孕婦監護很重要，在降低胎兒死亡率、保障圍產期母胎安全、預防早產和妊娠意外等方面起到極為重要的作用。定期檢查是目前孕婦監護的主流方法，但院外檢查手段匱乏，而醫院監護設備昂貴、操作復雜。利用智能信息技術（如機器學習算法）可以分析孕婦相關生理信號，從而實現對母胎的早期檢測和意外預警，達到高質量院外監護的目的。但目前，與孕婦院外監護的智能處理方法相關的公開研究綜述報道不足，因此本文以孕婦院外監護為研究背景，對其中智能處理方法的公開研究報道進行綜述，分析現有研究方法的優缺點，指出可能存在的問題，闡述未來發展趨勢，以期為今后的相關研究提供參考。
引用本文： 李勇明, 張元梵, 葉昌榮, 王品, 曾孝平. 面向孕婦遠程監護的智能信息處理方法研究進展綜述. 生物醫學工程學雜志, 2020, 37(5): 910-917. doi: 10.7507/1001-5515.201912011 復制
引言
孕婦監護為胎兒窘迫、胎盤早期剝離、早產等意外情況的早期預警、診斷和干預提供了重要的臨床信息，對降低圍產期胎兒死亡率、避免不良妊娠結局具有重要意義。當前孕婦監護主要分為院內和家庭（院外）兩大類應用場景，其中家庭環境檢測手段缺乏、準確性及實時性較差，而院內環境對醫護專業知識、設備要求較高。現有的檢測手段中，羊膜腔穿刺等屬于侵入式檢測手段，多普勒超聲、電子計算機斷層掃描則需要接入龐大復雜的醫療器械，均不適用于院外家庭監測環境，而心電圖（electrocardiograph，ECG）、胎兒心電圖（fetal ECG，FECG）、胎心宮縮圖（cardiotocograph，CTG）、心音信號、血壓、血氧等生理數據，借助便攜醫療輔助設備即可實現全天候的遠程監測。其中 FECG 信號是評估胎兒心臟發育情況、避免出生缺陷的重要生理指標；ECG 信號、心音信號可用于評估母體心臟狀況，提前發現心律紊亂、心肌缺血等狀況；CTG 信號可用于評估子宮收縮以及胎兒心率，避免早產、妊娠意外等；血壓、血氧可用于預示缺氧、高血壓等狀況，這幾類監護數據可為醫護人員的遠程診斷和決策提供重要依據[1-4]。
現階段我國開放二胎政策，導致孕婦監護需求增加，而與之相應的場地、床位、醫護等醫療資源有限，亟需長時間（24 h）、便攜式、遠程家用孕婦監護系統來解決監護需求缺口。在技術層面上，這就需要通過無線傳輸的方式實現遠程監護數據的自動化采集、存儲、智能處理和輔助決策，進一步對孕婦監護方法的智能性、快速搭建、便攜性、可穿戴性等方面提出了更高要求。
如圖 1 所示，智能體域網的遠程孕婦監護技術可通過高精度小型傳感器和多個體表電極（V1～V6）集成穿戴在孕婦的上身以及腹部，達到實時且便利地采集母胎生理信號的效果，同時可運用智能信息處理技術對意外情況進行綜合預警，達到及時提醒孕婦的目的。另外，還可將采集的各項生理信息遠程傳輸至數據中心進行分析，為醫護人員進行遠程早期診斷與醫療及時介入提供強有力的數據支撐。
圖1
智能體域網的遠程孕婦監護系統示意圖
Figure1.
Schematic diagram of remote maternal fetal monitoring system in agent domain network
孕婦遠程監護智能化日漸成為醫療領域的焦點，如圖 2 所示，其主要流程包括母胎信號多源同步采集、信號的智能前端處理、信號智能壓縮及傳輸、信號的智能識別與分析、遠程監護異常預警等環節[5]。基于需對大數據進行智能化異常檢測與分類的背景和需求，針對當前采集數據存在個體數量多、信號多源、時間長等特點，難以讓醫生逐一人工監測分析，因此亟需研究孕婦監護的智能處理方法，實現對大批量數據的合理有效利用[6]。其智能主要體現在：① 信號間的協作，包括不同傳感器之間的同源信號的協作，以及異構源之間的信號協作，例如多導聯波形提取去噪、利用宮縮信號對腹壁信號進行去噪等；② 針對收集到的信號及特征信息進行自動化異常檢測與分類。智能化的程度對孕婦遠程監護的意外預警和實時監測起著至關重要的作用[7]。
圖2
孕婦智能監護流程框圖
Figure2.
Flow chart of intelligent monitoring for pregnant women
目前已有許多學者及專家對孕婦遠程監護智能化進行了研究，已在信號的壓縮傳輸、FECG 信號分離提取、生理信息采集處理等方面取得了長足的進步，但在多源信號協作分析、采樣壓縮傳輸、信號識別處理等諸多方面仍存在一些問題，并且智能處理涉及的各個環節的研究相對分散，研究信息收集較難，缺乏相對完整流程的系統性研究總結。因此，本文對孕婦監護智能處理方法中的預處理、多源信號協同處理、壓縮傳輸及智能分析等方面予以綜述，期望對相關讀者有所幫助。
1 信號的智能前端處理
1.1 高精度的信號同步采集
高精度的信號同步采集是信號處理的前提，特別是針對無線傳感器網絡環境，時鐘同步的節點分布、同步精度，都是體域網設計的關鍵。此外，由于體域網系統在人體周圍工作，受人體遮擋、運動以及外界環境等因素的影響，信號在復雜的電磁環境中的同步與采集也會受到干擾。
在無線傳感器網絡中，根據全球定位系統（global positioning system，GPS）授時原理，中北大學張九賓等[8]提出用 GPS 秒脈沖觸發同步控制系統，并廣播同步觸發信號。每個傳感器節點接收同步觸發信號，用于時鐘的同步觸發、時鐘校準和測試事件觸發器的同步采集。經驗證，傳感器節點間事件同步觸發誤差約 1 μs，并具有較高的可靠性。安徽工程大學 Chen 等[9]在相對廣播同步算法的基礎上，提出了一種改進算法，采用廣播群和最小二乘線性回歸的方法實現了整個網絡的時間同步。對比其他算法，該算法具有一定的優越性，適用于低負載的網絡；同時針對無線傳感器網絡多跳、低功耗的特點，Chen 等[9]在時間同步算法中引入一種可變周期同步方法，根據拜厄斯最大后驗估計原理，可估計最大相位偏移量來確定同步周期，減少了節點同步數；另外根據最小二乘線性回歸方法，周期性地擬合時鐘偏移量，可以顯著提升同步精度并降低能耗。
