تفکیک انقباضات رحمی زایمان از انقباضات رحمی کاذب با استفاده از سیگنال ehg و یادگیری عمیق

هدف: زایمان زودرس یکی از مهم‌ترین عوامل مرگ‌ومیر نوزادان و مشکلات طولانی‌مدت در سلامت و رشد کودکان است. با توجه به افزایش میزان زایمان‌های زودرس در سطح جهان و ناکارآمدی روش‌های فعلی در تشخیص زودهنگام آن، ضرورت توسعه تکنیک‌های نوین برای بهبود پیش‌بینی و پیشگیری از این پدیده احساس می‌شود. هدف اصلی این پژوهش، طراحی و ارزیابی یک مدل یادگیری عمیق مبتنی بر سیگنال‌های الکتروهیستروگرافی (ehg) برای تشخیص زایمان زودرس است.روش‌شناسی پژوهش: در این مطالعه، از الگوریتم‌های یادگیری عمیق برای تجزیه‌وتحلیل سیگنال‌های ehg استفاده شده است. داده‌های مورد استفاده شامل 262 پرونده از زنان با زایمان طبیعی و 38 پرونده از زنان دارای زایمان زودرس بوده است. روش پیشنهادی با استفاده از تکنیک کراس بر روی چهار مجموعه داده مختلف و در دو حالت، یکی با آموزش و دیگری بدون آموزش، ارزیابی گردیده است.یافته‌ها: نتایج نشان داد که مدل پیشنهادی توانسته است زایمان زودرس را با دقت بالا و خطای تنها %1 تشخیص دهد. این یافته‌ها حاکی از عملکرد بهینه مدل در پیش‌بینی زایمان زودرس و برتری آن نسبت به روش‌های سنتی است.اصالت/ارزش افزوده علمی: این پژوهش با بهره‌گیری از یادگیری عمیق و تحلیل سیگنال‌های ehg، رویکردی نوین و دقیق برای تشخیص زایمان زودرس ارایه می‌دهد. نتایج حاصل می‌تواند به بهبود سیستم‌های پایش سلامت مادران کمک کرده و زمینه‌ساز توسعه ابزارهای بالینی موثرتر در پیشگیری از زایمان‌های زودرس باشد.

differentiation of labour contractions from false contractions using ehg signals and deep learning

purpose: preterm birth is a leading cause of neonatal mortality and long-term health complications. given the rising global incidence of preterm births and the inadequacy of current early detection methods، there is a pressing need for advanced techniques to improve prediction and prevention. the primary goal of this study is to design and evaluate a deep learning-based model using electrohysterography (ehg) signals for the early detection of preterm birth.methodology: in this study، deep learning algorithms were employed to analyze ehg signals. the dataset included 262 cases of full-term deliveries and 38 cases of preterm births. the proposed method was evaluated using a cross-validation technique on four different datasets under two conditions: one with training and one without training.findings: the results demonstrated that the proposed model achieved a high accuracy in detecting preterm birth، with an error rate of only 1%. these findings indicate the superior performance of the model in predicting preterm labor compared to conventional methods.originality/value: by leveraging deep learning and ehg signal analysis، this research introduces a novel and precise approach for detecting preterm birth. the findings can contribute to improving maternal health monitoring systems and pave the way for the development of more effective clinical tools for preterm birth prevention.