⚡ electrical engineering

Heart Artifact Removal in Electrohysterography Measurements Using Algebraic Differentiators

Diese Arbeit stellt eine Methode zur Entfernung von EKG-Artefakten aus elektrohystero-graphischen Messungen vor, die algebraische Differentiatoren nutzt, um das Signal ohne zusätzliche EKG-Referenzkanäle zu reinigen und dabei die Form der uterinen Kontraktionen zu erhalten.

Ursprüngliche Autoren: Amine Othmane, Maria Camila Bustos Vivas, Johannes Steuer, Jana Hutter

Veröffentlicht 2026-03-20

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Amine Othmane, Maria Camila Bustos Vivas, Johannes Steuer, Jana Hutter

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, ein leises Flüstern (die Gebärmutter) in einem lauten Konzertsaal zu hören, in dem ständig eine riesige Trommel (das Herz) schlägt. Das ist genau das Problem, mit dem sich diese Forscher beschäftigt haben.

Hier ist eine einfache Erklärung der Studie, wie man sie einem Freund beim Kaffee erklären würde:

1. Das Problem: Das laute Herz im Hintergrund

Ärzte wollen die elektrische Aktivität der Gebärmutter messen (z. B. um Frühgeburten zu erkennen oder Zyklusveränderungen zu verstehen). Dazu kleben sie kleine Sensoren auf den Bauch der Frau. Das nennt man EHG (Elektrohysteroographie).

Das Problem: Der Bauch ist voll mit elektrischem "Lärm".

Das Herz: Es schlägt laut und stark. Diese Signale überdecken das leise Flüstern der Gebärmutter komplett.
Andere Geräusche: Darmbewegungen, Muskelzuckungen und sogar das 50-Hz-Brummen aus der Steckdose stören ebenfalls.

Frühere Methoden waren wie ein schwerfälliger Werkzeugkasten: Entweder brauchten sie ein extra Kabel am Herzen (unpraktisch), oder sie entfernten das Herz-Signal so grob, dass sie dabei auch Teile der Gebärmutter-Signale zerstörten (wie wenn man den ganzen Raum abdeckt, um nur den Staubkorn zu entfernen).

2. Die Lösung: Der "mathematische Schärfer"

Die Forscher haben eine neue Methode entwickelt, die auf algebraischen Differenzierern basiert. Klingt kompliziert? Stellen Sie es sich so vor:

Stellen Sie sich das Signal als eine wackelige Linie auf einem Blatt Papier vor.

Das Herz ist wie ein plötzlicher, steiler Stoß (ein "Impuls").
Die Gebärmutter ist wie eine sanfte, wellenförmige Bewegung.
Der Lärm ist wie ein leichtes Zittern des Papiers.

Die neue Methode nutzt einen mathematischen "Schärfer" (den Differenzierer). Wenn man diesen Schärfer über die Linie fährt, passiert Magisches:

Die sanften Wellen (Gebärmutter) und das leise Zittern (Lärm) werden fast unsichtbar, weil sie sich nicht schnell genug ändern.
Die plötzlichen Stöße (Herzschlag) werden aber riesig und scharf hervorgehoben.

Es ist, als würde man einen Foto-Filter anwenden, der nur die scharfen Kanten im Bild sichtbar macht und den Rest in den Hintergrund drückt.

3. Der Detektiv-Trick: "Wer ist überall?"

Jetzt haben wir eine Liste von "großen Stößen". Aber wie wissen wir, welcher Stoß vom Herzen kommt und welcher nur eine Darmbewegung war?

Hier kommt der Klumpen-Detektiv ins Spiel:

Das Herz ist groß und seine Welle erreicht alle Sensoren auf dem Bauch fast gleichzeitig (mit winzigen Verzögerungen, wie eine Welle im Wasser).
Ein lokales Problem (wie ein Darmkrampf) betrifft nur einen oder zwei Sensoren.

Der Algorithmus schaut sich alle Sensoren an. Wenn er sieht: "Hey, fast alle Sensoren haben gleichzeitig einen Stoß registriert", dann sagt er: "Das ist das Herz!" Wenn nur ein Sensor einen Stoß hat, sagt er: "Das ist nur ein lokales Kratzen, ignorieren wir das."

4. Das Ergebnis: Das Herz wird entfernt, ohne das Bild zu zerreißen

Sobald das Herz identifiziert ist, wird es nicht einfach "herausgeschnitten" (was Lücken im Signal hinterlassen würde). Stattdessen wird eine exakte Kopie des Herz-Signals berechnet und vom Original abgezogen.

Das Ergebnis:

Das Herz-Signal ist weg.
Das 50-Hz-Brummen ist weg.
Die langsame Grundlinie ist geglättet.
Aber: Das leise Flüstern der Gebärmutter ist immer noch da und sieht genau so aus wie vorher.

