胎兒心電信號提取算法的研究進展

楊玉瑤，郝婧宇，吳水才

（北京工業(yè)大學(xué)生物醫(yī)學(xué)工程系，北京 100124）

0 引言

隨著我國三胎政策的開放，孕婦人數(shù)急劇上升，對于便攜式、家用式孕婦遠程監(jiān)護系統(tǒng)的需求也急劇上升。胎心監(jiān)護儀（cardiotocography，CTG）[1]是目前臨床實踐中使用率最高的產(chǎn)檢監(jiān)測儀，通過超聲探頭發(fā)送超聲波，接收頻移回波信號并對其進行處理，得到胎兒心動周期，利用胎兒心動周期和子宮動脈的搏動指數(shù)進行計算，可同時得到胎心率（fetal heart rate，F(xiàn)HR）和宮縮（uterine contraction，UC）2條曲線。利用CTG進行監(jiān)護穩(wěn)健、可靠，但難以有效地獲得可靠的瞬時胎兒心率的變異信息[2]，且需要接入龐大復(fù)雜的醫(yī)療器械，設(shè)備笨重、佩戴不舒適，不適用于院外家庭遠程監(jiān)護[3]。胎兒心電（fetal electrocardiogram，F(xiàn)ECG）信號[4]既能提供胎兒心率信息，又能提供胎兒心臟活動周期的微小電位變化。該信號采集時將高精度小型傳感器和多個體表電極置于孕婦胸腹部，通過分析FECG信號的P波、P-R間期、QRS波、ST段及T波可判斷胎兒是否存在宮內(nèi)缺氧、胎兒窘迫、新生兒窒息、缺血缺氧性腦病等具體疾病。

獲取FECG信號的方法有2種：一種是侵入式胎兒心電信號（invasive fetal electrocardiogram，I-FECG）采集方法，該方法直接將電極置于胎兒頭皮，提供了較高的信號采集質(zhì)量，但只能用于胎兒分娩時，存在胎兒被感染的風(fēng)險，且當電極與胎兒頭皮接觸不足時，會導(dǎo)致信號傳輸不良、等值線波動；另一種是非侵入式胎兒心電信號（non-invasive fetal electrocardiogram，NI-FECG）采集方法，該方法可以實現(xiàn)圍產(chǎn)期胎兒健康狀況的長期監(jiān)護，是FECG信號提取的發(fā)展方向，但從母體腹壁采集得到的信號會混合生物偽影[母體心電（maternal electrocardiograph，MECG）信號、母胎肌電信號、子宮收縮等]和技術(shù)偽影（基線漂移、工頻干擾、脈沖偽跡等），其中母體心電信號對FECG信號干擾較強。在時域，母體心電成分幅度遠大于FECG信號幅度；而在頻域，兩者的頻譜相互重疊。如何從這些混合成分中提取出高質(zhì)量的FECG信號是該方法的難點。許多FECG提取算法會導(dǎo)致提取到的FECG信號有波形缺失、混雜噪聲等問題。基于上述原因，需要利用合適的FECG信號提取算法得到高質(zhì)量的FECG信號，通過對胎心率及波形變化的分析，及早發(fā)現(xiàn)妊娠期的胎兒病理情況（胎兒缺氧、先天性心臟病等），從而預(yù)防新生兒疾病并降低胎兒死亡率。

本文對傳統(tǒng)的和融合2種或多種算法的FECG信號提取算法進行綜述，并基于常用FECG信號數(shù)據(jù)庫對這些提取算法進行性能比較。

1 FECG信號常規(guī)提取算法

隨著信號處理技術(shù)的發(fā)展，許多算法都具有從混合信號中獲取目標信號的能力，但每種算法都有其各自的優(yōu)勢和劣勢。目前常用于FECG信號提取的算法有卡爾曼濾波（Kalman filtering，KF）、奇異值分解（singular value decomposition，SVD）、非負矩陣分解（non-negative matrix factorization，NMF）、自適應(yīng)神經(jīng)模糊推理系統(tǒng)（adaptive neuro-fuzzy inference system，ANFIS）、小波變換（wavelet transform，WT）、經(jīng)驗?zāi)B(tài)分解（empirical mode decomposition，EMD）和獨立成分分析（independent component analysis，ICA）。

