Machine Learning-Based Detection of Fetal Respiratory Patterns: A CNN-LSTM Approach for Enhanced Perinatal Monitoring
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Prenatal monitoring is crucial for assessing fetal health.Fetal health is typically evaluated using parameters such as fetal heart rate, fetal breathing movements, fetal body movements, and fetal tone.Fetal breathing movement, defined by periodic contractions of the fetal diaphragm, reflects pulmonary maturity and central nervous system development, making its accurate detection essential for early identification of fetal distress and developmental abnormalities.Conventional techniques such as ultrasound and cardiotocography are commonly used but are hindered by limited temporal resolution, maternal motion artifacts, and poor sensitivity to subtle respiratory variations.To address these limitations, a hybrid CNN-LSTM framework is developed to classify fetal respiratory episodes as normal, irregular, or distress patterns using high-resolution acoustic signals.Wavelet-based preprocessing eliminates baseline drift and power-line interference, convolutional layers extract spatial features, and LSTM networks capture temporal dependencies.Residual connections improve gradient propagation, and attention mechanisms enhance focus on critical signal segments, enabling robust classification in noisy biomedical environments.The model achieves 95.2% accuracy with sensitivity and specificity above 94%, demonstrating strong clinical relevance.A key innovation lies in the integration of residual connections and attention mechanisms within a CNN-LSTM pipeline for fetal respiratory signal analysis, a novel configuration not previously applied in this context.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle