کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
6484263 | 340 | 2016 | 9 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Automated detection of uterine contractions in tocography signals - Comparison of algorithms
ترجمه فارسی عنوان
تشخیص خودکار انقباضات رحم در سیگنال های تنفسی - مقایسه الگوریتم ها
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
فعالیت انقباضی رحم، توکوگرافی، تشخیص انقباض اتوماتیک، نظارت بر جنین،
ترجمه چکیده
نظارت بر فعالیت انقباضی رحم امکان کنترل پیشرفت کار را فراهم می کند. تشخیص خودکار انقباض بخشی جدایی ناپذیر از تجزیه و تحلیل سیگنال است که در سیستم نظارت بر جنین کامپیوتری اجرا شده است. مقایسه چهار الگوریتم برای تشخیص خودکار انقباض رحم در سیگنال فعالیت مکانیکی رحم ارائه شده است. سه الگوریتم عموما بر روی تجزیه و تحلیل توزیع فرکانس مقادیر سیگنال انجام می شود. روش چهارم به تجزیه و تحلیل میزان تغییرات سیگنال فعالیت رحم کمک می کند. داده های مرجع در قالب آغاز و پایان بخش های انقباض توسط کارشناسان انسان فراهم شده است. نتایج بدست آمده نشان می دهد که تمام الگوریتم ها قادر به تشخیص بیش از 91٪ انقباض مرجع بودند و کمتر از 7٪ از الگوهای شناخته شده نادرست بودند. دو الگوریتم را می توان به عنوان ارائه عملکرد بالاتر بیان شده توسط حساسیت 95٪ و ارزش پیش بینی مثبت 97٪. چنین نتایجی می تواند با بهینه سازی معیارهای اعتبار سنجی انقباض به دست آید.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی شیمی
بیو مهندسی (مهندسی زیستی)
چکیده انگلیسی
Monitoring of uterine contractile activity enables to control the progress of labor. Automated detection of contractions is an integral part of the signal analysis implemented in computer-aided fetal surveillance system. Comparison of four algorithms for automated detection of uterine contractions in the signal of uterine mechanical activity is presented. Three algorithms are based generally on analysis of the frequency distribution of signal values. The fourth method relies on analyzing the rate of changes of the uterine activity signal. The reference data in form of beginning and end of contraction episodes were provided by human experts. Obtained results show that all algorithms were capable to detect above 91% reference contractions, and less than 7% of recognized patterns were false. Two algorithms can be distinguished as providing a higher performance expressed by the sensitivity of 95% and the positive predictive value of 97%. Such results could be obtained by optimization of contraction validation criteria.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Biocybernetics and Biomedical Engineering - Volume 36, Issue 4, 2016, Pages 610-618
Journal: Biocybernetics and Biomedical Engineering - Volume 36, Issue 4, 2016, Pages 610-618
نویسندگان
Krzysztof Horoba, Janusz Wrobel, Janusz Jezewski, Tomasz Kupka, Dawid Roj, Michal Jezewski,