎儿心电图（NIFECG）其使用腹部电极来获得胎儿生命体征（Behar等人，2016年）。该技术需要处理腹部信号以提取胎儿ECG，消除像母亲ECG和其它噪声的干扰。的潜在好处图1.一、BRIC国家远程病人监护的市场规模©Statista 2022.表1胎儿心电图提取和胎儿QRS波检测的最新研究成果综述报告的研究使用的技术渠道的影响Lee和Lee，2022年端到端W网络架构。 该技术在解码器的每一端分别估计母体ECG和胎儿ECG。Hao等人， 2022年。快速独立分量分析（FICA）奇异值分解（SVD）Tavoosi等人， 2022腹部ECG的稀疏表示使用改进的压缩感知快速ICA和时频盲源分离估计母体心电和提取胎儿心电。Fotiadou等人，用于估计的2021年扩张初始CNN-LSTM网络胎儿心电图Krupa等人， 2021分数傅里叶变换消除利用小波变换增强胎儿心电图。Vo等人， 2020使用Resnet的一维倍频程卷积方法提取胎儿ECG。单在实时应用中，在每一层去除母体ECG特征并在最后估计的计算时间和硬件增加了无关的该技术适应几个复杂的阶段，并影响计算性能。多路多路信号的要求增加了硬件复杂性，并对技术性能造成了影响输入信号的信噪比对该技术的性能有很大的影响。分数参数的选择决定了母体ECG的适当消除并影响算法性能。多路多路信号的要求增加了硬件复杂性，并对技术性能造成了影响Praneeth等人， 2020胎儿自适应滤波器中各种LMS的比较ECG提取。至少一个腹部和一个胸部额外的胸腔信号的要求限制了实时远程监测方法的技术。Alshebly和Nafea，2020年基于Chebyshev滤波和小波分析的胎儿心电估计当母体和胎儿ECG重叠时，该技术的性能可能会受到影响张和帅，2020年用于MECG分离的深度学习方法。使用短时傅立叶变换和卷积自动编码器在2D频域中从AECG和MECG中提取特征该方法的局限性在于，模型可能会在训练过程中看不到的极端数据上失败。Zhong等人， 2019残差编码器-解码器网络单算法需要真实的FECG来获取成本函数，该函数仅在合成数据库中可用。训练处理各种病理情况的模型可能具有挑战性。Gurve和Krishnan，2019年非负矩阵分解单个缩放参数对不同SNR的影响不是分析了未评估算法分离重叠信号的能力。Lo和Tsai，2018腹部信号的短时傅立叶变换卷积神经网络用于胎儿QRS波检测。Zhong等人， 2018卷积神经网络用于检测胎儿QRS波群多个手稿中提出的技术的结果取决于信号质量。单一此技术要求在训练期间存在目标FECG，其取自合成数据，并且对于复杂事件影响所记录A. Jaba Deva Krupa，S.Dhanalakshmi，Khin Wee Lai等.沙特国王大学学报7202由于在提取的胎儿ECG中R-R持续时间的信息的可用性，该方法包括关于胎儿心率的准确信息，易于处理而不需要医学专家，并且比传统方法更便宜。由于这些独特的特性，NIFECG方法受到了相当大的关注，并正在探索用于远程监测应用。这种可靠技术的可用性似乎有助于高危妊娠，如妊娠糖尿病和高血压疾病（Mhajna等人，2020; Alshamrani，2021）。在过去的几十年中，文献中已经见证了各种信号处理方法从腹部信号中提取胎儿ECG（Sameni和Clifford，2010）。 基于盲源分离的算法（Camargo-Olivares等人，2011; Taha和Abdel-Raheem，2020;Kanjilal等人，1997）、模板减法（Zhang和Shuai，2020; Yu等人，2018）、自适应滤波（Wu等人， 2013; Zhang等人， 2017）、机器学习（Wei等人，2016; Ding等人，2011），以及深度学习方法（Lo和Tsai，2018; Zhong等人，2018; Fotiadou等人，2021）已经应用于胎儿ECG提取的问题。