孕妇监护很重要，在降低胎儿死亡率、保障围产期母胎安全、预防早产和妊娠意外等方面起到极为重要的作用。定期检查是目前孕妇监护的主流方法，但院外检查手段匮乏，而医院监护设备昂贵、操作复杂。利用智能信息技术（如机器学习算法）可以分析孕妇相关生理信号，从而实现对母胎的早期检测和意外预警，达到高质量院外监护的目的。但目前，与孕妇院外监护的智能处理方法相关的公开研究综述报道不足，因此本文以孕妇院外监护为研究背景，对其中智能处理方法的公开研究报道进行综述，分析现有研究方法的优缺点，指出可能存在的问题，阐述未来发展趋势，以期为今后的相关研究提供参考。
引用本文： 李勇明, 张元梵, 叶昌荣, 王品, 曾孝平. 面向孕妇远程监护的智能信息处理方法研究进展综述. 生物医学工程学杂志, 2020, 37(5): 910-917. doi: 10.7507/1001-5515.201912011 复制
引言
孕妇监护为胎儿窘迫、胎盘早期剥离、早产等意外情况的早期预警、诊断和干预提供了重要的临床信息，对降低围产期胎儿死亡率、避免不良妊娠结局具有重要意义。当前孕妇监护主要分为院内和家庭（院外）两大类应用场景，其中家庭环境检测手段缺乏、准确性及实时性较差，而院内环境对医护专业知识、设备要求较高。现有的检测手段中，羊膜腔穿刺等属于侵入式检测手段，多普勒超声、电子计算机断层扫描则需要接入庞大复杂的医疗器械，均不适用于院外家庭监测环境，而心电图（electrocardiograph，ECG）、胎儿心电图（fetal ECG，FECG）、胎心宫缩图（cardiotocograph，CTG）、心音信号、血压、血氧等生理数据，借助便携医疗辅助设备即可实现全天候的远程监测。其中 FECG 信号是评估胎儿心脏发育情况、避免出生缺陷的重要生理指标；ECG 信号、心音信号可用于评估母体心脏状况，提前发现心律紊乱、心肌缺血等状况；CTG 信号可用于评估子宫收缩以及胎儿心率，避免早产、妊娠意外等；血压、血氧可用于预示缺氧、高血压等状况，这几类监护数据可为医护人员的远程诊断和决策提供重要依据[1-4]。
现阶段我国开放二胎政策，导致孕妇监护需求增加，而与之相应的场地、床位、医护等医疗资源有限，亟需长时间（24 h）、便携式、远程家用孕妇监护系统来解决监护需求缺口。在技术层面上，这就需要通过无线传输的方式实现远程监护数据的自动化采集、存储、智能处理和辅助决策，进一步对孕妇监护方法的智能性、快速搭建、便携性、可穿戴性等方面提出了更高要求。
如图 1 所示，智能体域网的远程孕妇监护技术可通过高精度小型传感器和多个体表电极（V1～V6）集成穿戴在孕妇的上身以及腹部，达到实时且便利地采集母胎生理信号的效果，同时可运用智能信息处理技术对意外情况进行综合预警，达到及时提醒孕妇的目的。另外，还可将采集的各项生理信息远程传输至数据中心进行分析，为医护人员进行远程早期诊断与医疗及时介入提供强有力的数据支撑。
图1
智能体域网的远程孕妇监护系统示意图
Figure1.
Schematic diagram of remote maternal fetal monitoring system in agent domain network
孕妇远程监护智能化日渐成为医疗领域的焦点，如图 2 所示，其主要流程包括母胎信号多源同步采集、信号的智能前端处理、信号智能压缩及传输、信号的智能识别与分析、远程监护异常预警等环节[5]。基于需对大数据进行智能化异常检测与分类的背景和需求，针对当前采集数据存在个体数量多、信号多源、时间长等特点，难以让医生逐一人工监测分析，因此亟需研究孕妇监护的智能处理方法，实现对大批量数据的合理有效利用[6]。其智能主要体现在：① 信号间的协作，包括不同传感器之间的同源信号的协作，以及异构源之间的信号协作，例如多导联波形提取去噪、利用宫缩信号对腹壁信号进行去噪等；② 针对收集到的信号及特征信息进行自动化异常检测与分类。智能化的程度对孕妇远程监护的意外预警和实时监测起着至关重要的作用[7]。
图2
孕妇智能监护流程框图
Figure2.
Flow chart of intelligent monitoring for pregnant women
目前已有许多学者及专家对孕妇远程监护智能化进行了研究，已在信号的压缩传输、FECG 信号分离提取、生理信息采集处理等方面取得了长足的进步，但在多源信号协作分析、采样压缩传输、信号识别处理等诸多方面仍存在一些问题，并且智能处理涉及的各个环节的研究相对分散，研究信息收集较难，缺乏相对完整流程的系统性研究总结。因此，本文对孕妇监护智能处理方法中的预处理、多源信号协同处理、压缩传输及智能分析等方面予以综述，期望对相关读者有所帮助。
1 信号的智能前端处理
1.1 高精度的信号同步采集
高精度的信号同步采集是信号处理的前提，特别是针对无线传感器网络环境，时钟同步的节点分布、同步精度，都是体域网设计的关键。此外，由于体域网系统在人体周围工作，受人体遮挡、运动以及外界环境等因素的影响，信号在复杂的电磁环境中的同步与采集也会受到干扰。
在无线传感器网络中，根据全球定位系统（global positioning system，GPS）授时原理，中北大学张九宾等[8]提出用 GPS 秒脉冲触发同步控制系统，并广播同步触发信号。每个传感器节点接收同步触发信号，用于时钟的同步触发、时钟校准和测试事件触发器的同步采集。经验证，传感器节点间事件同步触发误差约 1 μs，并具有较高的可靠性。安徽工程大学 Chen 等[9]在相对广播同步算法的基础上，提出了一种改进算法，采用广播群和最小二乘线性回归的方法实现了整个网络的时间同步。对比其他算法，该算法具有一定的优越性，适用于低负载的网络；同时针对无线传感器网络多跳、低功耗的特点，Chen 等[9]在时间同步算法中引入一种可变周期同步方法，根据拜厄斯最大后验估计原理，可估计最大相位偏移量来确定同步周期，减少了节点同步数；另外根据最小二乘线性回归方法，周期性地拟合时钟偏移量，可以显著提升同步精度并降低能耗。
