Improving Fetal QRS detection with deep neural networks on semi-simulated data

Non-invasive fetal electrocardiography is an increasingly adopted technique for monitoring fetal well-being. It involves recording the fetal heart's electrical activity through abdominal electrocardiographic signals, captured using surface electrodes placed on the mother's abdomen. Due to the intrinsic complexity of this acquisition method, several processing steps are necessary to account for the low signal-to-noise ratio and accurately separate fetal information from maternal electrocardiographic traces. Detecting fetal QRS complexes from abdominal signals enables heart rate monitoring. However, accurate detection is challenging because the signal of interest has a much lower amplitude compared to the maternal electrocardiogram and other noise sources, along with the scarcity of comprehensive, labeled datasets for training novel signal processing techniques able to accurately detect fetal QRS complexes inside abdominal mixtures. This thesis addresses the issue by introducing a novel pipeline for generating semisimulated abdominal electrocardiographic datasets. These semi simulated signals are produced using the FECGSYN toolbox, which creates clean simulated abdominal traces, combined with noise extraction techniques to incorporate real noise from existing datasets. A total of 1,200 records are used to develop a physiological dataset for training a model that automatically segments time series signals, distinguishing between areas that do or do not belong to fetal QRS complexes. The model's performance is assessed on a testing subset of the original dataset, achieving a final F1-score of 98% for fetal QRS detection.

L'elettrocardiografia fetale non invasiva è una tecnica sempre più adottata per monitorare il benessere del feto. Consiste nel registrare l'attività elettrica del cuore fetale attraverso segnali elettrocardiografici addominali, acquisiti con elettrodi di superficie posizionati sull'addome della madre. A causa della complessità intrinseca di questo metodo di acquisizione, sono necessarie diverse fasi di elaborazione per tenere conto del basso rapporto segnale-rumore e separare accuratamente le informazioni relative al feto dalle tracce elettrocardiografiche materne. L'identificazione dei complessi QRS fetali da segnali addominali consente di monitorare la frequenza cardiaca. Tuttavia, un’identificazione accurata dei picchi è difficile a causa della scarsità di collezioni di dati complete ed etichettate per l’addestramento di tecniche di elaborazione del segnale all’avanguardia. Questa tesi affronta il problema introducendo una nuova pipeline per la generazione di collezioni di dati elettrocardiografici addominali semi-simulati. Questi segnali semisimulati sono prodotti utilizzando il toolbox FECGSYN, che crea tracce addominali sintetiche pulite, che poi vengono combinate con rumore reale proveniente da collezioni di segnali addominali esistenti ed ottenuto applicando specifiche tecniche di estrazione del rumore. Un totale di 1.200 segnali è stato generato per sviluppare un set di dati fisiologici per l'addestramento di un modello che segmenta automaticamente i segnali delle serie temporali, distinguendo tra aree che appartengono o meno ai complessi QRS fetali. Le prestazioni del modello sono state valutate su un sottoinsieme di test del set di dati originale, ottenendo una metrica F1 finale del 98% per il rilevamento del complesso QRS fetale.