这些技术中的一些在单通道腹部信号上操作，而另一些要求多通道的可用性和参考母体ECG的存在。在低成本、使用较少数量通道的易于操作的系统和提供更好精度的复杂硬件系统之间总是存在权衡。然而，在生物医学应用中，在合理的硬件复杂度下要求更高的精度。本文的目的是提出一种基于深度学习技术的新方法，适用于IoMT框架来检测胎儿QRS波群。所提出的方法的新颖性是双重的：（i）在不消除母体ECG的情况下直接检测胎儿QRS。（ii）将腹部信号的片段 两种特征捕获方法，即希尔伯特黄变换（HHT）和斯托克韦尔变换（ST）技术，将时间序列数据转换为TFI表示。选择这些变换的原因是它们具有分析非平稳数据（如当前感兴趣的问题）HHT是一种强大的工具，有助于捕获与胎儿QRS波群相关的频率特定模式。Stockwell变换结合了短时傅立叶变换和小波变换的优点，提供了可变窗口大小的时这两种TFI方法的能力被开发的问题，胎儿QRS波检测，并进行了比较分析TFI用于训练深度学习模型，以自动检测TRS。基于迁移学习的方法由于其易于训练网络及其在医学图像分析中的成功证明而被采用比较和评估了预训练模型MobileNet和ResNet的性能。所提出的方法将基于TFI的特征的优点与迁移学习相结合，以获得更好的结果。本文的其余部分组织如下。第2介绍了文献综述，第3节描述了本文使用的材料和方法第4提供了所获得的模拟结果，第5节说明了对所给出结果的讨论，结论见第6节。2. 相关工作使用机器和深度学习方法的心律失常检测和分类在成人心脏病学领域已经达到了显著的峰值（Qaisar等人，2022; Nainwal等人， 2022年）。 胎儿心律失常的检测和胎儿心脏活动的监测是儿科心脏病学的迫切需要。准确的胎儿心率检测是非常需要了解胎儿心脏健康（Hon和Petrie，1975）。有几在文献中提出的方法，有效地提取胎儿心电图和胎儿心率的精确估计。传统的方法主要是从胎儿腹部信号中去除母体心电信号等噪声，提取胎儿心电信号，然后利用R-R间期信息估计胎儿心率。在文献中发现了非常有限的直接估计胎儿心率而不处理腹部ECG本节简要介绍了现有方法Widrow等人（Ferrara和Widraw，1982）首先使用传统的自适应噪声消除器证明了胎儿ECG提取的问题。自适应滤波器的作用是通过最小化相对于母亲ECG的均方误差来估计腹部信号中存在的母亲分量。各种最小均方（LMS）算法的应用以减少自适应滤波器中的误差在我们的大量工作中进行了比较（Praneeth等人，2020年）。ANC的主要缺点是至少有一个参考母亲ECG的可用性。在Ungureanu等人提出的同步噪声抑制器（ESPC）（Ungureanu等人，2009年）。然而，在文献中研究的其他几种方法已经显示出比ESNC更好的性能。对ANC结构进行了改进，并对胎儿心电提取进行了探索。常规ANC与GFLANN的组合由Ma等人提出（Ma等人，2018）提取胎儿ECG。然而，该算法要求存在多个腹部和母亲ECG。我们以前的工作（Abel等人，2019）分析了并行子滤波器（PSF）ANC结构及其具有ANFIS-PSF的改进版本提取胎儿ECG的能力（Krupa等人，2021年a）。现有的自适应滤波方法面临着潜在的缺点，如需要至少一个母体ECG，或多个腹部和母体ECG以获得满意的性能。据我们所知，没有提出可以直接估计胎儿QRS或胎儿心率的自适应滤波器。一般来说，ANC不能直接估计胎儿QRS。另一类广泛应用的胎儿心电图技术提取是盲源分离（BSS），其基于用于分离线性组合源的矩阵分解。PCA（Zhang和Shuai，2020）、ICA（Martinek等人，2018）和pi-CA（Sameni等人，2008）是文献中提出的提取FECG的BSS方法。这些技术的缺点是，它们需要多个通道以获得令人满意的性能。