1.2 多通道信号处理
信号多通道处理是信号分离提取面临的重要问题，由于 ECG 等生理信号本身是一个多源多维的非点源信号，在蕴含了丰富信息的同时，也对多通道信号的处理提出了较高的要求。哈尔滨工业大学鲍文静[10]基于最小二乘梯度下降算法的三维动态偶极子矢量模型，研究了模型参数优化问题。采用 R 波检测、特征参数提取、心搏分割等方法初始化偶极子向量模型，引入均方误差评估模型的准确性，通过无创输出多通道的母胎混合 ECG 模拟信号，在极坐标系下基于五阶高斯核函数模型对其进行线性化，通过建立状态方程及观测方程进行信号的多通道解析。谢里夫技术大学 Sameni 等[11]提出了 ECG 信号的三维动态模型，该模型建立在心脏单偶极子模型的基础上，通过线性模型与体表电位相关联。该线性模型考虑了心脏偶极子的时间运动和旋转，并引入真实的 ECG 信号噪声模型，适用于单胎或多胎孕妇腹部记录的母胎混合 ECG 信号，也可作为模拟分析成人及胎儿多通道信号的有效途径。
1.3 生理信号提取
信号提取是将目标信号从传感器采集的混合信号中分离出来，目标信号的采集过程往往伴随着噪声的引入，使得医疗诊断更加困难。临床上常用穿刺提取或通过超声探测等方式获取孕妇的生理信息，前者具有探测结果准确的优点，但有一定的临床风险（创口感染等），后者是主动式探测，探测获得的信息有限，对胎儿会造成一定影响，并且上述方法对专业知识有一定要求，不适用于院外环境的检测[12-13]。基于此，目前亟需对生理信号智能提取方法进行改进研究，使其具有非侵入、被动式、可长时间检测等优点，同时克服目标信号较弱、受电极和噪声影响严重等缺点。
杭州电子科技大学徐雯[14]基于混沌优化和多导联 FECG 信号提取算法，设计了一种新的改进算法，通过建立 ECG 信号的动态模型和 FECG 信号与母体 ECG 信号相关联的动态模型，并采用并行边缘粒子滤波算法对两者进行实时跟踪，最终提取到了高质量的 FECG 信号。由于在体域网环境中资源有限，随机噪声较多，因此对采集信号的去噪方法提出了更高的要求[15]。上海理工大学刘牮等[16]提出了一种结合双树复小波变换和滑动平均滤波器的 ECG 信号去噪方法。该研究利用麻省理工学院与贝斯以色列医院（Massachusetts Institute of Technology and Beth Israel Hospital，MIT-BIH）数据库中的数据进行验证，并与其他去噪方法进行了对比。实验结果表明，该综合去噪算法能克服传统平移的灵敏度缺陷，同时能有效地去除 ECG 信号中的基线漂移和高频噪声，在保留信号纹理和边界的同时提高了平滑度。陆尧胜等[17]公开了一种胎心率基线自动识别算法。该算法首先对胎心率信号进行采集，然后进行曲线优化处理、特征提取，并利用聚类分析将提取的特征点聚类为两个特征部分，根据区分条件将特征部分区分为基线部分和非基线部分，最后对识别出的基线部分进行平滑滤波，结合胎动信息，最终获取到胎心率基线数据。
2 信号的智能压缩传输
2.1 数据压缩
数据压缩旨在压缩减少生理信号的数据大小，降低传输功耗以及时延，对于提高孕妇监护的安全性意义重大[18]。南昌大学彭向东等[19]提出一种基于块稀疏贝叶斯学习的体域网 ECG 信号压缩采样方法，该方法在体域网的框架下，利用传感器节点处的二元随机观测矩阵对 ECG 信号进行压缩和采样。远程监护中心获取采样值后，利用块稀疏贝叶斯学习重建算法和离散余弦稀疏变换矩阵对 ECG 信号进行重构。该方法可以有效地减少数据采集量，降低后续数据存储和传输的压力，提高体域网的实时性能。
在传感器网络中，数据采集监测是实时且多源的，鉴于微型传感器节点供电容量有限，如何将数据高效地进行压缩以及协同调度处理均是难点[20]。浙江大学吴连涛[21]利用无线传感器网络信号的稀疏特性，将传输过程中的数据丢失模拟为随机压缩采样，通过对接收到的数据进行重构，可将接收信号恢复为原始的稀疏信号。
压缩感知技术是一种新兴的能以远低于奈奎斯特采样频率采集数据的方式，且较传统方法更易实现数据压缩。上海交通大学李宏[22]改进了一种动态调度算法，在传感器节点利用压缩感知来降低采集信号的维数。该算法减少了占空比的睡眠调度并有效利用信道时变的随机传输，通过加权因子来衡量系统的最优能耗和平均拥塞度，使得系统能耗无限接近于全局最优解，同时还能保证系统的稳定性。
2.2 数据传输
数据传输是指将经过预处理后生理信号数据传输至云端进行下一步处理的过程，体域网传输重点在于：① 安全性，这些数据都是包含生理信息的重要数据，保证其安全性是首先需要考虑的问题；② 连通性，考虑到传输过程中复杂的组网环境，保证传感器节点在诸多限制下能够保持始终在网，是孕妇体域网的关键问题之一；③ 低能耗，使用更低的能耗传输更多的数据是高效传输的关键，因此需要对体域网信道进行有效建模。
通过体域网采集的母胎生理信号数据，需要传输到远程数据中心进行处理，由于是通过多个传感器多源采集孕妇生理信号，数据传输过程是否满足绿色智能、低功耗、可靠性高就显得尤为重要[23]。Wu 等[24]提出了一种基于可调占空比的传输延迟最小化方案。在该方案中，在热点区域中使用较高的占空比以实现低时延，而在非热点区域中使用较低的占空比以降低功耗。该方法可以充分利用边缘节点的剩余能量来动态调整其占空比，减少数据传输的排队延迟，并为网络中每个节点选择接近最优的路径网络，从而实现最小的平均端到端延迟。经验证，该方案可在保持网络寿命的同时将端到端数据传输延迟减少 10.25%～26.37%，并将能源利用率提高 25% 以上，网络寿命提高了约 30%。浙江大学郄有田等[25]提出了一种分级压缩感知编解码算法，该算法根据相同或不同字典的稀疏性对原始信号进行分解，利用伯努利观测矩阵对分解后的信号进行压缩编码，并在压缩过程中生成字典掩码。终端根据编码信息、稀疏字典和字典掩码逐步恢复数据。与传统的编码和压缩技术相比，该方法具有更强的鲁棒性和对丢包的不敏感性，节省了网络的传输带宽，提高了数据获取的实时性。
