آشکارسازی سیگنال فعالیت الکتریکی قلب جنین از ثبت های شکمی مادر با یادگیری عمیق

یکی از شایع ترین دلایل مرگ و میر در هنگام تولد نوزاد، نقص قلبی است. تشخیص بیماری قلبی نیازمند مشاهده فعالیت قلب و استخراج فعالیت های الکتریکی قلب است که الکتروکاردیوگرام جنین (fecg) ، روشی استاندارد در این حوزه است. اما با وجود پیشرفت های قابل توجه در الکتروکاردیوگرافی بالینی بزرگسالان، تکنیک های پردازش سیگنال و پردازشگرهای دیجیتال سریع، آنالیز الکتروکاردیوگرام جنین هنوز در مراحل اولیه است و با چالش هایی همراه است. چرا که علاوه بر قلب جنین، عوامل دیگر مانند قلب مادر، فعالیت ماهیچه ای مادر و جنین، فعالیت مغزی جنین و نویز های محیط نیز تاثیر دارند و باعث مخدوش شدن سیگنال قلب جنین می شود. در این مقاله مروری با استفاده از ده ها منبع معتبر، مطالبی پیرامون بررسی انواع روش های آشکارسازی سیگنال فعالیت الکتریکی قلب جنین، مزایا و معایب آن ها و معرفی رویکرد یادگیری عمیق برای آشکارسازی فعالیت الکتریکی قلب جنین و تشخیص نقص قلبی جنین از روی الکتروکاردیوگرافی غیرتهاجمی مادر ارائه شده است. عملکرد این رویکرد با استفاده از یک ابزار یادگیری عمیق آموزش‌دیده در مجموع 941 بخش r-peaks یک دقیقه‌ای مادر و جنین جمع‌آوری‌شده از 172 زن باردار (هفته‌های 20 تا 40) تایید شده. دقت بالای بدست آمده توسط ابزار (90%) در شناسایی سناریوهای جفت، پتانسیل استفاده از هوش مصنوعی را به عنوان ابزار نظارتی برای ارزیابی مکرر رشد جنین نشان داد.

fetal heart electrical activity signal detection from maternal abdominal recordings with deep learning

one of the most common causes of death during the birth of a baby is heart defects. diagnosing heart disease requires observing heart activity and extracting heart electrical activity, which is the fetal electrocardiogram (fecg), a standard method in this field. however, despite significant advances in adult clinical electrocardiography, signal processing techniques, and fast digital processors, fetal electrocardiogram analysis is still in its infancy and is fraught with challenges. because in addition to the heart of the fetus, other factors such as the heart of the mother, the muscle activity of the mother and the fetus, the brain activity of the fetus and environmental noises also have an effect and cause the signal of the heart of the fetus to be distorted.in this review article, using dozens of reliable sources, there are materials related to the examination of various methods of revealing the electrical activity signal of the fetal heart, their advantages and disadvantages, and the introduction of a deep learning approach to detect the electrical activity of the fetal heart and the diagnosis of fetal heart defects through non-invasive electrocardiography. mother provided. the performance of this approach has been validated using a deep learning tool trained on a total of 941 one-minute maternal and fetal r-peaks segments collected from 172 pregnant women (weeks 20 to 40). the high accuracy obtained by the tool (90%) in identifying placental scenarios showed the potential of using artificial intelligence as a monitoring tool for frequent assessment of fetal growth.