最近，提出了结合压缩感知的非负矩阵分解（NMF），用于使用单通道提取FECG（Gurve和Krishnan，2019）。然而，在这项工作中没有解决缩放参数的依赖性有关的变化的用于从单通道提取胎儿ECG的顺序全变差去噪（Lee和Lee，2016）。母体ECG被移除，并且使用全变差去噪（TVD）的连续应用增强残余FECG然后，从估计的胎儿ECG计算胎儿心率。虽然该技术在单通道上运行，但两级TVD可能会影响计算性能。使用基于扩散的学习结合dsSTFT用于胎儿R峰识别的双通道系统在（Li等人，2017年）。该方法的性能高度依赖于两个电极导线在腹部中的放置BSS方法的变体和混合模型，如改进的Stone盲源分离（BSS）和EMD-PCA（经验模式分解与PCA相结合），用于双胎ECG提取分析（EMBb例如， 2019年）的报告。Hao等人提出了类似的将快速ICA与SVD相结合的技术，2022年。混合技术使用若干复数阶段来提取胎儿ECG，并且影响计算性能。性能塔武西et例如，2022介绍A. Jaba Deva Krupa，S.Dhanalakshmi，Khin Wee Lai等.沙特国王大学学报7203基于改进压缩感知的多通道胎儿心电提取方法该技术考虑多个信号，并涉及适当选择其有效性能的几个参数。用于FECG提取的另一类广泛使用的滤波技术是卡尔曼滤波器。在文献中提出了几种基于卡尔曼滤波器的单通道方法（Niknazar等人，2012; Panigrahy和Sahu，2017; Panigrahy和Sahu，2015）。卡尔曼滤波器需要关于母体峰值的先验知识来估计胎儿ECG。此外，需要准确第三类用于FECG提取的技术基于模板减法，其中构造母体ECG的估计并从腹部ECG中减去。该方法依赖于用于估计母体峰值和构建母体ECG的各种变换方法。小波变换被广泛应用于从腹部信号中分离胎儿ECG（Alshebly和Nafea，2020）。我们先前的方法（Krupa等人，2021 b）结合分数阶傅立叶变换和小波变换，有效地消除了母体心电，增强了胎儿心电。在我们以前的工作Krupa等人中提出了另一种使用Stockwell变换进行母体ECG抑制和胎儿ECG增强的技术。（2022年）。模板减法方法的缺点是性能与母体R峰的适当消除高度相关。估计的胎儿ECG中母体峰的存在导致高假阳性率。机器学习和深度学习是成功的。医 疗 诊 断 中 的 智 能 工 具 （ Samiappan 和 Chakrapani ， 2016;Kulathilake和Abdullah，2021; Samiappan等人，2020年）。近年来，深度学习算法已被应用于胎儿ECG提取和胎儿QRS检测。深度学习方法的优势在于直接估计胎儿ECG或胎儿QRS，而无需消除母体ECG。Zhong等人（2018）使用卷积神经网络从腹部ECG检测胎儿QRS波群该技术是使用深度学习网络的胎儿ECG提取方法的先驱然而，手稿中记录的性能指标较低，可能不适合实时应用。在（Lo和Tsai，2018）中利用了一种使用短时傅立叶变换（STFT）特征的2D传统CNN多手稿中提出的技术结果与不同的数据不一致。提出了一种残余卷积编码器-解码器网络（RCED-Net），以使用单通道AECG来提取胎儿ECG（Zhong等人，2019年）的报告。该技术要求在训练期间存在目标FECG在（Vo等人， 2020年）。该技术显示出比Zhong提出的技术更好的性能，然而，该技术使用多个腹部通道进行胎儿QRS检测。最近，Fotiadou et al. 提出了用于估计胎儿心率的扩张的初始CNN-LSTM网络（Fotiadou等人，2021年）。然而，该技术需要在估计胎儿心率之前从腹部信号中提取胎儿ECG通过使用端到端W网络架构分解腹部ECG中的母体和胎儿成分来提取胎儿ECG，见（Lee和Lee，2022）。