نوع مقاله : مقاله پژوهشی

نویسندگان

• علی شیخانی ¹
• فرشاد حسین زاده لطفی ²
• آرش مقصودی ³

¹ گروه مهندسی پزشکی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

² تهران واحد علوم و تحقیقات گروه مهندسی پزشکی

³ گروه مهندسی پزشکی، واحد علوم و تحقیقاتو دانشگاه آزاد اسلامی، تهران، ایران

چکیده

در سطح جهان، میزان زایمان‌های زودرس در حال افزایش است، بنابراین مشکلات قابل توجهی در زمینه سلامت، توسعه و اقتصادی ایجاد خواهد شد. زایمان زودرس یکی از دلایل اصلی مرگ و میر و علت قابل توجهی برای از بین بردن توانایی بالقوه انسانی در میان بازماندگان در سراسر جهان است. عوارض زایمان زودرس تنها بزرگترین علت مستقیم مرگ نوزادان است. روش‌های فعلی برای تشخیص زود هنگام چنین زایمانی ناکافی می‌باشد. یکی از تکنیک‌های امیدوار کننده، که در نظارت بر فعالیت رحمی به رسمیت شناخته شده است، استفاده از الگوریتم‌های یادگیری پیشرفته دستگاه و القای الکتروهیستروگرافی (EHG) است. در این مقاله با طراحی یک ماشین یادگیری، برای تشخیص انواع زایمان انجام شده است. با استفاده از الگوریتم‌های یادگیری عمیق، از سیگنال‌های الکتروهیستروگرافی برای تشخیص تولد زودرس استفاده شده است. نتایج با استفاده از یک مجموعه داده که شامل 262 پرونده برای زنانی است که دارای زایمان واقعی و 38 پرونده برای زنانی که دارای زایمان زودرس بوده‌اند، حاصل شده است. با استفاده از تکنیک "کراس" روی ۴ نوع مجموعه داده با دو روش با آموزش و بدون آموزش، اجرا گردید. نتایج حاص در این تحقیق نشان داد که روی این مجموعه از داده خطای موجود یک درصد بوده است.

کلیدواژه‌ها

• زایمان زودرس
• یادگیری عمیق
• الکتروهیستروگرافی
• هوش مصنوعی

موضوعات

• بهینه سازی در علوم و مهندسی

عنوان مقاله [English]

Using Deep Learning Separation of Births Uterine Contractions from False Uterine Constructions By EHG Signal

نویسندگان [English]

• Ali Sheykhani ¹
• Farshad Hosseinzadeh Lotfi ²
• Arash Maghsoudi ³

¹ Department of Biomedical Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran

² Department of Medical Engineering , Science and Research Branch, Islamic Azad University, Teran, Iran

³ Department of Biomedical Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran

چکیده [English]

Worldwide, the rate of preterm births is increasing, so there will be significant health, development and economic problems. Premature birth is one of the leading causes of death and a significant cause for the loss of human potential among survivors around the world. Complications of preterm birth are the single largest direct cause of neonatal death. Current methods for early detection of such labor are insufficient. One promising technique, recognized in monitoring uterine activity, is the use of advanced device learning algorithms and electrohistrography (EHG) induction. In this article, a learning machine is designed to diagnose different types of deliveries. Using deep learning algorithms, electrohistrographic signals have been used to detect preterm birth. The results were obtained using a data set that included 262 cases for women who had a preterm delivery and 38 cases for women who had a preterm delivery. Using the "cross" technique, 4 types of data sets were implemented in two ways, with training and without training. The results obtained in this study showed that the error on this set of data was one percent.

کلیدواژه‌ها [English]

• Premature delivery
• Deep learning
• Electrohistrography
• Artificial intelligence