Перейти до вмісту
Мікросистеми, Електроніка та Акустика
ISSN 2523-4447 · e‑ISSN 2523-4455 Відкритий доступ · CC BY-SA 4.0
Т. 31 · № 2 · 2026 сер 4, 2026 Електронні системи та сигнали

Комплексний метод виділення неінвазивного сигналу фетальної електрокардіограми та класифікації серцевих аритмій

ДШ
Дмитро А. Шевчук Відповідальний Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» Україна
НІ
канд. техн. наук, доц. Наталія Георгіївна Іванушкіна Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» Україна
Сторінки356487.1-356487.11 Опублікованосер 4, 2026 ЛіцензіяВідкритий доступ
pdf
ТОМ 31 · № 2 · 2026 Переглянути випуск

Анотація

Стаття присвячена розробці комплексного методу виділення фетального електрокардіосигналу (ФЕКГ) з неінвазивних абдомінальних записів та подальшої автоматизованої класифікації порушень серцевого ритму плоду за допомогою методів машинного навчання. Проблема ранньої діагностики фетальних аритмій ускладнюється низьким відношенням сигнал/шум в абдомінальних сигналах через домінування материнської серцевої активності та наявність інтенсивних фізіологічних завад. Дослідження спрямоване на вирішення цієї проблеми шляхом поєднання методів статистичного розділення багатоканальних сигналів із спектральним аналізом варіабельності серцевого ритму. Запропоновано комплексний метод, де на першому етапі для виділення ФЕКГ-сигналу застосовано частотну фільтрацію, методи сліпого розділення джерел, зокрема аналіз головних (PCA) та незалежних компонент (ICA), у комбінації з ітеративним пригніченням материнського електрокардіосигналу на основі сингулярного розкладу (SVD). На другому етапі для ідентифікації патологій розраховуються послідовності часових RR-інтервалів з подальшим формуванням гібридного вектора ознак, що поєднує часові показники варіабельності серцевого ритму та спектральні коефіцієнти авторегресійної моделі Берга. Чисельно встановлено, що порядком авторегресійної моделі, який забезпечує найкращу якість класифікації без ознак перенавчання, є p = 6. Для задачі бінарної класифікації станів (норма або аритмія) було розроблено класифікаційну модель, яка використовує метод опорних векторів (SVM) у поєднанні зі стратегією прийняття рішень на рівні пацієнта. Ефективність розробленого методу перевірялася з використанням відкритих баз даних Abdominal and Direct Fetal ECG Database (ADFECGDB) для валідації якості виділення сигналу та Non-Invasive Fetal ECG Arrhythmia Database (NIFEADB) для навчання та тестування класифікатора. Оцінювання проводилося за схемою Leave-One-Patient-Out (LOPO), що забезпечує повне розділення навчальних і тестових даних на рівні пацієнтів. Результати тестування продемонстрували ефективність запропонованого підходу: модель досягла інтегрального показника F1-score на рівні 83,3%. Майбутні дослідження будуть спрямовані на розширення діагностичних можливостей системи шляхом аналізу ширшого спектра фетальних аритмій, переходу до багатокласової класифікації, а також застосування синтетично згенерованих даних для подолання дефіциту анотованих фетальних патологічних записів.

Ключові слова

#абдомінальні електрокардіограми #фетальна електрокардіограма #аритмія #сліпе розділення джерел #авторегресійні процеси #машинне навчання

