自动子宫收缩模式检测框架：早产风险高孕妇的监测

医学信息学解锁20（2020）100404自动子宫收缩模式检测框架，用于监测早产风险高的孕妇希沙姆·阿拉赫姆，斯里尼瓦斯·桑帕利*6050 University Avenue，Faculty of Computer Science，Dalhousie University，Halifax，Nova Scotia，B3H 1W5，CanadaA R T I C L EI N FO保留字：无线人体传感器网络子宫收缩分娩方式早产子宫电图检查A B S T R A C T全世界每十个婴儿中就有一个以上早产，每年造成近一百万人死亡。此外，幸存的婴儿面临终身健康残疾，如学习困难或听力和视力丧失。监测子宫收缩可以评估怀孕的健康和进展。这种监测可以帮助确定孕妇是否在分娩，从而帮助她们去医院，这将有助于减少早产问题。在本文中，我们的目标是通过提出一种安全、简单、舒适、低成本和可靠的监测框架来减轻早产对孕妇和胎儿的后果。该系统使用无线身体传感器（WBS）和智能手机，采用非侵入性方法监测子宫动脉造影（EHG）收缩智能手机将分析子宫EHG收缩读数，如果它们包含早产模式，将触发警告通知。设计了智能手机应用程序的概念验证原型，并使用三个子宫收缩数据库对可靠性、性能和功耗进行了测试。结果表明，该应用程序能够满足检测劳动力模式的框架目标1. 介绍1.1. 早产概述早产是早产或早产的后果，对胎儿和母亲都是严重的健康问题。它可能是一种主要的妊娠并发症[1，2]，也是新生儿死亡的最常见原因，即使采用当前先进的医疗保健技术[3此外，它是五岁以下儿童死亡的主要原因[9]。全世界每年发生1500万例早产，约占总出生人数的9.6%早产是指在妊娠第37周之前出生[5，11，14早产也可以定义为妊娠第21周至第37周之间的分娩[18]。因此，我们可以根据胎龄将早产分为：• EX震颤性早产（28周）。• 非常早产（28 - 32周）。• 中度至晚期早产（32 - 37周）。早产也是一个严重的围产期保健问题[15，18]。此外，早产后存活的婴儿通常发育不完全，这可能导致短期和长期的健康问题[1，2，13，17，19例如，婴儿可能会经历终身残疾，如听力和视力丧失，或学习和认知障碍[11，20，22，24]。婴儿也可能患有生长障碍和心理健康问题[25]。其他健康问题也可能包括呼吸，心血管和神经发育障碍[15，18]。早产也可能对医疗保健系统、医疗保健提供者、家庭和社会产生经济影响[8，15，26，27]。例如，早产的成本估计仅在美国每年就在260亿至500亿美元之间[17，22，23，28]，在英格兰和威尔士每年为29.5亿英镑[16，29]。1.2. 世界各地的早产率分布早产是一个全球性的问题[13]。在发达国家，早产率在5%至12%之间，在一些发展中国家高达40%[2]。在早产存活率方面，低收入和高收入国家之间存在相当大的差距[11]。在高收入国家，几乎所有32周以下早产的儿童都能存活;然而，在低收入国家，* 通讯作者。电子邮件地址：allahem@dal.ca（H. Allahem），srini@cs.dal.ca（S.Sampalli）。https://doi.org/10.1016/j.imu.2020.100404接收日期：2020年5月29日;接收日期：2020年7月23日;接受日期：2020年7月26日在线预订2020年2352-9148/©2020的 作者。发表通过 Elsevier 公司这是一个开放接入文章下的CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表医学信息学期刊主页：http://www.elsevier.com/locate/imuH. Allahem和S. 桑帕利医学信息学解锁20（2020）1004042缺乏良好的医疗保健系统导致近50%的儿童死亡。此外，超过90%的极早产儿死于低收入国家。尽管美国和欧洲的医疗保健系统非常出色，但早产的数量仍然很高[30]，美国每年有50万早产儿[6，24，28]，这是儿科婴儿中最大的群体[6]。此外，自1981年以来，早产人数一直在增加，从9%增加到12.7%[6，23、28]。全球60%的早产发生在南亚和非洲。据估计，早产率在低收入国家占世界总出生率的12%，在高收入国家占9%[11]。例如，在美国，早产率在12%至13%之间，在英格兰和威尔士在5%至9%之间[14]; 0; [29，31]。最后，如果家庭收入低，早产的风险更高[11]。1.3. 早产的原因及解决方法确定早产的原因是非常困难的。它可以自发发生的原因有很多，原因通常是不明[4，11，12]。然而，如果孕妇或其家庭成员之一有早产病史，则可以诊断为高风险[9，20]。由于早产很难预防，因此减轻早产对胎儿和母亲的影响和后果是迄今为止最好的解决方案。为此，我们需要更好地了解早产，以减轻和减少其后果。减轻早产问题的关键因素之一是早期发现分娩[5，32]。早期分娩检测有助于医疗干预，并有助于实现最佳分娩和治疗[7，8]。医生在分娩开始后越早进行干预，孕妇和胎儿的存活率就越高。我们可以通过孕妇的生化或生物物理信号尽快监测早产的症状来检测早期早产[ 4，10，27 ]。此外，早期发现不仅有助于减轻胎儿和母亲的健康风险，还可以降低早产的治疗成本[33]。通过实际和具有成本效益的护理，研究人员表示，超过四分之三的早产婴儿可以挽救[11]。此外，研究人员建议，通过改善孕妇在怀孕前，怀孕期间和怀孕后的护理，可以降低早产率[11，19，34因此，迫切需要一种自动化方法来无创和连续监测具有早产高风险的孕妇[30，37]。这种方法可以帮助减轻早产的后果，从而为孕妇和胎儿提供更好的医疗保健[32，38]。在本文中，我们提出了一种自动化，连续，低成本，易于部署，可靠的子宫活动家庭监测框架，使用无线身体传感器和智能手机。拟议的框架旨在减轻早产对孕妇和胎儿的影响，并消除医生分析子宫活动读数的需要，这使其成为一个完全自动化的系统，可以很容易地在发展中国家部署。本文件的结构如下。第2部分介绍子宫收缩监测、子宫电图（EHG）和无线身体传感器网络（WBSN）。第三部分列出了相关的工作和文献综述。第4.1节详细介绍了拟议框架。第4.11节解释了评价方法。第5节介绍了结果。第六节是对结果的讨论。第7节提出结论意见和今后工作的范围2. 背景2.1. 监测子宫收缩早期发现方法对于减轻早产并发症至关重要为了实现这一目标，我们需要开发工具和方法来帮助我们更好地监测怀孕和发现早产[18]。子宫收缩是检测产程进展的第一个也是最重要的标志[32，39]。通过监测妊娠期间的子宫收缩活动，我们可以评估和评价妊娠的进展以及母亲和胎儿的健康[32，40当子宫收缩随着时间的推移变得更稳健、更复杂和更频繁时，随着孕妇接近分娩，可以检测到子宫收缩，这使得子宫收缩成为子宫收缩检测的关键指标[39，44当涉及到早产时，监测子宫收缩对胎儿和孕妇的存活至关重要。这种监测可以为我们提供孕妇和胎儿的生命体征，以区分早产和正常分娩[16]。此外，监测子宫收缩可以检测胎儿健康窘迫或妊娠并发症的风险，如子宫破裂、心动过速和可能导致早产的胎盘脱垂[32，48]。我们可以得出结论，产科医生监测子宫收缩的迹象，更强大和更频繁的收缩，以发现早期早产[33，44]。此外，为了监测孕妇的子宫收缩信号，我们可以使用非侵入性方法从孕妇的腹部收集子宫EHG读数，我们将在下一节中更详细地讨论。2.2. 子宫电图子宫电描记术（EHG）早在20世纪60年代就已开发[49，50]。EHG被定义为子宫肌层细胞的生物电活动信号[26，42，51产科医生使用三种技术来监测和记录孕妇的子宫收缩：• EHG。• 分娩力计。• 宫内压力导管（IUPC）。在所有三种技术中，EHG具有从孕妇腹部外部无创记录的优势[8，37]。此外，EHG在监测子宫收缩方面比其他技术更准确和可靠，因为它可以反映子宫肌肉的活动，这可以降低治疗费用[4，26，31，44，54]。此外，EHG信号可以早在孕妇胎龄的19周被记录[15，55，56]。由于这些优点，EHG是监测子宫收缩和检测早产的有前景的方法[7，10，14，25，38，41，55，57]。然而，EHG有两个缺点。第一个缺点是EHG信号第二个缺点是EHG信号的质量可能很弱，可能会受到干扰的影响[40]。最近的技术进步使得使用WBSN更容易从孕妇的腹部非侵入性地[38]这将在下一节中讨论。2.3. 无线人体传感器网络无线身体传感器网络（WBSN）是一种新兴的无线技术，应用于医疗保健，体育，娱乐和工业[58-60 ]。WBSN的功能之一是连续监测患者的生命体征。这种连续监测功能可以帮助检测和降低患者的健康风险[ 59，61 ]，H. Allahem和S. 桑帕利医学信息学解锁20（2020）1004043改善患者图1显示了WBSN的体系结构。