Fast Mask Recurrent Convolutional Neural Network for IoT-Based Maternal and Fetal Monitoring in High-Risk Pregnancies
Notice bibliographique
Résumé
Ensuring the well-being of fetuses and their timely diagnosis for potential abnormalities is a critical aspect of healthcare.Early identification of intrauterine growth restriction can facilitate appropriate interventions and improve neonatal outcomes.This study presents a novel approach incorporating the Internet of Things (IoT) and Artificial Intelligence (AI) in the medical domain for the automatic detection of fetal abnormalities.IoT sensors were employed to gather maternal clinical data, including temperature, blood pressure, oxygen saturation levels, and fetal heart rate.A Fast Mask Recurrent Convolutional Neural Network (FMRCNN) was proposed to predict and accurately classify a range of conditions affecting pregnant women and their unborn children.The developed FMRCNN model learns, segments, and classifies fetal abdominal images to identify abnormalities.Additionally, a unified fetal abnormality prediction model was established to process and classify both fetal abdomen and brain ultrasound images.Comparative performance analysis was conducted using Convolutional Neural Networks (CNN), Random Forest (RF), and Support Vector Machine (SVM) algorithms.Evaluation metrics, such as F1score, accuracy, precision, recall, and sensitivity, were employed to assess the effectiveness of the proposed approach.The results indicate that the presented FMRCNN model holds promise for IoT-based maternal and fetal monitoring in high-risk pregnancies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».