基于EHG信号优化合成采样的早产预测改进
机器学习
2020-07-06 v1 信号处理
机器学习
摘要
早产是新生儿发病和死亡的主要原因，已吸引众多科学领域的研究努力。子宫收缩与潜在电活动之间的相互关系使得子宫电 hysterogram（EHG）成为早产检测和预测的一个有前景的方向。由于EHG信号稀缺，尤其是早产患者的信号，应用合成算法创建早产类型的 artificial 样本，以消除对足月的预测偏置，代价是基于机器学习的自动早产检测中特征有效性的降低。为解决该问题，我们量化合成样本（平衡系数）对特征有效性的影响，并利用描述其对类分离贡献的多个特征分数及相关权重形成通用性能度量。结合表征足月和早产预测精度中训练样本丰富度影响的激活/失活函数，我们获得最优样本平衡系数，在消除对多数类偏置的合成样本效应与降低特征重要性的副作用之间折衷。通过对公开可用TPEHG数据库的一组数值测试，预测精度得到实质提升，验证了所提方法的有效性。
引用
@article{arxiv.2007.01447,
title = {Improved Preterm Prediction Based on Optimized Synthetic Sampling of EHG Signal},
author = {Jinshan Xu and Zhenqin Chen and Yanpei Lu and Xi Yang and Alain Pumir},
journal= {arXiv preprint arXiv:2007.01447},
year = {2020}
}