Machine Translated by Google

Daydulo dkk.
Informatika Medis dan Pengambilan Keputusan BMC (2022)
22:329 https://doi.org/10.1186/s12911-022-02068-1

RISET Akses terbuka

Deteksi gawat janin berbasis

pembelajaran mendalam dari representasi frekuensi
waktu sinyal kardiotokogram menggunakan
gelombang Morse: studi penelitian
Yared Daniel Daydulo1 , Bheema Lingaiah Thamineni2*, Hanumesh Kumar Dasari3 dan Genet Tadese Aboye2

Abstrak

Latar Belakang: Secara klinis kardiotokografi merupakan suatu teknik yang digunakan untuk memantau dan mengevaluasi tingkat gawat janin.
Meskipun CTG adalah alat yang paling banyak digunakan untuk memantau kesehatan janin, adanya hasil positif palsu yang tinggi dari interpretasi visual
mempunyai kontribusi yang signifikan terhadap persalinan melalui pembedahan yang tidak perlu atau tertunda.
intervensi.

Tujuan: Dalam penelitian ini, model diagnosis gawat janin berbantuan komputer yang inovatif dikembangkan dengan menggunakan representasi
frekuensi waktu sinyal FHR menggunakan gelombang Morse umum dan konsep pembelajaran transfer model jaringan saraf dalam ResNet 50 yang telah
dilatih sebelumnya.

Metode: Dari data CTG yang diperoleh dari satu-satunya basis data CTU-UHB akses terbuka, hanya sinyal FHR yang diekstraksi dan diproses
terlebih dahulu untuk menghilangkan noise dan lonjakan. Setelah pra-pemrosesan, informasi frekuensi waktu sinyal FHR diekstraksi dengan
menggunakan gelombang Morse yang digeneralisasi dan diumpankan ke model ResNet 50 terlatih yang disetel dengan baik dan dikonfigurasikan
sesuai dengan kumpulan data.

Ukuran hasil utama: Sensitivitas (Se), spesifisitas (Sp) dan akurasi (Acc) model yang diadopsi dari matriks kebingungan biner digunakan sebagai
ukuran hasil.

Hasil: Setelah berhasil melatih model, dilakukan eksperimen pengujian komprehensif terhadap data FHR yang pencatatannya dilakukan pada tahap
awal persalinan dan tahap akhir persalinan. Dengan demikian, hasil klasifikasi yang menjanjikan yaitu akurasi 98,7%, sensitivitas 97,0% dan spesifisitas
100% tercapai untuk sinyal DJJ persalinan kala I.
Untuk FHR yang tercatat pada kala akhir persalinan, akurasi mencapai 96,1%, sensitivitas 94,1%, dan spesifisitas 97,7%.

Kesimpulan: Model yang dikembangkan dapat digunakan sebagai sistem bantuan pengambilan keputusan bagi dokter spesialis obstetri dan ginekologi.

Kata Kunci: CTG, FHR, Fetal distress, Morse wavelet, Deep learning, Resnet50

Latar belakang
Gawat janin adalah suatu kondisi yang mengakibatkan
kurangnya oksigen yang mencapai jaringan dan peningkatan
kondisi keasaman cairan tubuh janin [1]. Jika keadaan ini
*Korespondensi: bheema.lingaiah@ju.edu.et
tidak segera ditangani dapat menyebabkan serangkaian
2
kerusakan pada otak janin [2] atau kematian prenatal [3].
Sekolah Teknik Biomedis, Institut Teknologi Jimma, Jimma
Kardiotokografi adalah alat non-invasif yang paling umum
Universitas, Jimma, Etiopia
Daftar lengkap informasi penulis tersedia di akhir artikel digunakan untuk memantau dan mengevaluasi kondisi janin selama persalin