3 信号的智能处理与分析
3.1 多源异构融合
在孕妇远程监护的场景下，存在着多个信号源同步采集的情况，如何有效地把多源信号的优势利用起来，包括不同传感器之间的同源信号的协作以及异构信号源间的信号协作，实现智能多源异构信号融合分析，是实现孕妇智能监护的难点之一。
体表心电图 T 波交替（T-wave alternans，TWA）对认知和预测心脏性猝死具有十分重要的临床意义。重庆大学叶昌荣[26]从多源传感器决策级信息融合角度出发，提出一种基于信任函数的 TWA 多通道融合检测方法；探索自适应动态信道评估机制，提出基于证据的多通道融合 TWA 的重量的检测方法；为了构造 TWA 的多通道高阶张量模型，提出一种基于分解和重构的多通道融合估计方法。实验表明，以上方法对短时 TWA 具有更好的动态跟踪能力，有效地提高了 TWA 波形的短时高动态估计性能。重庆大学韩亮等[27]提出了一种结合多路支持向量回归机（v-support vector regression，V-SVR）和时频盲源分离（time-frequency blind source separation，TFBSS）的 FECG 信号去噪方法。利用多路 V-SVR 估计各路腹壁信号中的母体 ECG 信号并将其抑制，从而得到多路含噪声的 FECG 信号的最优估计，再通过 TFBSS 从最优估计中完成噪声的剔除。经过临床心电数据进行对比实验，该算法在可视化和信噪比指标上均优于传统方法。
3.2 信号特征提取
特征提取是将生理信号的特异性特征提取出来，以进行下一步的模式识别。作为智能辅助诊断的关键步骤，如何将由人体采样的生物信号转换为用于机器学习的特征是一个值得研究的问题，常见的方法有将时域特征与统计特征相结合，应用主成分分析以及独立成分分析的特征做基底等[28]。
小波变换是 ECG 等信号分类中提取判别特征的有效工具，Sahoo 等[29]提出了一种改进的基于多分辨率小波变换的 QRS 波复杂特征检测算法，对四种类型的 ECG 信号进行特征提取。其中，QRS 波复合体特征可以通过从离散小波变换（discrete wavelet transformation，DWT）分解小波的总和中获得，检测到的最高值即为是 R 峰；而基于 QRS 波带能量的功率谱，利用剩余的细节系数检测 QRS 波的复杂位置，并根据细节系数与 QRS 波的形态相似性取最优解。该研究选择了三组细节系数总和最大值的 15% 作为阈值提取特征，效果最佳。孙纪光[30]对 ECG 信号形态检测和特征点定位进行了研究，并提出了一种基于数学形态学的算法，其优势在于抑制了高大 T 波、基线漂移和高频噪声带来的影响；同时孙纪光[30]对 QRS 波群起点和终点的定位参数提出了一种新的低通差分方法，该算法在多通道 ECG 信号融合的基础上，对特征参数进行平滑处理，避免了起点和终点差分峰的定位，提高了算法检测异常率和 QRS 复合波的准确性。在心音信号的特征提取上，Gokhale[31]提出了基础特征与附加特征联合的解决方案。基础特征的提取基于心音数据和心动周期状态数据，包括心脏状态的持续时间（S1、S2、收缩期和舒张期）、持续时间的比值以及心脏状态下的平均信号幅度比值等；附加特征是根据心音信号周期状态对心音数据进行分割，得到每个状态下的希尔伯特包络，用希尔伯特包络的最大值和希尔伯特包络下的面积作为信号强度值，同时用希尔伯特包络线上方和最大包络线下方的区域进行量化，获取声音变化的连续参数特征。
3.3 智能决策分析
信号决策分析，是指通过计算机用数学技术方法来研究模式的自动处理和判读，对采集处理后的生理信号进行分类识别，可以判断孕妇目前的生理状况，及时发现异常信息，达到实时监护的目的[32]。
不少国内外学者就信号的决策分析应用已进行了诸多研究，常用算法有特征筛选法、人工神经网络法、模糊分类法以及多示例学习算法等，其中将机器学习中的支持向量机以及 K 近邻聚类算法应用其中是较为普遍的做法[33]。姚成[34]基于连续小波变换的 QRS 波识别算法，将逻辑判断、聚类和模糊聚类（fuzzy c-means，FCM）三类算法结合，提出了对异常 ECG 信号实现准确聚类的算法（logic-clustering-FCM，LCFCM）。该算法对差异性个体具有很好的适应性，通过提取向量波形进行聚类和 FCM 分析，保证了算法的全局性和延展性，兼顾鲁棒性的同时具备良好的性能。以 MIT-BIH 数据库作为样本进行实验，LCFCM 算法对异常心率的识别准确率达到了 93%。由于支持向量机分类器的泛化性能不足，为克服这个问题，南方医科大学查雪帆等[35]将一维深度卷积神经网络应用于 ECG 信号分类，在识别各种疾病和提取最佳形态特征方面有一定的优势；同时查雪帆等[35]提出了一种将迁移学习与二维深度卷积神经网络相结合的方法，用于 ECG 信号识别。首先截取 R 波前后 75 ms 内的 ECG 信号段，将一维 ECG 信号转换成二维灰度图像信号，然后建立基于二维的卷积神经网络，对 ECG 信号进行分类。该方法在 MIT-BIH 心律失常数据库上的准确率达到 98%，在不同信噪比下依旧保持了较高的准确率，鲁棒性良好，且优于二进制、多类分类任务中的现有算法。
在心音信号分析应用中，首都医科大学许莉莉等[36]引入最小二乘支持向量机，提出了更适合心音样本的分类识别算法。每个样本进行小波包 3 层分解，根据帕塞瓦尔定理计算每个样本的能量谱特征，采用多步长搜索，最后运用最小二乘支持向量机算法进行分类识别。经两组临床数据实验对比，分类正确率分别为 94.2% 和 89.6%，并且采用求解线性方程法寻找局部最优解的最小二乘支持向量机能有更快的运算速度。密苏里大学 Nagendra 等[37]提出了基于 CTG 数据的胎儿状态预测方法，不同于以往的工作，他们考虑了所有三种胎儿状态（正常、可疑和病理）。使用支持向量机、随机森林、决策树、逻辑回归四种常用机器学习算法进行对照实验。研究表明，支持向量机和随机森林在预测胎儿状态的准确率均在 96% 以上，同时发现支持向量机对可疑病例的预测效果更佳。
