人工智能辅助的胎心监护：用于信号重建、胎心率分析和变异评估的统一模型

arXiv cs.LG 论文
fetal-health cardiotocography signal-reconstruction heart-rate-analysis deep-learning medical-ai variability-assessment

摘要

本文提出了一种基于AI的胎心率监测模型，该模型能够重建信号、分析变异，并以高灵敏度和特异性检测减速/加速。

arXiv:2605.14242v1 Announce Type: new Abstract: 胎心率（FHR）的监测及其变异性评估对于预防胎儿窘迫和不良妊娠结局至关重要。然而，传统方法受限于设备性能、数据传输以及医生主观判断。我们开发了一个专门用于FHR监测的定制化AI-FHrCTG模型，该模型有效减轻噪声干扰并精确重建信号。我们的模型在一个包含558,412个未标记数据点的大规模数据集上进行了预训练，并使用7,266个经过专家评审的条目进一步优化。为了验证FHR，我们引入了交叉重叠标签（IOL）方法，将速率分析转化为分类判断。测试显示，我们的模型在检测关键FHR减速（分别为89.13%和87.78%）和加速（分别为62.5%和92.04%）方面表现出高敏感性和特异性。此外，基于临床应用的Fischer标准，我们的模型在验证FHR周期性和幅度变异方面分别取得了0.7214和0.9643的显著AUC得分。
查看原文
查看缓存全文

缓存时间: 2026/05/15 06:28 

# 人工智能辅助胎心监护：信号重建、胎心率分析与变异性评估统一模型
来源: https://arxiv.org/abs/2605.14242
查看 PDF (https://arxiv.org/pdf/2605.14242)

> 摘要:胎心率（FHR）监测及其变异性评估对于预防胎儿窘迫和不良结局至关重要。然而，传统方法受到设备性能、数据传输以及医生主观判断等因素的限制。我们开发了一种专门用于FHR监测的定制化AI基础FHrCTG模型，该模型能有效抑制噪声干扰并精确重建信号。我们的模型在包含558,412个未标注数据点的大规模数据集上进行了预训练，并进一步使用7,266个经专家审核的条目进行微调。为了验证FHR，我们引入了交叠标签（IOL）方法，将速率分析转化为分类判断。测试表明，我们的模型在检测关键FHR减速（灵敏度89.13%，特异度87.78%）和加速（灵敏度62.5%，特异度92.04%）方面表现出高灵敏度和高特异度。此外，基于Fischer临床应用的评分标准，我们的模型在验证FHR周期性和振幅变异性方面分别取得了0.7214和0.9643的出色AUC分数。

## 提交历史

来自: Xiaohua Wang [查看邮箱 (https://arxiv.org/show-email/eb638448/2605.14242)] **\[v1\]**2026年5月14日 星期四 01:18:41 UTC (1,506 KB)

相似文章