© Penulis 2022. Akses Terbuka Artikel ini dilisensikan di bawah Lisensi Internasional Creative Commons Attribution 4.0, yang mengizinkan
penggunaan, berbagi, adaptasi, distribusi, dan reproduksi dalam media atau format apa pun, selama Anda memberikan kredit yang sesuai
pada aslinya penulis dan sumbernya, berikan tautan ke lisensi Creative Commons, dan tunjukkan jika ada perubahan. Gambar atau materi
pihak ketiga lainnya dalam artikel ini termasuk dalam lisensi Creative Commons artikel tersebut, kecuali dinyatakan lain dalam batas kredit
materi tersebut. Jika materi tidak termasuk dalam lisensi Creative Commons artikel dan tujuan penggunaan Anda tidak diizinkan oleh peraturan
perundang-undangan atau melebihi penggunaan yang diizinkan, Anda harus mendapatkan izin langsung dari pemegang hak cipta. Untuk
melihat salinan lisensi ini, kunjungi http://creativecommons.org/licenses/by/4.0/. Pengabaian Dedikasi Domain Publik Creative Commons (http://
creativecom-mons.org/publicdomain/zero/1.0/ ) berlaku untuk data yang tersedia dalam artikel ini, kecuali dinyatakan lain dalam batas kredit pada data tersebut.
Machine Translated by Google
Daydulo dkk. Informatika Medis dan Pengambilan Keputusan BMC (2022) 22:329
dan kehamilan. Secara klinis sinyal CTG diinterpretasikan oleh para
ahli secara visual menggunakan pedoman [4].
Terlepas dari kenyataan bahwa pedoman klinis tersedia untuk
interpretasi CTG, terdapat variabilitas antar pengamat yang signifikan
di antara para ahli dalam interpretasi visual [5, 6]. Untuk menafsirkan
CTG secara akurat, para ahli perlu memiliki pengalaman, kecuali jika
pola yang sangat penting mungkin terlewatkan atau ditafsirkan secara
salah. Salah interpretasi sinyal CTG dapat menyebabkan persalinan
bedah yang tidak perlu [7].
Untuk mengatasi permasalahan dalam interpretasi visual, beberapa
penelitian telah dilakukan untuk mengembangkan model diagnosis
berbantuan komputer dengan menggunakan metode yang bervariasi.
Diantaranya adalah sistem berbasis aturan yang terutama berfokus
pada identifikasi parameter morfologi yang ditentukan dalam pedoman
klinis [8-10]. Kelemahan utama yang terkait dengan sebagian besar
sistem berbasis aturan adalah bahwa mereka fokus pada identifikasi
fitur morfologi daripada mengklasifikasikan sinyal ke dalam normal
dan abnormal. Selain itu, sistem berbasis aturan memerlukan
pengetahuan domain yang luas serta sejumlah besar pekerjaan
manual, sehingga memakan waktu.
Pengembangan model otomatis untuk analisis sinyal CTG diperluas
mulai dari mengidentifikasi fitur pedoman hingga pendekatan ekstraksi
fitur domain yang bervariasi dan memilih fitur yang paling penting
untuk klasifikasi [11-13]. Dan metode klasifikasi otomatis ini disebut
pendekatan pembelajaran mesin konvensional. Komet dkk. [14]
menggunakan gambar frekuensi waktu dari sinyal DJJ untuk
mengembangkan model prognostik baru menggunakan pembelajaran
mesin untuk penilaian gawat janin. Penelitian lain dilakukan oleh Zafer
et al. [15] tentang evaluasi diagnosis gawat janin untuk DJJ yang
dicatat pada kala satu dan dua persalinan menggunakan pendekatan
pembelajaran mesin konvensional.
Secara umum, dalam pendekatan pembelajaran mesin konvensional,
strategi ekstraksi fitur buatan tangan yang diterapkan untuk
mengekstrak fitur terpenting yang menyampaikan informasi tentang
gawat janin masih merupakan tantangan. Biasanya, lebih banyak fitur
bahkan yang tidak relevan dengan tugas yang ada dapat diekstraksi
atau fitur-fitur kecil dapat dipilih dan hal ini menyebabkan hilangnya
fitur-fitur yang berharga. Untuk mengatasi masalah ini, klasifikasi
sinyal CTG berbasis CAD terinspirasi oleh seni pembelajaran
mendalam yang berbeda dari pembelajaran mesin tradisional dengan
cara menghilangkan kebutuhan akan fitur buatan tangan dengan
mempelajari fitur berharga langsung dari data, sehingga menghilangkan
kebutuhan akan manual. pendekatan ekstraksi dan seleksi fitur.
Sebagian besar model pembelajaran mendalam memerlukan data
gambar 2D sebagai masukan, namun sinyal CTG mentah adalah
sinyal deret waktu 1D dan berbagai teknik diterapkan dalam pekerjaan
terkait untuk mengubah sinyal CTG 1D menjadi 2D.
Bursa dkk. [16], mengembangkan model jaringan saraf konvolusional
yang bertujuan untuk mengklasifikasikan sinyal CTG. Mereka
Halaman 2 dari 13
menggunakan keluarga transformasi wavelet kontinu bernama Morlet
kompleks untuk menghasilkan gambar frekuensi waktu sinyal FHR
untuk memberi makan model CNN. Model ini diuji pada data DJJ yang
dicatat selama persalinan kala I dan akurasi klasifikasi sebesar 94,1%
dicapai oleh model ini. Strategi pembelajaran transfer, jaringan saraf
