胎儿心电信号的无创提取：基于时间卷积编解码网络

曹 石，巩 高，肖 慧，方威扬，阙与清，陈超敏

1南方医科大学生物医学工程学院，广东 广州 510515；2南昌大学第一附属医院，江西 南昌 330006

无创胎儿心电图（NI-FECG）是当下最具发展潜力的胎心监护方法，其主要通过在孕妇腹壁放置电极来记录胎儿心脏活动的电生理信号［1,2］。NI-FECG信号允许临床通过分析胎儿心率和心电波形共同筛查胎儿的健康状态［3］。如胎儿心电的QT、PR间期有助于缺氧导致的代谢性酸中毒、先天性心脏缺陷（CHD）的早期诊断［4,5］，提取具有清晰波形特征的胎儿心电信号具有重大意义。

现有的无创胎儿心电信号提取方法难以涵盖心电信号的各种复杂情况，如自适应滤波［6］（LMS［7］，RLS［7］，ESN［8］）的线性映射无法拟合参考信号与待处理信号之间复杂的非线性关系；扩展卡尔曼（EKF）［9］和模板消除（TS）［10］的主要缺陷是合成的孕妇心电模板可能无法达到与腹壁母体心电（MECG）成分一致的波形形态，尤其是当MECG成分与FECG成分波形重合的时候；盲源分离（PCA［11］，ICA［11］，JADE［12］）需要多通道的孕妇腹壁心电信号，这增加了检查难度和孕妇的不适感。近年来，随着深度学习技术取得了巨大的进步和发展，诸多研究工作尝试利用神经网络（DNN）提取胎儿心电信号。钟等［13］使用深度卷积网络直接从单通道腹壁混合心电（AECG）信号中提取胎儿心电信号；徐等［14］利用已标注的胎儿波峰位置信息训练网络模型，直接检测胎儿心电波峰特征；Arash等［15］提出了母体心电消除网络，消除腹壁母体心电成分以提取胎儿心电信号。然而，现有的基于深度学习的研究主要存在几个不足：在孕妇腹壁混合信号中，MECG成分通常比FECG具有更大的能量，因此难以训练直接从腹壁混合心电提取胎儿心电的深度模型。其次，需要胎儿头皮心电信号（SECG）对模型进行有监督学习训练，数据采集难度较大。训练数据的稀缺可能会严重降低模型的泛化性能；现有模型提取的胎儿心电信号仍残留有明显的母体心电成分，信噪比通常较低。由于R峰的高幅值，现有方法尚可以利用胎儿心电的R峰检测以计算胎儿心率。然而检测较小的波形，如P波和T波，将是一项具有挑战的任务。实际上若从腹壁混合信号中直接提取胎儿心电信号，母体心电的干扰始终不容忽视；大多数网络没有考虑序列建模的特殊性。对于长期心电信号的预测，时刻t的预测值yt取决于之前的历史信息的状态:{x1,…,xt}。因此简单地将图像模型的二维卷积替换为一维卷积是不适用的，较小的卷积核不能在有限的网络深度内感知较长的历史信息。

针对上述问题，本文设计一种结合残差及跳跃连接的时间卷积编解码网络（TCED-Net）模型作为非线性滤波器，提出了非线性自适应噪声消除提取框架。算法利用时间卷积网络优越的非线性映射能力以及自适应框架在线优化的特点，合理估计并消除腹壁母体心电成分以得到波形完整的胎儿心电信号。不同于现有研究仅限于提取R峰以估计胎儿心率，本研究旨在于保留所提取的胎儿心电波形特征以实现未来更加精准的胎儿监护。

1 材料和方法

1.1 实验数据

本文实验数据来自3个公开数据集：胎儿心电模拟数据库（FECGSYNDB）［16］、无创胎儿心电数据库（NIFECGDB）［17］和心脏病学挑战赛数据库（PCDB）［18］。

FECGSYNDB是一个模拟无创胎儿心电信号的大型数据库，每条记录有2条胸部心电信号和32条腹壁心电信号，其中包含了随机噪声、胎动、胎心率加/减速、宫缩和异位搏动等5个不同的生理事件。NIFECGDB采集怀孕21～40周的孕妇，每条心电记录包含2条胸部心电信号和3～4条腹壁混合心电信号，以1 kHz的频率同步采样并持续60 s。PCDB是迄今为止领域内最大的公开可用的无创胎儿心电数据集。其中每条记录包含4条腹壁混合心电信号且无胸部参考心电，以1 kHz的频率同步采样并持续60 s，上述的临床心电信号均由具有丰富经验的心脏病学家手动注释胎儿QRS波峰和QT间期以作为黄金标准。

