基于堆优化技术的多层LSTM模型，通过可穿戴设备提升母婴健康监测效果

《Optik》：Heap Optimization Based Multi LSTM for Enhancing Maternal and Fetal Health Monitoring Through Wearable Devices

　　妊娠期母婴健康监测方法采用可穿戴设备结合HO-MLSTM模型，通过MQTT协议传输生理数据至云端，利用MIDA填补缺失值和自适应归一化处理数据，结合局部线性嵌入特征选择，实现胎儿健康（97.4%）和母体风险（94.5%）的高效评估，分为正常、可疑、病态三阶段并分级预警。

　　

Rajkumar Ettiyan|V. Geetha

印度普杜切里技术大学计算机科学与工程系的研究学者

摘要

由于妊娠糖尿病、高血压疾病和胎儿生长受限等风险，监测母婴健康至关重要。使用机器学习模型进行风险预测以及通过可穿戴设备持续监测生命体征是一项相当具有挑战性的任务。因为这些模型的准确性在很大程度上依赖于高质量的无偏数据，而数据不足可能导致结果不可靠。为了解决这些问题，研究人员开发了基于堆优化的多LSTM（Heap Optimization Based Multi LSTM）模型，用于评估妊娠风险和监测胎儿健康。首先，在母亲体内植入可穿戴传感器，将所需数据传输到移动应用程序。然后通过消息队列遥测传输协议（Message Queuing Telemetry Transport protocol）将数据传输到云存储系统，以存储和预测孕妇及胎儿的健康状况。在云系统中，利用基于MIDA（Missing Value Imputation）的方法对收集的数据进行预处理，以确保数据完整性并进行切片自适应归一化。通过局部线性嵌入（Locally Linear Embedding）选择特征，突出相关方面，随后使用HO-MLSTM（Classification HO-MLSTM）将胎儿健康状态分为三个阶段：正常、可疑和异常，并分别赋予低、中、高三种妊娠风险等级。该方法在胎儿健康评估方面的准确率为97.4%，在母婴风险评估方面的准确率为94.5%，显示出HO-MLSTM方法在降低母婴风险和改善胎儿健康方面的有效性。因此，这些方法非常适合用于设计用于准确分类孕妇妊娠风险等级和胎儿健康阶段的可穿戴设备。

部分内容摘录

引言

母婴健康关注女性在怀孕、分娩及产后期间的整体福祉[1]。这一医学领域涉及多个方面，包括胎儿发育、母亲营养、心理健康以及预防可能对母婴产生负面影响的并发症。有效的母婴护理需要定期监测，以发现先兆子痫等潜在风险。

文献综述

收集母亲和胎儿的健康参数，包括心电图（ECG）、母亲心率（MHR）、胎儿心率（FHR）和胎儿活动（FM），有助于及早发现潜在问题。以下部分回顾了关于胎儿健康阶段和妊娠风险预测的最新研究论文。

Aslam等人[10]利用FHR（胎儿心率）结合RF（随机森林）、SVM（支持向量机）和KNN（K-最近邻）算法来判断胎儿是否健康或是否患有IUGR（生长受限胎儿）。

提出的模型

妊娠健康监测对于保护母婴健康至关重要。然而，传统的监测方法在数据准确性、及时分析以及有效处理复杂数据集方面可能存在困难。为了解决这些挑战，新引入的优化简约神经网络（optimized parsimonious neural networks）提供了一个有前景的解决方案。这些先进的神经网络旨在提高胎儿健康阶段的识别能力和妊娠风险等级的评估。

结果与讨论

优化简约神经网络能够评估妊娠风险等级，并将胎儿健康状况分为正常、可疑和异常三类。通过及时干预和制定明智的医疗决策，该策略旨在改善母婴的整体健康状况。模拟实验使用Python程序完成，配置为CPU：Intel Core i5，GPU：NVidia GeForce GTX 1650，RAM：16GB。

讨论

基于堆优化的多LSTM（HO-MLSTM）模型通过结合先进的机器学习技术和可穿戴传感器技术，显著提升了母婴健康监测的效果。其在胎儿健康评估方面的准确率为97.3%，在母婴风险评估方面的准确率为94.4%。该模型能够实时有效捕捉和分析复杂的生理信号。基于MIDA的缺失值填补方法和切片自适应归一化的集成确保了数据质量的可信赖性。

结论

开发了基于堆优化的多LSTM（HO-MLSTM）模型，用于监测胎儿健康和评估妊娠风险。关注孕妇的健康状况对于降低分娩期间及产后并发症的风险至关重要。然而，在发展中国家，由于缺乏关于安全体育活动的知识以及获取医疗专业人员的途径有限，可能会导致危及生命的出生并发症。为了解决这些问题……

遵守伦理标准

本文是作者的原创作品；在期刊编辑委员会决定不予发表之前，它不会被发送给其他出版物。

作者贡献

通讯作者负责论文的主要工作，包括研究设计、数据分析及编辑工作。合作者协助验证分析结果和手稿编辑。

代码可用性

不适用

资金情况

作者声明在撰写本文过程中未收到任何资金、资助或其他形式的支持。

作者贡献声明

V. Geetha：负责写作、审稿与编辑、初稿撰写、数据可视化、验证、项目监督、软件开发及资源协调。Rajkumar Ettiyan：负责项目管理、方法论制定、研究调查、资金筹集、数据分析及概念构思。

利益冲突

作者声明与本研究不存在任何利益冲突。我们声明与所提交的工作无关的任何商业或关联利益。

利益冲突声明

作者声明与本文所述工作无关的任何已知财务利益或个人关系都不会对其产生影响。