konvolusional mendalam dikembangkan menggunakan model AlexNet
oleh Comert et al. [17]. Mereka menggunakan STFT untuk
menghasilkan gambar frekuensi-waktu dari sinyal FHR untuk memberi
makan model AlexNet dan mencapai akurasi klasifikasi sebesar
94,32%. Model pembelajaran mendalam lainnya dikembangkan oleh
Zhao et al. [18].
Mereka menggunakan keluarga CWT bernama db dan sym untuk
menghasilkan gambar masukan untuk model pembelajaran mendalam.
Jaringan saraf konvolusional ResNet 50 yang dioptimalkan diterapkan
untuk penilaian risiko ibu dan embrio selama kehamilan [19]. Mereka
menggunakan berbagai fitur domain waktu yang diekstraksi
menggunakan pendekatan pembelajaran mesin konvensional untuk
mendukung model pembelajaran mendalam. Setelah ekstraksi fitur
dioptimalkan ResNet digunakan untuk klasifikasi dan akurasi
mencapai 94,63%.
Sebagaimana dinyatakan pada pekerjaan terkait di atas, waktu–
representasi frekuensi sinyal FHR menggunakan teknik bervariasi
diterapkan untuk menghasilkan gambar masukan untuk model
pembelajaran mendalam dan akurasi klasifikasi yang menjanjikan
tercapai. Dalam beberapa literatur [20-22], gambar pindaian sinyal
CTG juga digunakan untuk menghasilkan gambar 2D sebagai masukan
untuk model pembelajaran mendalam. Deteksi gawat janin yang
dapat dicegah menggunakan pendekatan pembelajaran mendalam
dari gambar pindaian sinyal CTG dilakukan pada [20]. Data pribadi
digunakan dalam penelitian mereka dan mereka mencapai akurasi
klasifikasi sebesar 93,65%. Model pembelajaran mendalam bernama
CTG-net dikembangkan pada [21] untuk klasifikasi sinyal CTG
gambar pindaian dan mereka melaporkan area di bawah kurva
karakteristik operasi penerima sebesar 0,73. Penelitian lain dilakukan
pada klasifikasi gawat janin dengan jaringan konvolusional mendalam
oleh Saini dkk.
[22]. Mereka menggunakan gambar pindaian sinyal CTG untuk
mengklasifikasikan gawat janin ke dalam tiga kelas yaitu normal, ringan dan
berat.
Sebagian besar pekerjaan terkait yang dilakukan berdasarkan
pendekatan pembelajaran mendalam menunjukkan potensi yang
sangat baik dalam klasifikasi gawat janin, namun akurasi yang dicapai
pada [21] dan [22] sangat rendah. Meskipun akurasi tertinggi dicapai
pada [17] dan [18] penerapan model dan representasi frekuensi waktu
FHR untuk berbagai tahap persalinan tidak dilakukan dan masih
dipertanyakan. Selain itu, dalam penelitian [20], praklasifikasi sinyal
dilakukan secara visual yang sangat rentan terhadap false positif yang
tinggi. Dalam [16] model tersebut belum sepenuhnya divalidasi dan
terdapat masalah pada analisis kinerja model.
Dalam penelitian ini, kesenjangan dalam karya-karya tersebut di
atas diatasi dengan mengambil motivasi positif
Machine Translated by Google
Daydulo dkk. Informatika Medis dan Pengambilan Keputusan BMC (2022) 22:329
metodologi dan mempertimbangkan faktor-faktor penting yang
mempengaruhi deteksi akurat gawat janin dari sinyal FHR CTG.
Kontribusi utama dari penelitian ini adalah sebagai berikut;
prapemrosesan yang dilakukan pada langkah pertama pada sinyal
beberapa
FHR mentah adalah menghapus artefak yang tidak diinginkan dan data yang hilang. metode praklasifikasi data atau kriteria pelabelan data untuk
Konversi sinyal FHR 1D menjadi gambar 2D dengan menerapkan
metode representasi waktu-frekuensi yang efektif dilakukan pada
langkah kedua. Penyempurnaan model pembelajaran mendalam
ResNet 50 untuk pelatihan dan klasifikasi dilakukan pada langkah
ketiga. Tahap terakhir digunakan untuk melakukan eksperimen
komprehensif terhadap sinyal DJJ yang direkam pada kala awal (kala
pertama) dan kala akhir (kedua). Karena kualitas dan sifat sinyal DJJ
bervariasi tergantung pada tahapan persalinan saat direkam [23],
percobaan komprehensif telah dilakukan pada sinyal DJJ yang direkam
dalam berbagai tahapan persalinan untuk memastikan ketahanan
model.
Metode
Sumber data
Data CTU-UHB yang diperoleh dari Physio Net adalah satu-satunya
dan database akses terbuka terbesar dari jenisnya. Basis data terdiri
dari 552 rekaman yang diperoleh di bangsal kebidanan universitas di
Brno, Republik Ceko. Semua rekaman berdurasi 90 menit dan dimulai
90 menit sebelum pengiriman. Basis data terdiri dari rekaman UC dan
FHR secara simultan yang diambil sampelnya pada 4 Hz. Perekaman
sinyal CTG berlangsung 60 menit untuk kala 1 persalinan dan 30
menit untuk kala 2 [24].
Gambar 1 Skema metodologi keseluruhan
Halaman 3 dari 13
Gambar 1 menunjukkan skema umum metodologi yang diikuti
dalam penelitian ini dan mencakup: pelabelan sinyal CTG,
prapemrosesan, representasi frekuensi waktu, persiapan data untuk
