基于深度无监督模型的胎心宫缩图信号异常检测
信号处理
2022-10-03 v1
摘要
胎心宫缩图(CTG)是监测胎儿健康状况的关键手段。产科医生借此观察胎儿心率(FHR)与子宫收缩(UC)。目的在于判断胎儿对宫缩的反应及其是否获得充足氧气。若出现问题时，医生可随即采取干预。遗憾的是，CTG的解读高度主观，且从业者间的组间与组内一致率很低。这可能导致不必要的医疗干预，对母婴均构成风险。近来，文献中提出了计算机辅助诊断技术，尤其基于人工智能模型（多为有监督）者。但其中许多模型因过拟合而缺乏对未见/测试数据样本的泛化能力。此外，无监督模型仅应用于极小部分正常与异常类别高度可分的CTG样本。本工作中，提出以半监督方式训练的深度无监督学习方法，用于CTG信号中的异常检测。经修改以捕捉数据样本底层分布的GANomaly框架被用作主模型，并应用于CTU-UHB数据集。与近期研究不同，本研究未加任何特定偏好地使用全部CTG数据样本。实验结果表明，我们改进的GANomaly模型优于现有最优方法(SOTA)。本研究证实了深度无监督模型在CTG异常检测中优于有监督模型。
引用
@article{arxiv.2209.15085,
title = {Cardiotocography Signal Abnormality Detection based on Deep Unsupervised Models},
author = {Julien Bertieaux and Mohammadhadi Shateri and Fabrice Labeau and Thierry Dutoit},
journal= {arXiv preprint arXiv:2209.15085},
year = {2022}
}