[论文解读] Detection of Maternal and Fetal Stress from ECG with Self-supervised Representation Learning

Pritam Sarkar, Silvia M. Lobmaier+6 more|arXiv (Cornell University)|Nov 3, 2020

Maternal Mental Health During Pregnancy and Postpartum参考文献 20被引用 4

一句话总结

本研究提出一种自监督深度学习（DL）模型，通过迁移学习从原始母体腹壁心电图（aECG）信号中检测母体和胎儿的压力。该模型在公开的心电图数据集上预训练用于情绪识别，随后在预测慢性压力暴露、心理评分、胎儿压力指数（FSI）和母体皮质醇水平方面表现出高准确率，优于在本地数据上训练的模型，尤其在仅使用母体心电图时表现更优。

ABSTRACT

In a pregnant mother and her fetus, chronic prenatal stress results in entrainment of the fetal heartbeat by the maternal heartbeat, quantified by the fetal stress index (FSI). Deep learning (DL) is capable of pattern detection in complex medical data with high accuracy in noisy real-life environments, but little is known about the utility of DL in non-invasive biometrics during pregnancy. We hypothesized that a recently established self-supervised learning (SSL) approach that provides emotional recognition from ECG will identify chronically stressed mother-fetus dyads from the raw maternal abdominal electrocardiograms (aECG), containing fetal and maternal ECG. Chronically stressed mothers and controls matched on enrollment at 32 weeks of gestation were studied. We validated the chronic stress exposure by psychological inventory, maternal hair cortisol, and FSI. We tested two variants of SSL architecture, one trained on the generic ECG features for emotional recognition obtained from public datasets and another transfer-learned on a subset of our data. Our DL models predict excellently the chronic stress exposure, the individual psychological score, and FSI values at 34 weeks of gestation and maternal cortisol at birth. The best performance was achieved with the DL model trained on the public dataset and using maternal ECG alone. The present DL approach provides a novel source of physiological insights into complex multi-modal relationships between different regulatory systems exposed to chronic stress. The developed DL model can be deployed in low-cost regular ECG biosensors as a simple ubiquitous early stress detection and exposure tool during pregnancy. This discovery should enable early behavioral interventions.

研究动机与目标

• 探究自监督表示学习是否能利用原始腹壁心电图信号检测母胎对的慢性产前压力。
• 评估在公开心电图数据集上训练的深度学习模型与在本地数据上微调的模型在压力预测中的性能表现。
• 确定仅使用母体心电图是否能高精度预测出生时的胎儿压力指数（FSI）和母体皮质醇水平。
• 探索深度学习在孕期非侵入性、真实世界生物特征监测中的应用潜力。
• 开发一种可部署、低成本的工具，用于孕期早期压力检测，以支持行为干预。

提出的方法

• 采用在公开心电图数据集上预训练的自监督学习（SSL）框架，用于情绪识别，利用学习到的表示进行压力检测。
• 应用两种SSL变体：一种使用公开数据中提取的通用心电图特征，另一种在本研究的母体aECG数据子集上进行微调。
• 在妊娠32周时提取并处理原始母体腹壁心电图信号，以分离母体和胎儿的心脏成分。
• 通过心理量表、母体发质皮质醇水平以及妊娠34周时的胎儿压力指数（FSI）验证慢性压力暴露情况。
• 使用端到端学习训练深度神经网络，从心电图信号中预测压力标志物（心理评分、FSI、母体皮质醇）。
• 比较不同网络架构和输入模态下的模型性能，重点关注仅使用母体心电图与联合信号的表现。

实验结果

研究问题

• RQ1 能否使用在公开心电图数据上预训练的自监督深度学习模型，从原始腹壁心电图信号中检测母胎对的慢性产前压力？
• RQ2 与使用通用心电图特征的预训练模型相比，对本地数据进行迁移学习是否能提升压力预测性能？
• RQ3 仅使用母体心电图能否以高精度预测出生时的胎儿压力指数（FSI）和母体皮质醇水平？
• RQ4 不同SSL架构在预测孕期心理压力评分和生理压力标志物方面的表现如何比较？
• RQ5 能否训练一种基于心电图信号的深度学习模型，作为可扩展、低成本的工具，用于孕期早期压力检测？

主要发现

• 在公开心电图数据上训练的深度学习模型，在预测慢性压力暴露和心理评分方面优于迁移学习模型。
• 表现最佳的模型仅使用母体心电图信号，即在妊娠34周时对胎儿压力指数（FSI）实现了极高的预测准确率。
• 仅使用母体心电图即可高精度预测出生时的母体发质皮质醇水平，表明存在强烈的生理相关性。
• 该模型在噪声较大、真实场景的心电图数据中表现出稳健性能，支持其在低成本生物传感器中部署的潜力。
• 自监督表示学习成功捕捉了母体与胎儿压力系统之间复杂、多模态的关系。
• 所开发的深度学习模型提供了一种新颖的非侵入性方法，用于孕期早期压力检测，有助于及时实施行为干预。