KF框架是一種很有前景的自適應(yīng)濾波器，在其基礎(chǔ)上對非線性函數(shù)進行泰勒展開后進行一階線性化截斷，進而完成非線性函數(shù)的近似線性化，從而得到擴展卡爾曼濾波（extended Kalman filtering，EKF）算法。Niknazar等[5]基于KF框架從母體腹壁心電（abdominal electrocardiograph，AECG）信號中擴展并聯(lián)合多個心電圖構(gòu)建模型，生成一個高度真實的合成心電圖模型。由于每個心電圖中都有對應(yīng)項，所以在噪聲水平較高的情況下，該模型仍可以有效區(qū)分心電信號。但當MECG信號的QRS波與FECG信號R峰重合時，使用該模型提取FECG信號會導(dǎo)致R峰缺失，從而導(dǎo)致提取準確度降低。

SVD被廣泛應(yīng)用于各個領(lǐng)域，在超聲成像領(lǐng)域該算法可以抑制雜波[6]，在FECG信號提取領(lǐng)域該算法可以較好地解決波形缺失問題。Ayat等[7]在分類器中引入SVD和多項式分類器的組合，先利用SVD估計MECG信號，然后將MECG和AECG信號依次輸入到多項式分類器的輸入端，最后利用估計的MECG信號動力學(xué)和非線性特性提取FECG信號。該算法有效地解決了波形缺失問題，并將合成數(shù)據(jù)的信噪比提升至7.5 dB。

NMF算法能夠從生理信號光譜中提取特定特征。Dia等[8]基于NMF算法直接估計胎心率，首先對單通道AECG信號進行預(yù)處理衰減，通過源濾波模型確定特征FECG信號，然后對其譜圖進行NMF，胎心率對應(yīng)于估計出的源部分基頻。與傳統(tǒng)估計胎心率的方法不同，該方法既不需要檢測R峰也無需訓(xùn)練參數(shù)，因此大幅提高了胎心率檢測的準確性和時效性。

上述幾種算法只能用于提取妊娠后期的FECG信號。

ANFIS同時具備人工神經(jīng)網(wǎng)絡(luò)的自我學(xué)習(xí)能力和模糊推理系統(tǒng)的廣泛適應(yīng)能力。Nasiri等[9]利用ANFIS算法確定了母體腹部源信號和胸部源信號中母體心電成分的非線性變換關(guān)系。利用遺傳算法訓(xùn)練ANFIS，通過從AECG信號中減去MECG信號提取FECG信號，取得了良好的效果。該算法能夠有效地提取出妊娠早期的FECG信號，但計算量較大，計算成本較高。

WT算法有很多類型，如離散小波變換（discrete wavelet transform，DWT）、復(fù)小波變換（complex wavelet transform，CWT）、基音同步小波變換（pitch synchronous wavelet transform，PSWT）等。Wu等[10]借助DWT算法提取FECG信號并檢測R峰，但由于MECG信號能量遠高于FECG信號能量，雖然在提取到的FECG信號中成功檢測到與原始心電圖相同數(shù)量的R峰，但是信息損失較多，提取質(zhì)量較低。Kumar等[11]利用PSWT算法從AECG信號中估計MECG信號并恢復(fù)所需的FECG信號，該算法在檢測FECG信號和MECG信號時提供了最小的信息損失，將信噪比提高至0.497 0 dB。但由于WT算法可以聚焦細節(jié)部分的特點，相較于提取FECG信號，其在后續(xù)標注FECG信號特征部分有更好的效果。