1.2 数据预处理

预滤波对胎儿心电信号的提取质量至关重要，胎儿心电的QRS波峰的频率范围为10～15 Hz，最小带宽为100 Hz。首先利用截止频率为100 Hz的低通滤波去除高频噪声，频率为3 Hz的高通滤波去除基线漂移等低频噪声；然后将长度为1×60000的输入信号标准化至[-1，1]。

1.3 胎儿心电信号提取方法

目前普遍使用外置电极法采集胎儿心电信号：在时刻t由置于孕妇胸部的电极采集母体心电信号（TECG），且同时刻由置于孕妇腹壁的电极采集腹壁混合信号AECG。AECG包含母体心电成分MECG、胎儿心电成分FECG和噪声n三类信号，函数关系如式（1）所示：

其中，AECG中的母体心电成分MECG是由孕妇胸部心电信号TECG传输至腹壁形成的，其相位和幅度都会发生较大的改变［19］。这本质上可视为一种复杂的非线性变换：

本文拟构建深度神经网络(TCED-Net)模型作为非线性变换函数f(•)，提出了一种非线性自适应噪声消除（nonlinear ANC）框架，主要任务是利用TECG信号和AECG信号组成的训练样本对，求得两者之间的最佳非线性变换函数(•)，从而实现母体胸部心电信号至腹壁心电成分的映射和消除。流程如图1所示，单导联孕妇胸部信号为待处理输入，同步采集的腹壁混合信号为目标。利用TCED-Net 模型求得胸部心电信号传至腹壁的最佳估计，将其从腹壁混合信号中消除，从而提取最佳的胎儿心电信号（图1）。

图1 胎儿心电信号提取方法流程图Fig.1 Schematic diagram of fetal electrocardiogram signal extraction algorithm.

1.4 时间卷积编解码网络(TCED-Net)模型提取胎儿心电信号

1.4.1 模型理论 如上述所言，TCED-Net模型本质上为一个可以不断优化的非线性变换函数，最终拟合出母体胸部心电信号至腹壁心电成分的最佳映射关系。根据1.3节的分析，记TCED-Net模型为f(•)，孕妇胸部心电信号为T；腹壁混合心电信号包含母体心电成分M；胎儿心电成分F和噪声成分n。胸部信号T经TCED-Net模型非线性变换后为：y=f(T)，则产生的均方误差如式（4）所示：

优化模型令误差最小化，如式（6）所示：

此时模型的输出y即为腹壁母体心电成分，将其消除便可提取胎儿心电信号。

1.4.2 模型结构 本文提出的时间卷积编解码网络（TCED-Net）模型与用于图像处理任务的传统卷积架构不同，其利用1维卷积提取信号的特征。总体框架如图2所示，网络由多个卷积模块（编码）和对称的反卷积模块（解码）组成，内部及外部分别有残差和跳跃连接，以增强母体心电信号从胸部至腹壁的端到端映射能力。编码网络在[16,32,64,128,256,512]通道尺度上提取输入信号的特征，解码网络的反卷积层对编码的特征图进行恢复，最终确保输入输出大小一致。跳跃连接传递卷积层的特征图到反卷积层，有助于解码网络获得更多的细节信息。最后，一个1×1卷积的全连接层置于网络末端以恢复原始通道。模型的超参数设置如表1 所示。得益于卷积神经网络大规模并行计算的优势，模型可以处理长时心电数据。

图2 胎儿心电信号提取模型框架Fig.2 Overall architecture of fetal ECG signal extraction.

表1 TCED-Net模型的超参数Tab.1 Hyper-parameters of the TCED-Net

设计的时间卷积模块是实现母体心电信号从胸部至腹壁端到端映射的主体结构。其显著特点是模型在时刻t的预测值yt，只依赖于信号前期的历史状态：{x1,…,xt}［20］。为了能够感知较长历史时刻的信号特征，较深的网络或大的感受野是必要的，但两者都会显著消耗计算资源。故我们使用膨胀卷积［21］替换传统卷积，即通过控制膨胀因子（d）以获得更大的感受野而避免过大的参数量，如式（7）所示：

其中，k是卷积核尺寸，x(n-d•i)是感知信号特征的范围，y(n)是n时刻的卷积输出。当d=1时，即为常规卷积。如图3所示，一个时间卷积模块中有两层膨胀卷积（Dilated Conv）和非线性映射（SELU），在每层中加入正则化（Batch Norm、Dropout）配合残差连接以优化深层网络的梯度消失等问题，加速模型收敛。

图3 时间卷积块Fig.3 Temporal convolution block.

