曹 石，鞏 高，肖 慧，方威揚，闕與清，陳超敏

1南方醫(yī)科大學生物醫(yī)學工程學院，廣東 廣州 510515；2南昌大學第一附屬醫(yī)院，江西 南昌 330006

無創(chuàng)胎兒心電圖（NI-FECG）是當下最具發(fā)展?jié)摿Φ奶バ谋O(jiān)護方法，其主要通過在孕婦腹壁放置電極來記錄胎兒心臟活動的電生理信號［1,2］。NI-FECG信號允許臨床通過分析胎兒心率和心電波形共同篩查胎兒的健康狀態(tài)［3］。如胎兒心電的QT、PR間期有助于缺氧導致的代謝性酸中毒、先天性心臟缺陷（CHD）的早期診斷［4,5］，提取具有清晰波形特征的胎兒心電信號具有重大意義。

現有的無創(chuàng)胎兒心電信號提取方法難以涵蓋心電信號的各種復雜情況，如自適應濾波［6］（LMS［7］，RLS［7］，ESN［8］）的線性映射無法擬合參考信號與待處理信號之間復雜的非線性關系；擴展卡爾曼（EKF）［9］和模板消除（TS）［10］的主要缺陷是合成的孕婦心電模板可能無法達到與腹壁母體心電（MECG）成分一致的波形形態(tài)，尤其是當MECG成分與FECG成分波形重合的時候；盲源分離（PCA［11］，ICA［11］，JADE［12］）需要多通道的孕婦腹壁心電信號，這增加了檢查難度和孕婦的不適感。近年來，隨著深度學習技術取得了巨大的進步和發(fā)展，諸多研究工作嘗試利用神經網絡（DNN）提取胎兒心電信號。鐘等［13］使用深度卷積網絡直接從單通道腹壁混合心電（AECG）信號中提取胎兒心電信號；徐等［14］利用已標注的胎兒波峰位置信息訓練網絡模型，直接檢測胎兒心電波峰特征；Arash等［15］提出了母體心電消除網絡，消除腹壁母體心電成分以提取胎兒心電信號。然而，現有的基于深度學習的研究主要存在幾個不足：在孕婦腹壁混合信號中，MECG成分通常比FECG具有更大的能量，因此難以訓練直接從腹壁混合心電提取胎兒心電的深度模型。其次，需要胎兒頭皮心電信號（SECG）對模型進行有監(jiān)督學習訓練，數據采集難度較大。訓練數據的稀缺可能會嚴重降低模型的泛化性能；現有模型提取的胎兒心電信號仍殘留有明顯的母體心電成分，信噪比通常較低。由于R峰的高幅值，現有方法尚可以利用胎兒心電的R峰檢測以計算胎兒心率。然而檢測較小的波形，如P波和T波，將是一項具有挑戰(zhàn)的任務。實際上若從腹壁混合信號中直接提取胎兒心電信號，母體心電的干擾始終不容忽視；大多數網絡沒有考慮序列建模的特殊性。對于長期心電信號的預測，時刻t的預測值yt取決于之前的歷史信息的狀態(tài):{x1,…,xt}。因此簡單地將圖像模型的二維卷積替換為一維卷積是不適用的，較小的卷積核不能在有限的網絡深度內感知較長的歷史信息。

針對上述問題，本文設計一種結合殘差及跳躍連接的時間卷積編解碼網絡（TCED-Net）模型作為非線性濾波器，提出了非線性自適應噪聲消除提取框架。算法利用時間卷積網絡優(yōu)越的非線性映射能力以及自適應框架在線優(yōu)化的特點，合理估計并消除腹壁母體心電成分以得到波形完整的胎兒心電信號。不同于現有研究僅限于提取R峰以估計胎兒心率，本研究旨在于保留所提取的胎兒心電波形特征以實現未來更加精準的胎兒監(jiān)護。

1 材料和方法

1.1 實驗數據

本文實驗數據來自3個公開數據集：胎兒心電模擬數據庫（FECGSYNDB）［16］、無創(chuàng)胎兒心電數據庫（NIFECGDB）［17］和心臟病學挑戰(zhàn)賽數據庫（PCDB）［18］。