4 发展动向及趋势分析
智能信息处理以其智能化（算法自动化识别）、低成本（无需高昂医疗器械）、安全可靠、全天候等优点，在孕妇远程监护中运用愈发广泛。智能信息处理在孕妇远程监护中主要体现在生理信息的预处理以及模式识别环节，能高效地完成信号的多源采集、分离压缩、特征提取以及识别监测。智能信息处理在孕妇远程监护过程中意义重大，近三十年来无数专家和学者的研究推动了这一领域的不断发展。1985 年清华大学韩可都等[38]提出采用改进时序自适应噪声消除法做 FECG 信号处理，适应了信号的非平稳特性；2007 年 Taralunga 等[39]提出改进的事件同步消除器算法，获得子宫收缩和胎儿运动的信息；近几年，袁野等[40]在小波变换的基础上，提出了将滤除低频噪声的细节信号进行反变换实现信号重构，并利用包含预同步的瞬态独立成分改进算法从重构的信号中分离出高频噪声与 ECG 信号独立成分。
迄今为止，直接重点研究孕妇监护中智能信息处理的公开文献还比较缺乏，但一些文献都或多或少间接讨论了母婴监护中智能信息处理方法的研究与应用。这些研究文献表明了智能信息处理方法在孕妇监护中的重要性，但仍存在一些问题，有待进一步研究解决：
（1）现有特征提取方法的智能化程度不足。目前孕妇生理信号的特征提取以及优选仍需要人工经验进行，特征的好坏很大程度上影响了后期处理的性能，缺乏智能自动化的解决方案。可行的解决思路有：① 扩大特征提取维度，在此基础上运用主成分分析和线性判别分析等降维算法进行特征降维，形成紧致的优良特征子集。② 采用深度学习等自动提取特征方法，但需要结合小样本数据的特点进行综合设计。③ 融合传统特征提取方法和自动特征提取方法，形成综合数据和知识驱动的混合特征提取方法。
（2）现有算法的自学习能力不高。现如今针对性的孕妇智能信息处理的算法仍较少，信号预处理及模式识别的算法性能仍需提升，例如算法本身可以加入自主学习过程，通过识别新的数据集来扩充自己训练集不断迭代，增强算法模型的鲁棒性。可行的解决思路有：① 引入进化计算为代表的优化方法进行离线或在线自优化，动态迭代优化识别模型。② 引入专家系统，将自动推理融入算法当中，提升对特定数据的识别性能。③ 可考虑模糊计算，将人类的模糊推理融入到自学习中。
（3）现有特征学习方法融合程度不够。无论是以往依据专家的经验进行处理，还是时下应用深度学习的自动提取特征对目标函数进行拟合，前者耗费人力成本过多，后者有过拟合的风险，二者皆有不足之处，如何更好地将两者结合互补，将是未来发展的热点之一。可行的解决思路有：① 可考虑决策层融合，并行使用两种特征学习方法，然后将两种算法的决策结果按置信度在决策层中融合。② 可考虑特征层融合，分别通过传统的机器学习和深度学习提取出不同的特征，然后按一定的规则进行特征融合。
（4）信号的高精度同步采集技术欠缺。高精度的信号采样以及在有限的网络资源中低时延的可靠传输是此消彼长的关系，如何取得最佳的平衡是关键。可行的解决思路有：① 通过数据压缩算法，降低数据传输以及同步的压力。② 优化时间触发机制，减小时间误差。
（5）信号的多通道信息以及特征之间的关联利用率不足。往往采集的孕妇生理信号为多级导联，信号各通道间的信息相关度以及信号特征参数间的相互联系都有着很大的研究价值，但目前对这方面信息的利用率相对较低。可行的解决思路有：① 通过多维动态偶极矢量模型的参数优化，将多维的信息充分挖掘。② 通过比较特征参数间的参数差异及其相关性，构建新的特征变量。
此外，以下研究方向有望取得进一步突破：
（1）导联方案的研究。需要均衡完整信息的采集与便携性之间的矛盾，在满足信号分析需求的同时，采用尽可能简单的导联方案，主要包括导联数安排以及电极位置布置等相关解决方案[41]；
（2）对多通道准周期的生理信号进行高纬度多尺度的联合建模，将基于先验信息的确定性模型与深度学习等技术结合，提高微弱信号提取结果的准确性和可靠性；
（3）极低功耗下的体域网无线传输与自组网技术研究，需要综合考虑针对孕妇的体表无线信道特性、满足多导联信号传输的速率及可靠性等诸多问题；
（4）多源异构信息的融合分析、分类与异常检测技术。一方面需要综合利用孕妇 ECG 信号、FECG 信号、心音信号、脉搏等多个生理监测信号作为检测技术的辅助输入，通过融合或专家系统等技术进行综合判决，另一方面则需要基于病理学对数据的异常信息进行智能化检测；
（5）多数异构源信息数据库的搭建。由于生理信号收集较为复杂，对母胎同步采集，母胎病历、胎位记录、围产期不同周数的连续采集、母胎其他异构源信息的采集等有一定的要求，现今国际上尚无较为完善的孕妇生理监测信号数据库，针对信号提取也无统一的算法性能评价标准，因此搭建完善的数据库和建立相应的医用标准将在未来起到非常重要的作用。
5 讨论和总结
孕妇监护中智能信息处理很重要。孕妇监护能尽早发现母胎是否存在意外情况并作预警，对提高胎儿出生质量、降低胎儿死亡率、保障孕妇安全具有重要意义。但相对而言，该领域目前智能化水平较低，需要借助专业仪器以及专业医护人员进行诊断，而孕妇监护智能信息处理在降低成本、节约人力、实时监护等方面很好地解决这一问题，故提升孕妇监护的智能化研究水平迫在眉睫。
孕妇监护中很多环节部分都需要智能信息处理，例如信号前端预处理，采样传输、特征提取以及决策分析。遗憾的是，目前无公开文献报道孕妇监护中智能信息处理方法研究现状，缺乏给相关研究者详细参考资料和方法指引。基于此不足，本文综述了孕妇监护中近年来相关智能信息处理方法的研究现状，包括：信号的智能前端处理、信号的智能压缩传输、信号智能识别与分析等。此外，本文还指出了存在的问题，并给出了未来有望突破的方向和思路，为相关研究者熟悉研究现状、理清研究思路等提供了参考。