EMD是將信號分解為固有模態(tài)函數(shù)的一種算法。Ghobadi等[12]利用EMD將AECG信號分解為單個振蕩函數(shù)，然后確定參考FECG信號與AECG信號振蕩函數(shù)之間的相關(guān)性，找到與基準信號相關(guān)度最高的振蕩函數(shù)，將所有與基準信號相關(guān)度最高的振蕩函數(shù)疊加即為增強的FECG信號。利用該算法檢測胎兒QRS波時平均準確率可達100%。

ICA是目前使用最廣泛的自適應(yīng)FECG信號提取算法，因此許多基于ICA的算法被提出，如快速獨立成分分析（fast independent component analysis，F(xiàn)astICA）、單通道獨立成分分析（single channel independent component analysis，SCICA）、非參數(shù)獨立成分分析（nonparametric independent component analysis，NpICA）等。但該算法存在2個劣勢：對初始權(quán)重敏感容易陷入局部最優(yōu)；技術(shù)性能高度依賴于數(shù)據(jù)集維度（即觀測數(shù)量m≥信源數(shù)量n）。Yuan等[13]在傳統(tǒng)FastICA算法的基礎(chǔ)上，引入牛頓迭代算法中的超松弛因子處理初始權(quán)值，解決了ICA算法易陷入局部最優(yōu)收斂不平衡的問題，使得平均迭代次數(shù)由改進前的35次降到13次，并將信噪比提高至1.55 dB。Jiménez-González等[14]將傳統(tǒng)FastICA算法使用的低維數(shù)據(jù)集投影到高維空間，以建立適合ICA分析的穩(wěn)健多維表示，該改進后的算法稱為ST-FastICA（space-time FastICA）。ST-FastICA算法有效解決了ICA算法低維記錄的問題，使得ST-FastICA算法成功實現(xiàn)低維4通道FECG信號的穩(wěn)健分離。

上述算法的原理及優(yōu)劣勢見表1。

表1 各種FECG信號提取算法的優(yōu)缺點分析

2 融合2種或多種算法提取FECG信號

由表1可知，各種算法都具有優(yōu)勢和劣勢，若單一使用某種算法很難得到高質(zhì)量的FECG信號，為后續(xù)FECG信號的分析增加了難度。最近的研究[8，16，26-40]表明，將多種算法進行組合的效果優(yōu)于單一算法。因此，本文的后續(xù)研究工作旨在總結(jié)2種或多種算法的不同組合，這些組合算法可以克服單一方法的局限性，同時結(jié)合各算法的優(yōu)點，從而提高FECG信號提取算法的性能。

2.1 基于ICA算法的組合

FastICA算法用于FECG信號提取時，以多通道腹部心電信號為輸入，通過假設(shè)信號源為非高斯線性混合信號，最大限度地提高統(tǒng)計獨立性，從而分離出混合信號源。

韓亮等[26]在Yuan等[13]和Jiménez-González等[14]改進的FastICA算法的基礎(chǔ)上與其他算法進行結(jié)合，從而提取高質(zhì)量的FECG信號。韓亮等[26]將FastICA算法與EKF算法相結(jié)合，在信號預(yù)處理后首先基于FastICA算法從母體腹壁多元化混合信號中分離得到MECG信號和FECG信號，然后進行MECG信號R峰位置檢測，并基于該位置信息采用EKF算法從FECG信號中得到殘留MECG成分并將其抑制，最后從含噪聲的FECG信號中檢測FECG信號的R峰位置，進而基于該位置信息再次采用EKF算法提取并獲得清晰的胎兒心電信號。相較于傳統(tǒng)FastICA算法，上述FastICA算法與EKF算法的組合可以得到清晰的FECG信號，同時解決了EKF算法依賴于母體R峰精確位置的劣勢，但其并未改善傳統(tǒng)EKF算法易導(dǎo)致波形缺失問題。Sarafan等[27]則在信號預(yù)處理后，首先采用模板相減（template subtraction，TS）算法去除AECG信號中的MECG信號，最大程度地保留FECG信號；然后基于Pan-Tompkins算法對四通道信號進行MQRS檢測，利用參考FQRS注釋選擇F1分數(shù)最高的通道；最后采用FastICA算法提取FECG信號。TS算法可以最大程度地抑制FECG信號中的MECG信號，故將FastICA算法與TS算法組合可以很好地解決波形缺失問題，且在低信噪比條件下具有較高性能，但其計算量大，執(zhí)行時間較長。Alkanfery等[28]將FastICA算法與WT算法相結(jié)合，首先應(yīng)用分數(shù)階巴特沃斯濾波器進行預(yù)處理，然后利用互相關(guān)方法選擇參考信號作為直接FECG信號，將腹部信號作為輸入信號，并對上述2種信號進行WT，最后利用FastICA算法消除AECG信號中的噪聲，分離MECG信號和FECG信號。該算法為基于FECG信號驗證胎心率提供了一種有效的方法。