它包括身体传感器，用于收集和无线发送来自患者身体的生命体征，接收器介质，用于收集和分析患者的生命体征，以及用于信息存储和分析的远程服务器。WBSN具有安全、低成本、移动性、连续监测能力等优点[59，61，63，64]。此外，WBSN的无线通信能力允许其与诸如智能手机的移动设备通信。这种能力将进一步促进WBSN在医疗保健系统中的集成[65]。最后，WBSN的低成本将大大有助于降低任何系统的成本。在下一节中，我们将列出以前与监测、记录或分析孕妇子宫收缩相关的研究2.3.1. 无线传输的健康危害在我们提出的系统中，无线身体传感器（WBS）使用蓝牙传输来无线发送来自孕妇腹部的EHG读数。因此，我们需要列出与射频电磁场（RF- EMF）暴露相关的孕妇和胎儿可能的健康危害。很少有研究来检查产前母亲使用手机和出生结果的影响[66]。这些研究中的大多数都没有得出结论性的证据，关于RF-EMF暴露对孕妇和胎儿的影响。 然而，他们发现，孕龄、新生儿平均出生体重与早期自然流产有一定的相关性。例如，在6个月和18个月大的婴儿中，没有发现使用手机与运动或认知/语言发育迟缓之间的证据[67]。产前使用手机与教师报告的五岁儿童的整体行为问题之间没有显着关联。该研究表明，母亲在怀孕期间使用手机的儿童的行为问题没有增加[68]。此外，三年来语言和运动技能低下的风险产前使用手机会导致大龄儿童减少。没有关于产前使用手机对神经发育产生不良影响的证据[69]。在另一项研究中[66]，胎儿生长和母亲使用手机之间没有联系。怀孕时间较短，导致早产风险增加。然而，作者提到，这些结果可能是妊娠期间压力或其他残留混杂因素的结果，而不是与妊娠期间的RF-EMF暴露直接相关。另一方面，一项研究得出结论，长期RF-EMF暴露可能与较高水平的氧化应激和早期自然流产有关[70]。另一项研究发现，母亲过度使用手机的婴儿出生体重较低，婴儿紧急运输的频率明显较高[71]。2.4. 家庭子宫监测早产风险高的孕妇到医院就诊更经常地监测他们的子宫收缩[36]; 0）。在某些情况下，这种访问持续数天或数周，这将使孕妇远离舒适的家庭[30]。家庭子宫监测对孕妇有很多好处。例如，在丹麦，孕妇到医院的门诊次数减少了，医务人员的护理时间减少了75%，孕妇的住院天数减少了44%，而不影响医疗保健的质量[ 90 ]。此外，检测假产将有助于避免不必要的住院治疗，从而降低经济成本[7，72]。研究人员得出结论，家庭子宫监测可以帮助预防早产[54]。使用家庭子宫监测系统的孕妇不太可能早产[73]。使用家庭子宫监测系统也有助于降低子宫内膜异位症的数量。新生儿重症监护病房的婴儿入院情况[73]。此外，分娩的感觉因孕妇而异。一般来说，分娩感觉像是不舒服的宫缩，在孕妇分娩之前，宫缩的强度会随着间隔的缩短而增加。然而，只有大约15%的孕妇可以检测到子宫收缩，这使得自动化成为任何家庭子宫监测系统的关键特征[54]。对于早产，孕妇可能在分娩时没有注意到子宫收缩的任何变化[4，11，12]。3. 相关工作和文献综述自1990年代以来，一直有人提议对孕妇进行监测研究。在本节中，我们将沿着两个角度，医学和计算机科学的角度来划分文献综述。早产的医学研究集中在子宫活动监测对孕妇健康状况的有效性。计算机科学研究侧重于系统的技术方面，例如提高信号过滤和分类的质量以及监测子宫肌肉活动。3.1. 早产研究我们概述了三项专注于医学视角的研究第一项研究于1998年进行[21]。它比较了早产高危孕妇家庭监测子宫活动与护士频繁接触这些孕妇的有效性具体来说，作者他们随机招募了2422名高危孕妇， 早产孕妇们接受了有关早产症状和体征的信息，然后根据以下情况将她们分为三组：• 每周与护士接触。• 每天与护士接触。• 每天与护士联系，并在家监测子宫活动。图1.一、 无线身体传感器网络（WBSN）架构。H. Allahem和S. 桑帕利医学信息学解锁20（2020）1004044对于家庭监测组，为孕妇提供Corometrics 600，一种子宫监测装置。该设备记录、存储并将子宫收缩发送到中央接收器以立即诊断。这些妇女被要求在早上和晚上进行1小时的监测会议。由于招募了足够数量的患者和三个组的组织，该研究结构良好。该系统设置为在护士的参与下每天两次监测子宫收缩。这项研究的作者旨在观察当孕妇在家接受监测时，怀孕进展是否存在差异，并确定家庭监测是否有助于预防早产。作者得出结论，三组之间的妊娠结局无差异。他们还发现，第二组和第三组有更多的计划外访问医院。