本文主要工作有：① 阐述了孕妇监护及相关监护中主要智能信息处理方法与应用研究，分析了其中代表性研究。② 分析了相关方法研究存在的主要问题。③ 提出了未来可能的突破方向，为相关领域研究奠定了基础、提供了参考思路。本文后续工作还将继续积极探索能够更为精确地识别与诊断孕妇生理参数的智能算法，例如通过集成学习来提升信号识别性能、探索多通道孕妇生理信号的高纬度多尺度联合建模、构建更具可穿戴性的绿色智能远程监护体域网，此外还将考虑更兼顾均衡性的导联方案、高精度信号的采集与同步、极低功耗体域网无线传输、针对多参数异构源信息数据库的搭建以及多元异构信息的融合等。
利益冲突声明：本文全体作者均声明不存在利益冲突。
引言
孕妇监护为胎儿窘迫、胎盘早期剥离、早产等意外情况的早期预警、诊断和干预提供了重要的临床信息，对降低围产期胎儿死亡率、避免不良妊娠结局具有重要意义。当前孕妇监护主要分为院内和家庭（院外）两大类应用场景，其中家庭环境检测手段缺乏、准确性及实时性较差，而院内环境对医护专业知识、设备要求较高。现有的检测手段中，羊膜腔穿刺等属于侵入式检测手段，多普勒超声、电子计算机断层扫描则需要接入庞大复杂的医疗器械，均不适用于院外家庭监测环境，而心电图（electrocardiograph，ECG）、胎儿心电图（fetal ECG，FECG）、胎心宫缩图（cardiotocograph，CTG）、心音信号、血压、血氧等生理数据，借助便携医疗辅助设备即可实现全天候的远程监测。其中 FECG 信号是评估胎儿心脏发育情况、避免出生缺陷的重要生理指标；ECG 信号、心音信号可用于评估母体心脏状况，提前发现心律紊乱、心肌缺血等状况；CTG 信号可用于评估子宫收缩以及胎儿心率，避免早产、妊娠意外等；血压、血氧可用于预示缺氧、高血压等状况，这几类监护数据可为医护人员的远程诊断和决策提供重要依据[1-4]。
现阶段我国开放二胎政策，导致孕妇监护需求增加，而与之相应的场地、床位、医护等医疗资源有限，亟需长时间（24 h）、便携式、远程家用孕妇监护系统来解决监护需求缺口。在技术层面上，这就需要通过无线传输的方式实现远程监护数据的自动化采集、存储、智能处理和辅助决策，进一步对孕妇监护方法的智能性、快速搭建、便携性、可穿戴性等方面提出了更高要求。
如图 1 所示，智能体域网的远程孕妇监护技术可通过高精度小型传感器和多个体表电极（V1～V6）集成穿戴在孕妇的上身以及腹部，达到实时且便利地采集母胎生理信号的效果，同时可运用智能信息处理技术对意外情况进行综合预警，达到及时提醒孕妇的目的。另外，还可将采集的各项生理信息远程传输至数据中心进行分析，为医护人员进行远程早期诊断与医疗及时介入提供强有力的数据支撑。
图1
智能体域网的远程孕妇监护系统示意图
Figure1.
Schematic diagram of remote maternal fetal monitoring system in agent domain network
孕妇远程监护智能化日渐成为医疗领域的焦点，如图 2 所示，其主要流程包括母胎信号多源同步采集、信号的智能前端处理、信号智能压缩及传输、信号的智能识别与分析、远程监护异常预警等环节[5]。基于需对大数据进行智能化异常检测与分类的背景和需求，针对当前采集数据存在个体数量多、信号多源、时间长等特点，难以让医生逐一人工监测分析，因此亟需研究孕妇监护的智能处理方法，实现对大批量数据的合理有效利用[6]。其智能主要体现在：① 信号间的协作，包括不同传感器之间的同源信号的协作，以及异构源之间的信号协作，例如多导联波形提取去噪、利用宫缩信号对腹壁信号进行去噪等；② 针对收集到的信号及特征信息进行自动化异常检测与分类。智能化的程度对孕妇远程监护的意外预警和实时监测起着至关重要的作用[7]。
图2
孕妇智能监护流程框图
Figure2.
Flow chart of intelligent monitoring for pregnant women
目前已有许多学者及专家对孕妇远程监护智能化进行了研究，已在信号的压缩传输、FECG 信号分离提取、生理信息采集处理等方面取得了长足的进步，但在多源信号协作分析、采样压缩传输、信号识别处理等诸多方面仍存在一些问题，并且智能处理涉及的各个环节的研究相对分散，研究信息收集较难，缺乏相对完整流程的系统性研究总结。因此，本文对孕妇监护智能处理方法中的预处理、多源信号协同处理、压缩传输及智能分析等方面予以综述，期望对相关读者有所帮助。
1 信号的智能前端处理
1.1 高精度的信号同步采集
高精度的信号同步采集是信号处理的前提，特别是针对无线传感器网络环境，时钟同步的节点分布、同步精度，都是体域网设计的关键。此外，由于体域网系统在人体周围工作，受人体遮挡、运动以及外界环境等因素的影响，信号在复杂的电磁环境中的同步与采集也会受到干扰。
在无线传感器网络中，根据全球定位系统（global positioning system，GPS）授时原理，中北大学张九宾等[8]提出用 GPS 秒脉冲触发同步控制系统，并广播同步触发信号。每个传感器节点接收同步触发信号，用于时钟的同步触发、时钟校准和测试事件触发器的同步采集。经验证，传感器节点间事件同步触发误差约 1 μs，并具有较高的可靠性。安徽工程大学 Chen 等[9]在相对广播同步算法的基础上，提出了一种改进算法，采用广播群和最小二乘线性回归的方法实现了整个网络的时间同步。对比其他算法，该算法具有一定的优越性，适用于低负载的网络；同时针对无线传感器网络多跳、低功耗的特点，Chen 等[9]在时间同步算法中引入一种可变周期同步方法，根据拜厄斯最大后验估计原理，可估计最大相位偏移量来确定同步周期，减少了节点同步数；另外根据最小二乘线性回归方法，周期性地拟合时钟偏移量，可以显著提升同步精度并降低能耗。
1.2 多通道信号处理
