物联网辅助的胎儿健康分类使用母亲优化算法与心脏图谱数据的深度学习方法

科学领域:

• 医疗技术 医疗技术 医学技术
• 人工智能的人工智能
• 孕产妇健康 孕产妇健康

背景情况:

• 胎儿运动是胎儿健康的关键指标,但目前的监测方法缺乏可访问性和长期有效性.
• 物联网 (IoT) 为智能健康应用提供了潜力,使关键健康数据的实时远程监控成为可能.
• 机器学习 (ML) 和深度学习 (DL) 越来越多地用于自动健康分类,包括胎儿健康评估.

研究的目的:

• 开发和评估一个物联网辅助的胎儿健康检测和分类系统,使用母优化算法与深度学习 (AFHDC MOADL).
• 准确地将胎儿健康分为三个类别:正常,可疑和病态,改善产前护理结果.
• 通过提供可访问和有效的长期解决方案,解决当前胎儿监测技术的局限性.

主要方法:

• 使用物联网设备收集与胎儿健康有关的信息的数据采集.
• 数据预处理包括K-近邻 (KNN) 归算和标准缩放.
• 使用母优化算法 (MOA) 来减少维度的特征选择,然后使用RMSProp.优化的图形卷积神经网络 (GCN) 进行分类.

主要成果:

• AFHDC的MOADL技术在分类胎儿健康方面表现出显著的表现.
• 与现有的深度学习方法相比,对胎儿健康分类数据集的实验验证显示出优异的结果.
• 该方法有效地将胎儿健康分为正常,可疑和病态状态.

结论:

• 拟议的AFHDC MOADL方法为实时胎儿健康监测和分类提供了一个有希望的基于物联网的解决方案.
• 这种方法增强了个性化的怀孕监测和及时诊断潜在的胎儿痛苦.
• 物联网,MOA和GCN的整合在智能健康应用中推进了自动诊断系统.