该技术在解码器的每一端分别估计母亲ECG和胎儿考虑到对胎儿监测的关注，在每层处的母体ECG特征去除和在末端处的估计的计算时间和硬件在实时应用中增加了无关的表1列出了验证技术的总结研究差距尽管胎儿心电图提取算法众多，但胎儿心脏的有效估计仍然是一个公开的挑战。文献中用于胎儿ECG提取或胎儿QRS检测的可用技术面临着潜在的缺点，如需要多个腹部ECG以提高性能或需要至少一个母亲ECG，这增加了硬件复杂性并限制了这种方法在远程监测应用中的使用。现有方法的另一个缺点是腹部信号最初被处理以消除或抑制母体分量。没有技术可以直接估计胎儿ECG而不消除母体成分。深度学习方法可以是解决这一差距的有效解决方案，并且能够直接估计胎儿QRS复合波，而无需抑制母体ECG。此外，深度学习架构的输入性质将对其性能产生重大影响。为了解决这些研究空白，该手稿提出了一种新的深度学习框架，将腹部ECG表示为2D信号。使用TFI表示的增强特征集被馈送到迁移学习架构，使得预训练的模型能够提高准确性。两个可靠的TFI表示，HHT和ST，用于增强功能的可用性，以区分母亲和胎儿的QRS波群。分析和比较了MobileNet和ResNet架构的性能。迁移学习的优点包括减少有限数据的训练时间，从而提高神经网络的性能。评估结果表明，用TFI表示训练的预训练模型以更高的准确度检测胎儿QRS波群3. 材料和方法医疗物联网为医疗领域带来革命性的变化，使数字化的健康医疗服务能够远程连接医生和患者。在如Covid 19的大流行情况下，此类服务的可用性受到高度赞赏，可提供优质医疗保健服务而不会损害患者的安全。在产前护理期间总是需要这种远程监测，以向怀孕的母亲提供优质服务，而无需频繁地与医院联系。本文的目的是提出一种使用适合物联网框架的深度学习技术的自动胎儿QRS检测方法。图图2显示了用于检测胎儿QRS波群的基于物联网的深度学习方法。从母亲腹部采集的电生理信号物联网云中的主要功能预处理步骤还负责数据验证，以避免和丢弃不相关或失真的信号。用于检测胎儿QRS的深度学习模型在物联网云上运行，并将决策远程传达给医院的医生。深度学习模型有三个阶段：分割、3.5节详细解释了拟议的深度学习方法。3.1. 数据集本研究中使用的实验数据取自Cardiology Challenge数据库中的Phsyionet Computing的Set A（Andreotti等人，2016年）。PCDB是最大的腹部ECG数据库，具有R峰注释。数据库有75个记录，A. Jaba Deva Krupa，S.Dhanalakshmi，Khin Wee Lai等.沙特国王大学学报7204ð Þð Þð Þð Þ¼●ð Þð Þ●你知道吗，MðtÞð1Þ图二. 基于物联网的深度学习框架，用于检测胎儿心率。四个腹部信号每个信号以1000 Hz的采样率记录60 s。除了记录a33、a38、a47、a52、a54、a71和a74之外;所有其他记录都具有由专家团队使用通过头皮电极获取的参考直接胎儿ECG信号进行的准确的胎儿峰注释（Clifford等人，2014年）。这75个记录包括6个可用作确认集的记录（a08-a13）和7个可用作测试集的记录（a01-a07）。其余55个记录形成训练集。数据使用数字滤波器进行预处理，以去除基线和电力线干扰。本节介绍了拟议工作中使用的初步技术和完整的方法。3.2. 希尔伯特黄变换希尔伯特-黄变换（Hilbert-Huang Transform，HHT）是应用于非平稳信号的强大信号处理方法（Abel等人，2021年）。HHT已经成功地调整了医学数据分析和诊断方法（Altan等人，2016年）。HHT是经验模式分解（EMD）和希尔伯特变换（HT）的融合，并作为时频图像（TFI）表示。在HHT表示的第一阶段中，信号经受经验模式分解，其使用局部最大值和最小值点将非平稳信号分解成模式，称为固有模式函数（IMF）。