2.2 基于SVD算法的組合

SVD算法用于FECG信號提取時，首先利用單通道或多通道腹部混合心電信號構(gòu)造測量矢量矩陣，然后對其進行SVD，進而獲得每個奇異值對應(yīng)的心電信號估計，選擇第一個奇異值或者前2個奇異值分別重構(gòu)獲得母體心電成分估計，最后針對該母體心電成分估計，進一步結(jié)合其他算法實現(xiàn)提取信噪比較高的FECG信號[29-30]。該方法僅適用于FECG信號信噪比較高的情形，否則分離出來的FECG信號噪聲仍較大，算法提取性能急劇下降。在使用SVD算法前，通常先使用一種FECG信號提取算法處理AECG信號，得到信噪比較高的混合信號后再利用SVD算法進行處理。Varanini等[31]將SVD算法與FastICA算法組合，在信號預(yù)處理后首先采用FastICA算法提取MECG信號并檢測MQRS，然后利用加權(quán)SVD算法估計并消除MECG信號，最后采用ICA算法分離殘差信號并進行FQRS波檢測。SVD算法與FastICA算法的組合得到Computing in Cardiology Challenge 2013關(guān)于胎心率和胎動間隔的最高官方分數(shù)，且該算法無需為每條記錄提供特定參數(shù)，屬無監(jiān)督方式。卜朝暉等[32]在使用SVD算法前先利用EKF算法進行預(yù)處理。在信號預(yù)處理后，首先利用EKF算法通過檢測孕婦單通道腹部信號的MECG信號R峰來估計母體心電分量，然后用單通道腹部信號減去MECG信號得到FECG信號的初步估計，最后利用SVD算法對初步估計的FECG信號進行降噪處理，以獲得高信噪比的FECG信號。相較于傳統(tǒng)單獨使用SVD算法，該算法首先利用EKF算法提高FECG信號的信噪比，為后續(xù)使用SVD算法得到高質(zhì)量FECG信號進行預(yù)處理。但該方法未解決EKF算法使FECG信號R峰幅度衰減進而導(dǎo)致SVD降噪后FECG波形缺失的劣勢。楊珣等[16]使用2次SVD算法進行FECG信號提取，在信號預(yù)處理后，先進行改進SVD算法的心電信號重構(gòu)，從而得到FECG信號的預(yù)估計。然后構(gòu)建FECG信號的重構(gòu)矩陣進行SVD運算，為進行降噪處理僅保留較大的奇異值，最終得到信噪比較高的FECG信號。該方法有效地改進了卜朝暉等[32]方法的波形缺失問題，經(jīng)過SVD算法預(yù)提取到的FECG信號R峰幅度幾乎未受到衰減，后續(xù)利用SVD降噪后可獲得無缺失的FECG波形。