5. Ein kleiner Haken (Die Grenzen)

Die Methode funktioniert super, wenn die Sensoren weit genug vom Uterus entfernt sind. Wenn ein Sensor aber direkt auf der Gebärmutter sitzt, kann es sein, dass die Gebärmutter selbst so stark "wackelt", dass der mathematische Schärfer denkt: "Oh, das ist ein Herzschlag!" und es versehentlich entfernt. Das ist wie wenn man im Konzertsaal steht und die Trommel so laut ist, dass man das Flüstern gar nicht mehr hört, selbst wenn man die Trommel herausrechnet.

Zusammenfassung

Die Forscher haben einen cleveren mathematischen Trick gefunden, der wie ein intelligenter Lärmunterdrücker funktioniert. Er erkennt das Herz nicht durch ein extra Kabel, sondern durch sein Verhalten (es schlägt überall gleichzeitig) und entfernt es präzise, ohne dabei die wichtigen medizinischen Daten der Gebärmutter zu beschädigen. Das macht die Messung genauer und einfacher, ohne dass die Patientin extra Geräte tragen muss.

1. Problemstellung

Die Elektrohysterographie (EHG) ist eine nicht-invasive Methode zur Aufzeichnung der elektrischen Aktivität der Gebärmutter, die für die Überwachung von Schwangerschaften, die Erkennung von Frühgeburten und die Analyse von Uteruskontraktionen im Menstruationszyklus genutzt wird. Ein Hauptproblem bei der Oberflächenmessung ist die starke Kontamination durch Elektrokardiogramm-(ECG)-Artefakte (Herzschlag), die aufgrund ihrer hohen Amplitude das schwächere uterine Signal überlagern.

Herkömmliche Methoden zur ECG-Entfernung weisen erhebliche Nachteile auf:

QRS-Interpolation: Kann die zugrunde liegende neuronale Signal-Dynamik verzerren.
Adaptive Filterung: Erfordert zusätzliche Referenzkanäle (ECG-Leitungen), die oft nicht verfügbar sind.
Template-Subtraktion: Geht von einer stationären ECG-Morphologie aus und hinterlässt Restartefakte bei Variabilität der Wellenform.
Wavelet-Methoden: Erfordern hohe Rechenleistung oder entfernen wichtige niedrige Spektralkomponenten.
Machine Learning: Benötigt umfangreiche Trainingsdaten und ist schwer interpretierbar.

Das Ziel dieser Arbeit ist die Entwicklung einer ECG-Entfernungsmethode ohne Hilfs-ECG-Kanäle, die das uterine Signal erhält, in Echtzeit funktioniert und rechnerisch effizient ist.

2. Methodik

Der vorgeschlagene Ansatz nutzt algebraische Differentiatoren, ein Werkzeug aus der Regelungstheorie für modellfreie Ableitungsschätzungen. Der Prozess gliedert sich in folgende Schritte:

A. Signalmodellierung

Das gemessene EHG-Signal wird als Überlagerung verschiedener physiologischer Quellen modelliert:

Impulsartige Ereignisse: Herzschläge (sehr kurz, ~10–20 ms), Uteruskontraktionen und Darmbewegungen.
Langsame Baseline: Respiratorische Artefakte und Drift (sehr langsam, Sekunden bis Minuten).
Störungen: Netzbrummen (50 Hz) und Messrauschen.

Im distributionellen Sinne wird das Signal als Summe von Dirac-Impulsen (für die schnellen Ereignisse) und glatten Baseline-Funktionen dargestellt. Die Kernidee ist die zeitliche Skalenseparation: Da Herzschläge im Vergleich zur Baseline instantan erscheinen, können sie durch höhere Ableitungen von der langsamen Baseline getrennt werden.

B. Algebraische Differentiation

Anstelle einer numerischen Differenzierung (die Rauschen stark verstärkt) wird ein kausaler FIR-Filter (Finite Impulse Response) verwendet, der auf algebraischen Differentiatoren basiert.

Der Filter berechnet die $n$ -te Ableitung des Signals durch Faltung mit einem Kern $g^{(n)}$ , der aus gewichteten Jacobi-Polynomen konstruiert wird.
Parametrierung: Die Parameter des Filters (Ordnung $n$ $n$ , Polynomgrad $\alpha$ $α$ , Fensterlänge $T$ $T$ ) werden so gewählt, dass:
1. Das Netzbrummen (50 Hz) und seine Harmonischen durch Nullstellen der Bessel-Funktion im Frequenzgang unterdrückt werden.
2. Die Baseline (niedrige Frequenzen) durch die Differentiation unterdrückt wird.
3. Das Rauschen nicht übermäßig amplifiziert wird (durch Wahl von $\alpha > n-1$ ).