FECGSYNDB是一個模擬無創(chuàng)胎兒心電信號的大型數據庫，每條記錄有2條胸部心電信號和32條腹壁心電信號，其中包含了隨機噪聲、胎動、胎心率加/減速、宮縮和異位搏動等5個不同的生理事件。NIFECGDB采集懷孕21～40周的孕婦，每條心電記錄包含2條胸部心電信號和3～4條腹壁混合心電信號，以1 kHz的頻率同步采樣并持續(xù)60 s。PCDB是迄今為止領域內最大的公開可用的無創(chuàng)胎兒心電數據集。其中每條記錄包含4條腹壁混合心電信號且無胸部參考心電，以1 kHz的頻率同步采樣并持續(xù)60 s，上述的臨床心電信號均由具有豐富經驗的心臟病學家手動注釋胎兒QRS波峰和QT間期以作為黃金標準。

1.2 數據預處理

預濾波對胎兒心電信號的提取質量至關重要，胎兒心電的QRS波峰的頻率范圍為10～15 Hz，最小帶寬為100 Hz。首先利用截止頻率為100 Hz的低通濾波去除高頻噪聲，頻率為3 Hz的高通濾波去除基線漂移等低頻噪聲；然后將長度為1×60000的輸入信號標準化至[-1，1]。

1.3 胎兒心電信號提取方法

目前普遍使用外置電極法采集胎兒心電信號：在時刻t由置于孕婦胸部的電極采集母體心電信號（TECG），且同時刻由置于孕婦腹壁的電極采集腹壁混合信號AECG。AECG包含母體心電成分MECG、胎兒心電成分FECG和噪聲n三類信號，函數關系如式（1）所示：

其中，AECG中的母體心電成分MECG是由孕婦胸部心電信號TECG傳輸至腹壁形成的，其相位和幅度都會發(fā)生較大的改變［19］。這本質上可視為一種復雜的非線性變換：

本文擬構建深度神經網絡(TCED-Net)模型作為非線性變換函數f(?)，提出了一種非線性自適應噪聲消除（nonlinear ANC）框架，主要任務是利用TECG信號和AECG信號組成的訓練樣本對，求得兩者之間的最佳非線性變換函數(?)，從而實現母體胸部心電信號至腹壁心電成分的映射和消除。流程如圖1所示，單導聯孕婦胸部信號為待處理輸入，同步采集的腹壁混合信號為目標。利用TCED-Net 模型求得胸部心電信號傳至腹壁的最佳估計，將其從腹壁混合信號中消除，從而提取最佳的胎兒心電信號（圖1）。

圖1 胎兒心電信號提取方法流程圖Fig.1 Schematic diagram of fetal electrocardiogram signal extraction algorithm.

1.4 時間卷積編解碼網絡(TCED-Net)模型提取胎兒心電信號

1.4.1 模型理論 如上述所言，TCED-Net模型本質上為一個可以不斷優(yōu)化的非線性變換函數，最終擬合出母體胸部心電信號至腹壁心電成分的最佳映射關系。根據1.3節(jié)的分析，記TCED-Net模型為f(?)，孕婦胸部心電信號為T；腹壁混合心電信號包含母體心電成分M；胎兒心電成分F和噪聲成分n。胸部信號T經TCED-Net模型非線性變換后為：y=f(T)，則產生的均方誤差如式（4）所示：

優(yōu)化模型令誤差最小化，如式（6）所示：

此時模型的輸出y即為腹壁母體心電成分，將其消除便可提取胎兒心電信號。

1.4.2 模型結構 本文提出的時間卷積編解碼網絡（TCED-Net）模型與用于圖像處理任務的傳統(tǒng)卷積架構不同，其利用1維卷積提取信號的特征?？傮w框架如圖2所示，網絡由多個卷積模塊（編碼）和對稱的反卷積模塊（解碼）組成，內部及外部分別有殘差和跳躍連接，以增強母體心電信號從胸部至腹壁的端到端映射能力。編碼網絡在[16,32,64,128,256,512]通道尺度上提取輸入信號的特征，解碼網絡的反卷積層對編碼的特征圖進行恢復，最終確保輸入輸出大小一致。跳躍連接傳遞卷積層的特征圖到反卷積層，有助于解碼網絡獲得更多的細節(jié)信息。最后，一個1×1卷積的全連接層置于網絡末端以恢復原始通道。模型的超參數設置如表1 所示。得益于卷積神經網絡大規(guī)模并行計算的優(yōu)勢，模型可以處理長時心電數據。

圖2 胎兒心電信號提取模型框架Fig.2 Overall architecture of fetal ECG signal extraction.