2.3 基于WT算法的組合

WT算法用于FECG信號提取時，采用多尺度DWT方法進行特征提取，基于小波峰識別（waveletbased peak recognition，WPR）方法識別QRS波復(fù)合物[17]。WT是一種有效的去噪技術(shù)，但其僅適合于增強純凈FECG信號且目前的FECG信號監(jiān)測技術(shù)缺乏準確的胎心率監(jiān)測和FECG波形特征提取。Jallouli等[33]提出了一種從AECG信號中提取FECG信號的WT算法/Multi-WT算法。首先從單導(dǎo)聯(lián)腹部心電圖中提取FECG信號，然后從重構(gòu)MECG信號中定位母體R峰，最后消除重構(gòu)信號現(xiàn)有噪聲，并檢測與FECG信號的相關(guān)參數(shù)。關(guān)于原始數(shù)據(jù)的重建水平問題，該研究構(gòu)建shannon熵變量，基于測量信號相對于提取/重建信號的有序性/無序性，精確、自動評估能代表現(xiàn)實信號的最優(yōu)重建水平。Mollakazemi等[34]將DWT與主成分分析（principal component analysis，PCA）相結(jié)合提取FECG信號，在采用DWT去除基線漂移和梳狀切口濾波器去除工頻干擾的預(yù)處理后，首先采用PCA算法基于信號質(zhì)量評估（signal quality assessment，SQA）獲取最佳AECG參考通道，用于母體R峰檢測，然后從AECG信號中去除MECG信號從而提取FECG信號，最后對提取到的FECG信號進行10級DWT分解，利用分解得到的2、3、4級信號重構(gòu)新的FECG信號，去除各種噪聲和偽影，保留頻率最接近胎兒QRS復(fù)合波的FECG分量。該組合方法成功克服了PCA算法對噪聲的敏感性較高的局限性，后續(xù)利用DWT進行FQRS檢測，從DWT產(chǎn)生的分解信號中選取有效層次，重構(gòu)分解信號，因此，即使在1個或2個AECG信道被噪聲嚴重污染的情況下也能提取到高質(zhì)量的FECG信號。Krupa等[35]將WT與分數(shù)階傅里葉變換（fractional Fourier transform，F(xiàn)rFT）相結(jié)合提取FECG信號。FECG信號屬于多分量非平穩(wěn)信號，與單一時間、空間或頻率域相比，此類信號在分頻域的分析效果更好[36]。FrFT使信號在時頻平面上以預(yù)定義的旋轉(zhuǎn)角度旋轉(zhuǎn)，通過選擇適當?shù)男D(zhuǎn)角度，將AECG信號映射到分頻域，在分頻域可以很容易地分辨出在時域和頻域上重疊的母胎成分，利用最大似然估計法構(gòu)建一個包含QRS復(fù)雜形態(tài)的MECG信號，故而較準確地分離出MECG信號，再利用WT對識別出的MECG分量進行分離，并對殘差信號進行增強。FrFT對母體心電有較強的抑制作用，而WT對FECG有較好的增強作用，因此FrFT-WT算法結(jié)合了FrFT和WT的優(yōu)點，能夠有效去除MECG信號得到清晰高質(zhì)量的FECG信號，且在預(yù)測胎兒心率方面具有較高的準確性。

2.4 基于NMF算法的組合

利用NMF算法提取FECG信號的最大優(yōu)勢是該算法適用于單信道環(huán)境[37]。目前，大多數(shù)文獻中的FECG信號提取算法需要大量腹部傳感器，多導(dǎo)聯(lián)的AECG信號需消耗更多傳輸功率和更多傳輸帶寬且對于遠程監(jiān)護而言操作困難，而NMF算法適用于單通道環(huán)境，簡單易操作，為FECG信號的遠程監(jiān)護提供很大的便利性。Dia等[8]將NMF算法與非線性自適應(yīng)濾波算法相結(jié)合，在信號預(yù)處理后，首先以胸部心電信號為參考對AECG信號使用非線性自適應(yīng)濾波器，得到FECG估計信號，然后基于NMF的胎心率估計算法進行心電信號和頻譜圖的時域建模，基于NMF的諧波估計提取胎心率。ECG信號是少數(shù)可以進行壓縮的真實信號，Gurve等[38]采用了壓縮感知（compressive sensing，CS）的思想，并在壓縮域中直接對AECG信號進行NMF，在物聯(lián)網(wǎng)上實現(xiàn)節(jié)能傳輸以及經(jīng)濟、高效地分析FECG信號。該研究從原始AECG信號、壓縮域AECG信號和壓縮后恢復(fù)的AECG信號3個角度，對比分析NMF和ICA 2種算法在不同域提取FECG信號的性能。

