通过离散排放多变量隐藏的马尔科夫模型在心脏图解学追踪中识别胎儿状态
Edoardo Spairani1, Giulio Steyde2, Salvatore Tagliaferri3
1Department of Electrical, Computer and Biomedical Engineering, University of Pavia, Pavia, Italy; Department of Electronics, Information and Bioengineering (DEIB), Politecnico di Milano, Milano, Italy.
Computer methods and programs in biomedicine
|August 2, 2023
概括
这项研究引入了一个无监督的隐藏马尔科夫模型 (HMM),以准确识别心脏图谱 (cCTG) 信号中的胎儿活动和安静状态. 该方法与专家注释达成90%的一致性,增强了对胎儿福祉的客观评估.
科学领域:
- 产科和妇科 产科和妇科
- 生物医学工程 生物医学工程
- 计算生物学 计算生物学
背景情况:
- 计算机心脏图谱 (cCTG) 分析胎儿心率 (FHR) 以了解胎儿状况.
- 对胎儿行为状态 (活动/安静) 的自动识别对于解释FHR至关重要.
- 这些状态的变化与常见的妊娠病理有关.
研究的目的:
- 开发一种无监督的方法,在CTG信号中对胎儿状态进行聚类.
- 提高FHR定量分析的解释性和诊断能力.
- 通过分析静静和活跃状态之间的交替来客观地评估胎儿状况.
主要方法:
- 使用多变量隐藏马尔科夫模型 (HMM) 与离散的排放无监督胎儿状态集群.
- 应用了滑窗方法来从CTG痕迹中提取特征.
- 在没有监督的情况下训练HMM自动将FHR信号分成"安静"和"活跃"状态.
主要成果:
- HMM模型在识别胎儿静静和活动状态方面表现出高可靠性.
- 在35个CTG信号上,与专家妇科医生注释达成90%的总体一致.
- 在与临床医生的解释进行比较时,该模型的预测被蒙蔽了.
结论:
- 提出的HMM方法可靠地识别胎儿行为状态,对于胎儿发育至关重要.
- 由于可解释的参数和无监督学习,该方法提供了高可解释性.
- 模型的自主集群识别提供了客观的评估,并有可能集成到cCTG系统中.