1.5 损失函数

目标函数定义为f(•) 的输出与AECG信号之间的均方误差（MSE），如式（8）所示：

1.6 评价指标

1.6.1 定性评价 观察算法是否有效抑制腹壁母体心电成分，提取的胎儿心电信号特征是否清晰，尤其是母体QRS波群与胎儿QRS波群重合的情形。给出可视化结果评价。

1.6.2 定量评价（1）质量信噪比：对合成数据，将提取的胎儿心电信号与参考信号进行比较。质量信噪比（qSNR）［23］越大，代表信号的噪声比例越小，信号质量越好。

（2）均方误差（MSE）

（3）胎儿R峰检测

其中，TP表示在参考注释左右50ms内检测的正确R峰数量；FN表示漏检R峰数量；FP表示在参考注释左右50ms外检测的错误R峰数量［24］。

1.7 统计学方法

本文方法和其他提取算法在合成心电数据和临床心电数据上进行胎儿R峰检测精度的比较，使用SPSS对结果进行统计学分析。本文方法与其他提取算法采用配对t检验，P＜0.05说明差异有统计学意义。

2 结果

2.1 胎儿心电信号提取算法在FECGSYNDB的可视化结果分析

选择噪声等级为0 dB的合成心电数据，将本文方法与LMS、RLS、ESN、TS和EKF等经典信号处理方法进行对比分析。由图4可见：（1）LMS、RLS方法提取的胎儿QRS特征不理想，信号混有明显的母体心电残留（如红圈所示）；（2）ES-RNN、TS方法可有效抑制母体心电成分，但在母体心电波峰与胎儿心电波峰相互靠近或重叠部分，胎儿波峰存在些许畸变和失真（如子图中蓝框所示）；（3）EKF方法的提取质量虽较好，但如子图所示，T波等微弱特征丢失。本文方法的提取结果中，QRS、T波等特征清晰可见，与参考信号的形态也更加吻合。

图4 0 dB时各方法的胎儿心电信号提取结果比较（结果经过标准化处理）Fig.4 Comparison of the extracted fetal ECG signals by different methods under 0 dB(Results have been normalized).

2.2 胎儿心电信号提取算法在FECGSYNDB的定量结果分析

各方法的平均性能指标如表2所示。本文方法的胎儿R峰检测精度（F1值）达到98.89%，能够较为完整地提取胎儿心电特征；此外，在MSE和qSNR上也优于其他方法，分别达到了0.20和7.84。

表2 各提取算法在FECGSYNDB的定量指标结果Tab.2 Quantitative index of the methods on the FECGSYNDB

2.2.1 胎儿心电信号提取算法在NIFECGDB的可视化结果分析 图5展示了2例临床心电数据的提取结果。第1行是腹壁混合心电信号，可见胎儿心电成分相比母体心电成分，非常微弱；第2行是TCED-Net拟合的母体心电成分，可见与腹壁母体心电成分十分相似；第3行是消除了母体心电成分后得到的胎儿心电。可见尽管其幅值远小于母体心电，但所提方法可以有效抑制母体心电成分，提取出较为清晰准确的胎儿心电信号和胎心率信号（第4行）。但是，在母体心电与胎儿心电的QRS波峰相互靠近或重叠部分，存在一些母体心电残留（图5红框）；此外，估计的胎心率信号存在3个异常波动，这是提取的波峰位置错误导致的。

图5 TCED-Net对NIFECGDB信号的提取结果（结果经过标准化处理）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.

图6 是与在NIFECGDB 中目前表现最优的2 个提取算法的对比结果，可见：TSpca 和ES-RNN 的提取结果较差，胎儿QRS特征不清晰；提取信号中混有明显的母体心电成分，较大的残留会对附近的胎儿波峰检测造成干扰（图6红框）；本文方法提取的胎儿心电信号，对应处的母体心电残留较为微弱，基本不会对附近的胎儿波峰检测产生干扰（图6红框）。

图6 TCED-Net与ES-RNN、TSpca对NIFECGDB信号的提取结果对比（结果经过标准化处理）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 胎儿心电信号提取算法在NIFECGDB的定量结果分析 我们利用胎儿心电波峰检测精度（F1值）定量评价现有多个算法的性能（表3）。相比之下，TCED-Net可以提取较多的胎儿心电波峰（F1值=99.1%）。这进一步证明了所提方法的可行性。

表3 各提取算法在NIFECGDB的定量指标结果Tab.3 Quantitative indexes of different methods on the NIFECGDB

2.2.3 胎儿心电信号提取算法在PCDB的可视化结果分析 本节利用无胸部参考心电的临床数据（PCDB）进一步验证模型的非线性映射能力。我们通过易于检测的母体心电R峰生成心电模板以代替真实的胸部心电信号。图7展示了2例利用合成心电模板所提取的胎儿心电信号，第1行是腹壁混合心电信号，可见母体心电成分是提取胎儿心电信号的最大干扰；第2行是利用母体心电波峰合成的心电模板，可见合成参考并不能正确地表示腹壁母体心电成分，两者之间是复杂的非线性关系。如第3行所示，TCED-Net利用心电模板估计最佳的母体心电成分，将其从腹壁混合信号中减去，从而得到胎儿心电信号。利用胎儿心电信号计算的胎儿心率如第4行所示。

