Deep learning applied to non-invasive ECG pregnancy monitoring : fetal ECG recovery and QRS complex detection

Abstract

The fetus may face oxygen restrictions during pregnancy that, under healthy conditions, are expected to be reversed by its physiological mechanisms. Monitoring these situations is typically performed by measuring fetal heart rate (fHR), often in conjunction with uterine contractions (UC). Given the limitations of established monitoring methods in clinical practice, non-invasive electrocardiography (niECG) emerges as a promising alternative. This technique involves acquiring the maternal abdominal electrocardiogram (aECG) signal using electrodes, which contain maternal (mECG) and fetal (fECG) cardiac signals, as well as motion artifacts and noise. One of the main challenges of using niECG lies in extracting the fetal signal (fECG) due to the low signal-to-noise ratio (SNR) and the temporal and frequency overlap of the QRS complex, a critical feature of the ECG, between the mother and fetus. This work introduces a methodology based on a convolutional encoder-decoder model for extracting the fECG from the aECG. The proposed method eliminates the need for data preprocessing and simultaneously allows for the recovery of the fECG and the detection of the fetal QRS complex (fQRS). To achieve this, regions of interest (RoI) were defined as Gaussian functions centered on annotations of the R-peak position in the fQRS complex available in public datasets. Using these regions, an optimization function was proposed for training the model, considering the reconstruction of the fECG in the region of interest, the global fECG, and the RoI. With the multi-output model providing both the fECG and the predicted RoIs, we achieved an average F1-score of 96.2% for fQRS complex detection and an L1-error of 0.14 in regression on the XADFECG dataset. Additionally, the model’s inference time is compatible with real-time applications, shorter than the measurement time. Reduced-size models are also tested; the results suggest they can be applied with minimal loss of accuracy.

Durante a gestação, o feto pode enfrentar restrições de oxigênio que espera-se, em condições saudáveis, sejam revertidas pelo próprio organismo. O acompanhamento dessas situações é realizado por meio da medição da frequência cardíaca fetal (fHR), geralmente associada às contrações uterinas (UC). Diante das limitações dos métodos de monitoramento estabelecidos na prática clínica, o uso do eletrocardiograma não invasivo (niECG) surge como uma alternativa promissora. Essa técnica consiste na aquisição do eletrocardiograma abdominal materno (aECG) por meio de eletrodos, o qual contém informações sobre os sinais cardíacos maternos (mECG) e fetais (fECG), além de artefatos de movimentos. Um dos principais desafios do uso do niECG é a extração do sinal fetal (fECG) devido à baixa relação sinal-ruído (SNR) e à sobreposição do complexo QRS, importante característica do ECG, no domínio temporal e de frequência entre mãe e feto. Neste trabalho, apresenta-se uma metodologia baseada em um modelo encoder-decoder com redes convolucionais para a extração do fECG a partir do aECG. O método proposto elimina a necessidade de pré-processamento dos dados e permite, de forma simultânea, a extração do fECG e a detecção do complexo QRS fetal (complexo fQRS). Para isso, foram definidas regiões de interesse (RoI) como funções gaussianas centradas nas anotações sobre a posição do pico R no complexo fQRS complex disponíveis em conjuntos de dados públicos. Com base nessas regiões, foi proposta uma função de otimização para o treinamento do modelo, que considera as reconstruções do fECG na região de interesse, o fECG global e a RoI. Com a saída múltipla contendo o fECG e as RoIs preditas, foram alcançados resultados médios de 96.2% de F1-score na detecção de complexo fQRS complex e erro L1 de 0.14 para regressão de fECG no conjunto de dados XADFECG. Além disso, o tempo de inferência do modelo é compatível com aplicações em cenários reais, sendo inferior ao tempo necessário para a medição. Modificações para redução do custo computacional do modelo foram implementadas e podem ser aplicadas com uma perda mínima de acurácia.