1.2 多通道信號處理
信號多通道處理是信號分離提取面臨的重要問題，由于 ECG 等生理信號本身是一個多源多維的非點源信號，在蘊含了豐富信息的同時，也對多通道信號的處理提出了較高的要求。哈爾濱工業大學鮑文靜[10]基于最小二乘梯度下降算法的三維動態偶極子矢量模型，研究了模型參數優化問題。采用 R 波檢測、特征參數提取、心搏分割等方法初始化偶極子向量模型，引入均方誤差評估模型的準確性，通過無創輸出多通道的母胎混合 ECG 模擬信號，在極坐標系下基于五階高斯核函數模型對其進行線性化，通過建立狀態方程及觀測方程進行信號的多通道解析。謝里夫技術大學 Sameni 等[11]提出了 ECG 信號的三維動態模型，該模型建立在心臟單偶極子模型的基礎上，通過線性模型與體表電位相關聯。該線性模型考慮了心臟偶極子的時間運動和旋轉，并引入真實的 ECG 信號噪聲模型，適用于單胎或多胎孕婦腹部記錄的母胎混合 ECG 信號，也可作為模擬分析成人及胎兒多通道信號的有效途徑。
1.3 生理信號提取
信號提取是將目標信號從傳感器采集的混合信號中分離出來，目標信號的采集過程往往伴隨著噪聲的引入，使得醫療診斷更加困難。臨床上常用穿刺提取或通過超聲探測等方式獲取孕婦的生理信息，前者具有探測結果準確的優點，但有一定的臨床風險（創口感染等），后者是主動式探測，探測獲得的信息有限，對胎兒會造成一定影響，并且上述方法對專業知識有一定要求，不適用于院外環境的檢測[12-13]。基于此，目前亟需對生理信號智能提取方法進行改進研究，使其具有非侵入、被動式、可長時間檢測等優點，同時克服目標信號較弱、受電極和噪聲影響嚴重等缺點。
杭州電子科技大學徐雯[14]基于混沌優化和多導聯 FECG 信號提取算法，設計了一種新的改進算法，通過建立 ECG 信號的動態模型和 FECG 信號與母體 ECG 信號相關聯的動態模型，并采用并行邊緣粒子濾波算法對兩者進行實時跟蹤，最終提取到了高質量的 FECG 信號。由于在體域網環境中資源有限，隨機噪聲較多，因此對采集信號的去噪方法提出了更高的要求[15]。上海理工大學劉牮等[16]提出了一種結合雙樹復小波變換和滑動平均濾波器的 ECG 信號去噪方法。該研究利用麻省理工學院與貝斯以色列醫院（Massachusetts Institute of Technology and Beth Israel Hospital，MIT-BIH）數據庫中的數據進行驗證，并與其他去噪方法進行了對比。實驗結果表明，該綜合去噪算法能克服傳統平移的靈敏度缺陷，同時能有效地去除 ECG 信號中的基線漂移和高頻噪聲，在保留信號紋理和邊界的同時提高了平滑度。陸堯勝等[17]公開了一種胎心率基線自動識別算法。該算法首先對胎心率信號進行采集，然后進行曲線優化處理、特征提取，并利用聚類分析將提取的特征點聚類為兩個特征部分，根據區分條件將特征部分區分為基線部分和非基線部分，最后對識別出的基線部分進行平滑濾波，結合胎動信息，最終獲取到胎心率基線數據。
2 信號的智能壓縮傳輸
2.1 數據壓縮
數據壓縮旨在壓縮減少生理信號的數據大小，降低傳輸功耗以及時延，對于提高孕婦監護的安全性意義重大[18]。南昌大學彭向東等[19]提出一種基于塊稀疏貝葉斯學習的體域網 ECG 信號壓縮采樣方法，該方法在體域網的框架下，利用傳感器節點處的二元隨機觀測矩陣對 ECG 信號進行壓縮和采樣。遠程監護中心獲取采樣值后，利用塊稀疏貝葉斯學習重建算法和離散余弦稀疏變換矩陣對 ECG 信號進行重構。該方法可以有效地減少數據采集量，降低后續數據存儲和傳輸的壓力，提高體域網的實時性能。
在傳感器網絡中，數據采集監測是實時且多源的，鑒于微型傳感器節點供電容量有限，如何將數據高效地進行壓縮以及協同調度處理均是難點[20]。浙江大學吳連濤[21]利用無線傳感器網絡信號的稀疏特性，將傳輸過程中的數據丟失模擬為隨機壓縮采樣，通過對接收到的數據進行重構，可將接收信號恢復為原始的稀疏信號。
壓縮感知技術是一種新興的能以遠低于奈奎斯特采樣頻率采集數據的方式，且較傳統方法更易實現數據壓縮。上海交通大學李宏[22]改進了一種動態調度算法，在傳感器節點利用壓縮感知來降低采集信號的維數。該算法減少了占空比的睡眠調度并有效利用信道時變的隨機傳輸，通過加權因子來衡量系統的最優能耗和平均擁塞度，使得系統能耗無限接近于全局最優解，同時還能保證系統的穩定性。
2.2 數據傳輸
數據傳輸是指將經過預處理后生理信號數據傳輸至云端進行下一步處理的過程，體域網傳輸重點在于：① 安全性，這些數據都是包含生理信息的重要數據，保證其安全性是首先需要考慮的問題；② 連通性，考慮到傳輸過程中復雜的組網環境，保證傳感器節點在諸多限制下能夠保持始終在網，是孕婦體域網的關鍵問題之一；③ 低能耗，使用更低的能耗傳輸更多的數據是高效傳輸的關鍵，因此需要對體域網信道進行有效建模。
通過體域網采集的母胎生理信號數據，需要傳輸到遠程數據中心進行處理，由于是通過多個傳感器多源采集孕婦生理信號，數據傳輸過程是否滿足綠色智能、低功耗、可靠性高就顯得尤為重要[23]。Wu 等[24]提出了一種基于可調占空比的傳輸延遲最小化方案。在該方案中，在熱點區域中使用較高的占空比以實現低時延，而在非熱點區域中使用較低的占空比以降低功耗。該方法可以充分利用邊緣節點的剩余能量來動態調整其占空比，減少數據傳輸的排隊延遲，并為網絡中每個節點選擇接近最優的路徑網絡，從而實現最小的平均端到端延遲。經驗證，該方案可在保持網絡壽命的同時將端到端數據傳輸延遲減少 10.25%～26.37%，并將能源利用率提高 25% 以上，網絡壽命提高了約 30%。浙江大學郄有田等[25]提出了一種分級壓縮感知編解碼算法，該算法根據相同或不同字典的稀疏性對原始信號進行分解，利用伯努利觀測矩陣對分解后的信號進行壓縮編碼，并在壓縮過程中生成字典掩碼。終端根據編碼信息、稀疏字典和字典掩碼逐步恢復數據。與傳統的編碼和壓縮技術相比，該方法具有更強的魯棒性和對丟包的不敏感性，節省了網絡的傳輸帶寬，提高了數據獲取的實時性。
3 信號的智能處理與分析
