Extraction of Maternal and fetal ECG in a non-invasive way from abdominal ECG recordings using modified Progressive FastICA Peel-off

这篇论文提出了一种从非侵入性腹部心电图(AECG)记录中提取胎儿心电图(FECG)的新框架。由于与母亲心电图(MECG)的重叠以及来自其他来源的潜在噪音，使用表面电极提取弱的FECG是具有挑战性的。该方法利用FastICA方法的精确源分离能力，结合其针对FECG的约束版本，通过剥离策略保证了弱源提取能力，通过奇异值分解(SVD)方法确保了FECG波形重建能力。具体而言，开发了一种周期约束FastICA(pcFastICA)来改善检查和纠正FECG源信号的精度，基于连续和重复的心电发射的统计特征。此外，设计了一种连续判断算法来选择最佳的母亲和胎儿心电图。该方法在公共数据集、合成数据和临床数据上进行了测试，ADFECG和NIFECGA数据集上的FECG提取F1分数分别为99.71%和99.36%，在最高噪音水平的合成数据上为98.77%，在临床数据上为98.09%，均优于其他比较方法。结果表明，我们提出的方法在高噪声条件下具有从多通道AECG中高精度分离弱FECG的潜力和有效性，这对于确保胎儿和母亲的安全以及人工智能临床监测的进步至关重要。

本论文旨在解决通过非侵入式腹部心电图监测胎儿健康状况时，由于母体心电图和其他干扰源的影响，难以提取出胎儿心电图的问题。

论文提出了一种基于FastICA算法的新框架，通过连续和重复的心电波形的统计特性，结合约束版本的FastICA算法和奇异值分解方法，实现了从多通道腹部心电图中高精度地提取胎儿心电图。

论文在公共数据集、合成数据和临床数据上进行了实验，提取胎儿心电图的F1分数分别为99.71％、99.36％和98.09％，均优于其他比较方法。值得关注的是，论文的方法在高噪声条件下也能够高精度地提取胎儿心电图。

最近的相关研究包括：“Fetal ECG Extraction from Abdominal Recordings: A Review”和“Fetal electrocardiogram extraction from abdominal recordings: A step-by-step guide to implementation of the independent component analysis approach”。