《Mathematics》：A Hybrid Deep Learning and Image-like Framework for Fetal Heart Rate Estimation Using Phonocardiography Signals
编辑推荐：
胎儿监测中最关键的参数之一为胎儿心率(fHR)。鉴于该信号特性，学界已发展出多种无创监测技术，包括胎心宫缩监护(CTG)、多普勒超声心动图(Doppler Echo)、胎儿心电图(fECG)、胎儿心音图(fPCG)、胎儿磁心电图(fMCG)与胎儿光电容积描记(
胎儿监测中最关键的参数之一为胎儿心率(fHR)。鉴于该信号特性，学界已发展出多种无创监测技术，包括胎心宫缩监护(CTG)、多普勒超声心动图(Doppler Echo)、胎儿心电图(fECG)、胎儿心音图(fPCG)、胎儿磁心电图(fMCG)与胎儿光电容积描记(fPPG)。胎儿心音图是一种被动、安全且无创的fHR估计方法，通过置于母体腹部的换能器采集与胎儿心脏活动相关的声学信号。研究人员提出一种融合数字信号处理与深度学习的混合框架用于fHR估计。该方法采用基于Hermite变换(HT)的生物启发视觉模型对fPCG信号去噪，利用Hilbert变换提取信号包络，并通过Mel频率倒谱系数(MFCCs)生成基于谱图的特征。随后，这些图像化表示的特征被用于训练与评估一种协同结合卷积神经网络(CNNs)与双向长短期记忆网络(BiLSTM)的混合架构。BiLSTM作为一种深度学习模型，可沿前向与后向两个方向处理序列信息，从而扩展传统循环神经网络(RNNs)的记忆能力。其中，CNNs用于捕捉fPCG信号复杂的空间形态，BiLSTM则捕捉其在连续时间窗上的时序演化。为评估泛化能力，该方法在两个公开fPCG数据集上测试，并与若干前沿方法对比。实验结果表明，所提方法在不同数据集上均取得具竞争力的性能，凸显其有效性与鲁棒性。
研究背景方面，联合国2030议程将降低新生儿死亡率作为健康目标，孕期胎儿监测至关重要。现有无创技术中，胎儿心音图(fPCG)因被动、便携、无热损伤风险而具应用潜力，但fPCG信号易受母体脏器、运动、呼吸及宫缩等噪声干扰，且公开真实数据集稀少，传统小波去噪等方法在复杂噪声下存在局限。为此，研究人员在《Mathematics》发表该研究，旨在构建一种基于fPCG的鲁棒fHR回归估计混合框架，以提升真实场景下胎儿监护的可及性与精度。
关键技术方法上，研究人员选用Shiraz大学胎儿心音数据库(SUFHSDB，104段录音、10秒窗参考)与印度科学院胎儿心音数据库(IIScFHSDB，47名孕妇、整段单参考)作为训练与跨库测试队列；预处理采用20–200 Hz四阶Butterworth带通滤波，继而首次将基于Hermite变换(HT)的生物启发视觉模型用于fPCG去噪（5阶展开、硬阈值处理），经Hilbert变换求解析信号包络并归一化，对包络做短时傅里叶变换(STFT)后通过Mel滤波器组提取MFCCs（取5维最优），将时序倒谱矩阵作为矩阵态(mat)特征送入轻量CNN提取空间形态，再按5帧序列输入双向长短期记忆网络(BiLSTM)做回归，并以Huber与MSE加权的复合损失优化，对照基线含ResNet-18+BiLSTM及MultiScale+Attn。
研究结果部分，按原文小节归纳如下。材料与方法中，研究人员界定HT由二项式窗与Krawtchouk多项式构造正交Hermite滤波器，Hilbert变换给出解析信号瞬时幅值，MFCCs经分帧、功率谱、Mel滤波与离散余弦变换(DCT)压缩；ResNet-18提供残差跳跃解决退化，BiLSTM双向捕捉前后文，MultiScale+Attn为并行多尺度卷积加SE注意力与自注意力池化的补充架构。胎儿心率估计方法中，原始fPCG按采样率切10秒段，带通滤波后HT去噪保留95%–98%能量于前4–6系数，Hilbert包络做假峰时序校正，MFCCs谱图经z-score归一化，混合CNN-BiLSTM以mat模态浮点矩阵避免RGB化插值伪影。测试与结果中，SUFHSDB五折交叉验证下CNN+BiLSTM(mat, MFCC=5, 窗缩放α=1)平均绝对误差(MAE)约4.809 BPM，10%正性一致率(PPA10%)达95.26%；IIScFHSDB同配置MAE 4.895 BPM、PPA10% 100%；Bland–Altman分析显示SUFHSDB最优配置偏倚近0、95%一致限约±13 BPM，临床一致性高；img模态因各向同性卷积误用时间-倒谱轴致误差翻倍，证实矩阵模态更适生理因果。
讨论部分指出，HT去噪相较小波与EEMD在正交性与计算复杂度O(N)具优势，MFCC低阶系数承载周期信息、高阶引入谱噪，5维为折衷；BiLSTM序列长5帧覆盖1.5–2.5心搏足以辨RR样周期又保留加速减速变异。结论翻译为：研究人员提出并验证了一种HT去噪—Hilbert包络—MFCC图像化—CNN+BiLSTM回归的混合fHR估计方法，在SUFHSDB与IIScFHSDB真实噪声条件下取得MAE低于5 BPM、PPA10%最高100%的竞争性能，首次将Hermite变换引入fPCG去噪并将谱图MFCC耦合BiLSTM回归用于fHR，为资源受限地区低成本无创胎儿监护提供可部署思路，后续可扩至多中心队列与边缘设备量化。