图7 TCED-Net对PCDB的胎儿心电信号的提取结果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 胎儿心电信号提取算法在PCDB的定量结果分析表4 展示了所提模型与现有的深度学习提取算法在PCDB临床心电数据上的性能比较。结果显示TCEDNet在胎儿QRS检测精度方面优于现有方法，取得的F1-score达到98.62%。

表4 各提取算法在PCDB的定量指标结果Tab.4 Quantitative indexes of different methods on the PCDB

3 讨论

针对已有算法提取的胎儿心电信号不能较好地保留波形特征，本文设计一种结合残差及跳跃连接的TCED-Net模型作为非线性映射工具，提出了非线性自适应噪声消除提取框架。以孕妇胸部心电信号为输入，估计并消除腹壁混合信号中的母体心电成分，从而提取完整的胎儿心电信号。

基于设计的深度时间卷积网络（CNN）优越的非线性映射能力。可以更好地消除孕妇腹壁母体心电成分，获取有关胎儿心电信号的形态特征。广泛的数据验证表明，传统信号处理算法（RLS［7］、EKF［9］、TSpca［10］、ES-RNN［25］、OBACKS［26］）基本可以保留胎儿心电信号的R峰特征，这对于估计胎儿心率轨迹是必要的。然而结果中腹壁母体心电成分并未得到有效抑制，其残留严重干扰了胎儿心电的形态分析。同时，T波等微弱特征丢失，这对胎儿心电的分析诊断十分重要。说明目前传统算法只能提供胎心率等简单监护，这大大增加了临床误判的风险。相反，本文所提方法不局限于胎儿心率估计，有效的母体心电成分抑制使得提取的胎儿心电信号波形较为理想。此外，考虑到临床中采集胸部参考心电信号具有一定的难度，我们探究以母体心电模板代替真实胸部心电信号的可行性。同时，基于PCDB数据集，本文方法与现有基于深度学习的提取方法进行了性能比较，本文所提TCED-Net网络一定程度上克服了现有模型的弊端。结果表明，尽管合成的孕妇心电信号与腹壁母体心电成分存在较大差异，TCED-Net网络仍可以有效估计并消除母体心电成分，提取的胎儿心电信号具有相对清晰的形态学特征。这意味着导联配置的变化不会显著影响模型的性能，降低了临床检查的操作难度和孕妇的不适感。此外，TCED-Net在胎儿QRS检测精度方面均优于现有的RCED-Net［13］、AECG-DecompNet［15］、STFT-GAN［27］、1-D Octave Convolution［28］等网络模型，F1值达到98.62%。相较现有网络模型的提取架构，本文研究有以下数方面优点：（1）不同于网络直接从孕妇腹壁混合信号中提取胎儿心电信号，TCED-Net网络的任务是利用孕妇胸部心电信号以合理估计腹壁母体心电成分，将其从混合信号中消除以得到胎儿心电信号。因胸部心电信号通常具有较高的信噪比，故模型优化较为容易；（2）所提出的非线性自适应噪声消除框架是深度卷积神经网络（CNN）和自适应噪声消除（ANC）的结合，算法能够自主调整其参数以去除不相关的噪声分量。在nonlinear ANC 框架中，模型利用当前目标信号与待处理信号之间的误差进行在线优化和预测。因此，我们无需进行大量的模型训练或测试，同时实现了与最先进的方法更高或相当的性能；（3）针对在处理长时心电信号时，常规CNN的小卷积核在有限的网络深度内无法感知长时历史信息以进行当前预测，我们使用膨胀卷积增加感受野以感知心电信号的长时历史信息，这对应LSTM 的记忆功能。膨胀卷积运算的另一个好处是减少了计算成本和内存占用，从而能够在资源受限的设备上部署。与循环神经网络（RNN）相比，我们的卷积模型利用GPU 实现对长时心电信号的大规模并行计算［29］。

综上所述，高质量的胎儿心电信号对于临床诊断胎儿健康状态是十分有意义的。本文方法较现有提取技术更具优势，基本实现了提取的胎儿心电信号波形完整，特征清晰。未来工作会进一步对提取的胎儿心电信号去噪以得到更加清晰的胎儿心电波形。在此基础上提取胎儿心率和心电的形态特征参数，如PR间期、QT间期和ST段等，从而基于胎儿心率以及心电波形实现产前胎儿健康的精准监护。