Посилання

  1. Z. Alfirevic, G. M. Gyte, A. Cuthbert, and D. Devane, “Continuous cardiotocography (CTG) as a form of electronic fetal monitoring (EFM) for fetal assessment during labour,” Cochrane Database of Systematic Reviews, vol. 2019, no. 5, Feb. 2017, DOI: https://doi.org/10.1002/14651858.CD006066.pub3 .
  2. T. Kupka et al., “New Method for Beat-to-Beat Fetal Heart Rate Measurement Using Doppler Ultrasound Signal,” Sensors, vol. 20, no. 15, p. 4079, Jul. 2020, DOI: https://doi.org/10.3390/s20154079 .
  3. G. Aggarwal and Y. Wei, “Non-Invasive Fetal Electrocardiogram Monitoring Techniques: Potential and Future Research Opportunities in Smart Textiles,” Signals, vol. 2, no. 3, pp. 392–412, Jun. 2021, DOI: https://doi.org/10.3390/signals2030025 .
  4. E. W. Abdulhay, R. J. Oweis, A. M. Alhaddad, F. N. Sublaban, M. A. Radwan, and H. M. Almasaeed, “Non-Invasive Fetal Heart Rate Monitoring Techniques,” Biomedical Science and Engineering, vol. 2, no. 3, pp. 53–67, Aug. 2014, DOI: https://doi.org/10.12691/BSE-2-3-2 .
  5. Z. Li and X. Guo, “Assessment of Fetal Well-Being,” in Electronic Fetal Monitoring, Singapore: Springer Singapore, 2021, pp. 1–18. DOI: https://doi.org/10.1007/978-981-15-7364-4 .
  6. W. Xueyun and Z. Wei, “Application of kernel PCA for foetal ECG estimation,” Electron Lett, vol. 54, no. 6, pp. 340–342, Mar. 2018, DOI: https://doi.org/10.1049/el.2018.0071 .
  7. R. Martinek et al., “Comparative Effectiveness of ICA and PCA in Extraction of Fetal ECG From Abdominal Signals: Toward Non-invasive Fetal Monitoring,” Front Physiol, vol. 9, May 2018, DOI: https://doi.org/10.3389/fphys.2018.00648 .
  8. Y. S. Alshebly and M. Nafea, “Isolation of Fetal ECG Signals from Abdominal ECG Using Wavelet Analysis,” IRBM, vol. 41, no. 5, pp. 252–260, Oct. 2020, DOI: https://doi.org/10.1016/j.irbm.2019.12.002 .
  9. K. Barnova et al., “A novel algorithm based on ensemble empirical mode decomposition for non-invasive fetal ECG extraction,” PLoS One, vol. 16, no. 8, p. e0256154, Aug. 2021, DOI: https://doi.org/10.1371/journal.pone.0256154 .
  10. R. Kahankova et al., “A Review of Signal Processing Techniques for Non-Invasive Fetal Electrocardiography,” IEEE Rev Biomed Eng, vol. 13, pp. 51–73, 2020, DOI: https://doi.org/10.1109/RBME.2019.2938061 .
  11. R. Jaros, R. Martinek, and R. Kahankova, “Non-Adaptive Methods for Fetal ECG Signal Processing: A Review and Appraisal,” Sensors, vol. 18, no. 11, p. 3648, Oct. 2018, DOI: https://doi.org/10.3390/s18113648 .
  12. S. Aziz, S. Ahmed, and M.-S. Alouini, “ECG-based machine-learning algorithms for heartbeat classification,” Sci Rep, vol. 11, no. 1, p. 18738, Sep. 2021, DOI: https://doi.org/10.1038/s41598-021-97118-5
  13. J. Jezewski, A. Matonia, T. Kupka, D. Roj, and R. Czabanski, “Abdominal and Direct Fetal ECG Database (ADFECGDB),” PhysioNet, version 1.0.0, 2012. [Online]. DOI: https://doi.org/10.13026/C2RP4B
  14. J. A. Behar, L. Bonnemains, V. Shulgin, J. Oster, O. Ostras, and I. Lakhno, “Non-Invasive Fetal ECG Arrhythmia Database (NIFEA DB),” PhysioNet, version 1.0.0. [Online]. DOI: https://doi.org/10.13026/C2CT0S
  15. R. J. Martis, U. R. Acharya, and L. C. Min, “ECG beat classification using PCA, LDA, ICA and Discrete Wavelet Transform,” Biomed Signal Process Control, vol. 8, no. 5, pp. 437–448, Sep. 2013, DOI: https://doi.org/10.1016/j.bspc.2013.01.005 .
  16. V. Ionescu, “Fetal ECG Extraction from Multichannel Abdominal ECG Recordings for Health Monitoring During Labor,” Procedia Technology, vol. 22, pp. 682–689, 2016, DOI: https://doi.org/10.1016/j.protcy.2016.01.143 .
  17. Y. Li, X. Luo, H. Zhao, J. Cui, Y. She, D. Li, L. Jiang, and X. Zhang, “Noninvasive Extraction of Maternal and Fetal Electrocardiograms Using Progres-sive Periodic Source Peel-off,” arXiv preprint arXiv: 2406.01281, 2024, DOI: https://doi.org/10.48550/arXiv.2406.01281 .
  18. A. Veduta et al., “Treatment of Fetal Arrhythmias,” J Clin Med, vol. 10, no. 11, p. 2510, Jun. 2021, DOI: https://doi.org/10.3390/jcm10112510 .
  19. J. A. Behar, L. Bonnemains, V. Shulgin, J. Oster, O. Ostras, and I. Lakhno, “Noninvasive fetal electrocardiography for the detection of fetal arrhythmias,” Prenat Diagn, vol. 39, no. 3, pp. 178–187, Feb. 2019, DOI: https://doi.org/10.1002/pd.5412 .
  20. A. Ouelli, B. E. B.Elhadadi, H. A. H.Aissaoui, and B. B. B.Bouikhalene, “AR Modeling for Cardiac Arrhythmia Classification using MLP Neural Networks,” Int J Comput Appl, vol. 47, no. 24, pp. 44–51, Jul. 2012, DOI: https://doi.org/10.5120/7508-0638 .
  21. T. Nield, “Essential Math for Data Science: Take Control of Your Data with Fundamental Linear Algebra, Probability, and Statistics” O’Reilly Media, Inc., 2022, ISBN: 978-1-098-10293-7.
  22. J. Hao, Y. Yang, Z. Zhou, and S. Wu, “Fetal Electrocardiogram Signal Extraction Based on Fast Independent Component Analysis and Singular Value Decomposition,” Sensors, vol. 22, no. 10, p. 3705, May 2022, DOI: https://doi.org/10.3390/s22103705 .
  23. Md. S. R. Pavel, Md. R. Islam, and A. M. Siddiqee, “Fetal Arrhythmia Detection Using Fetal ECG Signal,” in 2019 IEEE International Conference on Telecommunications and Photonics (ICTP), IEEE, Dec. 2019, pp. 1–4. DOI: https://doi.rg/10.1109/ICTP48844.2019.9041789 .
  24. X. F. Joseph, A. T. Waktola, D. Senay, and S. R. Breesha, “An Enhanced Classification Technique for Fetal ECG Signal Separation to Diagnose Fetal Heart Diseases,” in 2019 IEEE International Conference on Intelligent Techniques in Control, Optimization and Signal Processing (INCOS), IEEE, Apr. 2019, pp. 1–5. DOI: https://doi.rg/10.1109/INCOS45849.2019.8951317 .
  25. X. Shi, K. Yamamoto, T. Ohtsuki, Y. Matsui, and K. Owada, “Unsupervised Learning-Based Non-Invasive Fetal ECG Muti-Level Signal Quality Assessment,” Bioengineering, vol. 10, no. 1, p. 66, Jan. 2023, DOI: https://doi.rg/10.3390/bioengineering10010066 .
  26. G. A. Pradipta, P. Desiana Wulaning Ayu, M. Liandana, and D. P. Hostiadi, “Enhanced Fetal Arrhythmia Classification by Non-Invasive ECG Using Cross Domain Feature and Spatial Differences Windows Information,” IEEE Access, vol. 13, pp. 6729–6749, 2025, DOI: https://doi.rg/10.1109/ACCESS.2025.3526586 .