然而，该系统具有以下缺点：• 由于监控设备的价格，EX• 医务人员的参与。在连接到监护仪时限制孕妇第二项研究于2009年进行[74]。本研究比较了EHG和IUPC在孕妇监护中的应用。作者招募了32名分娩中的孕妇，同时记录EHG和IUPC至少30分钟。他们使用一种简单的算法自动识别子宫收缩。该算法提取了子宫峰值的幅度和持续时间。作者得出结论，EHG检测子宫收缩的准确性为94.5%，敏感率（真阳性率）。然而，作者没有提供关于假阴性率的结果（即。e.发生但未检测到的子宫收缩）。此外，这项研究不符合成本效益，因为它需要医院设备和医务人员进行监测，孕妇需要住院接受监测。此外，它是在出生时进行的，这不适合于监测任何怀孕年龄的孕妇。第三项研究是在2017年进行的，研究内容是家庭监测子宫活动对早产和早产儿高风险孕妇健康的有效性[35]。作者旨在确定如果在妊娠期间没有使用家庭监测系统，是否会导致孕妇和早产儿健康状况的相同结果。作者从15项研究中对早产高危孕妇进行了家庭子宫活动监测的随机对照试验。作者比较了有和没有家庭子宫活动监测以及有和没有患者教育计划的孕妇护理。该研究设计和分析良好。作者评价了试验的纳入和偏倚风险，并审查了数据的准确性。他们收集并分析了6008名患者的数据。作者发现，使用家庭监测子宫活动的孕妇在怀孕不到34周时早产的可能性较小。作者还发现，使用家庭子宫活动监测系统的孕妇早产的婴儿不太可能需要留在新生儿重症监护室。然而，使用家庭监测子宫活动的孕妇有更多的计划外产前检查。3.2. 早产监测我们概述了三项重点关注孕妇监测技术的研究：参考文献[75]的第一项研究提出了一种移动医疗保健系统，用于使用身体传感器监测患有高血压疾病的孕妇的健康状况。他们的系统使用朴素贝叶斯分类器模型来支持医生的决策为了评估该系统，作者对25名孕妇进行了实验。尽管孕妇的临床状况略有改善，但84%的孕妇没有改善。分类器的性能分析表明，准确率为0.8。第二项研究是参考文献。[30]建议Nemo远程监护医疗保健用于家庭信号监测胎儿和母亲的心率，子宫收缩和胎儿心电图。该系统由NemoHealthcare 系 统 传感 器 、Web 服 务 器和 Web 应 用 程序 组 成 。NemoHealthcare系统传感器实时收集孕妇的生命信号，并通过互联网将其无线发送到Web服务器。然后，医生可以通过网络应用程序监测和诊断孕妇的健康状况。通过预定义的数据来模拟信号，对系统进行评估。虽然它是一个设计良好的系统，但它需要服务器和医生来监测结果，这可能是昂贵的，并且需要医生贡献他们的时间来监测和分析结果。参考文献[76]的第三项研究提出了一种监测孕妇心脏分娩图信号的系统。该提案包括 由三部分组成：的妇产科部信息系统（ObGyn）。• 基于Android的应用程序• 智能传感器收集孕妇的生命体征智能传感器收集和分析数据，并将警报发送到智能手机，然后将警报转发到ObGyn系统，以便医生监测结果。通过将其应用于10名孕妇来验证该系统;然而，作者没有提供关于系统验证结果的任何详细信息。与参考文献[30]设计的先前系统类似，该设计的实施成本可能很高，并且医生必须花费时间来监测结果。表1总结了拟定的研究及其局限性。从表中可以看出，大多数建议的系统都很昂贵，孕妇使用起来不舒服，或者需要医生来分析结果。此外，没有一项是为发展中国家设计的，因为大多数早产发生在这些国家。4. 材料和方法4.1. 智能手机应用框架提案我们提出了一个低成本，易于部署，可靠的家庭子宫EHG活动监测框架，孕妇早产的高风险使用WBSN。拟议的框架旨在减轻早产对孕妇和胎儿的影响。此外，所提出的框架将消除医生分析子宫EHG活动读数的需要。此外，拟议的框架由于其低成本预算，将适合在发展中国家4.2. 框架提案概述如前所述，最好的治疗方法是通过监测系统进行早期检测，以预防或减轻早产的后果[34]。此外，子宫收缩在怀孕期间发生变化，可以自发发生，也可以在分娩前三天发生[32，54]; 9）。子宫收缩的变化发生在频率尖峰，随着时间的推移，当孕妇进入劳动力增加。追踪这样的尖峰频率将导致有效的乳酸检测[55]。此外，早产的孕妇子宫收缩频率更高，并且可以比足月分娩的孕妇更早开始[54]。EHG用于记录子宫收缩，它是预测和检测分娩的最有能力和最有效的方面[1，39，··H. Allahem和S. 桑帕利医学信息学解锁20（2020）1004045表1相关工作研究总结。