3.1 多源異構融合
在孕婦遠程監護的場景下，存在著多個信號源同步采集的情況，如何有效地把多源信號的優勢利用起來，包括不同傳感器之間的同源信號的協作以及異構信號源間的信號協作，實現智能多源異構信號融合分析，是實現孕婦智能監護的難點之一。
體表心電圖 T 波交替（T-wave alternans，TWA）對認知和預測心臟性猝死具有十分重要的臨床意義。重慶大學葉昌榮[26]從多源傳感器決策級信息融合角度出發，提出一種基于信任函數的 TWA 多通道融合檢測方法；探索自適應動態信道評估機制，提出基于證據的多通道融合 TWA 的重量的檢測方法；為了構造 TWA 的多通道高階張量模型，提出一種基于分解和重構的多通道融合估計方法。實驗表明，以上方法對短時 TWA 具有更好的動態跟蹤能力，有效地提高了 TWA 波形的短時高動態估計性能。重慶大學韓亮等[27]提出了一種結合多路支持向量回歸機（v-support vector regression，V-SVR）和時頻盲源分離（time-frequency blind source separation，TFBSS）的 FECG 信號去噪方法。利用多路 V-SVR 估計各路腹壁信號中的母體 ECG 信號并將其抑制，從而得到多路含噪聲的 FECG 信號的最優估計，再通過 TFBSS 從最優估計中完成噪聲的剔除。經過臨床心電數據進行對比實驗，該算法在可視化和信噪比指標上均優于傳統方法。
3.2 信號特征提取
特征提取是將生理信號的特異性特征提取出來，以進行下一步的模式識別。作為智能輔助診斷的關鍵步驟，如何將由人體采樣的生物信號轉換為用于機器學習的特征是一個值得研究的問題，常見的方法有將時域特征與統計特征相結合，應用主成分分析以及獨立成分分析的特征做基底等[28]。
小波變換是 ECG 等信號分類中提取判別特征的有效工具，Sahoo 等[29]提出了一種改進的基于多分辨率小波變換的 QRS 波復雜特征檢測算法，對四種類型的 ECG 信號進行特征提取。其中，QRS 波復合體特征可以通過從離散小波變換（discrete wavelet transformation，DWT）分解小波的總和中獲得，檢測到的最高值即為是 R 峰；而基于 QRS 波帶能量的功率譜，利用剩余的細節系數檢測 QRS 波的復雜位置，并根據細節系數與 QRS 波的形態相似性取最優解。該研究選擇了三組細節系數總和最大值的 15% 作為閾值提取特征，效果最佳。孫紀光[30]對 ECG 信號形態檢測和特征點定位進行了研究，并提出了一種基于數學形態學的算法，其優勢在于抑制了高大 T 波、基線漂移和高頻噪聲帶來的影響；同時孫紀光[30]對 QRS 波群起點和終點的定位參數提出了一種新的低通差分方法，該算法在多通道 ECG 信號融合的基礎上，對特征參數進行平滑處理，避免了起點和終點差分峰的定位，提高了算法檢測異常率和 QRS 復合波的準確性。在心音信號的特征提取上，Gokhale[31]提出了基礎特征與附加特征聯合的解決方案。基礎特征的提取基于心音數據和心動周期狀態數據，包括心臟狀態的持續時間（S1、S2、收縮期和舒張期）、持續時間的比值以及心臟狀態下的平均信號幅度比值等；附加特征是根據心音信號周期狀態對心音數據進行分割，得到每個狀態下的希爾伯特包絡，用希爾伯特包絡的最大值和希爾伯特包絡下的面積作為信號強度值，同時用希爾伯特包絡線上方和最大包絡線下方的區域進行量化，獲取聲音變化的連續參數特征。
3.3 智能決策分析
信號決策分析，是指通過計算機用數學技術方法來研究模式的自動處理和判讀，對采集處理后的生理信號進行分類識別，可以判斷孕婦目前的生理狀況，及時發現異常信息，達到實時監護的目的[32]。
不少國內外學者就信號的決策分析應用已進行了諸多研究，常用算法有特征篩選法、人工神經網絡法、模糊分類法以及多示例學習算法等，其中將機器學習中的支持向量機以及 K 近鄰聚類算法應用其中是較為普遍的做法[33]。姚成[34]基于連續小波變換的 QRS 波識別算法，將邏輯判斷、聚類和模糊聚類（fuzzy c-means，FCM）三類算法結合，提出了對異常 ECG 信號實現準確聚類的算法（logic-clustering-FCM，LCFCM）。該算法對差異性個體具有很好的適應性，通過提取向量波形進行聚類和 FCM 分析，保證了算法的全局性和延展性，兼顧魯棒性的同時具備良好的性能。以 MIT-BIH 數據庫作為樣本進行實驗，LCFCM 算法對異常心率的識別準確率達到了 93%。由于支持向量機分類器的泛化性能不足，為克服這個問題，南方醫科大學查雪帆等[35]將一維深度卷積神經網絡應用于 ECG 信號分類，在識別各種疾病和提取最佳形態特征方面有一定的優勢；同時查雪帆等[35]提出了一種將遷移學習與二維深度卷積神經網絡相結合的方法，用于 ECG 信號識別。首先截取 R 波前后 75 ms 內的 ECG 信號段，將一維 ECG 信號轉換成二維灰度圖像信號，然后建立基于二維的卷積神經網絡，對 ECG 信號進行分類。該方法在 MIT-BIH 心律失常數據庫上的準確率達到 98%，在不同信噪比下依舊保持了較高的準確率，魯棒性良好，且優于二進制、多類分類任務中的現有算法。
在心音信號分析應用中，首都醫科大學許莉莉等[36]引入最小二乘支持向量機，提出了更適合心音樣本的分類識別算法。每個樣本進行小波包 3 層分解，根據帕塞瓦爾定理計算每個樣本的能量譜特征，采用多步長搜索，最后運用最小二乘支持向量機算法進行分類識別。經兩組臨床數據實驗對比，分類正確率分別為 94.2% 和 89.6%，并且采用求解線性方程法尋找局部最優解的最小二乘支持向量機能有更快的運算速度。密蘇里大學 Nagendra 等[37]提出了基于 CTG 數據的胎兒狀態預測方法，不同于以往的工作，他們考慮了所有三種胎兒狀態（正常、可疑和病理）。使用支持向量機、隨機森林、決策樹、邏輯回歸四種常用機器學習算法進行對照實驗。研究表明，支持向量機和隨機森林在預測胎兒狀態的準確率均在 96% 以上，同時發現支持向量機對可疑病例的預測效果更佳。
