智能胎心监护研究：QBC主动学习算法与KGA-WQBC改进

"这篇本科毕业论文探讨了面向智能胎心监护的QBC（Query-by-Committee）主动学习算法设计研究，旨在解决胎儿监护中数据不平衡和标注成本高昂的问题。作者提出了一种基于自适应遗传K-means的F1平衡多样性加权QBC算法（KGA-WQBC），通过改进QBC算法的初始样本筛选和分歧度计算方法，提高了分类精度和效率。实验结果显示，KGA-WQBC算法在少量标注样本下也能取得良好的性能，并能显著降低医护人员的标注工作量。" 这篇优秀的本科毕业论文关注的是在胎儿监护领域，特别是胎心监护的智能化过程中遇到的问题。胎心监护作为胎儿健康监测的关键技术，随着需求的增长和贫困地区医疗资源的不足，智能监护系统的应用显得尤为重要。然而，构建这样的智能模型时，面临的主要挑战包括实际临床数据的不平衡分布和需要大量医生标注的高成本。 论文中，作者针对这些问题，提出了一个创新的解决方案——KGA-WQBC算法。该算法融合了自适应遗传K-means算法和F1平衡多样性加权策略。首先，通过自适应KGA算子，从大量的未标注样本中筛选出信息量丰富的初始样本集，以提高后续分类委员会的精度。接着，算法进一步优化了QBC算法的分歧度计算方法，利用F1平衡多样性加权算子结合委员会投票结果来确定哪些未标注样本最需要专家进行标注。 实验部分，KGA-WQBC算法在UCI机器学习库的CTG数据集上进行了验证。结果显示，相比于其他初始样本筛选方法，KGA-WQBC在样本数量少于27%的情况下，recall、f1和accuracy的提升幅度在0.332%至1.570%之间。同时，引入F1平衡多样性加权策略的分歧度计算方法在整体性能上表现最优。在仅使用约41%的标注样本时，KGA-WQBC算法就能达到98.020%以上的评估指标。 论文结论表明，KGA-WQBC算法有效地解决了CTG数据不平衡和初始样本质量不足的问题，显著降低了远程胎儿监护中的标注成本，同时提升了算法的性能。这一研究为智能胎心监护系统的设计提供了有价值的理论支持和实践指导，有望在实际应用中带来积极的影响。关键词包括：智能胎心监护、QBC主动学习、自适应遗传K-means算子、F1平衡多样性加权算子。