DOI | 10.1186/s12911-019-1007-5 |
---|---|
所属期刊 | BMC |
论文发表时间 | 2019年12月30日 |
记录时间 | 2023年01月04日 |
记录人 | Troye Jcan |
DeepFHR: intelligent prediction of fetal Acidemia using fetal heart rate signals based on convolutional neural network
一、Datasets
CTU-UHB,552条数据,包括46例剖腹产和506例阴道分娩,以pH值≤7.15为病理(105例),pH值>7.15为正常(447例),仅使用最后15min的信号。
仅使用FHR,没有添加UC信号和临床信息
二、Data Processing
(1)删除FHR中缺失段大于15s的片段,并使用样条插值来填充FHR等于0且长度<15s的缺失段;
(2)在差异高于25bpm的两个相邻点的第一个样本点和新稳定部分的第一个样本点之间再次使用插值(新稳定部分为五个相邻样本点之间的差值小于10bpm的序列);
(3)使用三次样条插值来替换FHR中的极端值(<50bpm或>200bpm);
(4)使用db和sym的两个母小波,3个小波为分别为4、5、6的小波尺度,将数据集扩大了6倍。
最终的数据集包含3312张时频图像,其中正常类2682张,病理类630张。
三、Model Framework
模型框架:
模型各层的参数设置如下表所示:
No. | Layer | Value/Approach |
---|---|---|
1 | Image input | augmentation=’Random crop’, normalization=’Zero center’ |
2 | Convolution | filters=15, kernel=(5, 5), strides=1, padding=0 |
3 | Activation | ReLU |
4 | Normalization | Alpha=0.001, Beta=0.75, K=2 |
5 | MaxPooling | Size=2*2, stride=2, padding=0 |
6 | Fully-connected | |
7 | Dropout | 0.5 |
8 | Classification | Activation=Softmax |
模型超参数设置如下表所示:
Parameter | Value |
---|---|
Epoch | 20 |
Batch size | 50 |
Image input size | 64643 |
四、Methodology
本文提出了一个共8层的深度卷积网络框架来自动预测胎儿酸血症。经过预处理后使用连续小波变换(CWT)获得输入的二维图像,这提供了一种更好的方式来观察和捕获FHR信号在时域和频域中隐藏的特征信息。二维CNN模型可以在不丢失信息特征的前提下,从输入数据中自学习有用的特征。
五、Results
以三种的参数设置,最终训练的CNN最佳分类性能如下:
Acc = 98.34%
Sensitivity = 98.22%
Specificity = 94.87%
Quality Index = 96.53%
AUC = 97.82%
Training times = 1775s(本文训练使用CPU)
六、Contributions
本文提出了一种数据驱动的方法,使用深度CNN自动评估胎儿状态。在对信号进行预处理后,使用不同类型的母小波和小波尺度的CWT获取输入时频图像。经过调整后确定模型的最佳参数设置,十折交叉验证的平均准确率、敏感性和特异性分别为98.34%、98.22%和94.87%,衡量类别不平衡的QI和AUC值分别为96.53%和97.82%。由于使用特征在提取(选择)时容易产生偏差并限制分类器从数据中充分学习的能力,因此基于CNN的框架避免了特征工程的要求。
七、Conclusion
本文所提出的模型有几个优点:
(1)不需要进行特征提取与选择;
(2)使用CWT获取二维时频图像,反映了FHR信号在时域和频域的隐藏特性;
(3)实现了8层深度二维CNN并调整其参数以获得更好的性能;
(4)本文的方法在最先进(2019年及以前)的方法中表现最好。
本文所提出的模型也有一定缺点:
(1)CNN模型训练需要大量不同的数据;
(2)本文的方法在从输入图像中学习有用的特征时需要大量计算。
八、Note
表7总结了过去几十年研究人员提出的使用 FHR 信号自动评估胎儿健康状况的不同方法