经验模式分解和Hjorth参数的组合,用于预测使用电动歇斯底里图信号的早产
概括
预测早产是非常重要的. 从电动歇斯底里图 (EHG) 信号中提取的Hjorth参数,特别是复杂性,在识别早产时显示出高准确度 (85%),有助于新生儿的生存.
科学领域:
- 生物医学工程 生物医学工程
- 信号处理 信号处理
- 产科 产科 产科 产科 产科
背景情况:
- 及时预测早产对于改善新生儿存活率和母亲健康至关重要.
- 电动歇斯底里图 (EHG) 信号提供了一种非侵入性方法来监测子宫活动.
- 开发准确的预测模型来预测早产仍然是一个重大的临床挑战.
研究的目的:
- 调查由EHG信号衍生的Hjorth参数对预测早产的有效性.
- 为了比较不同Hjorth参数 (活动,流动性,复杂性) 的预测性能.
- 开发和验证基于机器学习的方法来预测早产.
主要方法:
- 使用经验模式分解,EHG信号被分解成内在模式.
- 从每个模式中提取Hjorth参数 (活动,移动性,复杂性).
- 一个随机的森林分类器被用来根据提取的参数来区分期限和过早的劳动.
主要成果:
- 复杂性参数在预测早产方面表现优异,与活动和流动性相比.
- 利用复杂性的模型达到85%的准确性,优于基于活动 (73%) 和流动性 (77%) 的模型.
- 经验模式分解有效处理了用于特征提取的EHG信号.
结论:
- 霍尔斯参数,特别是复杂性,是从EHG信号预测早产的有效特征.
- 拟议的方法为早期检测早产提供了一个有希望的非侵入性方法.
- 进一步的研究可以完善这种方法的临床应用,以改善母亲和新生儿的结果.