信号多通道处理是信号分离提取面临的重要问题，由于 ECG 等生理信号本身是一个多源多维的非点源信号，在蕴含了丰富信息的同时，也对多通道信号的处理提出了较高的要求。哈尔滨工业大学鲍文静[10]基于最小二乘梯度下降算法的三维动态偶极子矢量模型，研究了模型参数优化问题。采用 R 波检测、特征参数提取、心搏分割等方法初始化偶极子向量模型，引入均方误差评估模型的准确性，通过无创输出多通道的母胎混合 ECG 模拟信号，在极坐标系下基于五阶高斯核函数模型对其进行线性化，通过建立状态方程及观测方程进行信号的多通道解析。谢里夫技术大学 Sameni 等[11]提出了 ECG 信号的三维动态模型，该模型建立在心脏单偶极子模型的基础上，通过线性模型与体表电位相关联。该线性模型考虑了心脏偶极子的时间运动和旋转，并引入真实的 ECG 信号噪声模型，适用于单胎或多胎孕妇腹部记录的母胎混合 ECG 信号，也可作为模拟分析成人及胎儿多通道信号的有效途径。
1.3 生理信号提取
信号提取是将目标信号从传感器采集的混合信号中分离出来，目标信号的采集过程往往伴随着噪声的引入，使得医疗诊断更加困难。临床上常用穿刺提取或通过超声探测等方式获取孕妇的生理信息，前者具有探测结果准确的优点，但有一定的临床风险（创口感染等），后者是主动式探测，探测获得的信息有限，对胎儿会造成一定影响，并且上述方法对专业知识有一定要求，不适用于院外环境的检测[12-13]。基于此，目前亟需对生理信号智能提取方法进行改进研究，使其具有非侵入、被动式、可长时间检测等优点，同时克服目标信号较弱、受电极和噪声影响严重等缺点。
杭州电子科技大学徐雯[14]基于混沌优化和多导联 FECG 信号提取算法，设计了一种新的改进算法，通过建立 ECG 信号的动态模型和 FECG 信号与母体 ECG 信号相关联的动态模型，并采用并行边缘粒子滤波算法对两者进行实时跟踪，最终提取到了高质量的 FECG 信号。由于在体域网环境中资源有限，随机噪声较多，因此对采集信号的去噪方法提出了更高的要求[15]。上海理工大学刘牮等[16]提出了一种结合双树复小波变换和滑动平均滤波器的 ECG 信号去噪方法。该研究利用麻省理工学院与贝斯以色列医院（Massachusetts Institute of Technology and Beth Israel Hospital，MIT-BIH）数据库中的数据进行验证，并与其他去噪方法进行了对比。实验结果表明，该综合去噪算法能克服传统平移的灵敏度缺陷，同时能有效地去除 ECG 信号中的基线漂移和高频噪声，在保留信号纹理和边界的同时提高了平滑度。陆尧胜等[17]公开了一种胎心率基线自动识别算法。该算法首先对胎心率信号进行采集，然后进行曲线优化处理、特征提取，并利用聚类分析将提取的特征点聚类为两个特征部分，根据区分条件将特征部分区分为基线部分和非基线部分，最后对识别出的基线部分进行平滑滤波，结合胎动信息，最终获取到胎心率基线数据。
2 信号的智能压缩传输
2.1 数据压缩
数据压缩旨在压缩减少生理信号的数据大小，降低传输功耗以及时延，对于提高孕妇监护的安全性意义重大[18]。南昌大学彭向东等[19]提出一种基于块稀疏贝叶斯学习的体域网 ECG 信号压缩采样方法，该方法在体域网的框架下，利用传感器节点处的二元随机观测矩阵对 ECG 信号进行压缩和采样。远程监护中心获取采样值后，利用块稀疏贝叶斯学习重建算法和离散余弦稀疏变换矩阵对 ECG 信号进行重构。该方法可以有效地减少数据采集量，降低后续数据存储和传输的压力，提高体域网的实时性能。
在传感器网络中，数据采集监测是实时且多源的，鉴于微型传感器节点供电容量有限，如何将数据高效地进行压缩以及协同调度处理均是难点[20]。浙江大学吴连涛[21]利用无线传感器网络信号的稀疏特性，将传输过程中的数据丢失模拟为随机压缩采样，通过对接收到的数据进行重构，可将接收信号恢复为原始的稀疏信号。
压缩感知技术是一种新兴的能以远低于奈奎斯特采样频率采集数据的方式，且较传统方法更易实现数据压缩。上海交通大学李宏[22]改进了一种动态调度算法，在传感器节点利用压缩感知来降低采集信号的维数。该算法减少了占空比的睡眠调度并有效利用信道时变的随机传输，通过加权因子来衡量系统的最优能耗和平均拥塞度，使得系统能耗无限接近于全局最优解，同时还能保证系统的稳定性。
2.2 数据传输
数据传输是指将经过预处理后生理信号数据传输至云端进行下一步处理的过程，体域网传输重点在于：① 安全性，这些数据都是包含生理信息的重要数据，保证其安全性是首先需要考虑的问题；② 连通性，考虑到传输过程中复杂的组网环境，保证传感器节点在诸多限制下能够保持始终在网，是孕妇体域网的关键问题之一；③ 低能耗，使用更低的能耗传输更多的数据是高效传输的关键，因此需要对体域网信道进行有效建模。
通过体域网采集的母胎生理信号数据，需要传输到远程数据中心进行处理，由于是通过多个传感器多源采集孕妇生理信号，数据传输过程是否满足绿色智能、低功耗、可靠性高就显得尤为重要[23]。Wu 等[24]提出了一种基于可调占空比的传输延迟最小化方案。在该方案中，在热点区域中使用较高的占空比以实现低时延，而在非热点区域中使用较低的占空比以降低功耗。该方法可以充分利用边缘节点的剩余能量来动态调整其占空比，减少数据传输的排队延迟，并为网络中每个节点选择接近最优的路径网络，从而实现最小的平均端到端延迟。经验证，该方案可在保持网络寿命的同时将端到端数据传输延迟减少 10.25%～26.37%，并将能源利用率提高 25% 以上，网络寿命提高了约 30%。浙江大学郄有田等[25]提出了一种分级压缩感知编解码算法，该算法根据相同或不同字典的稀疏性对原始信号进行分解，利用伯努利观测矩阵对分解后的信号进行压缩编码，并在压缩过程中生成字典掩码。终端根据编码信息、稀疏字典和字典掩码逐步恢复数据。与传统的编码和压缩技术相比，该方法具有更强的鲁棒性和对丢包的不敏感性，节省了网络的传输带宽，提高了数据获取的实时性。
3 信号的智能处理与分析
3.1 多源异构融合
在孕妇远程监护的场景下，存在着多个信号源同步采集的情况，如何有效地把多源信号的优势利用起来，包括不同传感器之间的同源信号的协作以及异构信号源间的信号协作，实现智能多源异构信号融合分析，是实现孕妇智能监护的难点之一。
