探索随机森林机器学习用于使用腹部加速和角速率数据检测胎儿运动

科学领域:

• 生物医学工程 生物医学工程
• 孕产妇和胎儿医学 孕产妇和胎儿医学
• 信号处理 信号处理

背景情况:

• 减少胎儿运动是潜在的不良围产期结果的关键指标.
• 改善胎儿运动监测对于改善临床决策至关重要.
• 可穿戴传感器和机器学习 (ML) 为准确的胎儿运动检测提供了有希望的途径.

研究的目的:

• 训练和验证用于胎儿运动检测的ML模型.
• 为了探索角度速率数据的实用性,除了加速,用于ML模型训练.
• 使用加速特征,角率特征和组合特征来比较ML模型的性能.

主要方法:

• 十名怀孕的参与者被纳入研究.
• 使用了四个腹部惯性测量单元 (IMU) 和一个胸部参考传感器.
• 三个随机森林分类器使用加速,角率和组合特征集进行了训练.

主要成果:

• 所有经过训练的ML模型都表现出良好的分类性能,接收器操作特征曲线 (AUROC) 下的面积从0.70到0.77.
• 与使用单个特征集的模型相比,结合加速和角度率特征的模型表现出更高的正预测值 (PPV).
• 这表明,组合的功能集具有用于胎儿运动检测的增强的辨别能力.

结论:

• 在可穿戴传感器数据上训练的ML模型可以有效地检测胎儿运动.
• 将角速率数据与加速数据相结合,提高了胎儿运动检测的准确性和可靠性.
• 这种方法有可能促进胎儿健康监测和临床决策支持.