论文部分内容阅读
提高人口质量、减少出生缺陷是关系国泰民生的大事。随着我国“两孩”政策的实施,分娩量急剧增加的同时,高危产妇也明显增加。早产是导致围产儿发病和死亡的首要原因,由于临床缺少有效的预测手段,经常会导致过度治疗或者治疗不足,给母胎带来风险。体表子宫肌电(eletrohystrogram,EHG)是从孕妇体表检测到的妊娠子宫的电活动,与宫缩具有很好的关联性和同步性,在早产识别中具有很好的应用前景。论文采用The Term-Preterm ElectroHysteroGram DataBase(TPEHG DB)数据库中38例正常产数据(19例正常产早期和19例正常产晚期)和38例早产数据(19例早产早期和19例早产晚期),基于线性分析方法,提取了EHG信号的时域、频域、小波变换、AR模型、通道间相关和相干系数等特征;基于非线性分析方法,提取了时间可逆性、李雅普诺夫指数、样本熵、关联维数等特征。建立支持向量机(Support vector machine,SVM)模型识别3个类别的EHG信号:正常产早期与早产早期、正常产晚期与早产晚期、正常产与早产总体。通过交叉验证法确定使模型分类效果最好的核函数和惩罚系数最优值。使用SVM模型对数据进行识别时,选择训练集分别为总数据的60%,70%,90%,对应的测试集分别为余下总数据的40%,30%,10%。在训练集和测试集中正常产与早产数据量相等。研究结果显示正常产和早产的EHG信号平均频率、小波系数最大值、通道1和3的相干性、AR模型参数以及样本熵均具有显著性差异(p<0.05)。妊娠早期EHG信号的样本熵和关联维数显著大于妊娠晚期。使用SVM对3个类别进行识别时,正常产晚期和早产晚期的平均识别率为79%,正常产早期和早产早期的平均识别率为73%,正常和早产总体的平均识别率为62%。本研究有助于提高早产识别的准确率,为产科临床提供了新的技术手段,可以拓展到移动医疗领域,为实现家庭监护、保障母胎健康奠定基础,具有重要的临床意义和很好的应用前景。