経験的モード分解は、胎児の音韻層シグナルでの心拍検出を改善できますか？

背景と目的：胎児の音韻シグナルは、胎児の動きから母体の心音に至るまで、子宮内の添加剤のさまざまな供給源のために解釈して分類するのが難しい場合があります。それにもかかわらず、この方法の非侵襲的な性質により、特にスマートフォンなどのユビキタスデバイスで実装できるため、胎児の健康の長期的な監視に適しています。信号から追加の特性を利用できるようにする内因性モード関数を抽出するために、経験的モード分解を採用しました。 方法：第3期または妊娠中の7人の妊婦からの胎児の心臓記録は、測定マイクとポータブルドップラーデバイスと並行して採取されました。ドップラーからの信号ピーク位置は、S1ハートサウンドの位置として取得され、その後、マイク信号の分類ラベルとして使用されました。セグメンテーションのために移動するウィンドウアプローチを採用した後、最終データセットに7600以上の観測が保存されました。抽出された135の機能は、それぞれのオーディオ信号と本質的なモード関数から採取された典型的なオーディオの時間的およびスペクトル特性で構成されていました。機能ランキングや重要性の単変量分析など、機能の使いやすさを検証するために、多くのメトリックと方法を使用しました。さらに、機械学習を使用して、多くの分類子をトレーニングして、内因性モード関数に基づいて機能の使いやすさを検証し、比較メトリックとして予測の精度をとっています。 結果：オーディオ機能と組み合わせた内因性モード関数から抽出された機能は、オーディオ機能のみを使用するのと比較して、精度を大幅に向上させます。使用された分類器に基づいて、3.8％から10.3％に及ぶ選択された複合機能のセットで得られた検出精度の改善。 結論：胎児の心拍分類に関連する特徴を抽出する方法として、経験的モード分解を利用しました。結果は、これらの特性が従来のオーディオ機能のセットに追加された場合、検出精度の一貫した改善を示しています。これは、経験的モード分解を適用することの大きな利点を意味し、胎児の心拍検出に関する将来の研究の基礎を築きます。

BACKGROUND AND OBJECTIVE: A fetal phonocardiography signal can be hard to interpret and classify due to various sources of additive noise in the womb, spanning from fetal movement to maternal heart sounds. Nevertheless, the non-invasive nature of the method makes it potentially suitable for long-term monitoring of fetal health, especially since it can be implemented on ubiquitous devices such as smartphones. We have employed empirical mode decomposition for the extraction of intrinsic mode functions that would enable the utilization of additional characteristics from the signal. METHODS: Fetal heart recordings from 7 pregnant women in the 3rd trimester or pregnancy were taken in parallel with a measurement microphone and a portable Doppler device. Signal peaks positions from the Doppler were taken as the locations of S1 heart sounds and subsequently used as classification labels for the microphone signal. After employing a moving window approach for segmentation, more than 7600 observations were stored in the final dataset. The 135 extracted features consisted of typical audio temporal and spectral characteristics, each taken from separate sets of audio signals and intrinsic mode functions. We have used a number of metrics and methods to validate the usability of features, including univariate analysis of feature ranking and importance. Furthermore, we have used machine learning to train a number of classifiers to validate the usability of features based on intrinsic mode functions, taking prediction accuracy as the comparison metric. RESULTS: Features extracted from intrinsic mode functions combined with audio features significantly improve accuracy in comparison to using only audio features. The improvements of detection accuracy obtained with a selected set of combined features spanned from 3.8% to even 10.3% based on the employed classifier. CONCLUSIONS: We have utilized empirical mode decomposition as a method of extracting features relevant for fetal heartbeat classification. The results show consistent improvements in detection accuracy when these characteristics are added to a set of conventional audio features. This implies substantial benefits of applying empirical mode decomposition and lays the groundwork for future research on fetal heartbeat detection.