论文部分内容阅读
宫缩能够促使胎儿排出母体,而且伴随宫颈扩张和缩短的规律宫缩是分娩临近的重要标志。随着分娩的临近,宫缩会越来越频繁和规律。在37周以前的分娩被称为早产,而宫缩状况和宫颈长度是现在临床上诊断早产的重要依据。2010年全球早产率大约为10%,而且早产已经成为导致五岁以下儿童死亡的第二大原因,仅次于肺炎。所以对宫缩进行有效监测对孕妇和胎儿的健康具有十分重要的意义。本课题的研究内容包括,研究宫缩和非宫缩段子宫肌电(Electrohysterogram,EHG)信号的特征提取方法,主要包括时域特征,频域特征和非线性特征,并使用曼-惠特尼U检验对宫缩和非宫缩EHG信号特征的差异进行显著性分析。其次,采用传统机器学习算法:支持向量机(Support Vector Machine,SVM),决策树(Decision Tree,DT)和人工神经网络(Artificial Neural Network,ANN)及深度学习算法中的一维卷积神经网络(1-Dimension Convolutional Neural Networks,1-D CNN)对宫缩和非宫缩段EHG信号进行识别,比较不同特征在不同分类器中的表现,并且对识别宫缩和非宫缩段的EHG信号特征的能力进行排序。用灵敏度(sensitivity),特异度(specificity),正确预测率(PPV),错误预测率(NPV)和准确率(accuracy)等参数对分类器的性能进行评价。研究表明:宫缩段EHG的均方根(RMS),标准差(STD),绝对均值(MAV),平方和(SI),差分标准差(DAS),平均幅度变化(AAC),峰值频率(PF),能量(energy)和时间可逆性(TR)明显高于非宫缩段EHG(p<0.05);宫缩段的中值频率(MF),样本熵(SamEn)要明显低于非宫缩段(p<0.05)。而李雅普诺夫指数(LE)和LOG监测器(LOG)在宫缩和非宫缩段间不存在显著性差异(p>0.05)。各种分类器的分类结果如下:对于SVM,用通道1的全部特征训练SVM得到最好的识别效果即,AUC=0.79,sensitivity=0.88,PPV=0.77,NPV=0.86,accuracy=0.81;对于DT,用全部通道的全部特征训练DT得到最好的识别效果,即 AUC=0.81,sensitivity=0.80,specificity=0.80,PPV=0.80,NPV=0.80,accuracy=0.80;对于ANN,用通道1的非线性特征训练ANN得到最好的识别效果,即 AUC=0.79,sensitivity=0.91,specificity=0.69,PPV=0.75,NPV=0.89,accuracy=0.80;CNN 的表现为 AUC=0.73,sensitivity=0.68,specificity=0.83,PPV=0.88,NPV=0.58。所以本研究中识别宫缩和非宫缩段EHG效果最好的是DT。本课题研究了宫缩和非宫缩状态下EHG特征的特点,设计的分类器可以对宫缩和非宫缩段EHG进行有效识别,提出了一种较准确的识别宫缩的方法,为医生诊断早产和其他异常状况提供更多依据。