4 發展動向及趨勢分析
智能信息處理以其智能化（算法自動化識別）、低成本（無需高昂醫療器械）、安全可靠、全天候等優點，在孕婦遠程監護中運用愈發廣泛。智能信息處理在孕婦遠程監護中主要體現在生理信息的預處理以及模式識別環節，能高效地完成信號的多源采集、分離壓縮、特征提取以及識別監測。智能信息處理在孕婦遠程監護過程中意義重大，近三十年來無數專家和學者的研究推動了這一領域的不斷發展。1985 年清華大學韓可都等[38]提出采用改進時序自適應噪聲消除法做 FECG 信號處理，適應了信號的非平穩特性；2007 年 Taralunga 等[39]提出改進的事件同步消除器算法，獲得子宮收縮和胎兒運動的信息；近幾年，袁野等[40]在小波變換的基礎上，提出了將濾除低頻噪聲的細節信號進行反變換實現信號重構，并利用包含預同步的瞬態獨立成分改進算法從重構的信號中分離出高頻噪聲與 ECG 信號獨立成分。
迄今為止，直接重點研究孕婦監護中智能信息處理的公開文獻還比較缺乏，但一些文獻都或多或少間接討論了母嬰監護中智能信息處理方法的研究與應用。這些研究文獻表明了智能信息處理方法在孕婦監護中的重要性，但仍存在一些問題，有待進一步研究解決：
（1）現有特征提取方法的智能化程度不足。目前孕婦生理信號的特征提取以及優選仍需要人工經驗進行，特征的好壞很大程度上影響了后期處理的性能，缺乏智能自動化的解決方案。可行的解決思路有：① 擴大特征提取維度，在此基礎上運用主成分分析和線性判別分析等降維算法進行特征降維，形成緊致的優良特征子集。② 采用深度學習等自動提取特征方法，但需要結合小樣本數據的特點進行綜合設計。③ 融合傳統特征提取方法和自動特征提取方法，形成綜合數據和知識驅動的混合特征提取方法。
（2）現有算法的自學習能力不高。現如今針對性的孕婦智能信息處理的算法仍較少，信號預處理及模式識別的算法性能仍需提升，例如算法本身可以加入自主學習過程，通過識別新的數據集來擴充自己訓練集不斷迭代，增強算法模型的魯棒性。可行的解決思路有：① 引入進化計算為代表的優化方法進行離線或在線自優化，動態迭代優化識別模型。② 引入專家系統，將自動推理融入算法當中，提升對特定數據的識別性能。③ 可考慮模糊計算，將人類的模糊推理融入到自學習中。
（3）現有特征學習方法融合程度不夠。無論是以往依據專家的經驗進行處理，還是時下應用深度學習的自動提取特征對目標函數進行擬合，前者耗費人力成本過多，后者有過擬合的風險，二者皆有不足之處，如何更好地將兩者結合互補，將是未來發展的熱點之一。可行的解決思路有：① 可考慮決策層融合，并行使用兩種特征學習方法，然后將兩種算法的決策結果按置信度在決策層中融合。② 可考慮特征層融合，分別通過傳統的機器學習和深度學習提取出不同的特征，然后按一定的規則進行特征融合。
（4）信號的高精度同步采集技術欠缺。高精度的信號采樣以及在有限的網絡資源中低時延的可靠傳輸是此消彼長的關系，如何取得最佳的平衡是關鍵。可行的解決思路有：① 通過數據壓縮算法，降低數據傳輸以及同步的壓力。② 優化時間觸發機制，減小時間誤差。
（5）信號的多通道信息以及特征之間的關聯利用率不足。往往采集的孕婦生理信號為多級導聯，信號各通道間的信息相關度以及信號特征參數間的相互聯系都有著很大的研究價值，但目前對這方面信息的利用率相對較低。可行的解決思路有：① 通過多維動態偶極矢量模型的參數優化，將多維的信息充分挖掘。② 通過比較特征參數間的參數差異及其相關性，構建新的特征變量。
此外，以下研究方向有望取得進一步突破：
（1）導聯方案的研究。需要均衡完整信息的采集與便攜性之間的矛盾，在滿足信號分析需求的同時，采用盡可能簡單的導聯方案，主要包括導聯數安排以及電極位置布置等相關解決方案[41]；
（2）對多通道準周期的生理信號進行高緯度多尺度的聯合建模，將基于先驗信息的確定性模型與深度學習等技術結合，提高微弱信號提取結果的準確性和可靠性；
（3）極低功耗下的體域網無線傳輸與自組網技術研究，需要綜合考慮針對孕婦的體表無線信道特性、滿足多導聯信號傳輸的速率及可靠性等諸多問題；
（4）多源異構信息的融合分析、分類與異常檢測技術。一方面需要綜合利用孕婦 ECG 信號、FECG 信號、心音信號、脈搏等多個生理監測信號作為檢測技術的輔助輸入，通過融合或專家系統等技術進行綜合判決，另一方面則需要基于病理學對數據的異常信息進行智能化檢測；
（5）多數異構源信息數據庫的搭建。由于生理信號收集較為復雜，對母胎同步采集，母胎病歷、胎位記錄、圍產期不同周數的連續采集、母胎其他異構源信息的采集等有一定的要求，現今國際上尚無較為完善的孕婦生理監測信號數據庫，針對信號提取也無統一的算法性能評價標準，因此搭建完善的數據庫和建立相應的醫用標準將在未來起到非常重要的作用。
5 討論和總結
孕婦監護中智能信息處理很重要。孕婦監護能盡早發現母胎是否存在意外情況并作預警，對提高胎兒出生質量、降低胎兒死亡率、保障孕婦安全具有重要意義。但相對而言，該領域目前智能化水平較低，需要借助專業儀器以及專業醫護人員進行診斷，而孕婦監護智能信息處理在降低成本、節約人力、實時監護等方面很好地解決這一問題，故提升孕婦監護的智能化研究水平迫在眉睫。
孕婦監護中很多環節部分都需要智能信息處理，例如信號前端預處理，采樣傳輸、特征提取以及決策分析。遺憾的是，目前無公開文獻報道孕婦監護中智能信息處理方法研究現狀，缺乏給相關研究者詳細參考資料和方法指引。基于此不足，本文綜述了孕婦監護中近年來相關智能信息處理方法的研究現狀，包括：信號的智能前端處理、信號的智能壓縮傳輸、信號智能識別與分析等。此外，本文還指出了存在的問題，并給出了未來有望突破的方向和思路，為相關研究者熟悉研究現狀、理清研究思路等提供了參考。
