应用统计分析和机器学习来识别婴儿的异常哺乳行为

科学领域:

• 生物医学工程 生物医学工程
• 婴儿健康 婴儿健康
• 计算生物学 计算生物学

背景情况:

• 哺乳提供了显著的健康益处,但通常会过早停止.
• 目前的婴儿查缺乏对哺乳异常的客观措施.
• 早期发现哺乳问题对于成功母乳养至关重要.

研究的目的:

• 开发和验证一种用于识别婴儿异常哺乳行为的计算方法.
• 建立非营养性哺乳参数的规范性数据.
• 评估机器学习在早期查母乳养并发症中的有用性.

主要方法:

• 在91名健康婴儿身上使用非营养哺乳真空测量系统.
• 记录了60秒的非营养哺乳,以收集数据.
• 应用Mahalanobis距离和K-最近邻居 (KNN) 算法来检测异常.

主要成果:

• 关于哺乳关键参数 (真空,频率,持续时间等) 的既定规范数据. ) 的情况.
• 通过使用统计分析和机器学习,证明了检测异常哺乳行为的能力.
• 案例研究表明,无乳化对哺乳模式的影响.

结论:

• 统计分析和机器学习提供了可行的,婴儿哺乳测量的快速解释.
• 这种数字吸评估提供了一个客观的,早期查方法,用于发现婴儿吸异常.
• 这种方法对于识别患母乳养并发症风险的婴儿至关重要.