2.5 基于EMD算法的組合

EMD算法用于FECG信號提取時，一般最后利用集合經(jīng)驗?zāi)B(tài)分解（ensemble EMD，EEMD）對目標信號進行平滑處理，若在開始使用EMD算法將AECG分解為基本模態(tài)分量（intrinsic mode function，IMF），則需要利用直接FECG信號找到最相似的IMF。He等[39]將EMD算法與NMF算法結(jié)合起來，在信號預(yù)處理后，首先利用EMD算法將單個腹部信號分解為IMF，然后計算IMF的相關(guān)矩陣，并使用特征值法估計獨立的心電信號數(shù)，根據(jù)確定的數(shù)和分解的IMF構(gòu)造非負矩陣，最后利用NMF算法實現(xiàn)MECG信號和FECG信號的分離。Barnova等[40]將EMD算法與ICA和遞歸最小二乘（recursive least squares，RLS）算法組合使用，在信號預(yù)處理后，首先使用ICA算法估計得到MECG和AECG信號，然后選取最高質(zhì)量的2個分量作為RLS算法的輸入，從而獲得高質(zhì)量FECG信號，最后利用EEMD算法將信號分解為IMF，根據(jù)準確性參數(shù)ACC找到分解的IMF分量中合適的IMF，其和為增強FECG信號，實現(xiàn)對FECG信號的平滑目的。該方法可以提取到高質(zhì)量的FECG信號且可以進行后續(xù)的形態(tài)分析，但3種算法進行組合計算復(fù)雜度較高。

3 各種算法的性能評估

3.1 常用FECG信號數(shù)據(jù)庫

表2為在算法研究中常使用的NI-FECG信號數(shù)據(jù)庫。

表2 現(xiàn)有NI-FECG信號數(shù)據(jù)庫

（1）DaISy數(shù)據(jù)庫。

DaISy數(shù)據(jù)庫[41]由比利時學(xué)者Lathauwer建立，包含8導(dǎo)聯(lián)數(shù)據(jù)，前5導(dǎo)聯(lián)信號來自孕婦腹部電極，后3導(dǎo)聯(lián)信號來自孕婦胸部電極。該數(shù)據(jù)庫的建立目的是增加科學(xué)論文報告結(jié)果的復(fù)現(xiàn)性，但該數(shù)據(jù)集中的數(shù)據(jù)僅來自一個孕婦，數(shù)據(jù)量少，通過實驗驗證發(fā)現(xiàn)，F(xiàn)ECG信號也相對容易分離，故該數(shù)據(jù)庫對FECG信號提取算法的準確率要求較低。

（2）NIFECGDB數(shù)據(jù)庫。

NIFECGDB數(shù)據(jù)庫[42]包含55條多通道腹部無創(chuàng)胎兒心電圖記錄，取自懷孕21～40周的孕婦，每條記錄的持續(xù)時間不同，因此該數(shù)據(jù)庫中的記錄信號規(guī)律性低，對于提取算法的精度要求較高。

（3）ADFECGDB數(shù)據(jù)庫。

ADFECGDB數(shù)據(jù)庫[43]是在西里西亞醫(yī)科大學(xué)通過KOMPOREL胎兒心電信號采集和分析系統(tǒng)獲得的。每個記錄包括從母體腹部獲得的4導(dǎo)聯(lián)數(shù)據(jù)和從胎兒頭皮記錄的作為FQRS注釋參考的直接胎兒心電（fetal scalp electrode，F(xiàn)SE）信號，因此該數(shù)據(jù)庫可通過胎兒頭皮信號對FECG信號提取算法的準確率、陽性預(yù)測值等參數(shù)進行評估。例如，Gurve等[38]利用該數(shù)據(jù)庫比較了算法提取到的FECG信號與真實FECG信號的差異，易于后續(xù)的算法改進與訓(xùn)練。