与传统的分解技术如小波变换不同，信号本身作为EMD中的基函数。因此，经验模态分解具有自适应性，比其他分解方法更适合于非平稳数据。查找IMF的步骤步骤1：使用样条插值分别获得连接信号的局部最小值和局部最大值的下包络和上包络第二步：求包络的平均值我的天步骤3：确定。stat-mt第5步：如果SD0.3，则s_t_t是IMF。求余数r t a t h t如果r t是单调的，则信号被完全分解并且算法终止否则重复步骤1。否则重复步骤1。从信号中提取IMF的上述过程被称为筛选。在描述停止标准SDs的等式（1）中，t和j分别表示模函数和模数。希尔伯特黄变换是IMF的希尔伯特谱。3.3. 斯托克韦尔变换斯托克韦尔变换（ST），最初由斯托克韦尔提出（斯托克韦尔等人， 1996）是一种结合短时傅立叶变换（STFT）和小波变换的强大时频表示工具。我们先前的工作证明了Stockwell变换用于有效提取胎儿ECG的能力（Krupa等人，2022年）。ST显示出改进的时间和频率分辨率。ST可以被称为频率相关的短时傅里叶变换或相位校正的小波变换。时变信号a t的短时傅里叶变换在等式中给出。（二）、AT;fZ1atwt-Te-j2pftdt2-1在Eq. （2）表示以时间为中心的窗函数t0. S变换可以通过将窗函数w t定义为高斯来从STFT导出，因为其在时间和频率上的紧凑性，如等式（1）所述。（三）、步骤4：计算停止标准SDw t1e-t23X. s j-1t-s jt。t¼0S2J-1ðÞ¼pffi2ffiffipffiffiffie第二季第2集公司简介由方程式 （3），e表示高斯函数的宽度，满足等式中给出的约束。（四）、A. Jaba Deva Krupa，S.Dhanalakshmi，Khin Wee Lai等.沙特国王大学学报7205ð Þ ¼wt- TeZJJPef1jf jð4Þ窗口长度对频率的依赖性允许S变换执行多分辨率信号分析。另一使用等式（4）在Eq. （3），具有频率约束宽度的时移高斯函数定义在等式（1）中（五）、推导S变换方程的方法是基于小波变换，其母小波在方程中描述（七）、jfj-t-T2f2£ðt;fÞ¼pjfje2 e-j2pft7p2p.2ð5Þ2-t2f2等式中的S变换（6）可以通过替换高斯窗函数，等式（5）在STFT Eq. （二）、因此，S变换被视为连续小波变换具有如等式1中定义的母小波（八）、波浪-AT;ff2p1阿勒特什耶-1t-T2f22e-j2pftdtð6Þ令等式中（8）满足约束条件d∈fAT;fuT;de-j2pfTð8Þ3.4. 迁移学习图3.第三章。迁移学习方法的体系结构，通过公共内层将知识从预训练模型迁移迁移学习是一种新兴的深度学习方法，广泛应用于各种生物医学应用，如乳腺癌检测，白内障诊断，ECG分类等。迁移学习方法的重要性在于能够调整一个任务的预训练模型来分类不同的任务，而无需考虑可用数据集的大小。迁移学习的实现有两种方法：（1）只训练网络顶层的参数，而冻结预训练模型中其他层的参数。在可用数据量有限的情况下，可以采用这种方法。（2）第二种方法解冻所有参数，并且仅用传递的初始参数来训练整个网络。这种方法适用于有全面数据的情况，并有利于实现更好的收敛速度。迁移学习方法的一般架构如图3所示。图2中的迁移学习体系结构有两个垂直部分，即预训练模型和自定义模型。 预训练模型使用包含大量图像数据的ImageNet数据库进行训练。ImageNet拥有大约2.1万个数据类，其中包含超过1400万张图像。 使用这样一个庞大的模型见图4。 ResNet18架构使用跳过连接来避免梯度消失的问题。图五. 使用逐点（Pwise）和逐层（Dwise）卷积的MobileNet架构。.-A. Jaba Deva Krupa，S.Dhanalakshmi，Khin Wee Lai等.沙特国王大学学报7206数据库可以可靠地适用于分类广泛的应用。 