体表心电图 T 波交替（T-wave alternans，TWA）对认知和预测心脏性猝死具有十分重要的临床意义。重庆大学叶昌荣[26]从多源传感器决策级信息融合角度出发，提出一种基于信任函数的 TWA 多通道融合检测方法；探索自适应动态信道评估机制，提出基于证据的多通道融合 TWA 的重量的检测方法；为了构造 TWA 的多通道高阶张量模型，提出一种基于分解和重构的多通道融合估计方法。实验表明，以上方法对短时 TWA 具有更好的动态跟踪能力，有效地提高了 TWA 波形的短时高动态估计性能。重庆大学韩亮等[27]提出了一种结合多路支持向量回归机（v-support vector regression，V-SVR）和时频盲源分离（time-frequency blind source separation，TFBSS）的 FECG 信号去噪方法。利用多路 V-SVR 估计各路腹壁信号中的母体 ECG 信号并将其抑制，从而得到多路含噪声的 FECG 信号的最优估计，再通过 TFBSS 从最优估计中完成噪声的剔除。经过临床心电数据进行对比实验，该算法在可视化和信噪比指标上均优于传统方法。
3.2 信号特征提取
特征提取是将生理信号的特异性特征提取出来，以进行下一步的模式识别。作为智能辅助诊断的关键步骤，如何将由人体采样的生物信号转换为用于机器学习的特征是一个值得研究的问题，常见的方法有将时域特征与统计特征相结合，应用主成分分析以及独立成分分析的特征做基底等[28]。
小波变换是 ECG 等信号分类中提取判别特征的有效工具，Sahoo 等[29]提出了一种改进的基于多分辨率小波变换的 QRS 波复杂特征检测算法，对四种类型的 ECG 信号进行特征提取。其中，QRS 波复合体特征可以通过从离散小波变换（discrete wavelet transformation，DWT）分解小波的总和中获得，检测到的最高值即为是 R 峰；而基于 QRS 波带能量的功率谱，利用剩余的细节系数检测 QRS 波的复杂位置，并根据细节系数与 QRS 波的形态相似性取最优解。该研究选择了三组细节系数总和最大值的 15% 作为阈值提取特征，效果最佳。孙纪光[30]对 ECG 信号形态检测和特征点定位进行了研究，并提出了一种基于数学形态学的算法，其优势在于抑制了高大 T 波、基线漂移和高频噪声带来的影响；同时孙纪光[30]对 QRS 波群起点和终点的定位参数提出了一种新的低通差分方法，该算法在多通道 ECG 信号融合的基础上，对特征参数进行平滑处理，避免了起点和终点差分峰的定位，提高了算法检测异常率和 QRS 复合波的准确性。在心音信号的特征提取上，Gokhale[31]提出了基础特征与附加特征联合的解决方案。基础特征的提取基于心音数据和心动周期状态数据，包括心脏状态的持续时间（S1、S2、收缩期和舒张期）、持续时间的比值以及心脏状态下的平均信号幅度比值等；附加特征是根据心音信号周期状态对心音数据进行分割，得到每个状态下的希尔伯特包络，用希尔伯特包络的最大值和希尔伯特包络下的面积作为信号强度值，同时用希尔伯特包络线上方和最大包络线下方的区域进行量化，获取声音变化的连续参数特征。
3.3 智能决策分析
信号决策分析，是指通过计算机用数学技术方法来研究模式的自动处理和判读，对采集处理后的生理信号进行分类识别，可以判断孕妇目前的生理状况，及时发现异常信息，达到实时监护的目的[32]。
不少国内外学者就信号的决策分析应用已进行了诸多研究，常用算法有特征筛选法、人工神经网络法、模糊分类法以及多示例学习算法等，其中将机器学习中的支持向量机以及 K 近邻聚类算法应用其中是较为普遍的做法[33]。姚成[34]基于连续小波变换的 QRS 波识别算法，将逻辑判断、聚类和模糊聚类（fuzzy c-means，FCM）三类算法结合，提出了对异常 ECG 信号实现准确聚类的算法（logic-clustering-FCM，LCFCM）。该算法对差异性个体具有很好的适应性，通过提取向量波形进行聚类和 FCM 分析，保证了算法的全局性和延展性，兼顾鲁棒性的同时具备良好的性能。以 MIT-BIH 数据库作为样本进行实验，LCFCM 算法对异常心率的识别准确率达到了 93%。由于支持向量机分类器的泛化性能不足，为克服这个问题，南方医科大学查雪帆等[35]将一维深度卷积神经网络应用于 ECG 信号分类，在识别各种疾病和提取最佳形态特征方面有一定的优势；同时查雪帆等[35]提出了一种将迁移学习与二维深度卷积神经网络相结合的方法，用于 ECG 信号识别。首先截取 R 波前后 75 ms 内的 ECG 信号段，将一维 ECG 信号转换成二维灰度图像信号，然后建立基于二维的卷积神经网络，对 ECG 信号进行分类。该方法在 MIT-BIH 心律失常数据库上的准确率达到 98%，在不同信噪比下依旧保持了较高的准确率，鲁棒性良好，且优于二进制、多类分类任务中的现有算法。
在心音信号分析应用中，首都医科大学许莉莉等[36]引入最小二乘支持向量机，提出了更适合心音样本的分类识别算法。每个样本进行小波包 3 层分解，根据帕塞瓦尔定理计算每个样本的能量谱特征，采用多步长搜索，最后运用最小二乘支持向量机算法进行分类识别。经两组临床数据实验对比，分类正确率分别为 94.2% 和 89.6%，并且采用求解线性方程法寻找局部最优解的最小二乘支持向量机能有更快的运算速度。密苏里大学 Nagendra 等[37]提出了基于 CTG 数据的胎儿状态预测方法，不同于以往的工作，他们考虑了所有三种胎儿状态（正常、可疑和病理）。使用支持向量机、随机森林、决策树、逻辑回归四种常用机器学习算法进行对照实验。研究表明，支持向量机和随机森林在预测胎儿状态的准确率均在 96% 以上，同时发现支持向量机对可疑病例的预测效果更佳。
4 发展动向及趋势分析
