综述：人工智能驱动的无创胎儿心电信号处理与分析方法系统综述

《Frontiers in Digital Health》：A systematic review on AI-driven noninvasive fetal ECG processing and analysis methods

　　

摘要简介：胎儿心电图是胎儿健康监测的关键工具，目前临床实践中通过侵入性操作获取。另一种选择是使用非侵入性胎儿心电图（NI-fECG），可通过在母体腹部放置电极矩阵获得。然而，从腹部信号（ADSs）中提取NI-fECG仍然具有挑战性，因为胎儿信号幅度低、与母体心电图重叠，以及其他噪声源的污染。传统信号处理方法已被广泛使用，但常受限于分离不完整、信号失真以及需要手动参数调整。人工智能（AI）已成为一种强大的解决方案，专注于深度学习技术以改善NI-fECG提取和噪声抑制，提供自动特征提取、对信号变异性的适应性以及实时处理能力，解决了经典方法的局限性。该研究对NI-fECG处理和分析中的AI方法进行了全面系统综述，评估了其有效性和局限性。方法：该综述遵循结构化方法，包括研究筛选和AI技术分析，遵循PRISMA 2020指南，涵盖2014年至2025年间发表的同行评审研究。将AI模型分为基于神经网络、生成式、混合式和专用架构。结果：22项研究符合纳入标准。基于AI的方法在NI-fECG提取和去噪方面优于传统信号处理。生成式和专用架构显示出最强的形态保留能力，而混合模型增加了鲁棒性。六项研究将AI应用于诊断任务，包括胎儿心率估计、心律失常检测和先天性心脏病分类。局限性包括缺乏真实标记数据集和缺乏标准化评估协议。讨论：没有单一架构在所有流水线阶段普遍优越。一个关键研究空白是需要能够保留NI-fECG形态以用于医疗决策的AI模型，同时需要标准化基准测试和可解释模型。

1 Introduction
引言阐述了胎儿心电图（fECG）自1938年以来作为胎儿监测工具的发展，指出近十年相关研究显著增长。与侵入性胎儿头皮电极相比，非侵入性胎儿心电图（NI-fECG）通过母体腹部电极矩阵获取腹部信号（ADSs），其中包含母体心电图（mECG）、腹部肌电图（abd-EMG）、子宫电图（EHG）等多种生物电位，从而实现连续、更安全的监测。然而，NI-fECG提取面临胎儿信号幅度低、与mECG重叠以及肌肉收缩、运动伪迹和电源线干扰等噪声污染的挑战。传统信号处理方法（如自适应滤波、盲源分离（BSS）、时频分析、经验模态分解（EMD）和模板减法）被广泛使用，但存在分离不完整、信号失真、需手动调参以及在低信噪比（SNR）条件下性能不佳等问题。人工智能（AI）通过数据驱动模型（如卷积神经网络CNN、循环神经网络RNN、自编码器和生成对抗网络GAN）提供自动化特征提取、适应非线性信号变化和实时处理能力，在fECG提取、噪声抑制和异常检测中展现出优势。现有综述多关注深度学习提取技术，而本研究旨在系统分析整个AI驱动的NI-fECG处理流水线，包括提取、去噪和诊断分析，并引入结构化分类（神经网络、生成式、混合式、专用架构），同时评估数据集局限性和标准化基准缺失问题。

2 Methodology
该综述遵循PRISMA 2020指南，定义研究问题（RQs）以评估AI在NI-fECG处理中的作用。RQs包括：数据集特征与可用性（RQ1）、AI是否改善胎儿监测结果（RQ2）、最合适的AI模型（RQ3）以及当前挑战（RQ4）。搜索策略使用关键词组合（人工智能、机器学习、深度学习、胎儿心电图等）在Web of Science、ScienceDirect、IEEEXplore、PubMed和Scopus数据库中检索，时间范围为2014年至2025年。纳入标准包括：聚焦AI在NI-fECG处理中的应用、讨论模型性能与数据集、同行评审期刊论文。排除标准包括：仅侵入式fECG研究、非AI方法、非英文论文及会议论文。引入质量评估检查表（6项标准，每项1-3分，总分≥15分纳入），由两名独立评审者进行。