pelatihan mode, penyetelan model Resnet50 terkait, dan evaluasi
model Resnet50. kinerja model melalui validasi dan pengujian. Ada
analisis sinyal CTG. Diantaranya, pelabelan berdasarkan anotasi
visual para ahli, skor APGAR [8] dan anotasi berbasis pH [15-18]
adalah metode yang paling umum. Karena anotasi visual ahli klinis dan
skor APGAR merupakan kriteria pelabelan data subjektif, maka
keduanya diabaikan dan kriteria pelabelan data objektif yaitu nilai pH
darah arteri umbilikalis neonatal yang diukur segera setelah bayi lahir
[25] digunakan . Jadi, pH yang kurang atau sama dengan 7,15
diputuskan sebagai patologis dan pH yang lebih besar dari 7,15
ditetapkan untuk kelas normal setelah pemeriksaan yang cermat.
Berdasarkan kriteria praklasifikasi data kami, database berisi 439 kelas
normal dan 113 kelas tertekan.
Pemrosesan awal
Dalam pemrosesan dan analisis sinyal biomedis, prapemrosesan
adalah langkah pertama dan sangat penting yang harus dilakukan
sebelum analisis sinyal lebih lanjut. Sifat fitur yang digunakan dalam
pelatihan dan klasifikasi akhir model bergantung pada kualitas sinyal
yang diperoleh setelah prapemrosesan [14].
Dalam praktik klinis, sinyal CTG diperoleh oleh sensor eksternal,
sehingga sinyal FHR terkena artefak dan lonjakan yang timbul dari
gerakan ibu, perpindahan sensor yang dapat menyebabkan sinyal
turun ke nol.
Machine Translated by Google
Daydulo dkk. Informatika Medis dan Pengambilan Keputusan BMC (2022) 22:329
Gambar 2. Langkah-langkah preprocessing
nilai [11] dan faktor terkait penyampaian lainnya [18]. Kebisingan
yang mempengaruhi sinyal FHR biasanya muncul sebagai spiky,
outlier, atau nilai yang hilang (periode ketika nilai FHR turun ke nol).
Sebelum analisis lebih lanjut terhadap sinyal CTG, noise dihilangkan
untuk mendapatkan kualitas sinyal yang lebih baik untuk hasil yang
lebih akurat. Jadi, tujuan utama dari langkah ini adalah untuk
mengurangi kebisingan yang disebutkan di atas dengan menerapkan
teknik pra-pemrosesan konvensional yang diterapkan dalam analisis
sinyal FHR [13, 26] dan langkah-langkahnya ditunjukkan pada
Gambar 2.
Pertama, sinyal CTG mentah yang berisi sinyal FHR dan UC
diperoleh, lalu sinyal FHR diekstraksi dan diteruskan ke langkah
selanjutnya. Sepuluh celah panjang yang merupakan nilai yang
hilang selama lebih dari 15 detik dihilangkan dari sinyal deret waktu
[20]. Selain itu, nilai yang hilang pada awal dan akhir pencatatan
dikecualikan untuk memulai dari titik stabil. Nilai DJJ ekstrim yang
kurang dari 50 bpm dan lebih besar dari 200 bpm disebut outlier
(bukan fisiologis) [17]. Pencilan dan kesenjangan kecil ditentukan
dan diinterpolasi secara linier [13] menggunakan algoritma yang
disediakan oleh Matlab 2021a. Ini adalah jenis interpolasi yang
menggunakan polinomial linier untuk menghasilkan titik data baru
antara dua titik dengan menggunakan teknik pemasangan kurva.
Untuk dua titik data yang diketahui dengan koordinat (x0, y0) dan
(x1, y1) interpolasi linier menghasilkan nilai y baru menggunakan
Persamaan. 1.
y0(x1 ÿ x) + y1(x ÿ x0)
kamu =
x1 ÿ x0
Titik sampel sinyal FHR yang lebih besar dari 25 detak dari detak
sebelumnya yang berdekatan bukanlah detak fisiologis dan tidak
dapat diandalkan [27] dan titik tidak stabil ini menunjukkan dirinya
sebagai lonjakan pada sinyal FHR, sehingga dihilangkan
menggunakan interpolasi spline kubik [ 13]. Ini adalah metode yang
sangat ampuh dan banyak digunakan untuk menginterpolasi suatu
fungsi antara sekumpulan titik tertentu melalui polinomial halus
sepotong-sepotong [28]. Spline kubik f(x) yang diinterpolasi pada
partisi x0 < x1 < ÿ < xn-1 adalah fungsi yang f(xk)= yk merupakan
fungsi polinomial sepotong-sepotong yang terdiri dari n ÿ 1 polinomial
kubik fk yang didefinisikan pada rentang [xk, xk+1]. Contoh
interpolasi spline kubik yang melewati 6 titik data ditunjukkan pada
Gambar 3.
Halaman 4 dari 13
Gambar 3 Interpolasi spline kubik
Akhirnya segmen dari 20 menit pertama (4800 sampel) [12, 13,
18] dan 15 menit terakhir (3600 sampel) [17, 29] dipilih untuk analisis
lebih lanjut dengan mempertimbangkan panjang sinyal pada kala
pertama dan kedua persalinan. Mengingat x(i) sebagai sinyal FHR
yang memiliki frekuensi sampling 4 Hz dan satuan denyut per menit
(bpm), dimana i=1,2, …, N dan N adalah jumlah titik sampel, logika
berikut ditunjukkan pada Gambar 4 dilakukan pada tahap
preprocessing menggunakan Matlab 2021 a.
Pada tahap preprocessing, pertama-tama sinyal FHR diekstraksi
seperti ditunjukkan pada Gambar 5b dari sinyal CTG yang berisi
sinyal FHR dan kontraksi uterus seperti dijelaskan pada Gambar