提出的系统Dyson等人Jacod等人厄克特等人Rodrigues等人Vermeulen-Giovagnoli等人Ni等人连续监测✓✓移动系统设计✓✓从家中✓✓✓✓EHG信号✓用于监测早产✓✓使用智能手机进行数据分析成本效益自动分娩检测简单的应用程序设计为发展中国家图二、 框架的总体流程图：SD 代表标准差，FD代表最终决策。H. Allahem和S. 桑帕利医学信息学解锁20（2020）100404640、54、77、78]。为了使用子宫收缩具体来说，我们需要提取产科医生用于评估妊娠进展的两个收缩参数[32，39，42]：• 振幅• 频率.随着时间的推移，当孕妇接近分娩时，子宫收缩的强度会增加[72]。特别是，子宫收缩变得更频繁，幅度更大[31]。测量这些读数的变化，因为它们随着时间的推移变得更加强烈，将使我们能够检测到分娩。在下一节中，我们将描述我们新提出的基于监控EHG特征的框架4.3. 框架建议早产的两个主要挑战是检测和预测[1]。我们以前的工作成果在劳动检测方面很有希望[58];然而，以前提出的系统缺乏一些方面，以便推广。第一个方面是，它需要更多的测试与更大的样本数据库。第二个方面是算法需要更多的特征和复杂性，以便能够独立地做出因此，基于WBSN的优点和从EHG信号中提取的参数，我们提出了一种自动无线家庭子宫监测框架，以检测具有早产高风险的孕妇何时分娩。该框架由一个WBS和一个智能手机组成。WBS将是使用双极电极非侵入性地连接到孕妇的腹部，以EHG信号的形式收集子宫收缩，并通过蓝牙将其无线发送到智能手机。30分钟后，智能手机将分析从WBS接收的数据。根据参考文献进行的两项研究，选择了30分钟的监测时间。[31，72]，这通常模仿产科医生在决定孕妇是否要分娩之前如何监测她。在30分钟时间段之后，如果EHG读数类似于一致的分娩模式，即一致的子宫收缩尖峰，则智能手机将触发警告。该框架是完全便携的，因此不会限制孕妇自由走动孕妇也可以在舒适的家中接受监测。此外，由于传感器成本低，该框架将是发达国家可部署最后，产科医生不需要贡献他们的宝贵时间来分析结果，因为智能手机将自动进行分析。据我们所知，目前还没有一种移动式子宫活动系统能够检测出具有上述优点的早产。图2显示了该框架与这方面的先前工作相比，我们的系统在部署成本、不需要医务人员和部署方便性方面得分更高。在许多以前的系统中，部署成本可能相当可观。例如，大多数拟议的研究需要一个服务器来存储数据，并需要随着时间的推移进行设置和维护，而我们提出的系统不需要服务器来运行，只使用智能手机进行数据存储和分析。此外，大多数拟议的研究系统完全依赖于医务人员手动分析数据，这可能会消耗宝贵的时间，资源和成本。另一方面，我们提出的系统不需要医务人员进行数据分析，因为智能手机将分析数据以检测早产。此外，由于拟议的系统需要基础设施来建立其系统，例如需要互联网接入的服务器，它们可能不适合在大多数早产发生的发展中国家部署。另一方面，我们建议的制度是设计用于在低端智能手机上运行，无需互联网接入。4.4. 系统实现为了实现该系统，我们将从EHG子宫收缩读数中提取两个特征，即幅度（我们在研究中将其称为峰值）和频率。根据时间-频率方法，发现这两个参数是预测早产最常用的参数[4，8]。这些参数在整个妊娠期间都会发生变化[50]。它们从微弱和不协调的信号变得更加强烈和协调，因为它们更接近劳动[26]。准确分析这些参数对于评估妊娠进展至关重要[48，72]。基于这些知识，我们使用Java编程语言为Android操作系统（OS）设计并实现了一个概念验证原型应用程序。该应用程序使用AndroidStudio编程平台构建，并在华硕Nexus 7平板电脑上部署和测试应用程序连续读取30分钟会话的子宫收缩数据集输入。在30分钟的监测会话后，应用程序分析EHG读数并提取其特征，然后决定孕妇是否处于分娩状态。如果她正在分娩，应用程序会触发警告，通知孕妇去医院。在下一节中，我们将介绍系统用户界面（UI）。4.5. 系统用户界面我们的目标之一是设计一个易于在发展中国家部署和使用的系统。因此，应用程序的UI必须简单易用，便于医学专家和患者使用。因此，我们将应用程序的UI设计为只有三个界面。第一个接口是应用程序的启动接口，用于开始监视会话。当监控会话开始时，应用程序切换到第二个接口并开始30分钟的监控会话。如果30分钟的监测会话以警告结束，应用程序将触发警报声并显示警告消息。4.6. 数据选择和预处理4.6.1. 数据选择为了测试该框架，我们使用了来自Phys-ioNet存储库的三个公开可用的孕妇子宫收缩EHG信号数据库[79]。这三个数据库是：• 冰岛16电极子宫电图数据库[80]。• 足月-早产儿EHG数据库[81]。• 足月-早产EHG数据集及分娩描记图[82]。第一个数据库是冰岛16电极子宫电图数据库[80]，其中有2008年至2010年期间进行的45例孕妇记录。每个记录由16个子宫收缩EHG信号的数据集组成。第二个数据库是足月-早产EHG数据库[81]，其中包含1997年至2005年获得的300例孕妇子宫EHG记录。每条记录长30分钟，有12个 子宫 收缩EHG信 号数 据集 。 第三 个数 据 库是 Term-Preterm EHGDataSet with Tocogram [82]，其中有24个妊娠女性的子宫EHG记录和另外5个非妊娠女性的子宫EHG记录。 我们总共有376个数据集，记录时间从不到30分钟到1小时不等。接下来，我们将解释数据预处理以及如何提取最终数据集进行测试。4.6.2. 数据预处理我们提出的框架的主要目标是检测过早H. Allahem和S. 桑帕利医学信息学解锁20（2020）1004047从三个数据库中的数据集，并将它们准备为30分钟长的单列读数。为了说明更多信息，N=（i））通过分析30分钟监测会话的分娩一致收缩尖峰模式的EHG信号来进行分娩。要做到这一点，我们需要提取SD√√√̅1̅̅̅̅ ̅∑̅ ̅N̅̅̅̅̅̅ ̅x̅̅̅̅̅̅̅̅ ̅μ̅̅̅ ̅2̅i=1（一）三个数据库具有几列EHG读数。基于此，数据集提取过程具有以下步骤：1) 从每个数据集分别提取每个列2) 按照以下规则将每列拆分为30分钟的长度a) 如果数据集的长度小于30 min，则丢弃数据集。b) 如果数据集的长度为30 min，则按原样提取数据集。c) 如果数据集的长度超过30分钟，则提取数据集的前30分钟。d) 如果数据集在前30分钟后有更多读数，则从过程编号2a开始重复步骤我们总共提取了6169个30分钟长的数据集。我们所考虑的数据集来自三个不同的孕妇子宫收缩监测时孕妇处于临产或非临产阶段。这种记录的多样性使得数据足以测试和评估分娩检测算法。在下一节中，我们将详细介绍EHG特征提取和分娩检测最终决策（FD）选择的数据分析过程。4.7. 数据分析通常，提取的EHG信号数据集具有如图3所示的一致模式（分娩）或如图4所示的随机模式（非分娩）。基于这一观察，我们将数据分析分为两个阶段：4.7.1. I期分析首先，我们需要识别数据集的EHG信号模式是一致的还是随机的。我们需要一个值，它可以确定EHG信号的模式是否是随机的，并且可以通过有效使用智能手机的有限资源来计算。标准差（SD）是分析子宫收缩时通常计算的属性之一[31，74]，可以使用智能手机的有限资源有效地计算。为了找出SD值是否可以为我们提供EHG信号模式随机性的指示，我们计算了从6169个数据集中随机选择的几个数据集的SD值。我们注意到，具有随机EHG信号模式的数据集的SD值小于0.1，其中具有一致EHG信号模式的数据集的SD值更高。因此，我们选择SD值0.1作为阈值，以确定数据集的EHG信号模式是否随机，并因此通过阶段1。我们将使用以下等式1;其中N是数据集的大小，μ是数据集读数的平均值：如果SD值高于阈值0.1，则数据集将通过阶段1并继续进行特征提取，然后进入阶段2。否则，数据集将不会通过阶段1，并且不会触发警报。4.8. 特征提取通过第一阶段后，数据集将经历特征提取过程。我们将使用峰值和频率来确定孕妇是否正在分娩。请注意，每个特征提取迭代将在100个EHG读数的窗口中完成，直到数据集结束。该窗口是根据仅包含一个峰的EHG读数范围选择的。如果我们选择更宽的范围，那么在一个范围内可能有多个峰值，这意味着算法将基于最高读数仅检测一个峰值，并且其它峰值将不被计数。如果我们选择较小的范围，那么性能将不会有效。这就是为什么100范围是算法的最佳范围。4.8.1. 峰在分娩期间，彼此靠近的子宫收缩将具有相似的峰值水平。峰值算法将查找100读数范围内的最高读数，并将其位置标记为峰值。4.8.2. 频率与峰值类似，彼此靠近的收缩将具有类似的频率值。频率算法将计算从一个峰值位置到下一个峰值位置的距离。4.9. 阶段2分析阶段2旨在计算用于FD的三个统计值。三个统计值为：相邻两个峰值或两个频率值之间的百分比差异。提取特征的模式相异率（PRPD）。• FD率。