3 Results
3.1 Simulated NI-fECG datasets
模拟数据集主要基于FECGSYN工具箱生成，其中Dataset 2（公开）模拟7种生理场景（基线、胎动、心率变化、宫缩、异位搏动、双胎），添加肌电噪声（SNR 0-12 dB），共1750条ADSs。Dataset 1（私有）包含3种场景，按SNR分段，共70000条ADSs；Dataset 3（私有）通过随机化PQRST复合波增强形态多样性；Dataset 4和5（私有）从真实成人ECG数据中衍生胎儿信号，混合噪声以模拟真实条件。

3.2 Real NI-fECG datasets
共识别15个真实腹部信号数据集，涵盖公开与私有、不同电极配置、受试者数量、记录时长及采样频率。其中Dataset 8和9最常用（分别来自PhysioNet挑战赛和多源记录），但仅3个数据集包含侵入式直接fECG作为金标准。数据集在孕周、通道数、预处理方式上高度异质。

3.2.1 Performance metrics
评估指标分为两类：基于fQRS/R波检测的性能（准确率Acc、精确率PPV、灵敏度SE、特异性SP、F1分数）和基于形态学保留的指标（皮尔逊相关系数PCC、峰值信噪比PSNR、谱相关分数η_spec、决定系数R²、均绝对误差MAE、信噪比改善SNR_imp、均方根误差RMSE、百分失真PRD、结构相似性指数SSIM）。公式（1-16）定义了这些参数。

3.3 AI computational methods for NI-fECG processing and analysis
AI方法应用于NI-fECG流水线的三个关键阶段：提取（从ADSs中分离fECG）、去噪（后处理增强信号质量）和诊断分析（检测胎儿心脏异常）。根据架构分为四类：神经网络、生成式、混合式和专用架构。

3.3.1 AI methods for fECG extraction
3.3.1.1 Neural network-based approaches
Zhong等（80）提出残差卷积编码器-解码器网络（RCED-Net），使用5层卷积和5层反卷积，输入4秒ADS段，在Dataset 2上训练，在Dataset 8和9上测试，fQRS检测F1达94.1%和93.62%。Vo等（93）结合1-D Octave卷积和双向门控循环单元（GRUs），并采用梯度加权类激活映射（Grad-CAM）增强可解释性，在Dataset 8上F1为91.1%。Hsu等（97）提出MEG-Net（多尺度编码器门控网络），同时输入mECG和ADSs，通过双编码器分支和减法瓶颈，在Dataset 2上PCC达0.94，SSIM 0.96，PSNR 37.03 dB，但在Dataset 8上性能较低。

3.3.1.2 Generative models
Basak等（99）提出1D CycleGAN，包含两个生成器和两个判别器，采用正弦激活函数和对抗、循环一致性及身份损失，在Dataset 9和11上fQRS检测F1为96.4%，形态学评估MAE 0.0043，RMSE 0.032，PSNR 38.6 dB，SSIM 0.997。Qu等（101）增强CycleGAN，加入多尺度注意力（MSA）和通道自注意力（CSA）模块及三元组对比损失，在Dataset 8和9上F1分别达99.50%和98.42%。Yang等（102）将CNN-BiLSTM集成到CycleGAN中，在Dataset 9上F1达99.93%，MSE 0.019，R² 98.01%。

3.3.1.3 Hybrid models
Baldazzi等（67）提出信号质量评估（SQA）方法，使用随机森林（RF）分类器基于频域、时域和SNR特征筛选ADS段，再通过QRD-RLS自适应滤波提取fECG，在Dataset 6和7上准确率88.2%，F1 86.5%。Ziani等（103）结合SVD、ICA、CWT、NMF、EMD变换生成图像，再用CNN分类，准确率95%。

3.3.1.4 Specialized architectures
Wang等（89）提出CSGSA-Net，利用ResNet19和规范空间/通道图稀疏注意力，在Dataset 9和11上fQRS检测准确率99.44%，MSE 0.057。Rasti等（77）使用两阶段Res-UNet（先估计mECG再减去后重建fECG），在Dataset 1和8上准确率93.52%，R²接近1。Lee等（105）开发W-Net，双编码器分别用不同核大小提取mECG和fECG，在Dataset 9上F1 98.81%，PSNR 47.2 dB。Almadani等（107）提出W-NETR，采用Transformer增强U-Net（UNETR）双流架构，在Dataset 9上F1 99.88%，PSNR 51.8 dB，SSIM 0.98。Rahman等（106）提出LinkNet++，含密集跳跃连接和深度监督，在Dataset 9和11上F1 99.6%，MAE 0.068，RMSE 0.089，PCC 85.58%。

