产前胎儿监护研究：CTG特征与机器学习可解释性探索

"这篇本科毕业论文主要探讨了产前胎心宫缩图（CTG）特征的可解释性研究，旨在提升人工智能在胎儿监护领域的应用。论文采用了UCI机器学习库中的CTG数据集，通过临床相关资料分析，确定了4个隐变量，并结合关联规则与探索性因子分析（EFA）进行了深入研究。" 本文首先定义了四个关键的隐变量，即“基线类、加速类、减速类和变异类”，这些分类对应于CTG监测中不同类型的胎儿状态。作者运用关联规则和EFA来调整和验证模型，以更好地描述这些隐变量。接着，通过验证性因子分析确定了测量模型，进一步探究了隐变量间的因果关系，构建了CTG特征结构模型。 研究表明，变异类可能与基线类之间存在相互预测的关系，而加速类与减速类之间有较强的相关性。在CTG特征结构模型中，变异类可以预测基线类，宫缩对减速类有一定影响，同时减速类可以预测加速类。此外，论文建立了产前胎儿状态分类的可解释性结构模型，揭示了加速类、基线类和变异类对胎儿状态的不同程度影响，其中变异类和加速类的影响最为显著，而基线类的作用相对较小。 在机器学习的视角下，论文强调了特征重要性，指出变异类特征相对于基线类更为重要。同时，通过分析错误判断的原因，发现机器学习模型在处理相同特征等级时，胎儿状态正常类与怀疑类的协同分布可能是导致错误判断的关键因素。 关键词包括：产前胎儿监护、胎心宫缩图、关联规则、结构方程模型和可解释性。这篇论文不仅提供了对CTG特征间关系的深入理解，也为开发更可靠、可解释性强的智能胎儿监护系统提供了理论基础。