早产是全球范围的公共健康问题之一,即使在发达国家早产的发病率仍然在7%左右。早产不仅会给家庭带来严重的情感与经济负担,也是社会医疗支付的重要组成部分。虽然围产期和新生儿的护理水平已经有了很大的提高,但早产儿仍然具有很高的发病率和死亡率。据统计80%的新生儿死亡病例与早产直接或间接相关。为此,早产诊断与预防方法一直是临床医学的研究热点之一。由于缺乏对子宫宫缩起源的认识,常规的检查方法无法提供可靠的检测结果。子宫宫缩与肌细胞的电生理活动密切相关,后者可以通过置于孕妇腹部的电极记录,形成子宫EHG(Electrohesterography)信号。应用机器学习方法分析子宫肌电EHG信号是当前早产诊断方法研究的重要方向。然而受限于EHG数据样本的有限性,样本在类间的分布不均匀性(早产与非早产病类)以及特征不明确性,检测精度有待进一步提高。针对这些问题,1)本课题除了在常规的时域和频域空间中提取子宫EHG信号的特征属性外,还首次利用信号记录时间来刻画子宫在整个怀孕过程中从静息向周期性同步收缩的动力学演化过程,提升特征属对不同病例的区分能力;2)分析现有的少数类样本合成采样方法,以特征在类间的区分能力为指标,分析不同采样方法的优劣性,确定最优的少数类样本合成算法;3)引入激活函数,描述样本数目对样本分类的影响,并在此基础上结合特征权重定义特征有效区分能力指标,用于确定最优的合成采样算法参数。将上述特征提取及样本合成采样方法应用于开源EHG信号数据库TPEHG构建数据样本,训练分类器并进行交叉验证。实验结果表明,相比于常规的以1:1均匀合成少数类,在不不引入动力学属性特征条件下,最优样本不均衡度下各种分类器的预测精度都有了明显的提升,其中SVC分类器综合精度83.33%,AOC超过0.9。结合动力力属性特征,分类精度得到进一步提升。为了促进研究成果的应用,搭建了基于最优合成采样的子宫肌电EHG信号分析与早产诊断平台。将利用已有EHG数据及其特征训练后的分类器应用于新上传的EHG数据,给出检测结果;引入用户反馈机制,将检测样本作为训练数据,进一步优化分类器。随着用户数据的增多,该系统用望对早产给出可靠的检测结果。