C. Pulserkennung und Clustering

Schwellenwert-basierte Detektion: In jedem Kanal werden die Spitzen der differenzierten Signale identifiziert. Ein Schwellenwert (basierend auf Perzentilen) trennt Impulse vom Rauschen.
Cross-Channel Clustering: Da Herzschläge sich über alle Kanäle mit kleinen Laufzeitunterschieden ausbreiten (räumliche Kohärenz), während lokale Artefakte (z. B. Darmbewegungen) nur wenige Kanäle betreffen, werden die Detektionen über alle Kanäle gruppiert.
- Pulse, die innerhalb eines kurzen Zeitfensters ( $\Delta t_{beat} \approx 20\text{--}50$ ms) in einer signifikanten Anzahl von Kanälen ( $\rho \approx 50\text{--}70\%$ ) auftreten, werden als Herzschlag klassifiziert.
- Isolierte Detektionen werden als lokale Artefakte verworfen.

D. Signal-Rekonstruktion

Für die als Herzschlag identifizierten Pulse wird die Amplitude mittels Kleinste-Quadrate-Schätzung auf dem differenzierten Signal bestimmt. Das ursprüngliche Signal wird dann durch Subtraktion der rekonstruierten Herzschlag-Komponente (unter Verwendung des ursprünglichen Kerns $g$ ) bereinigt. Dies entfernt nicht nur den Herzschlag, sondern auch Netzbrummen und Baseline-Drift, während das uterine Signal erhalten bleibt.

3. Wichtige Beiträge

Verteilungs-Signalmodell: Eine mathematische Formulierung, die impulsive physiologische Ereignisse als Dirac-Impulse und Baselines als glatte Funktionen darstellt.
Systematische Methode: Ein vollständiger Algorithmus zur Artefaktentfernung basierend auf algebraischen Differentiatoren mit explizitem Parameter-Design zur gleichzeitigen Unterdrückung von Netzbrummen und Baseline.
Referenzfreie Detektion: Ein Clustering-Algorithmus, der die räumliche Kohärenz nutzt, um Herzschläge von lokalen Artefakten zu unterscheiden, ohne ein externes ECG-Signal zu benötigen.
Experimentelle Validierung: Der Ansatz wurde an multichannel EHG-Aufzeichnungen (Frau und Mann) getestet und mit der Template-Subtraktion verglichen.

4. Ergebnisse

Die Methode wurde an Aufzeichnungen von zwei Probanden (eine nicht-schwangere Frau und ein gesunder Mann) mit 8 bipolarer Elektroden bei 5 kHz Abtastrate validiert.

Leistungsfähigkeit: Bei Kanälen, die weit von der Gebärmutter entfernt sind (z. B. beim männlichen Probanden), konnte das ECG-Signal effektiv entfernt werden, während die Signalintegrität erhalten blieb.
- Die berechnete Signal-Rausch-Verhältnis (SNR) im Ausgangssignal lag bei 5,14 dB und 7,42 dB für getestete Kanäle.
- Die Methode übertraf die Template-Subtraktion in Bezug auf die Erhaltung der Signalstruktur.
Räumliche Kohärenz: Die geschätzten Laufzeitunterschiede zwischen den Kanälen (ca. 15 ms Gesamtstreuung) entsprachen der erwarteten Ausbreitungsgeschwindigkeit von Herzsignalen durch Gewebe, was die Validität des Clustering-Ansatzes bestätigte.
Limitationen: Bei Elektroden in unmittelbarer Nähe zur Gebärmutter (beim weiblichen Probanden) zeigte die Methode Einschränkungen. Langsame uterine Aktivität verletzte die Annahme einer null-ableitbaren Baseline, was zu Fehlidentifikationen von Uterus-Signalen als Herzschlag führte (SNR von -2,15 dB).

5. Bedeutung und Ausblick

Die Arbeit demonstriert, dass algebraische Differentiatoren ein leistungsfähiges, modellfreies und rechnerisch effizientes Werkzeug zur Entfernung von ECG-Artefakten in der EHG sind.

Vorteile: Keine Trainingsdaten nötig, keine Hilfs-EKG-Kanäle erforderlich, Echtzeit-fähig (causaler FIR-Filter).
Zukunftsperspektiven: Die Methode muss erweitert werden, um auch langsame Baseline-Ableitungen zu modellieren (z. B. durch Systemidentifikation), um die Genauigkeit bei Elektroden nahe der Gebärmutter zu verbessern. Weitere Arbeiten umfassen eine quantitative Benchmarking-Studie an größeren Patientenkohorten und eine Analyse der Parameter-Sensitivität.

Zusammenfassend bietet der vorgestellte Ansatz eine robuste Alternative zu bestehenden Methoden, insbesondere in Szenarien, wo keine Referenz-EKG-Signale verfügbar sind.