基于生物系统动力学的子宫肌电信号分析及早产检测

Considering the fact that uterine contraction is a direct consequence of the propagation of electrical activity in smooth muscle cells, machine learning based uterine electrohysterogram (EHG) signal processing paves a promising way for preterm detection. This project mainly focuses on feature selection and availability of training samples, i.e., two key factors effecting detection precision. Based on the different dynamical properties of uterus during pregnancy, quiescent at the first stage and synchronized contraction right before term, we incorporate a set of order parameters that characterize uterine dynamics into EHG signal analysis. Combining with the time tag of signals, we extract features manifesting the mature process of fetus. We further take the advantage of the study of physiology based uterine model to synthesize EHG signal, and use it to train a primary classifier. After obtaining some knowledge related to preterm, the classifier is further optimized with real EHG signals to provide effective and accurate detection of preterm birth. This project can not only come up with an intelligent diagnosing method that helps preventing preterm birth, but also can give insights to the development of other physiological data based intelligent healthcare system.

由于肌细胞电生理活动与子宫宫缩间的内在联系，应用机器学习方法分析子宫肌电EHG信号是当前早产诊断方法研究的重要方向。本项目针对子宫肌电EHG信号特征不明显和样本数少的特点，提出结合子宫孕期动力学属性的肌电EHG信号特征提取方法和基于生物器官功能模型研究成果的分类器学习模型。根据子宫实现其不同阶段功能的具体要求：前期保持静息，后期全局同步收缩，本项目拟将刻画子宫动力学属性的一系列序参量应用于EHG信号分析，同时结合信号的时间属性，描述孕期子宫的演化过程。本项目拟应用子宫肌细胞电生理活动模型合成子宫EHG信号，训练初级分类器获取样本知识。在此基础上，采用真实EHG信号对分类器进行优化，建立一个高效的早产检测模型。本项目研究不仅有望形成一套智能化的早产检测方法，降低早产发病率，还能为其他基于医疗数据的智能诊断设备研发提供借鉴。

人口是经济社会发展的基础，人口发展是关系中华民族发展的大事情。为了积极应对当前人口发展的新变化，中共中央、国务院决定在全国范围内实施三孩生育政策，以多学科协作推进围孕、产期服务质量，服务优生优育。虽然围孕产监护水平有了极大提高，我国早产发病率仍接近5%，严重影响新生儿人口质量。子宫过早出现宫缩是引发早产的直接原因。本项目围绕肌细胞电生理活动与细胞机械收缩之间的内在联系，探讨利用外置电极获取的子宫肌电EHG信号来诊断早产发病风险的方法。通过探索1）在有限样本数量与分布不均衡双重限制下获得高精度的基于机器学习的样本分类方法，2）如何利用EHG信号刻画孕期状态并指导早产发病风险的诊断与识别；3）子宫肌电EHG信号采集系统研发设计与临床采集方法；和4）多模态信号的计算机分析处理技术与应用等四个具体问题， 1）形成了面向医学不均衡数据机器学习的合成采样优化方法，不仅能够缓解由于不样本不均衡导致的分类偏置，还能确保机器学习算法在实际应用中的性能；2）建立了面向临床应用需求的子宫肌电EHG信号分析处理方法，特别是基于图理论的EHG特征构造方法能够有效区分早产与足月产样本，对早产的诊断正确率达90%左右；3）开发设计了面向临床应用的嵌入式子宫肌电EHG信号采集系统并建立了面向孕期全过程的EHG信号数据库，为早产诊断新方法新技术开发奠定了基础；4）掌握了利用计算机融合处理多模数据的新方法新技术。本项目研究不仅明确了电生理信号与生物器官功能之间的联系和医学不均衡数据学习方法等科学问题，还形成了多项重要学术与专利成果，将有力促进EHG信号的临床应用，助力国家新时期人口战略实施。