Publicação
Application of Machine Learning Techniques to the Uterine Electromyography for Pregnancy Monitoring and Preterm Risk Evaluation
| Resumo: | O parto prematuro incitou pesquisadores a encontrar métodos para a previsão e classificação dessa condição. É uma das condições obstétricas mais significativas, com uma alta taxa de mortalidade e morbilidade, incluindo distúrbios de coordenação, audição e problemas respiratórios. Isso leva a enormes despesas para o tratamento das condições associadas. A monitorização da gravidez é um assunto importante. Existe uma necessidade no desenvolvimento de novos métodos para a monotorização da gravidez, nomeadamente para o processamento do sinal. Por fim, alguns aspetos dos mecanismos de eletrofisiologia uterina ainda necessitam de esclarecimentos. A Eletromiografia Uterina também conhecida como Eletrohisterograma (EHG) foi apontada como uma ferramenta moderna nestas metodologias. O EHG é um sinal elétrico não invasivo registado na superfície abdominal, decorrente da atividade contrátil miometrial. Este sinal contém informações importantes sobre o útero. Os algoritmos de machine learning em conjunto com a tecnologia não invasiva, como o EHG, têm sido abordadas por oferecer uma abordagem aplicável à monitorização da gravidez. A vantagem relativamente aos métodos existentes, é o facto do EHG ser não invasivo e não intrusivo. O EHG tem demonstrado a sua capacidade superior de representar a atividade contrátil uterina. No trabalho aqui proposto, o EHG utilizado foi obtido da base de dados TPEHG de Ljubljana. O Principal Components Analysis e o Binary Particle Swarm Optimization foram utilizados para procurar o melhor conjunto de características entre 23 características, provadas por serem adequadas na previsão do parto pretermo. Três classificadores diferentes, incluindo AdaBoost, Support Vector Machine e o classificador KNN foram utilizados para prever os partos prematuros. O SMOTE e métodos deteção de anomalias como One-Class SVM foram utilizados para melhorar o desempenho dos classificadores quando o conjunto de dados desequilibrado impactou severamente a classificação. A otimização de Bayesiana foi utilizada para melhorar os classificadores e a previsão de partos prematuros. |
|---|---|
| Autores principais: | Martins, José Filipe Ribeiro |
| Assunto: | Electrohysterograma machine learning Principal Component Analysis AdaBoost Support Vector Machine classificador KNN |
| Ano: | 2022 |
| País: | Portugal |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | Universidade Nova de Lisboa |
| Idioma: | inglês |
| Origem: | Repositório Institucional da UNL |
| Resumo: | O parto prematuro incitou pesquisadores a encontrar métodos para a previsão e classificação dessa condição. É uma das condições obstétricas mais significativas, com uma alta taxa de mortalidade e morbilidade, incluindo distúrbios de coordenação, audição e problemas respiratórios. Isso leva a enormes despesas para o tratamento das condições associadas. A monitorização da gravidez é um assunto importante. Existe uma necessidade no desenvolvimento de novos métodos para a monotorização da gravidez, nomeadamente para o processamento do sinal. Por fim, alguns aspetos dos mecanismos de eletrofisiologia uterina ainda necessitam de esclarecimentos. A Eletromiografia Uterina também conhecida como Eletrohisterograma (EHG) foi apontada como uma ferramenta moderna nestas metodologias. O EHG é um sinal elétrico não invasivo registado na superfície abdominal, decorrente da atividade contrátil miometrial. Este sinal contém informações importantes sobre o útero. Os algoritmos de machine learning em conjunto com a tecnologia não invasiva, como o EHG, têm sido abordadas por oferecer uma abordagem aplicável à monitorização da gravidez. A vantagem relativamente aos métodos existentes, é o facto do EHG ser não invasivo e não intrusivo. O EHG tem demonstrado a sua capacidade superior de representar a atividade contrátil uterina. No trabalho aqui proposto, o EHG utilizado foi obtido da base de dados TPEHG de Ljubljana. O Principal Components Analysis e o Binary Particle Swarm Optimization foram utilizados para procurar o melhor conjunto de características entre 23 características, provadas por serem adequadas na previsão do parto pretermo. Três classificadores diferentes, incluindo AdaBoost, Support Vector Machine e o classificador KNN foram utilizados para prever os partos prematuros. O SMOTE e métodos deteção de anomalias como One-Class SVM foram utilizados para melhorar o desempenho dos classificadores quando o conjunto de dados desequilibrado impactou severamente a classificação. A otimização de Bayesiana foi utilizada para melhorar os classificadores e a previsão de partos prematuros. |
|---|