EHG信号和宫缩图中的谱时特征提取用于增强早产预测
信号处理
2026-02-27 v2
摘要
早产（PTB），定义为妊娠37周前分娩，是新生儿死亡和长期健康并发症的主要原因。早期检测对于实现及时的医疗干预至关重要。子宫肌电图（EHG）和宫缩描记术（TOCO）是用于PTB预测的有前景的无创工具，但先前的研究常常受到类别不平衡、不当过采样以及对生理相关性有限的特征的依赖等问题的困扰。本工作提出了一种机器学习（ML）流程，该流程结合了稳健的预处理、基于生理学的特征提取和严格的评估。使用梅尔频率倒谱系数、小波系数的统计描述符以及归一化功率谱的峰值，从EHG（和TOCO）信号中提取特征。通过基于特征值的子空间分解的Karhunen-Loeve变换（KLT）去噪，信号质量得到增强。在TPEHGT数据集上评估了多种分类器，包括逻辑回归、支持向量机、随机森林、梯度提升、多层感知器和CatBoost。在TPEHGT数据集的固定间隔片段上，结合KLT去噪的CatBoost分类器达到了最高性能，准确率达到97.28%，AUC为0.9988。消融研究证实了KLT去噪和生理信息特征的关键作用。比较分析表明，包含TOCO信号并未比单独使用EHG显著提高预测能力，这突显了EHG用于PTB检测的充分性。这些结果表明，将去噪与领域相关特征相结合，可以产生高精度、稳健且临床可解释的模型，支持开发具有成本效益且易于获取的PTB预测工具，特别是在资源匮乏的医疗环境中。
引用
@article{arxiv.2509.07432,
title = {Spectrotemporal Feature Extraction in EHG Signals and Tocograms for Enhanced Preterm Birth Prediction},
author = {Senith Jayakody and Kalana Jayasooriya and Sashini Liyanage and Roshan Godaliyadda and Parakrama Ekanayake and Chathura Rathnayake},
journal= {arXiv preprint arXiv:2509.07432},
year = {2026}
}
备注
13 pages, 4 figures, 5 tables, manuscript under review