表1 TCED-Net模型的超參數Tab.1 Hyper-parameters of the TCED-Net

設計的時間卷積模塊是實現母體心電信號從胸部至腹壁端到端映射的主體結構。其顯著特點是模型在時刻t的預測值yt，只依賴于信號前期的歷史狀態(tài)：{x1,…,xt}［20］。為了能夠感知較長歷史時刻的信號特征，較深的網絡或大的感受野是必要的，但兩者都會顯著消耗計算資源。故我們使用膨脹卷積［21］替換傳統(tǒng)卷積，即通過控制膨脹因子（d）以獲得更大的感受野而避免過大的參數量，如式（7）所示：

其中，k是卷積核尺寸，x(n-d?i)是感知信號特征的范圍，y(n)是n時刻的卷積輸出。當d=1時，即為常規(guī)卷積。如圖3所示，一個時間卷積模塊中有兩層膨脹卷積（Dilated Conv）和非線性映射（SELU），在每層中加入正則化（Batch Norm、Dropout）配合殘差連接以優(yōu)化深層網絡的梯度消失等問題，加速模型收斂。

圖3 時間卷積塊Fig.3 Temporal convolution block.

1.5 損失函數

目標函數定義為f(?) 的輸出與AECG信號之間的均方誤差（MSE），如式（8）所示：

1.6 評價指標

1.6.1 定性評價 觀察算法是否有效抑制腹壁母體心電成分，提取的胎兒心電信號特征是否清晰，尤其是母體QRS波群與胎兒QRS波群重合的情形。給出可視化結果評價。

1.6.2 定量評價（1）質量信噪比：對合成數據，將提取的胎兒心電信號與參考信號進行比較。質量信噪比（qSNR）［23］越大，代表信號的噪聲比例越小，信號質量越好。

（2）均方誤差（MSE）

（3）胎兒R峰檢測

其中，TP表示在參考注釋左右50ms內檢測的正確R峰數量；FN表示漏檢R峰數量；FP表示在參考注釋左右50ms外檢測的錯誤R峰數量［24］。

1.7 統(tǒng)計學方法

本文方法和其他提取算法在合成心電數據和臨床心電數據上進行胎兒R峰檢測精度的比較，使用SPSS對結果進行統(tǒng)計學分析。本文方法與其他提取算法采用配對t檢驗，P＜0.05說明差異有統(tǒng)計學意義。

2 結果

2.1 胎兒心電信號提取算法在FECGSYNDB的可視化結果分析

選擇噪聲等級為0 dB的合成心電數據，將本文方法與LMS、RLS、ESN、TS和EKF等經典信號處理方法進行對比分析。由圖4可見：（1）LMS、RLS方法提取的胎兒QRS特征不理想，信號混有明顯的母體心電殘留（如紅圈所示）；（2）ES-RNN、TS方法可有效抑制母體心電成分，但在母體心電波峰與胎兒心電波峰相互靠近或重疊部分，胎兒波峰存在些許畸變和失真（如子圖中藍框所示）；（3）EKF方法的提取質量雖較好，但如子圖所示，T波等微弱特征丟失。本文方法的提取結果中，QRS、T波等特征清晰可見，與參考信號的形態(tài)也更加吻合。

圖4 0 dB時各方法的胎兒心電信號提取結果比較（結果經過標準化處理）Fig.4 Comparison of the extracted fetal ECG signals by different methods under 0 dB(Results have been normalized).

