最佳电磁学信号预处理用于使用超图神经网络进行交付期预测

科学领域:

• 生物医学工程 生物医学工程
• 人工智能在医学中的应用
• 信号处理 信号处理

背景情况:

• 准确预测婴儿分娩时间对于管理早产和改善新生儿结果至关重要.
• 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.
• 目前用于EHG信号的预处理技术需要优化,以实现可靠的交付期预测.

研究的目的:

• 确定用于分类子宫收缩的电歇斯底里图 (EHG) 信号的最佳预处理方案.
• 评估各种EHG排斥技术对交付期预测准确性的影响.
• 建立一个强大的方法来改进使用AI和EHG数据预测婴儿分娩.

主要方法:

• 利用高图神经网络 (HGNN) 来评估不同的EHG信号预处理策略.
• 研究了信号分割,连接,标准化和规范化技术.
• 对比了优化预处理管道的性能与传统的高气排泄方法 (如CCA和EMD) 的性能.

主要成果:

• 最佳的预处理包括细分,连接,标准化/规范化和重新细分EHG信号.
• 这种优化的方法使用HGNN分类器实现了89.2%的预测准确度.
• 传统的消噪方法 (CCA,EMD,EMD-CCA) 在预测准确度方面没有显著改善.

结论:

• 有效的EHG信号预处理对于提高交付期预测的准确性至关重要.
• 拟议的预处理管道对EHG信号分析的现有方法提供了显著的改进.
• 这种方法在潜在的早产中对早期干预具有临床意义.