5a. Setelah sinyal FHR diekstraksi, ia melanjutkan ke tahap pra-
pemrosesan lebih lanjut dan akhirnya disegmentasi berdasarkan
tahap persalinan sebagai tahap awal persalinan dan tahap akhir
persalinan untuk percobaan satu dan dua seperti yang ditunjukkan
pada Gambar. 5c dan d masing-masing .
Augmentasi data
Salah satu masalah yang paling sering terjadi dalam bidang deep
learning adalah kelas yang tidak seimbang. Augmentasi data adalah
salah satu cara untuk mengatasi masalah ini. Mengingat jumlah
data yang tersedia, pengambilan sampel yang kurang pada kelas
(1)
terbesar (kelas Normal) dikesampingkan dan pengambilan sampel
berlebih pada kelas minoritas yang tertekan dipilih untuk augmentasi.
Ada beberapa jenis augmentasi data deret waktu yang terinspirasi
dari augmentasi 2D seperti: Jittering (injecting noise), rotasi,
penskalaan, pengirisan jendela [30]. Augmentasi pemotongan
diterapkan dalam pekerjaan ini; ini sama dengan augmentasi data
yang digunakan untuk gambar yang disebut cropping augmentation.
Ide utama yang mendasari pemotongan adalah bahwa data
ditambah dengan menghilangkan atau menambahkan langkah
waktu dari ujung pola. Demikian pula, database kelas minoritas
diambil sampelnya secara berlebihan dalam deret waktu dengan
menggeser ke belakang selama lima menit sebanyak dua kali.
Oleh karena itu, potongan jendela 20 menit untuk data tahap
pertama dan potongan jendela 15 menit untuk tahap persalinan
kedua telah dihasilkan.
Machine Translated by Google
Daydulo dkk. Informatika Medis dan Pengambilan Keputusan BMC (2022) 22:329
Gambar 4 Algoritma yang diterapkan pada preprocessing sinyal FHR
Representasi frekuensi waktu sinyal FHR menggunakan
wavelet Morse
Berbagai jenis keluarga wavelet tersedia untuk CWT, di antaranya
wavelet analitik (AW) telah banyak digunakan untuk analisis frekuensi
waktu dan representasi sinyal fisiologis seperti electroencephalogram
(EEG) [31], electrocardiogram (ECG ) [ 32 ], elektromiogram (EMG)
[33]. Ini adalah wavelet dengan nilai kompleks dan transformasi Fourier
nol pada frekuensi negatif [34] dan wavelet Morse yang digeneralisasi
adalah yang terbaru dan terkenal dari keluarganya. Kelompok wave-let
ini merupakan pilihan ideal untuk analisis sinyal non-stasioner dengan
amplitudo dan frekuensi yang bervariasi seiring waktu.
Ini menghitung amplitudo, frekuensi, transien, durasi pendek, lokalisasi
diskontinuitas, dan gabungan lokalisasi waktu-frekuensi dari amplitudo,
frekuensi, transien, dan durasi pendek yang bervariasi waktu [35] .
Dari keluarga wavelet analitik, wavelet Morse yang umum disebut
wavelet analitik karena tidak memiliki kebocoran untuk frekuensi negatif
tidak seperti wavelet analitik lainnya [36]. Kebocoran frekuensi negatif
pada wavelet menyebabkan interferensi dan menurunkan hasil
transformasi [33, 35]. Selain itu, sifat fleksibilitas dari parameter Morse
yang digeneralisasi menjadikannya keluarga super yang mencakup
semua kelas wavelet analitik lainnya [36, 37].
Bentuk wavelet Morse yang digeneralisasi memiliki dua parameter
yang menunjukkan derajat kebebasan tambahan dibandingkan dengan
AW lainnya. Ini direpresentasikan sebagai ÿP,ÿ (t) dan didefinisikan
dalam domain frekuensi [36, 38] oleh Persamaan. 2
Halaman 5 dari 13
hal2
ÿ P.ÿ (ÿ) = U(ÿ)ÿP,ÿ ÿ ÿ eÿÿÿ (2)
P2 adalah produk bandwidth waktu, ÿ adalah parameter simetri,
adalah bilangan Euler ÿ 2.71828, U(ÿ) adalah fungsi satuan langkah
dan ÿP,ÿ adalah konstanta normalisasi. Daripada produk bandwidth
waktu, ÿ digunakan sebagai parameter peluruhan atau kekompakan
dalam beberapa aplikasi wavelet Morse yaitu P2 = ÿ ÿÿ [35].
Persamaan wavelet Morse menggunakan ÿandÿ ditulis sebagai
Persamaan. (3).
ÿÿ.ÿ (ÿ) = U(ÿ)ÿÿ,ÿ ÿ ÿeÿÿÿ (3)
Dengan menyesuaikan parameter ÿ dan ÿ , wavelet Morse yang
digeneralisasi dapat mengambil cakupan luas dari mother wavelet
yang bahkan belum sepenuhnya dieksplorasi [35]. Misalnya pengaturan
hasil ÿ =1 dan ÿ =2 ke keluarga wavelet analitik lainnya yang masing-
masing diberi nama Cauchy dan turunan dari wavelet Gaussian [36].
Durasi wavelet dalam waktu sebanding dengan akar kuadrat dari
produk bandwidth waktu P dan menentukan osilasi bilangan yang
dapat masuk ke dalam envelope [37], sedangkan parameter simetri ÿ
menentukan perilaku simetri wavelet dalam domain waktu [33].
Ketika ÿ diatur ke 3, kemiringan gelombang Morse melalui
demodulasi adalah 0 dan nilai ini menghasilkan gelombang kecil untuk
menunjukkan area Heisenberg minimum namun tetap analitik [35].
Wavelet dengan area Heisenberg yang besar menghasilkan konsentrasi
frekuensi waktu yang buruk [37], sehingga pengaturan ÿ =3