自定义模型具有公共内层，其参数与预训练模型相同。除了常见层之外，自定义模型还具有最终层，其参数可以使用特定数据进行训练，例如，当前上下文中的腹部ECG。 然而，初始参数可以从预先训练的模型中转移。在本研究中，ResNet18和MobileNet预训练模型用于检测胎儿QRS波群。ResNet，即残差网络，最初是为了解决退化和消失梯度的问题而开发的（Odusami等人，2021年）。ResNet架构通过建立残差学习结构来改进更深层网络的训练。在ResNet结构中，层通过引用其输入而不是未引用的函数来学习残差。这种学习中的重新定义使得ResNet能够轻松训练，而不受网络深度的影响。ResNet有ResNet 18、ResNet 50和ResNet 101等变体，具体取决于见图6。 使用深度学习方法检测胎儿QRS波群的拟议方法的框图。图7.第一次会议。有和无胎儿QRS波群的100 ms节段示例该图示出了从PCDB的记录a24获得的段（a）、（b）是具有胎儿QRS波群的帧，（c）、（d）是没有QRS波群的帧。A. Jaba Deva Krupa，S.Dhanalakshmi，Khin Wee Lai等.沙特国王大学学报7207BN段BΣΣB联系我们使用的层ResNet 18的架构如图所示。 四、该网络有17个卷积层和一个全连接层。预先训练的ResNet的所有网络参数都是通过从头开始训练来更新的最后的密集层被重新整形，以产生与数据集类相同数量的输出。MobileNet是由Google开发的（Wang et al.，2020年），并成功应用于分类、分割和检测任务。MobileNet体系结构使用依赖可分离卷积来最小化参数大小和计算延迟，包括两层：依赖卷积和逐点卷积。Dwise conv操作符使用与输入中通道数量相同数量的Pwise conv使用大小为1x1xN的内核，其中N是通道数，对于每个卷积操作，生成具有单个内核的输出MobileNet的架构如图5所示，扩展和投影是使用pwise卷积运算实现的。3.5. 拟议方法实时地，在监测胎儿健康中最需要胎儿心率的有效估计。所提出的方法使用基于知识转移的深度学习模型来准确地检测胎儿心率。所提出的方法的框图如图6所示。该方法的输入是从第3.1节中讨论的Physionet数据库中获取的腹部ECG所提出的方法有三个主要模块：(1) 预处理，（2）时频图像表示，（3）深度学习模型，如图6所示。预处理阶段有三个步骤，如下所述：1. 信号正常化：信号正常化表2从PCDB创建训练和测试数据的算法。输入：经预处理的AECG信号，胎儿R峰的位置输出：训练和测试数据开始//第一步：N= length（an）;PosCount¼ 1;阴性计数 1/4;R计数 1/4;NSeg1/··················4//第2步：计算线段的上下限l¼100ωi- 1 1;k<$100ωi;//第三步：提取信号片段aseg<$al：k;//步骤4：获取信号段TFI表示ST或HHT//第5步：根据类别保存TFI图像如果l≤frloc_R_Count_k≤kSav_eA_tfi asPositv_eclass_Increment_Pos_Countif RCountlength递增R计数结束其他SaveAtfi as Negati veclass递增阴性计数结束//第6步：重复第2端包括使信号的幅度电平低于1。 通过这样做，能量水平在每个尺度上都可以是相似的。腹部信号标准化使用等式（（十）、正常腹部信号，杰马克斯·扎恩·杰ð10Þ图8.第八条。腹部ECG信号段的HHT频谱左侧两幅图像显示了具有胎儿QRS波群的节段的HHT，其余两幅图像显示了没有胎儿QRS波群的节段的HHT。图9.第九条。腹部ECG信号的ST段频谱左侧两幅图像显示了有胎儿QRS波群的ST段，其余两幅图像显示了无胎儿QRS波群的ST段。