Bio Inspired methods for the extraction of fetal electrocardiogram

Abstract

This dissertation presents a comprehensive exploration of advanced algorithms for the ex- traction of non-invasive fetal electrocardiogram (NI-fECG) signals from abdominal electro- cardiogram (aECG) data, tackling the critical challenge of accurate fetal monitoring. The first study introduces a novel extraction method that combines the Grey Wolf Optimisation (GWO) with Sequential Analysis (SA). This innovative approach optimizes the parameters necessary for creating a template that effectively distinguishes the fetal electrocardiogram from the dominant maternal electrocardiogram (mECG) and other overlapping noise signals. The proposed GWO-SA method was evaluated on two real-world datasets—Labour and Preg- nancy—yielding remarkable results. Specifically, the extraction system achieved an average accuracy of 94.60%, an F1 score of 96.82%, a sensitivity of 97.49%, and a positive predictive value (PPV) of 98.96% for the Labour dataset. For the Pregnancy database, these metrics improved slightly, with an average accuracy of 95.66%, an F1 score of 97.44%, a sensitivity of 98.07%, and a PPV of 97.44%. These results underscore the method’s effectiveness in accurately detecting fetal QRS complexes, outperforming several state-of-the-art approaches. The second study conducts a thorough comparative analysis of five prominent population- based algorithms: Artificial Bee Colony (ABC), GWO, Moth Flame Optimisation (MFO), Particle Swarm Optimisation (PSO), and Whale Optimisation Algorithm (WOA). Each algo- rithm was employed alongside Sequential Analysis to extract the fetal electrocardiogram from the aECG data. The findings reveal that GWO, MFO, PSO, and WOA exhibited similar per- formance levels, achieving comparable extraction accuracy. However, the ABC-based system demonstrated instability and underperformed relative to the others. This analysis highlights the potential for further investigation into hybrid approaches and modifications to the ABC algorithm to enhance its extraction accuracy and stability in future applications. In the third study, the research pivots to the preliminary exploration of Empirical Mode Decomposition (EMD) combined with thresholding techniques aimed at enhancing the extrac- tion of fetal electrocardiography signals. This study underscores the importance of minimizing noise for the precise detection of key cardiac events, particularly the QRS complex, which is critical for assessing fetal health. While the results are still in the early stages, they indicate promising potential for EMD thresholding as an effective tool for noise reduction. This ap- proach lays the groundwork for further refinement and validation, aiming to improve clinical applications in fetal monitoring. Collectively, these studies provide significant insights into the development and optimiza- tion of algorithms for fECG extraction, demonstrating the efficacy of various methods and laying the foundation for future advancements in non-invasive fetal monitoring technologies. Ultimately, this research aspires to contribute to enhanced maternal and fetal health outcomes through improved monitoring techniques.

Tato disertační práce představuje komplexní průzkum pokročilých algoritmů pro extrakci ne- invazivních fetálních elektrokardiogramů (NI-fECG) z dat abdominálního elektrokardiogramu (aECG), které řeší zásadní problém přesného monitorování plodu. První studie představuje novou metodu extrakce, která kombinuje optimalizaci Grey Wolf (GWO) se sekvenční analý- zou (SA). Tento inovativní přístup optimalizuje parametry nezbytné pro vytvoření šablony, která účinně odlišuje elektrokardiogram plodu od dominantního elektrokardiogramu matky (mECG) a dalších překrývajících se šumových signálů. Navržená metoda GWO-SA byla vy- hodnocena na dvou reálných souborech dat - porod a těhotenství - a přinesla pozoruhodné výsledky. Konkrétně systém extrakce dosáhl průměrné přesnosti 94,60 %, skóre F1 96,82 %, citlivosti 97,49 % a pozitivní prediktivní hodnoty (PPV) 98,96 % pro datovou sadu Porod. U databáze těhotenství se tyto ukazatele mírně zlepšily, průměrná přesnost činila 95,66 %, F1 skóre 97,44 %, citlivost 98,07% a PPV 97,44%. Tyto výsledky podtrhují účinnost metody při přesné detekci fetálních QRS komplexů a překonávají několik nejmodernějších přístupů. Druhá studie provádí důkladnou srovnávací analýzu pěti významných populačních algo- ritmů: ABC (Artificial Bee Colony), GWO (Grey Wolf Optimisation), MFO (Moth Flame Optimisation), PSO (Particle Swarm Optimisation) a WOA (Whale Optimisation Algori- thm). Ve třetí studii se výzkum zaměřuje na předběžné zkoumání empirického režimu. (EMD) v kombinaci s prahovými technikami, jejichž cílem je zlepšit extrakci dat z jednotlivých vání fetálních elektrokardiografických signálů. Tato studie zdůrazňuje význam minimalizace šumu pro přesnou detekci klíčových srdečních událostí, zejména QRS komplexu, který je v součas- nosti nejčastěji rozhodující pro posouzení zdraví plodu. Ačkoli jsou výsledky zatím v počáteční fázi, naznačují, že slibný potenciál prahování EMD jako účinného nástroje pro redukci šumu. Tato aplikace proach pokládá základy pro další zdokonalení a validaci s cílem zlepšit klinickou praxi. aplikací v monitorování plodu. Souhrnně tyto studie poskytují významné poznatky o vývoji a optimalizaci. a optimalizace algoritmů pro extrakci fECG, které prokazují účinnost různých metod a možností. a pokládají základy pro budoucí pokrok v neinvazivních technologiích monitorování plodu. V konečném důsledku chce tento výzkum přispět ke zlepšení zdravotních výsledků matek a plodů. pro- střednictvím zdokonalených monitorovacích technik.