（4）PhysioNet數(shù)據(jù)庫。

PhysioNET數(shù)據(jù)庫[44]分為3個部分：SETA為訓(xùn)練集，研究人員應(yīng)用新算法在SETA上進行訓(xùn)練；SETB為驗證集，用于評估算法，以保證各種算法之間可以進行客觀的評估和比較；SETC為測試集，該數(shù)據(jù)集為隱藏測試集。該數(shù)據(jù)庫為目前使用最廣泛的數(shù)據(jù)集，例如韓亮等[26]、Sarafan等[27]和Barnova等[40]均采用該數(shù)據(jù)集驗證算法，因此他們的實驗結(jié)果可進行橫向?qū)Ρ龋炕魉惴ǖ臋z測性能。但該數(shù)據(jù)集無胸部導(dǎo)聯(lián)記錄，無法應(yīng)用于評估自適應(yīng)提取系統(tǒng)。

（5）FECGSYNDB數(shù)據(jù)庫。

FECGSYNDB數(shù)據(jù)庫[45]是一個模擬成人和無創(chuàng)胎兒心電信號的大型數(shù)據(jù)庫，為該領(lǐng)域的可重復(fù)性研究提供了可靠的資源。該數(shù)據(jù)庫是使用FECGSYN模擬器生成，將母親和胎兒的心臟表示為具有不同大小和空間位置的準時偶極子，將每個腹部信號成分（MECG、FECG和噪聲信號）作為單獨的信號源。FECGSYNDB數(shù)據(jù)庫包含胎動、子宮收縮、心率加速/減速和異位心跳等非平穩(wěn)事件。因此，該數(shù)據(jù)庫能夠提供更多FECG信號的形態(tài)信息，并為每個信號源提供單獨的波形文件，可以更有效地對比算法的提取質(zhì)量。

（6）NIFEADB數(shù)據(jù)庫。

NIFEADB數(shù)據(jù)庫[46]中包括12條胎兒心律失常的FECG信號記錄和14條對照的正常節(jié)律的FECG信號記錄，故該數(shù)據(jù)庫適用于測試設(shè)計目的為自動檢測心率異常的算法。

3.2 FECG信號質(zhì)量評估

對于真實數(shù)據(jù)，由Clifford和Behar領(lǐng)導(dǎo)的牛津研究團隊發(fā)起了一項名為“內(nèi)科網(wǎng)絡(luò)、心臟病學(xué)計算挑戰(zhàn)2013”的國際競賽[44]。該競賽對算法的效果評估做出了重大貢獻。FECG信號提取算法的性能一般使用靈敏度（Se）、陽性預(yù)測值（PPV）、諧波平均值F1和準確性（Acc）4個參數(shù)進行衡量。這些參數(shù)由檢測到的胎兒QRS波復(fù)合物的分類來定義真陽性（TP）、假陽性（FP）和假陰性（FN），即正確識別、錯誤檢測和漏檢QRS波復(fù)合物。

對于FECG信號合成數(shù)據(jù)，除了可以應(yīng)用上述統(tǒng)計數(shù)據(jù)，還可用其他參數(shù)評估，如信噪比（SNR）、平均絕對誤差（MAE）和平均絕對百分比誤差（MAPE）。雖然合成數(shù)據(jù)的評價方式更加完備，但是真實數(shù)據(jù)的評估仍是研究重點。若想將某種算法應(yīng)用于實際醫(yī)療，必須要證明該算法能夠提取到胎兒監(jiān)護的主要臨床特征。