A. Jaba Deva Krupa，S.Dhanalakshmi，Khin Wee Lai等.沙特国王大学学报7208¼ ð Þ2. Savitzky Golay滤波：干扰电生理信号采集的常见噪声是基线噪声和电力线干扰。所提出的方法使用Savitzky Golay（SG）滤波器，以消除这些基本的噪声从采集的腹部ECG信号。SG滤波器成功地应用于胎儿和成人ECG信号的去噪。SG滤波器用于通过估计给定数据帧到多项式的最小二乘拟合来平滑信号这些滤波器被有效地操作用于预处理信号而不干扰信号3. 信号分割：预处理的AECG信号被分割成100 ms持续时间的帧，并分为两类：（i）具有胎儿QRS波群的帧（ii）没有胎儿QRS波群的帧。根据PCDB数据库中可用的参考注释进行分类。如果参考R峰位置在100 ms段内，则认为该帧具有胎儿QRS波群;否则，该帧没有胎儿QRS波群。具有和不具有胎儿QRS波群的段的示例在图7中呈现。图7示出了从PCDB数据库的记录a24获得的信号的帧。图7（a）和图7（b）是分别从24记录的第二通道的编号为201至300和701至800的样本中获取的具有胎儿QRS波群的帧。图7（c）和（d）是分别从a24ST技术见第3.2和3.3节。TFI表示提供了诸如增强的特征集的益处，使得即使不消除母体ECG也可以自动检测胎儿QRS波群。图图8和图9示出了分别使用HHT和ST获得的具有和不具有胎儿QRS波群的帧的TFI表示的示例。训练和测试数据集使用TFI表示的AECG段。该数据集具有基于给定数据帧中胎儿QRS波群的存在的两类输入。如果包含胎儿QRS波群，则100 ms窗口的TFI表示属于类别1;否则，图像归类为类别0。为此，考虑了每个记录的PCDB数据中可用的参考QRS注释。使用ACEG记录创建数据集的算法见表2。3.6. 评估指标手稿中用于性能分析的评估指标为准确度、灵敏度、精密度和F1评分。等式（11）TP11准确公司简介记录然后，使用HHT将一维分割帧转换为二维召回回复TP公司简介12Þ图10个。使用Resnet和Mobilenet训练和测试HHT和ST表示获得的损失曲线A. Jaba Deva Krupa，S.Dhanalakshmi，Khin Wee Lai等.沙特国王大学学报7209¼¼×精密PeTP公司简介F1评分F1 2Pe×Se佩尔塞ð13Þð14Þ其中TP表示正确检测到的胎儿峰，FP表示错误检测到的胎儿峰，FN表示遗漏的胎儿峰。灵敏度测量算法识别真实胎儿峰值的能力。精密度测量算法在所有检测到的峰中确定真正胎儿峰的能力。准确率是评价算法分类性能的关键参数。F1评分是灵敏度和精密度的调和平均值，并测量这些参数的相等权重。4. 结果和讨论提出了一种适合物联网环境的深度学习框架。提供了使用第3.1节所述数据集获得的结果的评价和可视化。图图10示出了针对图10所示的方法获得的训练和测试损失曲线。见图12。箱形图显示使用Resnet和Mobilenet架构的HHT和ST TFI表示的准确性。表3不同TFI表示和深度学习模型的评估指标之间的比较。TFI表示和深度学习架构对于所有的组合，损失曲线随着历元的增加而减小。与HHT表示相比，ST表示提供最小的损失。ST表示结合Mobilenet架构提供了最少参数HHT_Resnet HHT_Mobilenet ST_Resnet ST_MobilenetF1得分77.96 85.36 87.85 90.12与其他组合相比，培训和测试损失的价值在0.2的范围内。图图11显示了使用Mobilenet和Resnet模型绘制的ST和HHT表示的ROC曲线。用于相同TFI表示的深度学习模型之间的比较如图所示。 十一岁使用ST-Resnet的架构提供了0.89的面积，而ST与Mobilenet的组合提供了0.94的曲线下面积。