本科毕业论文—基于胎心率特征的晚发型胎儿生长受限预测研究.pdf资源-CSDN文库

版权申诉

57 浏览量 2023-09-24 21:31:24 上传评论 1 收藏 1.37MB PDF 举报

资源推荐

资源详情

资源评论

摘要

胎儿生长受限（ Fetal growth restriction， FGR）是围产儿

死亡的第二大原因。但针对晚发型 FGR 的预测研究较少，且检

测的灵敏度和特异度大多数较低的。考虑到胎心宫缩监护

（ Cardiotocography，CTG）的不具备入侵性的特点，针对胎儿

生长受限等高危孕妇可以连续监测记录胎心率（ Fetal heart

rate， FHR），以此评估胎儿健康和发育状态。因此，本文基于

胎心率特征的晚发型 FGR 的预测方法，旨在为晚发型 FGR 的

临床诊断提供参考。

本文所研究的数据由 Azienda Ospedaliera Federico II 大学

收集的公开 CTG 案例共 262 例，其中胎儿状态为健康和晚发型

FGR 分别为 160 例和 102 例，每个案例都包含经典的 FHR 特

征及其非线性特征。本文首先进行数据探索与可视化分析，接

着对数据进行预处理，然后通过卡方检验、相关分析和梯度提

升迭代决策树（ GBDT）提取重要特征；最后利用机器学习算

法构建晚发型 FGR 预测模型，并进行评估和分析预测价值。

实验结果显示，对辅助诊断晚发型 FGR 的重要特征包括胎

龄 GA、FHR 经典特征（ Mean FHR、Std FHR、DELTA、II、STV、

LTI、ACC_L、ACC_S、MF）以及非线性特征（ ApEn、LZC_BIN_0、

LZC_TER_0、 AC_T1_s2、 AC_T5_s5、 DC_T5_s5、 DC_T9_s9、

DR_T9_s9、 DR_T40_s1）（排名不分顺序）等 19 个特征。对比

不同机器学习算法，随机森林模型的检测率和整体预测性能最

高，灵敏度、F1 值和 AUC 值分别为 85.59%、86.08%和 0.9077。

研究表明，本文所提出的基于胎心率特征，构建晚发型

FGR 预测模型是可行有效的，可为晚发型 FGR 的临床诊断提

供辅助决策参考。

关键词：晚发型胎儿生长受限胎心率特征预测分析相

关分析随机森林

ABSTRACT

III

ABSTRACT

Fetal growth restriction (FGR) is the second leading cause of perinatal

death. Most of the existing detection technologies have low sensitivity and

specificity for the detection of late-onset FGR, and there are few studies on

the prediction of late-onset FGR. Considering that Cardiotocography (CTG)

is not invasive, for high-risk pregnant women such as fetal growth restriction,

the fetal heart rate (FHR) can be continuously monitored and recorded to

evaluate the health and development of the fetus. Therefore, this paper

studies the prediction method of late-onset FGR based on the characteristics

of fetal heart rate, in order to provide reference for the clinical diagnosis of

late-onset FGR.

The data studied in this paper were collected by the University of

Azienda ospedaliera Federico II. There were 262 CTG cases, including 102

healthy fetuses and 160 late-onset FGR fetuses. Each case contained classic

FHR characteristics and its nonlinear characteristics. Firstly, this paper

makes data exploration and visual analysis, standardizes the input data and

encodes the output data. And then extracts important features through

chi-square test, correlation analysis and Gradient Boosting Decision Tree

(GBDT); Finally, the late-onset FGR prediction model is constructed by

using different machine learning algorithms, and then the prediction value is

evaluated and analyzed.

The experimental results show that there are 19 important FHR features

for assisting in the diagnosis of late-onset FGR, including GA、Mean FHR、

Std FHR、DELTA、II、STV、LTI、ACC_L、ACC_S、MF、ApEn、LZC_BIN_0、

LZC_TER_0、AC_T1_s2、AC_T5_s5、DC_T5_s5、DC_T9_s9、DR_T9_s9、

DR_T40_s1(Ranking regardless of order). Comparing different machine

learning algorithms, the random forest model has the highest detection rate

and overall prediction performance, with a recall of 85.59% and an F1-score

of 86.08%, and AUC value of 0.9077.

The research shows that the prediction model of late-onset FGR based

目  录 
V 
 
 
目  录 
 
摘  要 ..................................................................................................... I 
ABSTRACT ............................................................................................. III 
第 1 章  绪论 ............................................................................................ 1 
1  研究背景与意义 ......................................................................... 1 
1.1  产前胎儿监护 ...................................................................... 1 
1.2  晚发型胎儿生长受限 ........................................................... 1 
1.3  研究目的与意义 .................................................................. 2 
2  国内外研究现状 ......................................................................... 3 
2.1  胎儿生长受限的临床研究现状 ........................................... 3 
2.2  基于机器学习的胎儿生长受限预测研究现状 .................... 4 
3  研究内容与思路 ......................................................................... 5 
4  论文结构 ..................................................................................... 6 
5  本章小结 ..................................................................................... 7 
第 2 章  原理与方法介绍 ......................................................................... 9 
1  实验平台与工具 ......................................................................... 9 
2  统计学分析 ................................................................................. 9 
2.1  皮尔逊相关分析 .................................................................. 9 
2.2  卡方检验 ............................................................................ 10 
3  随机森林 ................................................................................... 10 
3.1  随机森林原理概述 ............................................................. 10 
3.2  随机森林算法流程 ............................................................. 10 
3.3  随机森林优缺点 ................................................................ 11 
4  分类性能评价指标 ................................................................... 12 
5  本章小结 ................................................................................... 13 
第 3 章  数据处理与分析 ....................................................................... 15 
1  数据来源与属性 ....................................................................... 15 
2  数据探索与预处理 ................................................................... 15 
2.1  数据统计分析 .................................................................... 15 
2.2  输入数据标准化 ................................................................ 17 
2.3  输出数据独热编码 ............................................................. 17 

 
VI 
 
3  重要特征提取 ........................................................................... 18 
3.1  特征与胎儿状态分类比例分布描述.................................. 18 
3.2  相关分析 ............................................................................ 22 
3.3  基于 GBDT 的重要 FHR 特征分析 ................................... 23 
4  本章小结 ................................................................................... 25 
第 4 章  预测模型的设计 ....................................................................... 27 
1  随机森林模型的设计 ................................................................ 27 
1.1  森林树木数量的确定 ......................................................... 27 
1.2  随机特征个数的选取 ......................................................... 28 
1.3  叶节点最小样本数的选择 ................................................. 29 
2  随机森林模型的建立 ................................................................ 29 
3  本章小结 ................................................................................... 31 
第 5 章  模型评估 .................................................................................. 33 
1  实验结果分析 ........................................................................... 33 
1.1  实验结果 ............................................................................ 33 
1.2  预测模型结果对比 ............................................................. 34 
2  可解释性分析 ........................................................................... 37 
2.1  实验对机器学习的特征重要性的可解释性 ...................... 37 
2.2  实验对机器学习胎儿状态预测的可解释性 ...................... 37 
3  基于胎心率特征的晚发型 FGR 预测研究对比 ....................... 38 
3.1  特征选择对比 .................................................................... 38 
3.2  模型性能对比 .................................................................... 40 
4  本章小结 ................................................................................... 42 
总 结 与 展 望 ...................................................................................... 43 
参 考 文 献 ............................................................................................ 45 
致 谢 ....................................................................................................... 49 
  
 
 