Jove
Visualize
お問い合わせ

関連する実験動画

Updated: Jan 8, 2026

Author Spotlight: Advancing Labor Management Through Electromyometrial Imaging for Understanding Uterine Contractions
08:07

Author Spotlight: Advancing Labor Management Through Electromyometrial Imaging for Understanding Uterine Contractions

Published on: May 26, 2023

1.7K

Multi-DNBiTM：マルチヘッドアテンション対応ディープラーニングフレームワークを用いた子宮収縮電気信号からの早産予測

Puja Cholke1, Umar M Mulani2, Ashutosh Madhukar Kulkarni3

  • 1Department of Information Technology Vishwakarma Institute of Technology, Bibwewadi, Pune, Maharashtra, India.

Computer methods in biomechanics and biomedical engineering
|December 24, 2025
PubMed
まとめ

関連する概念動画

こちらも読む

関連記事

共著者、ジャーナル、引用グラフによってこの研究に関連する記事。

並び替え
Same author

MedIntelliCare: neurodynamic-inspired AI for medical decision support by integrating retrieval-augmented generation with multimodal cognitive processing.

Cognitive neurodynamics·2026
Same author

C2DGCN: cross-connected distributive learning-enabled graph convolutional network for human emotion recognition using electroencephalography signal.

Cognitive neurodynamics·2025
関連記事をすべて見る
JoVE
x logofacebook logolinkedin logoyoutube logo
JoVEについて
概要リーダーシップブログJoVEヘルプセンター
著者向け
出版プロセス編集委員会範囲と方針査読よくある質問投稿
図書館員向け
推薦の声購読アクセスリソース図書館諮問委員会よくある質問
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experimentsアーカイブ
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教員リソースセンター教員サイト
利用規約
プライバシーポリシー
ポリシー

早産の正確な予測は、新生児の生存にとって不可欠です。子宮収縮電気信号（EHG）を用いた新しいディープラーニングモデルmulti-DNBiTMは、早産収縮の予測精度を大幅に向上させます。

科学分野:

  • 生物医学工学
  • ヘルスケアにおける人工知能
  • 信号処理

背景:

  • 早産の適時予測は、新生児の転帰と母体ケアにとってcriticalです。
  • 子宮収縮電気信号（EHG）を用いた従来の早産予測方法は、感度と堅牢性の低さなどの限界に悩まされています。
  • EHG信号は、子宮収縮の分析に高い感度を提供し、早産検出のための有望なアプローチを提示します。

研究 の 目的:

  • 正確な早産予測のための新しいディープラーニングフレームワークmulti-DNBiTMを開発および検証すること。
  • 既存の早産予測方法の限界を克服すること。
  • 予測を改善するために、子宮収縮の微妙な変化の分析を強化すること。

主な方法:

  • 双方向長短期記憶（multi-DNBiTM）を備えたマルチヘッドアテンション対応分散ニューラルネットワークの実装。
  • 周波数サブバンドと軽微な収縮の詳細な分析のためのルート平均エネルギーエントロピー深部特徴量（RMEn2D）の利用。
  • さまざまな粒度で信号を分析することにより、予測精度を向上させるためのマルチレベルトレーニングの適用。

主要な成果:

  • multi-DNBiTMモデルは、精度96.93％、感度98.45％、特異度98.19％という高いパフォーマンス指標を達成しました。
キーワード:
ディープラーニング子宮収縮電気信号マルチレベルトレーニング早産予測時間周波数解析

さらに関連する動画

Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention
06:37

Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention

Published on: December 15, 2023

5.2K
Preterm EEG: A Multimodal Neurophysiological Protocol
19:32

Preterm EEG: A Multimodal Neurophysiological Protocol

Published on: February 18, 2012

28.9K

関連する実験動画

Last Updated: Jan 8, 2026

Author Spotlight: Advancing Labor Management Through Electromyometrial Imaging for Understanding Uterine Contractions
08:07

Author Spotlight: Advancing Labor Management Through Electromyometrial Imaging for Understanding Uterine Contractions

Published on: May 26, 2023

1.7K
Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention
06:37

Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention

Published on: December 15, 2023

5.2K
Preterm EEG: A Multimodal Neurophysiological Protocol
19:32

Preterm EEG: A Multimodal Neurophysiological Protocol

Published on: February 18, 2012

28.9K
  • 早産予測における既存のアプローチと比較して、優れた結果を示しました。
  • マルチヘッドアテンションとマルチレベルトレーニングを通じて、EHG信号の固有のパターンと詳細な詳細を効果的に捉えました。

    • 結論:

    • 提案されたmulti-DNBiTMフレームワークは、EHG信号を用いた早産予測のための堅牢で高感度なソリューションを提供します。
    • RMEn2D特徴量とマルチヘッドアテンションメカニズムは、モデルの予測能力の向上に貢献します。
    • この高度なディープラーニングアプローチは、早産と新生児ケアの臨床管理を改善する大きな可能性を秘めています。