Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

1D-FHRNet: Automatic Diagnosis of Fetal Acidosis from Fetal Heart Rate Signals

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26220%2F21%3APU140902" target="_blank" >RIV/00216305:26220/21:PU140902 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://authors.elsevier.com/a/1d81U6DBR31top" target="_blank" >https://authors.elsevier.com/a/1d81U6DBR31top</a>

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    1D-FHRNet: Automatic Diagnosis of Fetal Acidosis from Fetal Heart Rate Signals

  • Popis výsledku v původním jazyce

    Fetal heart rate (FHR) is used to monitor the fetal state by obstetricians as a screening tool. Common guidelines for visual interpretation of FHR signals results in significant subjective variability due to the fetal physiological dynamics complexity. Automated diagnostic technology can assist obstetricians in medical decisions based on artificial intelligence and also can be an automatic diagnostic tool for primary health care centres and remote areas. This work presents a machine learning-based automated diagnostic tool for classification and diagnosis of Fetal Acidosis using FHR. A 1D-CNN model has been proposed because of its ability to automatically diagnose Fetal Acidosis into healthy or pathological conditions with high accuracy. To make the method robust and to improve accuracy with the artefacts present in the signal, the signal pre-processing is performed before training and classification. The accuracy was evaluated on a comprehensive dataset and achieved 99.09% for the diagnosis of Fetal Acidosis. Low-cost electronic hardware integrated with the proposed methodology can perform in real-time and can achieve high accuracy and reliability. This method can be used to support the expert decision and as an automatic stand-alone diagnostic tool that can assist the obstetricians in the early diagnosis of fetal acidosis.

  • Název v anglickém jazyce

    1D-FHRNet: Automatic Diagnosis of Fetal Acidosis from Fetal Heart Rate Signals

  • Popis výsledku anglicky

    Fetal heart rate (FHR) is used to monitor the fetal state by obstetricians as a screening tool. Common guidelines for visual interpretation of FHR signals results in significant subjective variability due to the fetal physiological dynamics complexity. Automated diagnostic technology can assist obstetricians in medical decisions based on artificial intelligence and also can be an automatic diagnostic tool for primary health care centres and remote areas. This work presents a machine learning-based automated diagnostic tool for classification and diagnosis of Fetal Acidosis using FHR. A 1D-CNN model has been proposed because of its ability to automatically diagnose Fetal Acidosis into healthy or pathological conditions with high accuracy. To make the method robust and to improve accuracy with the artefacts present in the signal, the signal pre-processing is performed before training and classification. The accuracy was evaluated on a comprehensive dataset and achieved 99.09% for the diagnosis of Fetal Acidosis. Low-cost electronic hardware integrated with the proposed methodology can perform in real-time and can achieve high accuracy and reliability. This method can be used to support the expert decision and as an automatic stand-alone diagnostic tool that can assist the obstetricians in the early diagnosis of fetal acidosis.

Klasifikace

  • Druh

    J<sub>imp</sub> - Článek v periodiku v databázi Web of Science

  • CEP obor

  • OECD FORD obor

    30209 - Paediatrics

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/VI04000039" target="_blank" >VI04000039: Systém včasného záchytu infekce COVID-19 pro bezpečnost ohrožených skupin obyvatelstva s využitím umělé inteligence</a><br>

  • Návaznosti

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Ostatní

  • Rok uplatnění

    2021

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název periodika

    BIOMED SIGNAL PROCES

  • ISSN

    1746-8094

  • e-ISSN

    1746-8108

  • Svazek periodika

    2021

  • Číslo periodika v rámci svazku

    68

  • Stát vydavatele periodika

    GB - Spojené království Velké Británie a Severního Irska

  • Počet stran výsledku

    10

  • Strana od-do

    1-10

  • Kód UT WoS článku

    000718843100005

  • EID výsledku v databázi Scopus