2.2 胎兒心電信號提取算法在FECGSYNDB的定量結果分析

各方法的平均性能指標如表2所示。本文方法的胎兒R峰檢測精度（F1值）達到98.89%，能夠較為完整地提取胎兒心電特征；此外，在MSE和qSNR上也優(yōu)于其他方法，分別達到了0.20和7.84。

表2 各提取算法在FECGSYNDB的定量指標結果Tab.2 Quantitative index of the methods on the FECGSYNDB

2.2.1 胎兒心電信號提取算法在NIFECGDB的可視化結果分析 圖5展示了2例臨床心電數據的提取結果。第1行是腹壁混合心電信號，可見胎兒心電成分相比母體心電成分，非常微弱；第2行是TCED-Net擬合的母體心電成分，可見與腹壁母體心電成分十分相似；第3行是消除了母體心電成分后得到的胎兒心電。可見盡管其幅值遠小于母體心電，但所提方法可以有效抑制母體心電成分，提取出較為清晰準確的胎兒心電信號和胎心率信號（第4行）。但是，在母體心電與胎兒心電的QRS波峰相互靠近或重疊部分，存在一些母體心電殘留（圖5紅框）；此外，估計的胎心率信號存在3個異常波動，這是提取的波峰位置錯誤導致的。

圖5 TCED-Net對NIFECGDB信號的提取結果（結果經過標準化處理）Fig.5 Normalized results of fetal ECG signal extraction using TCED-Net from the NIFECGDB.A:A sample from ecgca244 channel-1.B:Asample from ecgca771 channel-1.

圖6 是與在NIFECGDB 中目前表現最優(yōu)的2 個提取算法的對比結果，可見：TSpca 和ES-RNN 的提取結果較差，胎兒QRS特征不清晰；提取信號中混有明顯的母體心電成分，較大的殘留會對附近的胎兒波峰檢測造成干擾（圖6紅框）；本文方法提取的胎兒心電信號，對應處的母體心電殘留較為微弱，基本不會對附近的胎兒波峰檢測產生干擾（圖6紅框）。

圖6 TCED-Net與ES-RNN、TSpca對NIFECGDB信號的提取結果對比（結果經過標準化處理）Fig.6 Comparison of fetal ECG signal extraction using TCED-Net,ES-RNN and TSpca from the NIFECGDB (results are normalized).A:Asample from ecgca290 channel-1.B:Asample from ecgca733 channel-1.

2.2.2 胎兒心電信號提取算法在NIFECGDB的定量結果分析 我們利用胎兒心電波峰檢測精度（F1值）定量評價現有多個算法的性能（表3）。相比之下，TCED-Net可以提取較多的胎兒心電波峰（F1值=99.1%）。這進一步證明了所提方法的可行性。

表3 各提取算法在NIFECGDB的定量指標結果Tab.3 Quantitative indexes of different methods on the NIFECGDB

2.2.3 胎兒心電信號提取算法在PCDB的可視化結果分析 本節(jié)利用無胸部參考心電的臨床數據（PCDB）進一步驗證模型的非線性映射能力。我們通過易于檢測的母體心電R峰生成心電模板以代替真實的胸部心電信號。圖7展示了2例利用合成心電模板所提取的胎兒心電信號，第1行是腹壁混合心電信號，可見母體心電成分是提取胎兒心電信號的最大干擾；第2行是利用母體心電波峰合成的心電模板，可見合成參考并不能正確地表示腹壁母體心電成分，兩者之間是復雜的非線性關系。如第3行所示，TCED-Net利用心電模板估計最佳的母體心電成分，將其從腹壁混合信號中減去，從而得到胎兒心電信號。利用胎兒心電信號計算的胎兒心率如第4行所示。

圖7 TCED-Net對PCDB的胎兒心電信號的提取結果Fig.7 Fetal ECG signal extraction result using TCED-Net from the PCDB dataset(results are normalized).A:A sample from a25Ab-1.B:Asample from a44Ab-1.

