DIFF-FECG: A Conditional Diffusion-Based Method for Fetal ECG Extraction from Abdominal ECG ( IEEE TRANSACTIONS ON ARTIFICIAL INTELLIGENCE 2025)（二区）
论文链接：https://ieeexplore.ieee.org/abstract/document/11029501/
核心目标：
基于条件扩散模型从孕妇腹部ECG（AECG）中提取胎儿ECG（FECG），解决传统方法在去除母体心电干扰时效果不佳的问题，从而提高FECG的质量和可靠性。
Diffusion-step Embedding
把离散步数变成连续条件向量，网络在每一步都能自适应地调整权重与门控
多核滤波 MKF：提取特征
特征融合 FI：把来自MKF的多尺度特征进行融合，让网络真正学会哪些特征对重建FECG有用
代码：
https://github.com/zhenqinchen/DIFF-FECG
Extraction of fetal heartbeat locations in abdominal phonocardiograms using deep attention transformer (Computers in Biology and Medicine 2025) （二区）
论文链接：https://www.sciencedirect.com/science/article/pii/S0010482525003531
核心目标：
利用深度注意Transformer提取胎心心音图中的胎心位置。
代码：
https://github.com/Almadani92/FHSU-UNETR-for-fetal-heart-sound-extraction.git.
生成训练数据 + ground truth：
- 传统音源分离+带通滤波 -> 拆成三条波形（胎心音fPCG、母体心音mPCG、母体呼吸Breath）
- fECG R 波可以当成 fPCG 心跳声出现的“时间锚点” -> 对齐叠加 -> 得到干净心跳模板
- 将胎心音模版按照不同心率、幅度、噪声等级随机拼接 -> 得到高信噪比胎心音
- 将 3 路信号（胎心音、母体心音、呼吸）+ 随机噪声混合 -> 训练数据
- 同步用 fECG、mECG、Breath波形生成 3 条 0/1 掩膜 -> ground truth
UNETR = U-Net + Transformer
输入：单通道PCG
架构：三条并行1-D UNETR
Transformer 编码器，负责一次性捕获全局上下文
U-Net 解码器，负责局部细节恢复
通过跳跃连接把 Transformer 各层特征与 CNN 解码器融合，既保留长程依赖，又保留空间精度
特征减法：每层把母体特征压缩后，从胎儿特征中减掉，防止母体特征泄露
Open-world multi-modal machine learning decision model based on uncertain data analysis for fetal heart diagnosis (Information Sciences 2025) （二区）
论文链接：https://www.sciencedirect.com/science/article/pii/S0020025524017821
核心目标：
解决胎儿心脏诊断中由于数据不完整、存在噪声和不确定性所带来的挑战。该框架融合了超声图像、胎心音和文本三种模态，能够生成专业的胎儿心脏诊断报告，并辅助医生更准确地识别胎儿心脏异常。
超声图像诊断网络——Vision Transformer（ViT）【二分类（心尖四腔心切面）+ 六分类（具体疾病）】
胎心音诊断网络——Deep-Narrow Transformer（面向 2-D 双谱图的变体 ViT）
大语言模型——LLaMA【开源模型，预训练 + 微调】
随机遮盖重建（预训练） -> 输入图像随机挡住一部分像素，让网络学习填补