本文主要工作有：① 闡述了孕婦監護及相關監護中主要智能信息處理方法與應用研究，分析了其中代表性研究。② 分析了相關方法研究存在的主要問題。③ 提出了未來可能的突破方向，為相關領域研究奠定了基礎、提供了參考思路。本文后續工作還將繼續積極探索能夠更為精確地識別與診斷孕婦生理參數的智能算法，例如通過集成學習來提升信號識別性能、探索多通道孕婦生理信號的高緯度多尺度聯合建模、構建更具可穿戴性的綠色智能遠程監護體域網，此外還將考慮更兼顧均衡性的導聯方案、高精度信號的采集與同步、極低功耗體域網無線傳輸、針對多參數異構源信息數據庫的搭建以及多元異構信息的融合等。
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
引言
孕婦監護為胎兒窘迫、胎盤早期剝離、早產等意外情況的早期預警、診斷和干預提供了重要的臨床信息，對降低圍產期胎兒死亡率、避免不良妊娠結局具有重要意義。當前孕婦監護主要分為院內和家庭（院外）兩大類應用場景，其中家庭環境檢測手段缺乏、準確性及實時性較差，而院內環境對醫護專業知識、設備要求較高。現有的檢測手段中，羊膜腔穿刺等屬于侵入式檢測手段，多普勒超聲、電子計算機斷層掃描則需要接入龐大復雜的醫療器械，均不適用于院外家庭監測環境，而心電圖（electrocardiograph，ECG）、胎兒心電圖（fetal ECG，FECG）、胎心宮縮圖（cardiotocograph，CTG）、心音信號、血壓、血氧等生理數據，借助便攜醫療輔助設備即可實現全天候的遠程監測。其中 FECG 信號是評估胎兒心臟發育情況、避免出生缺陷的重要生理指標；ECG 信號、心音信號可用于評估母體心臟狀況，提前發現心律紊亂、心肌缺血等狀況；CTG 信號可用于評估子宮收縮以及胎兒心率，避免早產、妊娠意外等；血壓、血氧可用于預示缺氧、高血壓等狀況，這幾類監護數據可為醫護人員的遠程診斷和決策提供重要依據[1-4]。
現階段我國開放二胎政策，導致孕婦監護需求增加，而與之相應的場地、床位、醫護等醫療資源有限，亟需長時間（24 h）、便攜式、遠程家用孕婦監護系統來解決監護需求缺口。在技術層面上，這就需要通過無線傳輸的方式實現遠程監護數據的自動化采集、存儲、智能處理和輔助決策，進一步對孕婦監護方法的智能性、快速搭建、便攜性、可穿戴性等方面提出了更高要求。
如圖 1 所示，智能體域網的遠程孕婦監護技術可通過高精度小型傳感器和多個體表電極（V1～V6）集成穿戴在孕婦的上身以及腹部，達到實時且便利地采集母胎生理信號的效果，同時可運用智能信息處理技術對意外情況進行綜合預警，達到及時提醒孕婦的目的。另外，還可將采集的各項生理信息遠程傳輸至數據中心進行分析，為醫護人員進行遠程早期診斷與醫療及時介入提供強有力的數據支撐。
圖1
智能體域網的遠程孕婦監護系統示意圖
Figure1.
Schematic diagram of remote maternal fetal monitoring system in agent domain network
孕婦遠程監護智能化日漸成為醫療領域的焦點，如圖 2 所示，其主要流程包括母胎信號多源同步采集、信號的智能前端處理、信號智能壓縮及傳輸、信號的智能識別與分析、遠程監護異常預警等環節[5]。基于需對大數據進行智能化異常檢測與分類的背景和需求，針對當前采集數據存在個體數量多、信號多源、時間長等特點，難以讓醫生逐一人工監測分析，因此亟需研究孕婦監護的智能處理方法，實現對大批量數據的合理有效利用[6]。其智能主要體現在：① 信號間的協作，包括不同傳感器之間的同源信號的協作，以及異構源之間的信號協作，例如多導聯波形提取去噪、利用宮縮信號對腹壁信號進行去噪等；② 針對收集到的信號及特征信息進行自動化異常檢測與分類。智能化的程度對孕婦遠程監護的意外預警和實時監測起著至關重要的作用[7]。
圖2
孕婦智能監護流程框圖
Figure2.
Flow chart of intelligent monitoring for pregnant women
目前已有許多學者及專家對孕婦遠程監護智能化進行了研究，已在信號的壓縮傳輸、FECG 信號分離提取、生理信息采集處理等方面取得了長足的進步，但在多源信號協作分析、采樣壓縮傳輸、信號識別處理等諸多方面仍存在一些問題，并且智能處理涉及的各個環節的研究相對分散，研究信息收集較難，缺乏相對完整流程的系統性研究總結。因此，本文對孕婦監護智能處理方法中的預處理、多源信號協同處理、壓縮傳輸及智能分析等方面予以綜述，期望對相關讀者有所幫助。
1 信號的智能前端處理
1.1 高精度的信號同步采集
高精度的信號同步采集是信號處理的前提，特別是針對無線傳感器網絡環境，時鐘同步的節點分布、同步精度，都是體域網設計的關鍵。此外，由于體域網系統在人體周圍工作，受人體遮擋、運動以及外界環境等因素的影響，信號在復雜的電磁環境中的同步與采集也會受到干擾。
在無線傳感器網絡中，根據全球定位系統（global positioning system，GPS）授時原理，中北大學張九賓等[8]提出用 GPS 秒脈沖觸發同步控制系統，并廣播同步觸發信號。每個傳感器節點接收同步觸發信號，用于時鐘的同步觸發、時鐘校準和測試事件觸發器的同步采集。經驗證，傳感器節點間事件同步觸發誤差約 1 μs，并具有較高的可靠性。安徽工程大學 Chen 等[9]在相對廣播同步算法的基礎上，提出了一種改進算法，采用廣播群和最小二乘線性回歸的方法實現了整個網絡的時間同步。對比其他算法，該算法具有一定的優越性，適用于低負載的網絡；同時針對無線傳感器網絡多跳、低功耗的特點，Chen 等[9]在時間同步算法中引入一種可變周期同步方法，根據拜厄斯最大后驗估計原理，可估計最大相位偏移量來確定同步周期，減少了節點同步數；另外根據最小二乘線性回歸方法，周期性地擬合時鐘偏移量，可以顯著提升同步精度并降低能耗。
1.2 多通道信號處理
