Application of Machine Learning Techniques to the Uterine Electromyography for Pregnancy Monitoring and Preterm Risk Evaluation

• Autor(a) principal: Martins, José Filipe Ribeiro
• Data de Publicação: 2022
• Tipo de documento: Dissertação
• Idioma: eng
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10362/134711
• topic: Electrohysterograma; machine learning; Principal Component Analysis; AdaBoost; Support Vector Machine; classificador KNN; Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática

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.