menghasilkan wavelet ke
Machine Translated by Google
Daydulo dkk. Informatika Medis dan Pengambilan Keputusan BMC (2022) 22:329
Gambar 5 Tahapan preprocessing sinyal CTG
wavelet paling simetris dan paling Gaussian (keluarga wavelet
'Airy') dengan luas Heisenberg minimum [33].
Oleh karena itu nilai parameter simetri ÿ =3 digunakan untuk
representasi frekuensi waktu FHR dalam penelitian ini.
Seperti yang dibahas sebelumnya, produk bandwidth-waktu
menentukan osilasi dalam envelope [38]. jadi, untuk nilai fxed ÿ
pada 3 produk bandwidth waktu P2 yang bervariasi
memvariasikan perilaku osilasi wavelet. Oleh karena itu,
berdasarkan jenis analisis dan perilaku sinyal, seseorang dapat
menyesuaikan nilai parameter Morse dan menguji pengaruhnya
terhadap mother wavelet dan respon frekuensi flter bank. Gambar
6 menunjukkan pengaruh nilai perbedaan waktu dari nilai produk
time-bandwidth terhadap nilai fxed ÿ pada 3.
Seperti yang ditunjukkan pada Gambar 6, ketika nilai perkalian
bandwidth-waktu P2 meningkat, wavelet menjadi lebih berosilasi
di dalam selubung, hal ini menyebabkan frekuensi wavelet
menjadi lebih sempit dan menyebar seiring waktu. Plot respons
frekuensi dengan jelas memvisualisasikan efeknya
Halaman 6 dari 13
domain frekuensi, untuk nilai P2=4 respon frekuensinya paling
lebar dibandingkan dengan P2=60 dan 120. Pada P2=120 sangat
sempit.
Nilai parameter wavelet Morse menentukan pertukaran
frekuensi waktu dalam merepresentasikan sinyal FHR.
Untuk nilai P2 yang lebih rendah transformasi wavelet
menghasilkan resolusi temporal yang baik tetapi resolusi spasial
buruk, sedangkan untuk P2 yang lebih tinggi transformasi
wavelet menjadi baik dalam resolusi spasial tetapi resolusi
temporal buruk. Untuk analisis frekuensi waktu, nilai default
produk time-bandwidth yang direkomendasikan adalah 60 [32].
Mempertimbangkan pengaruh perdagangan frekuensi waktu,
nilai ekstrim P2 dikesampingkan dalam penelitian ini, karena tujuannya adalah un
menganalisis karakteristik DJJ yang terlihat dan tersembunyi
dalam waktu dan frekuensi secara bersamaan. Jadi, nilai perkalian
lebar pita waktu 55 dan 60 dengan parameter simetri ÿ =3, dipilih
secara cermat untuk representasi frekuensi waktu sinyal FHR
dalam penelitian ini. 'cwtflterbank' Matlab digunakan untuk waktu
Machine Translated by Google
Daydulo dkk. Informatika Medis dan Pengambilan Keputusan BMC (2022) 22:329
Gambar 6 Pengaruh parameter Morse umum pada perdagangan frekuensi waktu
konversi frekuensi sinyal FHR. Parameter pada flter bank
disesuaikan dengan mempertimbangkan sinyal FHR dan parameter
wavelet, sehingga frekuensi sampling 4 Hz, panjang sinyal (4800
dan 3600), parameter gamma 3 dan nilai produk bandwidth waktu
60, 55 dan suara untuk nilai oktaf 12 digunakan.
Adopsi model ResNet 50 yang telah dilatih sebelumnya untuk
pembelajaran transfer
Pembelajaran transfer adalah istilah yang mengacu pada
meneruskan nilai bobot dari jaringan saraf terlatih ke jaringan
saraf baru lainnya, sehingga pembangunan dan pelatihan jaringan
dari awal akan dihindari [39]. Pembelajaran transfer membuat
pembaruan dan pelatihan ulang jaringan jauh lebih cepat dan
mudah dibandingkan melatih jaringan dari awal.
Hal ini memungkinkan penggunaan model populer yang telah
dilatih pada kumpulan data besar untuk melatih model dengan
data berlabel lebih sedikit dan beberapa model CNN terkenal
Gambar. 7. Koneksi identitas membantu blok sisa untuk menggunakan kembali fitur
yang digunakan untuk pembelajaran transfer adalah; AlexNet, GoogLeNet,
Halaman 7 dari 13
Vgg, OverFeat, ResNet, Xception [40]. Aspek berbeda dari jaringan
terlatih penting untuk dipertimbangkan ketika memilih jaringan
yang akan digunakan untuk tujuan tertentu.
Akurasi, kecepatan, dan ukuran jaringan adalah aspek yang paling
penting. Namun, pemilihan jaringan biasanya merupakan
kompromi antara faktor-faktor ini. Jadi, dengan mempertimbangkan
pertimbangan besar seperti infrastruktur terbatas seperti ruang
memori dan GPU serta keakuratan model di akun ResNet 50 dipilih
untuk penelitian ini.
ResNet adalah sejenis jaringan saraf yang pertama kali
diperkenalkan oleh K He dkk. pada tahun 2015 [41]. Ini adalah
arsitektur yang dirancang untuk memiliki struktur yang lebih
mendalam daripada semua arsitektur sebelumnya dan
memungkinkan keberhasilan pelatihan jaringan saraf yang sangat
dalam tanpa terhambat oleh hilangnya gradien [41]. ResNet
mengatasi masalah hilangnya gradien dengan memperkenalkan
koneksi pintasan identitas yang ditunjukkan oleh X pada Gambar.
7 atau lewati koneksi yang ditunjukkan panah melengkung pada
Machine Translated by Google