信號多通道處理是信號分離提取面臨的重要問題，由于 ECG 等生理信號本身是一個多源多維的非點源信號，在蘊含了豐富信息的同時，也對多通道信號的處理提出了較高的要求。哈爾濱工業大學鮑文靜[10]基于最小二乘梯度下降算法的三維動態偶極子矢量模型，研究了模型參數優化問題。采用 R 波檢測、特征參數提取、心搏分割等方法初始化偶極子向量模型，引入均方誤差評估模型的準確性，通過無創輸出多通道的母胎混合 ECG 模擬信號，在極坐標系下基于五階高斯核函數模型對其進行線性化，通過建立狀態方程及觀測方程進行信號的多通道解析。謝里夫技術大學 Sameni 等[11]提出了 ECG 信號的三維動態模型，該模型建立在心臟單偶極子模型的基礎上，通過線性模型與體表電位相關聯。該線性模型考慮了心臟偶極子的時間運動和旋轉，并引入真實的 ECG 信號噪聲模型，適用于單胎或多胎孕婦腹部記錄的母胎混合 ECG 信號，也可作為模擬分析成人及胎兒多通道信號的有效途徑。
1.3 生理信號提取
信號提取是將目標信號從傳感器采集的混合信號中分離出來，目標信號的采集過程往往伴隨著噪聲的引入，使得醫療診斷更加困難。臨床上常用穿刺提取或通過超聲探測等方式獲取孕婦的生理信息，前者具有探測結果準確的優點，但有一定的臨床風險（創口感染等），后者是主動式探測，探測獲得的信息有限，對胎兒會造成一定影響，并且上述方法對專業知識有一定要求，不適用于院外環境的檢測[12-13]。基于此，目前亟需對生理信號智能提取方法進行改進研究，使其具有非侵入、被動式、可長時間檢測等優點，同時克服目標信號較弱、受電極和噪聲影響嚴重等缺點。
杭州電子科技大學徐雯[14]基于混沌優化和多導聯 FECG 信號提取算法，設計了一種新的改進算法，通過建立 ECG 信號的動態模型和 FECG 信號與母體 ECG 信號相關聯的動態模型，并采用并行邊緣粒子濾波算法對兩者進行實時跟蹤，最終提取到了高質量的 FECG 信號。由于在體域網環境中資源有限，隨機噪聲較多，因此對采集信號的去噪方法提出了更高的要求[15]。上海理工大學劉牮等[16]提出了一種結合雙樹復小波變換和滑動平均濾波器的 ECG 信號去噪方法。該研究利用麻省理工學院與貝斯以色列醫院（Massachusetts Institute of Technology and Beth Israel Hospital，MIT-BIH）數據庫中的數據進行驗證，并與其他去噪方法進行了對比。實驗結果表明，該綜合去噪算法能克服傳統平移的靈敏度缺陷，同時能有效地去除 ECG 信號中的基線漂移和高頻噪聲，在保留信號紋理和邊界的同時提高了平滑度。陸堯勝等[17]公開了一種胎心率基線自動識別算法。該算法首先對胎心率信號進行采集，然后進行曲線優化處理、特征提取，并利用聚類分析將提取的特征點聚類為兩個特征部分，根據區分條件將特征部分區分為基線部分和非基線部分，最后對識別出的基線部分進行平滑濾波，結合胎動信息，最終獲取到胎心率基線數據。
2 信號的智能壓縮傳輸
2.1 數據壓縮
數據壓縮旨在壓縮減少生理信號的數據大小，降低傳輸功耗以及時延，對于提高孕婦監護的安全性意義重大[18]。南昌大學彭向東等[19]提出一種基于塊稀疏貝葉斯學習的體域網 ECG 信號壓縮采樣方法，該方法在體域網的框架下，利用傳感器節點處的二元隨機觀測矩陣對 ECG 信號進行壓縮和采樣。遠程監護中心獲取采樣值后，利用塊稀疏貝葉斯學習重建算法和離散余弦稀疏變換矩陣對 ECG 信號進行重構。該方法可以有效地減少數據采集量，降低后續數據存儲和傳輸的壓力，提高體域網的實時性能。
在傳感器網絡中，數據采集監測是實時且多源的，鑒于微型傳感器節點供電容量有限，如何將數據高效地進行壓縮以及協同調度處理均是難點[20]。浙江大學吳連濤[21]利用無線傳感器網絡信號的稀疏特性，將傳輸過程中的數據丟失模擬為隨機壓縮采樣，通過對接收到的數據進行重構，可將接收信號恢復為原始的稀疏信號。
壓縮感知技術是一種新興的能以遠低于奈奎斯特采樣頻率采集數據的方式，且較傳統方法更易實現數據壓縮。上海交通大學李宏[22]改進了一種動態調度算法，在傳感器節點利用壓縮感知來降低采集信號的維數。該算法減少了占空比的睡眠調度并有效利用信道時變的隨機傳輸，通過加權因子來衡量系統的最優能耗和平均擁塞度，使得系統能耗無限接近于全局最優解，同時還能保證系統的穩定性。
2.2 數據傳輸
數據傳輸是指將經過預處理后生理信號數據傳輸至云端進行下一步處理的過程，體域網傳輸重點在于：① 安全性，這些數據都是包含生理信息的重要數據，保證其安全性是首先需要考慮的問題；② 連通性，考慮到傳輸過程中復雜的組網環境，保證傳感器節點在諸多限制下能夠保持始終在網，是孕婦體域網的關鍵問題之一；③ 低能耗，使用更低的能耗傳輸更多的數據是高效傳輸的關鍵，因此需要對體域網信道進行有效建模。
通過體域網采集的母胎生理信號數據，需要傳輸到遠程數據中心進行處理，由于是通過多個傳感器多源采集孕婦生理信號，數據傳輸過程是否滿足綠色智能、低功耗、可靠性高就顯得尤為重要[23]。Wu 等[24]提出了一種基于可調占空比的傳輸延遲最小化方案。在該方案中，在熱點區域中使用較高的占空比以實現低時延，而在非熱點區域中使用較低的占空比以降低功耗。該方法可以充分利用邊緣節點的剩余能量來動態調整其占空比，減少數據傳輸的排隊延遲，并為網絡中每個節點選擇接近最優的路徑網絡，從而實現最小的平均端到端延遲。經驗證，該方案可在保持網絡壽命的同時將端到端數據傳輸延遲減少 10.25%～26.37%，并將能源利用率提高 25% 以上，網絡壽命提高了約 30%。浙江大學郄有田等[25]提出了一種分級壓縮感知編解碼算法，該算法根據相同或不同字典的稀疏性對原始信號進行分解，利用伯努利觀測矩陣對分解后的信號進行壓縮編碼，并在壓縮過程中生成字典掩碼。終端根據編碼信息、稀疏字典和字典掩碼逐步恢復數據。與傳統的編碼和壓縮技術相比，該方法具有更強的魯棒性和對丟包的不敏感性，節省了網絡的傳輸帶寬，提高了數據獲取的實時性。
3 信號的智能處理與分析
3.1 多源異構融合
在孕婦遠程監護的場景下，存在著多個信號源同步采集的情況，如何有效地把多源信號的優勢利用起來，包括不同傳感器之間的同源信號的協作以及異構信號源間的信號協作，實現智能多源異構信號融合分析，是實現孕婦智能監護的難點之一。