Ліцензія

CCBY-SA 4.0
Creative Commons Із зазначенням авторства 4.0 Міжнародна

Ця робота має відкриту ліцензію: вільно поширюйте та адаптуйте її, посилаючись на авторів і журнал. Умови ліцензії ↗

Авторське право (c) 2026 Дмитро А. Шевчук, канд. техн. наук, доц. Наталія Георгіївна Іванушкіна (Автор)

§ 06 — Пов'язані

Схожі статті в цьому журналі

Пов'язані рецензовані дослідження, опубліковані в цьому журналі.
Усі випуски

Квазістатична ідентифікація структури затінення сонячних панелей за методом векторів кардинальних чисел

PhD, доц. Олена Олегівна Абакумова, д-р техн. наук, проф. Валерій Якович Жуйков, Микола О. Лук'янов

У статті розглянуто проблему ідентифікації структури затінення сонячних панелей. Актуальність дослідження зумовлена необхідністю швидкої та адекватної реконфігурації…

#Сонячні панелі #Фотоелектрична поверхня #Моделювання структури тіней #Квазістатична ідентифікація
с. 362283.1-362283.7
10.20535/2523-4455.mea.362283

Імітаційне моделювання фільтро-компенсаційного перетворювача для трифазної трипровідної мережі

Іван Андрійович Вакуленко, канд. техн. наук, доц. Дмитро Анатолійович Миколаєць, канд. техн. наук, доц. Катерина Сергіївна Клен

У цій статті розглядається критична проблема погіршення якості електроенергії в сучасних енергосистемах, спричинена поширенням нелінійних навантажень. Такі навантаження…

#фільтр-компенсаційний перетворювач #трифазна трипровідна мережа #якість електроенергії #повне гармонійне спотворення
с. 361138.1-361138.6
10.20535/2523-4455.mea.361138

Моделювання впливу температури на електричну активність серцевих клітин: ідентифікація ключових іонних струмів за допомогою аналізу чутливості

Віталій О. Іващук, канд. техн. наук, доц. Наталія Георгіївна Іванушкіна

У роботі представлено розробку модифікованої електрофізіологічної моделі епікардіального кардіоміоцита людини з урахуванням температурного впливу на кінетику та…

#температурні ефекти #електрофізіологія серця #аналіз чутливості #метод Морріса
с. 357181.1-357181.13
10.20535/2523-4455.mea.357181

Статті цього автора (цих авторів), які найбільше читають

Схожі статті

1-10 з 35

Ви також можете розпочати розширений пошук схожих статей для цієї статті.