使用机器学习对早产新生儿通过数字宫听力学获得的子进行自动细分和检测
Stephen So1, Timothy Tadj1, Belinda Schwerin1
1School of Engineering and Built Environment, Griffith University, Parklands Dr, Southport, QLD, 4215, Australia.
Dysphagia
|September 11, 2025
概括
机器学习使用数字宫听力 (CA) 准确识别早产婴儿吞. 这种自动化方法有助于在特殊护理托儿所中实现目标CA.
科学领域:
- 生物医学工程 生物医学工程
- 新生儿医学 新生儿医学
- 机器学习 机器学习
背景情况:
- 数字宫听力 (CA) 用于吞的临床应用受到手动细分的阻碍.
- 机器学习 (ML) 显示了成人和儿童自动吞声音识别的前景.
- 没有ML数据存在于早产新生儿的吞声分析.
研究的目的:
- 通过转移学习来评估ML的准确性,以识别和细分早产新生儿的吞声音.
- 开发一种自动化方法来分析弱势群体的吞声音.
主要方法:
- 从78名早产新生儿 (妊娠25-36周) 收集了细液体吞声音.
- 采用深度卷积神经网络 (DCNN) 预训练用于音频事件分类.
- 使用DCNN嵌入器来训练用于吞检测的前神经网络.
主要成果:
- 在识别早产婴儿吞时,获得了高整体准确性 (94%).
- 在奶瓶养的海 (95%的敏感性,96%的特异性) 与母乳养的海 (95%的敏感性,92%的特异性) 之间表现优异.
结论:
- 转移学习使得在早产新生儿中精确识别和细分数字吞声音.
- 该ML模型可以支持数字CA应用程序,用于特殊护理托儿所的客观临床使用.