每个值都是下一个值的基线。对于每个提取的特征，我们将使用上面的统计值列表来确定数据集是否具有一致的模式。4.9.1. 百分比差异为了说明如何计算百分比差异（PD），我们将采用以下示例。对于十个提取的值（峰值或频率），我们将通过以下方式检查第一个值与第二个值的相似性以及第二个值与第三个值的相似性，依此类推：图三. 子宫电图（EHG）一致模式（分娩）。··H. Allahem和S. 桑帕利医学信息学解锁20（2020）1004048见图4。 子宫电图（EHG）随机模式（非分娩）。图五. 百分比差异流程图。计算两个值之间的PD。图5示出了PD流程图，其中：• valP是value1 + value2。• valM是value 1- value 2。• perDiff是PD结果。PD越低，两个值越相似。如果PD大于14%，则我们认为这两个值不相似。最后，我们将计算有多少差异，以便使用以下公式计算PRPD：差异*100extracted_values_sizePRPD应为25%或更低，以考虑值的一致性。在计算FD之前，将计算PD和PRPD的峰值和频率。见图6。 峰分析流程图。4.9.2. 峰分析峰值是用于检测分娩的基本特征之一。将计算PD和PRPD，以确定峰是否具有一致性。图 6示出了峰分析流程图，其中：• PFC是不同峰的计数。• PDR是峰值百分比差异率。• PeaksFD是峰值最终决策。4.9.3. 频率分析子宫频率是从一个峰到下一个峰的距离。与峰分析相似，PD和PRPD将用于确定一致性 数据集的频率PRPD=H. Allahem和S. 桑帕利医学信息学解锁20（2020）1004049P*R======4.10. 最终决策分析这是数据集分析的最后一步，应用程序使用此步骤触发警报。F=2*P+R（6）FD率由峰和频率的分析结果组成。为了计算FD率，我们将结合峰值和频率的结果。如果FD速率的组合结果大于或等于FD阈值，则将触发报警。 FD阈值是基于段的模式一致性的百分比。例如，FD阈值为90%意味着该分段具有90%的分娩模式一致性。4.11. 评价方法我们需要从两个方面评估拟议的框架：框架算法• 智能手机资源性能。假阴性率（FNR）是分类器在数据集具有模式时将其识别为无模式的频率的百分比。此评估参数很重要，因为如果它很高，则意味着即使数据集具有模式，应用程序也不会触发警报。FNR由Eq.（七）：FNRFN（7）TP+FN假阳性率（FPR）是分类器在没有模式时将数据集识别为模式的频率的百分比。该评估参数是重要的，因为如果其高，则其意味着即使数据集没有模式，应用也将触发警报，这将导致孕妇无缘无故地对医院进行更多的非计划访问FPR由Eq.（八）：4.11.1. 可靠性和准确性分析我们将使用混淆矩阵X，这是一个二维矩阵X表，用于根据测试对分类器的性能进行评级FRPFPFP+TN4.12. 智能手机资源性能（八）数据[83]，以评估框架算法表2表示我们将使用的混淆矩阵X根据该表，我们将计算以下等式来测量系统算法性能：准确度（AC）是分类器正确识别数据集为模式或无模式的频率的百分比。AC由Eq给出。（二）：我们需要从中央处理器（CPU）、内存和电池功耗方面评估应用程序。该应用程序应该有效地消耗智能手机的资源，以便可以部署在发展中国家常用的低成本低端智能手机上。4.12.1. CPU和内存性能对于每个数据集，我们将监视应用程序CPU和内存ACTP+TNTP+TN+FP+FN（二）在30分钟监测期的开始、中间和结束时的消耗。我们将采用所有测试数据集的CPU和内存消耗率的总体平均值，以评估错误分类率（MisCl）是分类器将数据集识别为模式或无模式的总体错误频率的百分比。MisCl由Eq.（3）：智能手机CPU和内存资源的应用程序消耗效率4.12.2. 电池功耗MisClFP+FNTP+TN+FP+FN（三）我们将在30分钟监控会话的开始、中间和结束时监控应用程序。我们将采用所有数据集的整体平均电池功耗率（毫安/小时（mAh）），召回率（R）是分类器在数据集具有模式时将其识别为模式R由Eq给出（四）：R中文（简体）TP+FN精度（P）是分类器将数据集识别为模式时正确率的百分比。P由Eq给出（五）：评估应用程序消耗电池电量的效率5. 结果在本节中，我们将介绍我们根据评估获得的智能手机应用结果。应用程序运行30分钟。PTPTP+FP（五）5.1. 可靠性和准确性分析我们需要确保 算法可以识别出 子宫F评分（F）是P值和R值之间的平衡。