基于关联规则与相关分析的胎心率分类研究

"基于关联规则的胎心率分类模式研究" 这篇本科毕业论文深入探讨了在当前三胎政策背景下，产前胎儿监护技术的重要性。研究聚焦于Cardiotocography (CTG) 技术，这是一种评估母婴健康的关键手段。尽管已有许多基于机器学习的自动CTG分析模型，但它们往往缺乏可解释性和临床知识的整合，这限制了它们在实际医疗场景中的应用。 论文以University of California, Irvine (UCI) 数据库中的CTG公开数据集为研究基础，主要关注两种胎儿心率（FHR）分类模式：NSP（Normal, Suspect, Pathologic）模式和FHR分形模式。作者首先进行了数据预处理，从中筛选出21个有效特征，并确定了6种FHR分形模式。接下来，通过关联规则挖掘，作者比较了不同NSP模式下的关联特征，揭示了如胎动、加速、子宫收缩等在判定胎儿状态正常或可疑时的重要作用。同时，相关性分析被用来确定特征与FHR分形模式间的联系，发现轻度减速特征与特定的FHR模式显著相关。 关联规则分析结果显示，在NSP分类模式中，平静的睡眠状态下，胎动、加速和子宫收缩是判断胎儿正常状态的主要因素，而子宫收缩和直方图峰个数则可能预示胎儿状态可疑。相关性分析进一步证实了特征轻度减速与加速/减速模式以及迷走神经刺激减速模式的关联。 论文指出，直方图的峰个数在加速/减速模式下对区分胎儿状态正常与可疑具有重要意义。此外，将宫缩特征视为可疑类别，胎心率直方图均值特征视为病理类别，这样的分类策略更符合临床实际需求。 关键词包括：产前胎儿监护、关联规则、相关分析、胎心率分类、模式。 这篇论文的贡献在于提出了一种结合机器学习与临床知识的新型分析方法，为改善胎儿监护系统的解释性和实用性提供了新的视角，有助于提高医疗决策的准确性和效率。