多重DNBiTM:使用多头注意力支持的深度学习框架从电动歇斯底里学信号预测早产
Puja Cholke1, Umar M Mulani2, Ashutosh Madhukar Kulkarni3
1Department of Information Technology Vishwakarma Institute of Technology, Bibwewadi, Pune, Maharashtra, India.
Computer methods in biomechanics and biomedical engineering
|December 24, 2025
概括
准确预测早产对于新生儿的生存至关重要. 一个新的深度学习模型,multi-DNBiTM,使用电歇斯底里学 (EHG) 信号,显著提高了预测准确性为早产收缩.
科学领域:
- 生物医学工程 生物医学工程
- 医疗保健中的人工智能
- 信号处理 信号处理
背景情况:
- 及时预测早产对于新生儿的结果和母亲的护理至关重要.
- 使用电动体图 (EHG) 信号预测早产的传统方法存在诸如低灵敏度和强度等局限性.
- EHG信号为分析子宫收缩提供了高灵敏度,为早产检测提供了有前途的方法.
研究的目的:
- 开发和验证一个新的深度学习框架,多DNBiTM,用于准确的早产预测.
- 克服现有的早产预测方法的局限性.
- 加强对子宫收缩细微变化的分析,以改善预测.
主要方法:
- 实现一个支持多头注意力的分布式神经网络,具有双向长期短期记忆 (多DNBiTM).
- 利用根平均能量深度特征 (RMEn2D) 进行频子带和小收缩的详细分析.
- 应用多层次培训,通过分析不同细分度的信号来提高预测准确度.
主要成果:
- 多DNBiTM模型实现了高性能指标:96.93%的精度,98.45%的灵敏度和98.19%的特异性.
- 与早产预测中的普遍方法相比,证明了优异的结果.
- 通过多头注意力和多层次培训,有效地捕获了EHG信号中的内在模式和细节.
结论:
- 拟议的多DNBiTM框架为使用EHG信号预测早产提供了强大而灵敏的解决方案.
- RMEn2D功能和多头注意力机制有助于模型的增强预测能力.
- 这种先进的深度学习方法具有很大的潜力,可以改善早产和新生儿护理的临床管理.