體表心電圖 T 波交替（T-wave alternans，TWA）對認知和預測心臟性猝死具有十分重要的臨床意義。重慶大學葉昌榮[26]從多源傳感器決策級信息融合角度出發，提出一種基于信任函數的 TWA 多通道融合檢測方法；探索自適應動態信道評估機制，提出基于證據的多通道融合 TWA 的重量的檢測方法；為了構造 TWA 的多通道高階張量模型，提出一種基于分解和重構的多通道融合估計方法。實驗表明，以上方法對短時 TWA 具有更好的動態跟蹤能力，有效地提高了 TWA 波形的短時高動態估計性能。重慶大學韓亮等[27]提出了一種結合多路支持向量回歸機（v-support vector regression，V-SVR）和時頻盲源分離（time-frequency blind source separation，TFBSS）的 FECG 信號去噪方法。利用多路 V-SVR 估計各路腹壁信號中的母體 ECG 信號并將其抑制，從而得到多路含噪聲的 FECG 信號的最優估計，再通過 TFBSS 從最優估計中完成噪聲的剔除。經過臨床心電數據進行對比實驗，該算法在可視化和信噪比指標上均優于傳統方法。
3.2 信號特征提取
特征提取是將生理信號的特異性特征提取出來，以進行下一步的模式識別。作為智能輔助診斷的關鍵步驟，如何將由人體采樣的生物信號轉換為用于機器學習的特征是一個值得研究的問題，常見的方法有將時域特征與統計特征相結合，應用主成分分析以及獨立成分分析的特征做基底等[28]。
小波變換是 ECG 等信號分類中提取判別特征的有效工具，Sahoo 等[29]提出了一種改進的基于多分辨率小波變換的 QRS 波復雜特征檢測算法，對四種類型的 ECG 信號進行特征提取。其中，QRS 波復合體特征可以通過從離散小波變換（discrete wavelet transformation，DWT）分解小波的總和中獲得，檢測到的最高值即為是 R 峰；而基于 QRS 波帶能量的功率譜，利用剩余的細節系數檢測 QRS 波的復雜位置，并根據細節系數與 QRS 波的形態相似性取最優解。該研究選擇了三組細節系數總和最大值的 15% 作為閾值提取特征，效果最佳。孫紀光[30]對 ECG 信號形態檢測和特征點定位進行了研究，并提出了一種基于數學形態學的算法，其優勢在于抑制了高大 T 波、基線漂移和高頻噪聲帶來的影響；同時孫紀光[30]對 QRS 波群起點和終點的定位參數提出了一種新的低通差分方法，該算法在多通道 ECG 信號融合的基礎上，對特征參數進行平滑處理，避免了起點和終點差分峰的定位，提高了算法檢測異常率和 QRS 復合波的準確性。在心音信號的特征提取上，Gokhale[31]提出了基礎特征與附加特征聯合的解決方案。基礎特征的提取基于心音數據和心動周期狀態數據，包括心臟狀態的持續時間（S1、S2、收縮期和舒張期）、持續時間的比值以及心臟狀態下的平均信號幅度比值等；附加特征是根據心音信號周期狀態對心音數據進行分割，得到每個狀態下的希爾伯特包絡，用希爾伯特包絡的最大值和希爾伯特包絡下的面積作為信號強度值，同時用希爾伯特包絡線上方和最大包絡線下方的區域進行量化，獲取聲音變化的連續參數特征。
3.3 智能決策分析
信號決策分析，是指通過計算機用數學技術方法來研究模式的自動處理和判讀，對采集處理后的生理信號進行分類識別，可以判斷孕婦目前的生理狀況，及時發現異常信息，達到實時監護的目的[32]。
不少國內外學者就信號的決策分析應用已進行了諸多研究，常用算法有特征篩選法、人工神經網絡法、模糊分類法以及多示例學習算法等，其中將機器學習中的支持向量機以及 K 近鄰聚類算法應用其中是較為普遍的做法[33]。姚成[34]基于連續小波變換的 QRS 波識別算法，將邏輯判斷、聚類和模糊聚類（fuzzy c-means，FCM）三類算法結合，提出了對異常 ECG 信號實現準確聚類的算法（logic-clustering-FCM，LCFCM）。該算法對差異性個體具有很好的適應性，通過提取向量波形進行聚類和 FCM 分析，保證了算法的全局性和延展性，兼顧魯棒性的同時具備良好的性能。以 MIT-BIH 數據庫作為樣本進行實驗，LCFCM 算法對異常心率的識別準確率達到了 93%。由于支持向量機分類器的泛化性能不足，為克服這個問題，南方醫科大學查雪帆等[35]將一維深度卷積神經網絡應用于 ECG 信號分類，在識別各種疾病和提取最佳形態特征方面有一定的優勢；同時查雪帆等[35]提出了一種將遷移學習與二維深度卷積神經網絡相結合的方法，用于 ECG 信號識別。首先截取 R 波前后 75 ms 內的 ECG 信號段，將一維 ECG 信號轉換成二維灰度圖像信號，然后建立基于二維的卷積神經網絡，對 ECG 信號進行分類。該方法在 MIT-BIH 心律失常數據庫上的準確率達到 98%，在不同信噪比下依舊保持了較高的準確率，魯棒性良好，且優于二進制、多類分類任務中的現有算法。
在心音信號分析應用中，首都醫科大學許莉莉等[36]引入最小二乘支持向量機，提出了更適合心音樣本的分類識別算法。每個樣本進行小波包 3 層分解，根據帕塞瓦爾定理計算每個樣本的能量譜特征，采用多步長搜索，最后運用最小二乘支持向量機算法進行分類識別。經兩組臨床數據實驗對比，分類正確率分別為 94.2% 和 89.6%，并且采用求解線性方程法尋找局部最優解的最小二乘支持向量機能有更快的運算速度。密蘇里大學 Nagendra 等[37]提出了基于 CTG 數據的胎兒狀態預測方法，不同于以往的工作，他們考慮了所有三種胎兒狀態（正常、可疑和病理）。使用支持向量機、隨機森林、決策樹、邏輯回歸四種常用機器學習算法進行對照實驗。研究表明，支持向量機和隨機森林在預測胎兒狀態的準確率均在 96% 以上，同時發現支持向量機對可疑病例的預測效果更佳。
4 發展動向及趨勢分析