Daydulo dkk. Informatika Medis dan Pengambilan Keputusan BMC (2022) 22:329 Halaman 8 dari 13

set digunakan untuk memantau kinerja model dan

menyempurnakan hyper-parameter selama proses pelatihan.
Terakhir, set pengujian digunakan satu kali untuk mengevaluasi
kinerja model akhir.

Hasil
Hasil pelatihan
Gambar 7 Blok penyusun pembelajaran sisa
Dataset akhir setelah augmentasi berisi 1.556 gambar frekuensi
waktu yang mana 878 untuk kelas normal dan 678 untuk kelas
patologis atau tertekan. Sesuai dengan rasio pemisahan data
lapisan dan menambahkannya dengan keluaran lapisan saat ini sebelum memberi makan
yang digunakan, jumlah data yang digunakan untuk melatih
lapisan berikutnya seperti yang diilustrasikan pada Gambar 7.
sistem adalah 790 untuk normal dan 610 untuk tertekan. Sisanya
ResNet adalah salah satu jaringan saraf dalam yang paling
10% yaitu 156 dimana 68 patologis dan 88 normal diambil
kuat, yang mencapai kemampuan generalisasi luar biasa pada
sebagai set pengujian. Selama pelatihan 10% data pelatihan
kompetisi klasifikasi ILSVRC 2015.
dari setiap kelas dipilih secara acak berdasarkan frekuensi
ResNet juga menempati posisi pertama dalam kontes ILSVRC
validasi yang ditetapkan yaitu 15 iterasi. Setelah pemisahan
dan COCO 2015 untuk deteksi ImageNet, lokalisasi ImageNet,
dan persiapan data selesai, model ResNet50 dilatih secara
deteksi COCO, dan segmentasi COCO [42].
terpisah untuk eksperimen pertama dan kedua yaitu 20 menit
Desain ResNet50 dibagi menjadi empat tahap, seperti yang
pertama dan 15 menit pertama terakhir rekaman CTG. Performa
ditunjukkan pada Gambar. 8 jaringan menggunakan ukuran
model ResNet-50 dievaluasi untuk memilih parameter penyetelan
kernel 7×7 dan 3×3 untuk konvolusi awal dan max-pooling
terbaik untuk melakukan tugas klasifikasi. Oleh karena itu,
masing-masing pada gambar masukan berukuran 224×224×3.
model dilatih menggunakan dataset pelatihan dan divalidasi
Setelah itu, Tahap 1 jaringan dimulai, yang terdiri dari tiga blok
dengan dataset validasi.
sisa, setiap blok memiliki tiga lapisan, dan ukuran kernel yang
digunakan untuk menjalankan operasi konvolusi di ketiga lapisan
Kurva pembelajaran diperoleh dari kumpulan data pelatihan
blok tahap 1 adalah 64, 64, dan 128 [ 42 ].
dan menggambarkan kemampuan pembelajaran model.
Skema pemisahan data
Sebaliknya, kurva pembelajaran validasi diturunkan menggunakan
kumpulan data validasi untuk menentukan seberapa efektif
Pemisahan dataset dilakukan untuk pelatihan dan pengujian
generalisasi model. Gambar 9 menunjukkan plot kurva akurasi
dengan menerapkan aturan pemisahan data yang terkenal yaitu
pelatihan (kurva biru), akurasi validasi (titik hitam dengan kurva
masing-masing 80% dan 20% set pelatihan dan pengujian.
Diantara 20% tersebut, 10% digunakan untuk validasi, dan 10% biru), kerugian pelatihan (kurva coklat), dan kerugian validasi
(titik hitam dengan kurva coklat) model.
untuk tes. Set pelatihan digunakan untuk melatih jaringan saat validasi

Gambar 8 Arsitektur ResNet 50

Machine Translated by Google

Daydulo dkk. Informatika Medis dan Pengambilan Keputusan BMC (2022) 22:329 Halaman 9 dari 13

Gambar 9 Kurva pelatihan dan validasi ResNet untuk tahap 1 (a) dan tahap 2 (b)

Selama pelatihan, kerugian validasi terendah yang dicapai Hasil pengujian

adalah 0,1014 untuk Eksperimen 1 dan 0,1054 untuk Kinerja model dievaluasi untuk metrik kinerja yang berbeda
eksperimen 2. Dan akurasi validasi masing-masing sebesar seperti akurasi klasifikasi, sensitivitas dan spesifisitas.
98,76% dan 97,61% dicapai untuk eksperimen 1 dan Dalam klasifikasi model diharapkan dapat mengkategorikan
eksperimen 2 seperti dirangkum dalam Gambar 10. data masukan yang diberikan ke dalam normal dan
Machine Translated by Google

Daydulo dkk. Informatika Medis dan Pengambilan Keputusan BMC (2022) 22:329 Halaman 10 dari 13

Tabel 1 Matriks kebingungan untuk percobaan 1 (a) dan 2 (b)

Akurasi validasi

1.2
0,9876
1 0,9761

0,8

0,6

0,4 0,1054
0,2 0,1014

0
Eksperimen 1 Eksperimen 2

Gambar 10 kinerja pelatihan musim panas

kelas tertekan. Untuk melakukan hal ini, 10% dari setiap kelas yang
telah disimpan untuk pengujian digunakan, di antara set pengujian, 68
data ditugaskan untuk kelas tertekan dan 88 data untuk kelas normal.

Berdasarkan matriks konfusi untuk eksperimen 1 pada Tabel 1a,

dua kelas 'Tertekan' salah diklasifikasikan sebagai kelas 'Normal' dan
semua kelas 'Normal' diklasifikasikan dengan benar. Untuk percobaan
kedua pada Tabel 1b, empat kelas tertekan salah diklasifikasikan
sebagai normal dan dua kelas normal salah diklasifikasikan sebagai
kelas tertekan. Dari hasil matriks konfusi pada Tabel 1 nilai TP, TN, FP
dan FN mudah diketahui dan dihitung metrik evaluasi kinerjanya,
sehingga tercapai akurasi 98.7%, sensitivitas 97.0% dan spesifisitas
100% untuk sinyal FHR tahap 1 tenaga kerja dan akurasi 96,1%,
sensitivitas 94,1% dan spesifisitas 97,7% dicapai untuk sinyal FHR
pada perekaman tahap terakhir ke-2.