智能信息处理以其智能化（算法自动化识别）、低成本（无需高昂医疗器械）、安全可靠、全天候等优点，在孕妇远程监护中运用愈发广泛。智能信息处理在孕妇远程监护中主要体现在生理信息的预处理以及模式识别环节，能高效地完成信号的多源采集、分离压缩、特征提取以及识别监测。智能信息处理在孕妇远程监护过程中意义重大，近三十年来无数专家和学者的研究推动了这一领域的不断发展。1985 年清华大学韩可都等[38]提出采用改进时序自适应噪声消除法做 FECG 信号处理，适应了信号的非平稳特性；2007 年 Taralunga 等[39]提出改进的事件同步消除器算法，获得子宫收缩和胎儿运动的信息；近几年，袁野等[40]在小波变换的基础上，提出了将滤除低频噪声的细节信号进行反变换实现信号重构，并利用包含预同步的瞬态独立成分改进算法从重构的信号中分离出高频噪声与 ECG 信号独立成分。
迄今为止，直接重点研究孕妇监护中智能信息处理的公开文献还比较缺乏，但一些文献都或多或少间接讨论了母婴监护中智能信息处理方法的研究与应用。这些研究文献表明了智能信息处理方法在孕妇监护中的重要性，但仍存在一些问题，有待进一步研究解决：
（1）现有特征提取方法的智能化程度不足。目前孕妇生理信号的特征提取以及优选仍需要人工经验进行，特征的好坏很大程度上影响了后期处理的性能，缺乏智能自动化的解决方案。可行的解决思路有：① 扩大特征提取维度，在此基础上运用主成分分析和线性判别分析等降维算法进行特征降维，形成紧致的优良特征子集。② 采用深度学习等自动提取特征方法，但需要结合小样本数据的特点进行综合设计。③ 融合传统特征提取方法和自动特征提取方法，形成综合数据和知识驱动的混合特征提取方法。
（2）现有算法的自学习能力不高。现如今针对性的孕妇智能信息处理的算法仍较少，信号预处理及模式识别的算法性能仍需提升，例如算法本身可以加入自主学习过程，通过识别新的数据集来扩充自己训练集不断迭代，增强算法模型的鲁棒性。可行的解决思路有：① 引入进化计算为代表的优化方法进行离线或在线自优化，动态迭代优化识别模型。② 引入专家系统，将自动推理融入算法当中，提升对特定数据的识别性能。③ 可考虑模糊计算，将人类的模糊推理融入到自学习中。
（3）现有特征学习方法融合程度不够。无论是以往依据专家的经验进行处理，还是时下应用深度学习的自动提取特征对目标函数进行拟合，前者耗费人力成本过多，后者有过拟合的风险，二者皆有不足之处，如何更好地将两者结合互补，将是未来发展的热点之一。可行的解决思路有：① 可考虑决策层融合，并行使用两种特征学习方法，然后将两种算法的决策结果按置信度在决策层中融合。② 可考虑特征层融合，分别通过传统的机器学习和深度学习提取出不同的特征，然后按一定的规则进行特征融合。
（4）信号的高精度同步采集技术欠缺。高精度的信号采样以及在有限的网络资源中低时延的可靠传输是此消彼长的关系，如何取得最佳的平衡是关键。可行的解决思路有：① 通过数据压缩算法，降低数据传输以及同步的压力。② 优化时间触发机制，减小时间误差。
（5）信号的多通道信息以及特征之间的关联利用率不足。往往采集的孕妇生理信号为多级导联，信号各通道间的信息相关度以及信号特征参数间的相互联系都有着很大的研究价值，但目前对这方面信息的利用率相对较低。可行的解决思路有：① 通过多维动态偶极矢量模型的参数优化，将多维的信息充分挖掘。② 通过比较特征参数间的参数差异及其相关性，构建新的特征变量。
此外，以下研究方向有望取得进一步突破：
（1）导联方案的研究。需要均衡完整信息的采集与便携性之间的矛盾，在满足信号分析需求的同时，采用尽可能简单的导联方案，主要包括导联数安排以及电极位置布置等相关解决方案[41]；
（2）对多通道准周期的生理信号进行高纬度多尺度的联合建模，将基于先验信息的确定性模型与深度学习等技术结合，提高微弱信号提取结果的准确性和可靠性；
（3）极低功耗下的体域网无线传输与自组网技术研究，需要综合考虑针对孕妇的体表无线信道特性、满足多导联信号传输的速率及可靠性等诸多问题；
（4）多源异构信息的融合分析、分类与异常检测技术。一方面需要综合利用孕妇 ECG 信号、FECG 信号、心音信号、脉搏等多个生理监测信号作为检测技术的辅助输入，通过融合或专家系统等技术进行综合判决，另一方面则需要基于病理学对数据的异常信息进行智能化检测；
（5）多数异构源信息数据库的搭建。由于生理信号收集较为复杂，对母胎同步采集，母胎病历、胎位记录、围产期不同周数的连续采集、母胎其他异构源信息的采集等有一定的要求，现今国际上尚无较为完善的孕妇生理监测信号数据库，针对信号提取也无统一的算法性能评价标准，因此搭建完善的数据库和建立相应的医用标准将在未来起到非常重要的作用。
5 讨论和总结
孕妇监护中智能信息处理很重要。孕妇监护能尽早发现母胎是否存在意外情况并作预警，对提高胎儿出生质量、降低胎儿死亡率、保障孕妇安全具有重要意义。但相对而言，该领域目前智能化水平较低，需要借助专业仪器以及专业医护人员进行诊断，而孕妇监护智能信息处理在降低成本、节约人力、实时监护等方面很好地解决这一问题，故提升孕妇监护的智能化研究水平迫在眉睫。
孕妇监护中很多环节部分都需要智能信息处理，例如信号前端预处理，采样传输、特征提取以及决策分析。遗憾的是，目前无公开文献报道孕妇监护中智能信息处理方法研究现状，缺乏给相关研究者详细参考资料和方法指引。基于此不足，本文综述了孕妇监护中近年来相关智能信息处理方法的研究现状，包括：信号的智能前端处理、信号的智能压缩传输、信号智能识别与分析等。此外，本文还指出了存在的问题，并给出了未来有望突破的方向和思路，为相关研究者熟悉研究现状、理清研究思路等提供了参考。
本文主要工作有：① 阐述了孕妇监护及相关监护中主要智能信息处理方法与应用研究，分析了其中代表性研究。② 分析了相关方法研究存在的主要问题。③ 提出了未来可能的突破方向，为相关领域研究奠定了基础、提供了参考思路。本文后续工作还将继续积极探索能够更为精确地识别与诊断孕妇生理参数的智能算法，例如通过集成学习来提升信号识别性能、探索多通道孕妇生理信号的高纬度多尺度联合建模、构建更具可穿戴性的绿色智能远程监护体域网，此外还将考虑更兼顾均衡性的导联方案、高精度信号的采集与同步、极低功耗体域网无线传输、针对多参数异构源信息数据库的搭建以及多元异构信息的融合等。
利益冲突声明：本文全体作者均声明不存在利益冲突。
