• شماره ركورد
    34662
  • پديد آورنده

    زهرا حاتمي

  • عنوان
    جداسازي سيگنال قلب جنين از سيگنال ECG شكمي مادر مبتني بر آناليز همبستگي كانوني و يادگيري عميق
  • مقطع تحصيلي
    كارشناسي ارشد
  • رشته تحصيلي
    مهندسي برق- بيوالكتريك
  • سال تحصيل
    1401
  • تاريخ دفاع
    1404/10/16
  • استاد راهنما
    ابوذر غفاري
  • استاد مشاور
    /
  • دانشكده
    دانشكده مهندسي برق
  • چكيده
    سيگنال الكتروكارديوگرام جنين اطلاعات مفيدي را در مورد وضعيت قلبي جنين در دوران بارداري ارائه مي-‌دهد. از آن جايي ‌كه اين سيگنال از سيگنال الكتروكارديوگرام شكمي مادر استخراج مي¬شود، اين كار را مي‌توان به ‌عنوان يك مسئله‌ي جداسازي منبع در نظر گرفت. در اين پژوهش، دو رويكرد مبتني بر آناليز همبستگي كانوني و يادگيري عميق براي استخراج سيگنال الكتروكارديوگرام جنين از سيگنال الكتروكارديوگرام شكمي مادر ارائه شده است. در الگوريتم¬ پيشنهادي مبتني بر آناليز همبستگي كانوني، پس از متناوب كردن الكتروكارديوگرام شكمي مادر، سيگنال الكتروكارديوگرام مادر با آناليز همبستگي كانوني استخراج مي‌شود. در ادامه پس از تفريق اين سيگنال ازسيگنال الكتروكارديوگرام شكمي، سيگنال باقيمانده حاصل مي شود كه پس از ثابت كردن تناوب اين سيگنال و اعمال آناليز همبستگي كانوني، سيگنال الكتروكارديوگرام جنين استخراج مي‌شود. شبكه‌ي مورد استفاده در روش مبتني بر يادگيري عميق از معماري U-Net الهام گرفته شده كه ورودي شبكه ماتريس و خروجي آن سيگنال هدف مي‌باشد. شبكه مذكور در دو مرحله با معماري يكسان مورد استفاده قرار مي‌گيرد. بدين صورت كه در مرحله اول هدف استخراج الكتروكارديوگرام مادر و در مرحله دوم هدف الكتروكارديوگرام جنين مي‌باشد. مزيت اين مدل استفاده از شبكه‌ي عميق به صورت دوبعدي است كه منجر به استخراج ويژگي‌ها در دوبعد و بهبود عملكرد مي‌شود. كارايي روش¬هاي پيشنهادي بر روي دو پايگاه داده‌ي PCDB و ADFECGDB با استفاده از تحليل كمپلكس QRS جنين ارزيابي شده است. معيار آماري F1 در روش مبتني بر آناليز همبستگي كانوني بر روي دو پايگاه داده¬ي PCDB و ADFECGDB به ترتيب 61/99 % و 03/99 % بدست آمده است. مقايسه‌ي نتايج روش‌هاي پيشنهادي با ديگر رويكردهاي يادگيري عميق كه ازAECG-DecomNet، SCTD-2Net وW-Net استفاده كرده‌اند عملكرد موفق روش‌هاي پيشنهادي را نشان مي‌هد، به صورتي كه نتايج آماري روش مبتني بر آناليز همبستگي كانوني در پايگاه داده¬ي PCDB نسبت به روش‌هاي پيشين برتري دارد. بنابراين روش¬هاي پيشنهادي براي مانيتورينگ طولاني مدت مادر و جنين مناسب هستند.
  • تاريخ ورود اطلاعات
    1405/01/26
  • عنوان به انگليسي
    Fetal-ECG Extraction from Mother’s Abdominal ECG Using Canonical Correlation Analysis an‎d Deep Learning
  • تاريخ بهره برداري
    3/21/2026 12:00:00 AM
  • دانشجوي وارد كننده اطلاعات

    زهرا حاتمي

  • چكيده به لاتين
    Fetal electrocardiogram (fECG) extraction is of great clinical importance, as it provides valuable information about fetal cardiac activity an‎d enables the early detection of congenital an‎d prenatal disorders. However, noninvasive fECG extraction from abdominal recordings remains a challenging task due to the very low signal-to-interference-plus-noise ratio (SINR) an‎d the presence of multiple interfering sources, including the dominant maternal ECG, muscle artifacts, an‎d environmental noise. In this work, we propose a Canonical Correlation Analysis (CCA)–based framework to address these challenges. By exploiting the quasi-periodic nature of the maternal cardiac activity, we enforce periodicity constraints an‎d perform an optimized subtraction of the maternal component to enhance fetal signal extraction. In addition, a unified approach is introduced for the detection of both maternal an‎d fetal R-peaks within the same processing framework. The proposed method is eva‎luated on publicly available datasets, including ADFECG an‎d PCDB, where it demonstrates strong performance in terms of signal quality an‎d peak detection accuracy. Despite relying on classical signal processing techniques, the proposed approach achieves results that are competitive with state-of-the-art deep learning–based methods, highlighting its effectiveness, interpretability, an‎d practical applicability.
  • كليدواژه هاي فارسي
    سيگنال الكتروكارديوگرام جنين , آناليز همبستگي كانوني , شبكه‌ي U-Net , روش تأخير زماني
  • كليدواژه هاي لاتين
    Fetal Electrocardiogram , Canonical correlation analysis , U-Net network , time delay embedding
  • Author
    Zahra Hatami
  • SuperVisor
    Dr. Ghafari
    • لينک به اين مدرک
    https://dl.iust.ac.ir/dl/search/default.aspx?Term=34662&Field=0&DTC=6