如图所示，HHT表示为两个模型提供了相对 较 低 的 值 。 HHT 与 Resnet 组 合 提 供 0.82 的 面 积 ， 而 HHT 和Mobilenet组合提供0.88。使 用 图 12 所 示 的 箱 形 图 比 较 和 可 视 化 每 种 组 合 的 准 确 度 。ST_Resnet、ST_Mobilenet、HHT_Resnet和HHT_Mobile- net的平均准确度分别为83.2%、88.7%、74.6%和84.2%。在所有的组合中，ST表示与Mobilenet产生最高的平均值的准确性。表3比较了第3.6节中定义的不同深度学习模型和TFI表示的评估指标。ST与移动网络相结合提供了表中所示的所有指标的更好值表4统计指标与现有算法的比较算法访问率（%）召回率（%）精确度（%）F1（%）Zhong等人， 201877.38-Lee等人，2018- 86.69 92.77 -Vo等人， 2020年- 90.32 91.8281.5拟议的ST_Mobilenet 91.32 89.52 94.37 90.12粗体值表示它们是建议方法的结果。文章中也有同样的描述表4列出了总体统计指标与现有方法的比较。表中的值证明，该算法优于现有的方法。 突出显示的值表示建议方法的结果。所提出的方法实现的准确性是超过15%的值使用中等人提出的技术。（2018年）。使用建议的ST_Mobile-图十一岁ROC曲线比较使用不同深度学习架构的ST和HHT表示精度79.582.5192.8994.37召回76.4980.9283.3389.52精度80.1983.5488.3491.32A. Jaba Deva Krupa，S.Dhanalakshmi，Khin Wee Lai等.沙特国王大学学报7210net高于Lee et al.（2018）中获得的结果。使用所提出的方法获得的召回值与Vo等人（2020）中给出的召回值相当。然而，其他参数，如精度和F1措施是高得多，在所提出的方法。5. 结论本文提出了一种适用于物联网环境的新型深度学习框架，用于使用腹部信号检测胎儿QRS波群。深度学习模型基于迁移学习，并比较了Mobilenet和Resnet架构。利用胎儿QRS的时频表示，可以最大限度地从一维腹部ECG中检测胎儿QRS。本文研究了两种TFI方法，即Stockwell变换和Hilbert Huang变换，并进行了性能比较。迁移学习的优点包括在有限的数据下减少训练时间，因此可以在所获得的结果中证明神经网络的性能。ST_Resnet、ST_Mobilenet、HHT_Resnet和HHT_Mobilenet的 准确 度平 均值 分别 为 83.2% 、88.7% 、74.6% 和84.2%。这些方法的ROC曲线下面积分别为0.89、0.94、0.82和0.88。所获得的结果表明，与其他组合相比，与Mobilenet组合的Stockwell变换表示提供了改进的性能。未来的工作范围旨在开发一个独立的可穿戴单元，以获得对长期远程监测应用有用的胎儿心率。竞争利益提交人声明了可能被视为与资助者潜在竞争利益的经济利益/个人关系。确认作者感谢SRM科学技术研究所的管理层在基础设施方面的支持，以开展研究。感谢马来西亚马来亚大学和徐州科技计划的资助。资金这项工作得到了马来亚大学和ACU UK的部分支持，项目编号为IF063 -2021 。这 项工 作也 得到 了徐 州市 科学 技术 计划 项目 资助 号KC19211的引用Andreotti，F.，Behar，J.，Zaunseder，S.，奥斯特，J.，克利福德，G. D.，2016.一个开源框架，用于压力测试非侵入性胎儿ECG提取算法。生理学测量37（5），627-648。Altan，G.，Kutlu，Y.，Allahverdi，N.，2016.应用Hilbert-Huang变换早