相关实验视频
Updated: Sep 15, 2025
04:36
Noninvasive Electrocardiography in the Perinatal Mouse
Published on: June 12, 2020
6.2K
深度学习方法的交叉数据库评估,用于产前心脏图形学分类.
Lochana Mendis1, Debjyoti Karmakar2, Marimuthu Palaniswami1
1Department of Electrical and Electronic EngineeringThe University of Melbourne Parkville VIC 3010 Australia.
概括
深度学习模型显示出从心电图 (CTG) 记录中检测胎儿损害的前景. 使用特定预处理的胎儿心率 (FHR) 信号提高了性能,ResNet在分类方面表现出色.
科学领域:
- 产周医学 产周医学
- 医疗保健中的人工智能
- 信号处理 信号处理
背景情况:
- 心电图 (CTG) 监测胎儿心率 (FHR) 和子宫收缩 (UC) 以评估胎儿在分娩期间的损害.
- 对CTG的视觉解释具有挑战性,导致灵敏度低,需要自动化方法.
- 有限的数据集和缺乏标准化的评估阻碍了CTG分析的深度学习模型的开发.
研究的目的:
- 通过CTG数据进行深度学习模型的交叉数据库评估,用于使用胎儿妥协检测.
- 调查信号选择,预处理和数据采样对模型性能的影响.
- 建立一个标准化的工作流程,用于比较和开发CTG分类的深度学习算法.
主要方法:
- 使用私有数据集 (9,887 条记录) 和开放访问的 CTU-UHB 数据集 (552 条记录).
- 评估了六种深度学习模型,探索FHR/UC输入的变化,信号预处理 (人工物移除,插值),下采样频率和pH样品包含.
- 使用类激活地图来评估模型可解释性,通过与临床知识保持一致.
主要成果:
- 预处理FHR信号与人工物移除和插值显著改善了某些模型的分类性能.
- 除了中间pH样本,在任何模型中都没有显著提高性能.
- 在两个数据集中,ResNet以1Hz的降低样本率展示了优异的胎儿妥协分类性能.
- 班级激活地图证实ResNet专注于临床相关的FHR模式.
结论:
- 提出了一个标准化的工作流程,用于评估CTG分类中的深度学习模型.
- 优化的信号预处理和仅FHR输入可以提高模型性能.
- ResNet模型显示出强大,可解释的性能,为未来的研究提供了潜在的基准.
- 确保可通用性和可解释性对于这些AI工具的强大临床应用至关重要.
