FHRFormer: 태아 심박수 (FHR) 시계열 인페인팅 (Inpainting) 및 예측을 위한 자기지도 학습 기반 마스크 트랜스포머

신생아의 약 10%는 출생 시 호흡을 시작하기 위해 도움이 필요하며, 약 5%는 환기 지원 (ventilation support)이 필요합니다. 태아 심박수 (Fetal heart rate, FHR) 모니터링은 산전 관리 중 태아의 안녕을 평가하는 데 중요한 역할을 하며, 비정상적인 패턴을 감지하고 분만 중 태아의 위험을 완화하기 위한 적시의 산과적 개입을 지원할 수 있게 합니다. 다양한 결과를 가진 연속적인 FHR 모니터링 에피소드의 대규모 데이터셋을 분석하기 위해 인공지능 (AI) 방법을 적용하는 것은 호흡 지원이나 개입이 필요한 위험을 예측하는 데 있어 새로운 통찰력을 제공할 수 있습니다. 최근 웨어러블 FHR 모니터의 발전으로 산모의 이동성을 저해하지 않으면서도 연속적인 태아 모니터링이 가능해졌습니다. 그러나 산모의 움직임 중 발생하는 센서 변위와 태아 또는 산모의 자세 변화는 종종 신호 탈락 (signal dropout)을 유발하여 기록된 FHR 데이터에 공백을 발생시킵니다. 이러한 결측 데이터는 의미 있는 통찰력을 추출하는 것을 제한하고 자동화된 (AI 기반) 분석을 복잡하게 만듭니다. 단순 보간 (interpolation) 기술과 같은 결측 데이터를 처리하는 전통적인 접근 방식은 신호의 스펙트럼 특성을 보존하는 데 종종 실패합니다. 본 논문에서는 데이터의 국소적 시간 (temporal) 및 주파수 (frequency) 성분을 모두 포착함으로써 누락된 FHR 신호를 재구성하는 마스크 트랜스포머 (masked transformer) 기반의 오토인코더 (autoencoder) 접근 방식을 제안합니다. 제안된 방법은 결측 데이터의 다양한 지속 시간 전반에 걸쳐 강건성 (robustness)을 입증하며, 신호 인페인팅 (inpainting) 및 예측 (forecasting)에 사용될 수 있습니다. 제안된 접근 방식은 연구 데이터셋에 소급적으로 적용되어 AI 기반 위험 알고리즘의 개발을 지원할 수 있습니다. 향후 제안된 방법은 웨어러블 FHR 모니터링 장치에 통합되어 더 빠르고 강력한 위험 감지를 달성할 수 있을 것입니다.