更高的F值意味着更好的分类器，特别是因为我们更关心结果中的模式化数据集F由Eq给出（六）：表2混淆矩阵分类模式分类无模式模式真阳性（TP）假阴性（FN）无模式假阳性（FP）真阴性（TN）宫缩FD代表了这一关键点。此外，对于一些孕妇来说，早产的风险很高，他们需要比没有早产风险的孕妇更仔细地进行监测。因此，我们需要确保早产风险高的孕妇将获得尽可能高的表370%混淆矩阵的阈值。分类模式分类无模式型号2795 581无图案0 2793········H. Allahem和S. 桑帕利医学信息学解锁20（2020）10040410从应用程序中获得警告的可能性。因此，我们的可靠性和准确性分析结果将分为两个FD阈值：• FD阈值为70%。• FD阈值为50%。70%或更高的阈值意味着70%的数据集具有模式一致性。表3表示70%阈值的混淆矩阵与阈值70%相同，阈值50%或更高意味着50%的数据集具有模式一致性。表4表示50%阈值的混淆矩阵。表5显示了从混淆矩阵和表3和表45.2. 智能手机的资源性能由于智能手机是所提出的框架用于分析子宫收缩的主要资源，因此我们需要确保应用程序有效地使用智能手机的资源。以下智能手机的资源消耗评估结果对于阈值70%和50%是相同的。因为我们正在测试应用程序30分钟，我们将无法对所有6169个数据集运行测试。因此，我们随机选择了13个数据集，以确保它们代表以下内容三个不同的数据库。所有三种FD情况，即，未通过第1阶段，未通过第2阶段，通过第2阶段。5.2.1. CPU和内存性能有了报警，应用程序，在开始时，使用2%的CPU和分配51.8兆字节（MB）的1.80千兆字节（GB）的设备 在中间，应用程序使用了2%的CPU，并分配了60.7 MB的设备内存。最后，应用程序使用了2%的CPU，并分配了67.7 MB的设备内 存 。在没有警报的情况下，应用程序在开始时使用了2%的CPU，并从1.80 GB的设备内存中分配了52 MB。中间的应用程序使用了2%的CPU，并分配了52.1 MB的设备内存。最后，应用程序使用了2%的CPU，并分配了53.4 MB的设备平均而言，该应用程序使用了2%的CPU功率，并从智能手机的1.80 GB内存中分配了60 MB5.2.2. 电池功耗该设备的电池容量为3448 mAh。平均而言，该应用程序消耗了0.84%或34.5 mAh的电池容量。6. 讨论在本节中，我们将讨论智能手机应用程序的结果我们还将智能手机应用程序的结果与文献综述中的研究以及我们先前提出的方案的结果进行了比较[58]。我们将根据表1中的外观（如1 M或1T）来引用每项研究我们提出的系统的主要方面之一是使用子宫EHG信号。在所有六项研究中，只有我们提出的系统表450%混淆矩阵的阈值。分类模式分类无模式表5可靠性和准确性分析评价结果。70%的门槛50%的门槛AC0.9050.995MisCl0.0940.004R0.8270.992P11F0.9050.996FNR0.1720.007FPR002M研究[74]使用了EHG信号。此外，我们提出的系统被独特地设计为在不需要产科医生或护士贡献宝贵的时间来监测和分析子宫EHG信号读数的情况下操作。没有一项研究的设计不需要产科医生或护士来监测和分析子宫EHG信号读数。6.1. 可靠性和准确性分析一方面，在正常分娩的情况下，孕妇的预产期由产科医生确定。另一方面，早产风险高的孕妇可能会在孕龄早期自发分娩，而她直到后来才注意到。这种不确定性将危及她和胎儿的健康。对于早产的这种不可预测性，我们需要确保我们给孕妇最大可能的机会知道她是否开始分娩。 出于这些原因，我们选择了子宫收缩数据集的最小50%模式一致性，因为在我们的假设中，由于早产可能带来的高风险，50%足以让孕妇接受产科医生的检查。如果应用程序在分析数据集后给出错误警告，则此决定可能会增加计划外的医院访视。基于以上分析，应用可靠性和精度分析结果对所提出的方案能否达到设计目标至关重要。此外，该框架的最终目标是减轻早产对孕妇和婴儿的后果。因此，我们选择70%和50%的两个FD阈值来检测孕妇是否即将分娩。下面将讨论表5所示阈值混淆矩阵的结果一般而言，在除FPR之外的所有上述标准中，与70%阈值相比，50%的FD阈值具有更好的结果。从AC率开始，在对数据集进行分类时，应用程序在阈值为50%时比70%时准确率高9%，准确率分别为0.995和0.905。另一方面，70%的阈值具