利用一维卷积神经网络建模分段胎心宫缩监护时间序列信号以实现异常分娩结局的早期检测
机器学习
2020-08-25 v2 机器学习
摘要
妇科与产科医生依据国际妇产科联盟（FIGO）指南目视解读胎心宫缩监护（CTG）曲线，以评估产前护理中胎儿的状况。该方法因专业间与专业内变异性引发担忧，其临床诊断为病理结局时的阳性预测值仅30%。已有研究表明，以FIGO及从CTG曲线提取的其他用户衍生特征训练的机器学习模型可提高阳性预测能力并减小变异性。然而这仅在类分布均衡时可行，而临床试验中病例-对照观测往往严重偏向正常结局。可通过基于重采样病例训练数据的合成数据或削减对照样本数来平衡类别，但这会引入偏倚或丢失有价值信息。关于机器学习研究及其对手工特征依赖的担忧亦已提出。尽管这带来了一些有趣结果，但推导最优特征集被视为艺术与科学的结合，且常是经验性、耗时的过程。本文同时解决上述两方面问题，提出一种新颖CTG分析方法：a) 将CTG时间序列信号分割为等长类分布的n尺寸窗口；b) 利用一维卷积神经网络（1DCNN）与多层感知机（MLP）集成从时间序列窗口自动提取特征。总体而言，所提方法使类别呈正态分布，并免除了从CTG曲线手工提取特征的需要。
引用
@article{arxiv.1908.02338,
title = {Modelling Segmented Cardiotocography Time-Series Signals Using One-Dimensional Convolutional Neural Networks for the Early Detection of Abnormal Birth Outcomes},
author = {Paul Fergus and Carl Chalmers and Casimiro Curbelo Montanez and Denis Reilly and Paulo Lisboa and Beth Pineles},
journal= {arXiv preprint arXiv:1908.02338},
year = {2020}
}
备注
11 Pages, 12 Figures (excluding profile pictures), accepted for publication in IEEE Transactions in Emerging Topics in Computational Intelligence