2.2.4 胎兒心電信號提取算法在PCDB的定量結果分析表4 展示了所提模型與現有的深度學習提取算法在PCDB臨床心電數據上的性能比較。結果顯示TCEDNet在胎兒QRS檢測精度方面優(yōu)于現有方法，取得的F1-score達到98.62%。

表4 各提取算法在PCDB的定量指標結果Tab.4 Quantitative indexes of different methods on the PCDB

3 討論

針對已有算法提取的胎兒心電信號不能較好地保留波形特征，本文設計一種結合殘差及跳躍連接的TCED-Net模型作為非線性映射工具，提出了非線性自適應噪聲消除提取框架。以孕婦胸部心電信號為輸入，估計并消除腹壁混合信號中的母體心電成分，從而提取完整的胎兒心電信號。

基于設計的深度時間卷積網絡（CNN）優(yōu)越的非線性映射能力?？梢愿玫叵袐D腹壁母體心電成分，獲取有關胎兒心電信號的形態(tài)特征。廣泛的數據驗證表明，傳統(tǒng)信號處理算法（RLS［7］、EKF［9］、TSpca［10］、ES-RNN［25］、OBACKS［26］）基本可以保留胎兒心電信號的R峰特征，這對于估計胎兒心率軌跡是必要的。然而結果中腹壁母體心電成分并未得到有效抑制，其殘留嚴重干擾了胎兒心電的形態(tài)分析。同時，T波等微弱特征丟失，這對胎兒心電的分析診斷十分重要。說明目前傳統(tǒng)算法只能提供胎心率等簡單監(jiān)護，這大大增加了臨床誤判的風險。相反，本文所提方法不局限于胎兒心率估計，有效的母體心電成分抑制使得提取的胎兒心電信號波形較為理想。此外，考慮到臨床中采集胸部參考心電信號具有一定的難度，我們探究以母體心電模板代替真實胸部心電信號的可行性。同時，基于PCDB數據集，本文方法與現有基于深度學習的提取方法進行了性能比較，本文所提TCED-Net網絡一定程度上克服了現有模型的弊端。結果表明，盡管合成的孕婦心電信號與腹壁母體心電成分存在較大差異，TCED-Net網絡仍可以有效估計并消除母體心電成分，提取的胎兒心電信號具有相對清晰的形態(tài)學特征。這意味著導聯配置的變化不會顯著影響模型的性能，降低了臨床檢查的操作難度和孕婦的不適感。此外，TCED-Net在胎兒QRS檢測精度方面均優(yōu)于現有的RCED-Net［13］、AECG-DecompNet［15］、STFT-GAN［27］、1-D Octave Convolution［28］等網絡模型，F1值達到98.62%。相較現有網絡模型的提取架構，本文研究有以下數方面優(yōu)點：（1）不同于網絡直接從孕婦腹壁混合信號中提取胎兒心電信號，TCED-Net網絡的任務是利用孕婦胸部心電信號以合理估計腹壁母體心電成分，將其從混合信號中消除以得到胎兒心電信號。因胸部心電信號通常具有較高的信噪比，故模型優(yōu)化較為容易；（2）所提出的非線性自適應噪聲消除框架是深度卷積神經網絡（CNN）和自適應噪聲消除（ANC）的結合，算法能夠自主調整其參數以去除不相關的噪聲分量。在nonlinear ANC 框架中，模型利用當前目標信號與待處理信號之間的誤差進行在線優(yōu)化和預測。因此，我們無需進行大量的模型訓練或測試，同時實現了與最先進的方法更高或相當的性能；（3）針對在處理長時心電信號時，常規(guī)CNN的小卷積核在有限的網絡深度內無法感知長時歷史信息以進行當前預測，我們使用膨脹卷積增加感受野以感知心電信號的長時歷史信息，這對應LSTM 的記憶功能。膨脹卷積運算的另一個好處是減少了計算成本和內存占用，從而能夠在資源受限的設備上部署。與循環(huán)神經網絡（RNN）相比，我們的卷積模型利用GPU 實現對長時心電信號的大規(guī)模并行計算［29］。

綜上所述，高質量的胎兒心電信號對于臨床診斷胎兒健康狀態(tài)是十分有意義的。本文方法較現有提取技術更具優(yōu)勢，基本實現了提取的胎兒心電信號波形完整，特征清晰。未來工作會進一步對提取的胎兒心電信號去噪以得到更加清晰的胎兒心電波形。在此基礎上提取胎兒心率和心電的形態(tài)特征參數，如PR間期、QT間期和ST段等，從而基于胎兒心率以及心電波形實現產前胎兒健康的精準監(jiān)護。