3.3.2 AI methods for NI-fECG denoising
3.3.2.1 Neural network based
Fotiadou等（79）提出卷积编码器-解码器（8层，含跳跃连接），处理1920样本段，在模拟和真实数据上实现PR和QT间隔RMSE 9.9 ms和14 ms，R² 0.77和0.81，但低SNR时引入伪波。多导联扩展（94）在4通道上应用相同架构，获得约13 dB SNR增益，PCC 0.87，MAE 5.4 μV。

3.3.2.2 Generative AI
Mvuh等（100）采用条件GAN，生成器含残差和空洞卷积，PatchGAN判别器，在Dataset 2和9上平均SNR增益20 dB，fQRS检测SE 67.34%，PPV 78.05%，F1 72.3%。

3.3.3 AI methods for diagnosis based on NI-fECG
3.3.3.1 Neural network based
Darmawahyuni等（98）使用CNN-BiLSTM处理1秒ADS段，实现胎儿心率（fHR）估计，准确率100%。Wahbah等（104）采用三堆叠BiLSTM（100/50/20单元）和加权分类，准确率94.2%，F1 0.97。Vadivu等（96）用LeNet-5分类28×28融合图像，fQRS检测准确率99.46%，F1 97.5%。de Vries等（90）用前馈网络对6导联fECG进行先天性心脏病（CHD）筛查，敏感度63%（严重CHD 75%），特异度77%，准确率71%。Nakatani等（95）用1-D CNN分类3秒胎儿心律失常，准确率96.2%，特异度和召回率100%。

3.3.3.2 Specialized architectures
Fotiadou等（108）提出DICNN-LSTM，使用膨胀率为1/4/8的初始CNN和512单元LSTM，直接估计fHR，MSE 49.4 bpm²，MAE 2 bpm，覆盖率87.9%。

4 Discussions
4.1 RQ1: what are the important characteristics of the fECG datasets used for AI approaches?
模拟数据集（占26%）用于受控条件和定量基准，但真实数据集（15个）中73%的研究集中在Dataset 8和9上，导致数据集特异性优化风险。仅20%真实数据集包含侵入式直接fECG金标准。数据集在孕周、记录时长、采样率、电极配置等方面高度异质，缺乏标准化获取协议和基准测试协议，阻碍客观比较。

4.2 RQ2: do AI approaches improve the outcome of the NI-fECG processing and analysis pipeline?
AI在提取、去噪和诊断中均优于传统方法，但报告的超99%指标多来自同一基准数据集，且预处理、验证策略不同，限制了直接比较。早期研究侧重fQRS检测，近期转向形态保留，但仅11/16项提取/去噪研究评估了形态学指标。AI在诊断中的应用仍不成熟。

4.3 RQ3: which AI model is the most appropriate to process and analyze the NI-fECG signal for medical decision- making?
无单一架构普遍最优。神经网络（CNN/RNN）作为通用基线，生成式模型在形态保留上表现突出，专用架构（如W-NETR、LinkNet++）报告最高指标，但证据基础窄，缺乏外部验证。模型选择应基于应用目标、数据可用性和可解释性。

4.4 RQ4: what are the current challenges of AI models for processing the NI-fECG signal
主要挑战包括：数据集代表性不足（集中于少数基准）、金标准稀缺、缺乏标准化基准和形态学评估、模型可解释性差、前瞻性临床验证缺失。此外，尚无研究将提取、去噪和诊断整合为端到端模型。

5 Conclusions
本系统综述首次专门聚焦AI在NI-fECG处理和分析中的应用，发现AI方法普遍优于传统信号处理，但受限于数据集多样性、标准化评估、可解释性及临床验证不足。未来需优先发展标准化多中心数据集、形态学感知基准、可解释模型及前瞻性临床验证。