智能信息處理以其智能化（算法自動化識別）、低成本（無需高昂醫療器械）、安全可靠、全天候等優點，在孕婦遠程監護中運用愈發廣泛。智能信息處理在孕婦遠程監護中主要體現在生理信息的預處理以及模式識別環節，能高效地完成信號的多源采集、分離壓縮、特征提取以及識別監測。智能信息處理在孕婦遠程監護過程中意義重大，近三十年來無數專家和學者的研究推動了這一領域的不斷發展。1985 年清華大學韓可都等[38]提出采用改進時序自適應噪聲消除法做 FECG 信號處理，適應了信號的非平穩特性；2007 年 Taralunga 等[39]提出改進的事件同步消除器算法，獲得子宮收縮和胎兒運動的信息；近幾年，袁野等[40]在小波變換的基礎上，提出了將濾除低頻噪聲的細節信號進行反變換實現信號重構，并利用包含預同步的瞬態獨立成分改進算法從重構的信號中分離出高頻噪聲與 ECG 信號獨立成分。
迄今為止，直接重點研究孕婦監護中智能信息處理的公開文獻還比較缺乏，但一些文獻都或多或少間接討論了母嬰監護中智能信息處理方法的研究與應用。這些研究文獻表明了智能信息處理方法在孕婦監護中的重要性，但仍存在一些問題，有待進一步研究解決：
（1）現有特征提取方法的智能化程度不足。目前孕婦生理信號的特征提取以及優選仍需要人工經驗進行，特征的好壞很大程度上影響了后期處理的性能，缺乏智能自動化的解決方案。可行的解決思路有：① 擴大特征提取維度，在此基礎上運用主成分分析和線性判別分析等降維算法進行特征降維，形成緊致的優良特征子集。② 采用深度學習等自動提取特征方法，但需要結合小樣本數據的特點進行綜合設計。③ 融合傳統特征提取方法和自動特征提取方法，形成綜合數據和知識驅動的混合特征提取方法。
（2）現有算法的自學習能力不高。現如今針對性的孕婦智能信息處理的算法仍較少，信號預處理及模式識別的算法性能仍需提升，例如算法本身可以加入自主學習過程，通過識別新的數據集來擴充自己訓練集不斷迭代，增強算法模型的魯棒性。可行的解決思路有：① 引入進化計算為代表的優化方法進行離線或在線自優化，動態迭代優化識別模型。② 引入專家系統，將自動推理融入算法當中，提升對特定數據的識別性能。③ 可考慮模糊計算，將人類的模糊推理融入到自學習中。
（3）現有特征學習方法融合程度不夠。無論是以往依據專家的經驗進行處理，還是時下應用深度學習的自動提取特征對目標函數進行擬合，前者耗費人力成本過多，后者有過擬合的風險，二者皆有不足之處，如何更好地將兩者結合互補，將是未來發展的熱點之一。可行的解決思路有：① 可考慮決策層融合，并行使用兩種特征學習方法，然后將兩種算法的決策結果按置信度在決策層中融合。② 可考慮特征層融合，分別通過傳統的機器學習和深度學習提取出不同的特征，然后按一定的規則進行特征融合。
（4）信號的高精度同步采集技術欠缺。高精度的信號采樣以及在有限的網絡資源中低時延的可靠傳輸是此消彼長的關系，如何取得最佳的平衡是關鍵。可行的解決思路有：① 通過數據壓縮算法，降低數據傳輸以及同步的壓力。② 優化時間觸發機制，減小時間誤差。
（5）信號的多通道信息以及特征之間的關聯利用率不足。往往采集的孕婦生理信號為多級導聯，信號各通道間的信息相關度以及信號特征參數間的相互聯系都有著很大的研究價值，但目前對這方面信息的利用率相對較低。可行的解決思路有：① 通過多維動態偶極矢量模型的參數優化，將多維的信息充分挖掘。② 通過比較特征參數間的參數差異及其相關性，構建新的特征變量。
此外，以下研究方向有望取得進一步突破：
（1）導聯方案的研究。需要均衡完整信息的采集與便攜性之間的矛盾，在滿足信號分析需求的同時，采用盡可能簡單的導聯方案，主要包括導聯數安排以及電極位置布置等相關解決方案[41]；
（2）對多通道準周期的生理信號進行高緯度多尺度的聯合建模，將基于先驗信息的確定性模型與深度學習等技術結合，提高微弱信號提取結果的準確性和可靠性；
（3）極低功耗下的體域網無線傳輸與自組網技術研究，需要綜合考慮針對孕婦的體表無線信道特性、滿足多導聯信號傳輸的速率及可靠性等諸多問題；
（4）多源異構信息的融合分析、分類與異常檢測技術。一方面需要綜合利用孕婦 ECG 信號、FECG 信號、心音信號、脈搏等多個生理監測信號作為檢測技術的輔助輸入，通過融合或專家系統等技術進行綜合判決，另一方面則需要基于病理學對數據的異常信息進行智能化檢測；
（5）多數異構源信息數據庫的搭建。由于生理信號收集較為復雜，對母胎同步采集，母胎病歷、胎位記錄、圍產期不同周數的連續采集、母胎其他異構源信息的采集等有一定的要求，現今國際上尚無較為完善的孕婦生理監測信號數據庫，針對信號提取也無統一的算法性能評價標準，因此搭建完善的數據庫和建立相應的醫用標準將在未來起到非常重要的作用。
5 討論和總結
孕婦監護中智能信息處理很重要。孕婦監護能盡早發現母胎是否存在意外情況并作預警，對提高胎兒出生質量、降低胎兒死亡率、保障孕婦安全具有重要意義。但相對而言，該領域目前智能化水平較低，需要借助專業儀器以及專業醫護人員進行診斷，而孕婦監護智能信息處理在降低成本、節約人力、實時監護等方面很好地解決這一問題，故提升孕婦監護的智能化研究水平迫在眉睫。
孕婦監護中很多環節部分都需要智能信息處理，例如信號前端預處理，采樣傳輸、特征提取以及決策分析。遺憾的是，目前無公開文獻報道孕婦監護中智能信息處理方法研究現狀，缺乏給相關研究者詳細參考資料和方法指引。基于此不足，本文綜述了孕婦監護中近年來相關智能信息處理方法的研究現狀，包括：信號的智能前端處理、信號的智能壓縮傳輸、信號智能識別與分析等。此外，本文還指出了存在的問題，并給出了未來有望突破的方向和思路，為相關研究者熟悉研究現狀、理清研究思路等提供了參考。
本文主要工作有：① 闡述了孕婦監護及相關監護中主要智能信息處理方法與應用研究，分析了其中代表性研究。② 分析了相關方法研究存在的主要問題。③ 提出了未來可能的突破方向，為相關領域研究奠定了基礎、提供了參考思路。本文后續工作還將繼續積極探索能夠更為精確地識別與診斷孕婦生理參數的智能算法，例如通過集成學習來提升信號識別性能、探索多通道孕婦生理信號的高緯度多尺度聯合建模、構建更具可穿戴性的綠色智能遠程監護體域網，此外還將考慮更兼顧均衡性的導聯方案、高精度信號的采集與同步、極低功耗體域網無線傳輸、針對多參數異構源信息數據庫的搭建以及多元異構信息的融合等。
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