3.3 組合方法的比較

近年來國內(nèi)外多種算法組合提取FECG信號結(jié)果比較見表3。

表3 近年來國內(nèi)外多種算法組合提取FECG信號結(jié)果比較

4 總結(jié)與展望

本文對傳統(tǒng)算法和目前常用的2種或2種以上算法的組合進行了簡單原理介紹及優(yōu)劣勢分析，并總結(jié)了目前常用FECG信號數(shù)據(jù)庫及算法評估參數(shù)。隨著科技的發(fā)展，許多算法都具有提取FECG信號的能力，根據(jù)本文綜述的最新文獻，2種或2種以上算法的組合可以改善單一算法的局限性，是未來用于FECG信號提取以達到準確評估胎心率并進一步實現(xiàn)FECG信號智能分析最有希望的方向。其中在無需胎兒頭部參考信號和母體胸部信號的前提下，F(xiàn)astICA算法與SVD算法的組合是目前處理NI-FECG信號的最優(yōu)方法，可提取到高質(zhì)量的FECG信號。

FECG信號后提取算法近幾年發(fā)展十分迅速，通過綜述國內(nèi)外研究現(xiàn)狀，對該領(lǐng)域亟須解決的關(guān)鍵問題總結(jié)如下。

（1）后續(xù)對FECG信號進行形態(tài)分析。

目前，胎兒心率及其變異性是唯一能夠獲得的足夠準確的參數(shù)，然而FECG信號的波形形態(tài)學(xué)分析能夠提供更多的有意義的臨床數(shù)據(jù)（如QT段、ST段、T/QRS等），因此在提取到高質(zhì)量的FECG信號后，要對FECG信號進行自動檢測分析與智能診斷，對用于臨床診斷的關(guān)鍵特征信息進行判斷。Pan&Tompkins算法[47]、希爾伯特變換[48]和WT[49]是目前最常用的3種特征提取算法。Pan&Tompkins算法生理約束較多，雖然存在自適應(yīng)閾值，但是不能適應(yīng)信號中的強變化；希爾伯特變換對于運動噪聲偽影及基線漂移的魯棒性較強，在存在噪聲閾值的情況下，該算法僅固定在當前窗口，不影響其余信號，但其僅可用于R峰監(jiān)測，無法得到形態(tài)信息；WT在低頻部分具有較高的頻率分辨力和較低的時間分辨力，在高頻部分又具有較高的時間分辨力和較低的頻率分辨力，特別適合處理像心電信號這樣的非平穩(wěn)信號。WT算法可以聚焦到心電信號的任意細節(jié)部分，有效地從心電信號中提取到有用信息，因此該算法十分適合提取出FECG信號后對FECG信號進行關(guān)鍵特征檢測。

（2）缺少大型開放式NI-FECG數(shù)據(jù)庫。

由表2可知，不同數(shù)據(jù)庫的采樣頻率、采樣時間、信號數(shù)量和采樣通道數(shù)均不一致，這就導(dǎo)致每個數(shù)據(jù)庫對于算法的精度要求不同（如DaISy數(shù)據(jù)庫NI-FECG相對容易分離，對算法的精度要求就較低；PhysioNet數(shù)據(jù)庫數(shù)據(jù)量很大，這就要求提取算法適用于多種情況，對算法精度要求就較高），因此不同的數(shù)據(jù)庫對于算法性能檢測差異較大。為客觀評估提取算法的性能，應(yīng)盡快建立一個大型開放式NI-FECG數(shù)據(jù)庫，該數(shù)據(jù)庫必須包含來自腹部和胸部電極的信號，從而可適用于自適應(yīng)算法評估，且需要分娩期錄制胎兒頭皮電極信號，通過FSE進行參考記錄，便于進行形態(tài)分析并對具體FECG信號智能分析功能的算法進行測試。

綜上所述，F(xiàn)ECG信號提取算法及數(shù)據(jù)庫仍須進一步優(yōu)化改進，從而量化比較各種算法，提取到具有完整清晰波形的FECG信號，實現(xiàn)FECG信號的形態(tài)分析，提供更多臨床實踐信息，保障母胎安全。