Diskusi
Di antara perangkat non-invasif yang digunakan untuk memantau
aktivitas jantung janin, kardiotokografi adalah teknik yang banyak
digunakan untuk memantau denyut jantung janin dan mendiagnosis gawat janin.
Ini adalah salah satu cara yang paling sering dilakukan untuk menilai
kesejahteraan janin selama kehamilan dan kelahiran, dan membantu
dalam mendeteksi potensi risiko janin seperti hipoksia dan tekanan.
Menurut penilaian yang dilakukan terhadap kesepakatan antar
pengamat, interpretasi visual sinyal CTG mengalami variabilitas
pengamat yang mengakibatkan rendahnya kesepakatan antar
pengamat. Keragaman interpretasi visual menekankan bahwa interpolasi spline dan linier digunakan dalam prapemrosesan untuk
otomatisasi diagnosis gawat janin sangat penting untuk mengurangi menghilangkan noise, outlier, dan nilai yang hilang serta ketukan yang
kesalahan diagnosis yang disebabkan oleh teknik diagnosis manual tidak dapat diandalkan. Setelah pra-pemrosesan, sinyal FHR
tradisional saat ini. Untuk mencapai sinyal FHR ini diproses terlebih direpresentasikan menggunakan wavelet Morse yang digeneralisasi
dahulu dan diubah menjadi representasi waktu-frekuensi menggunakan dengan parameter gamma ÿ=3, yang merupakan nilai untuk wavelet
wavelet Morse yang digeneralisasi. Sepuluh model ResNet 50 yang paling simetris dan paling Gaussian (keluarga wavelet 'Airy') [40],
telah dilatih sebelumnya telah disetel dengan baik pada data FHR pada dengan area Heisenberg minimum . Selain itu, pengaruh parameter P
20 menit pertama dan 15 menit terakhir.
produk bandwidth waktu pada respons frekuensi bank flter dan
representasi frekuensi waktu FHR diperiksa
Dalam pra-pemrosesan, celah besar yang hilang selama 15 detik
telah dihilangkan seluruhnya dari sinyal. Kubik
Machine Translated by Google

Daydulo dkk. Informatika Medis dan Pengambilan Keputusan BMC (2022) 22:329 Halaman 11 dari 13

untuk nilai ÿ fxed pada 4. Sebagai hasil dari peningkatan produk Hasil pengujian yang dicapai dengan model ResNet 50
bandwidth waktu P, respons frekuensi tepian flter wavelet sebanding dengan sebagian besar literatur terkait [16, 22],
menyempit dalam frekuensi sementara lebar komponen tengah dipelajari pada basis data CTU-UHB yang sama dan diuji pada
flter meningkat seiring waktu seperti dijelaskan pada Gambar 6, FHR yang dicatat pada tahap awal dan akhir persalinan seperti
karena terhadap efek ini pada fl-ter bank, nilai P yang lebih dijelaskan pada Tabel 2 Dibandingkan dengan [16], informasi
tinggi menghasilkan resolusi frekuensi tinggi dengan resolusi frekuensi waktu FHR dan UC tahap persalinan pertama telah
waktu yang buruk, sedangkan nilai P yang lebih rendah digunakan menggunakan Complex Morlete dengan parameter
menghasilkan resolusi waktu yang tinggi dengan resolusi detail yang bervariasi untuk menambah dataset. kamu. Dalam
frekuensi yang buruk. Dengan mempertimbangkan rentang [17], STFT digunakan untuk representasi frekuensi waktu dari
frekuensi FHR dan pengaruhnya terhadap representasi data FHR tahap kedua dan empat gambar frekuensi waktu yang
frekuensi waktu, nilai P 55 dan 60 digunakan untuk menghasilkan dihasilkan untuk satu sinyal FHR berdasarkan rentang frekuensi
FHR dan ini membantu meningkatkan ukuran database. Mereka
gambar frekuensi waktu masukan untuk Model yang telah dilatih sebelumnya.
Setelah menyempurnakan model ResNet50, kinerjanya menggunakan model AlexNet terlatih untuk klasifikasi. Perbedaan
diperiksa selama pelatihan. Selama pelatihan, evaluasi kinerja utama penelitian mereka dengan penelitian saat ini adalah
model dilakukan menggunakan kurva pembelajaran dengan menggunakan STFT untuk representasi frekuensi waktu dan
memeriksa dua metrik berbeda yaitu metrik akurasi dan kerugian. menggunakan nilai pH kurang dari 7,05 untuk membedakan data DJJ normal da
Untuk kumpulan data pelatihan dan validasi, hasil yang baik Mereka melaporkan rata-rata Acc, Se, dan Sp masing-masing
dicapai ketika kurva akurasi meningkat dan kurva kerugian sebesar 93,32%, 56,15%, dan 96,51%. Meskipun hasil yang
menurun seiring dengan bertambahnya jumlah epoch. Hasilnya, menjanjikan telah dicapai pada persalinan kala dua, model ini
kedua plot metrik dibuat untuk setiap percobaan dan dengan rumit untuk diterapkan karena representasi frekuensi waktu
meninjau kurva pembelajaran yang ditunjukkan pada Gambar dilakukan berdasarkan empat rentang frekuensi berbeda yang
9a dan b, kinerja model dievaluasi. dikaitkan dengan peristiwa fisiologis yang bervariasi.
Selain itu, nilai pH kurang dari 7,05 yang ditetapkan untuk kelas
Saat memeriksa kinerja untuk kedua eksperimen, model Te patologis mewakili janin hipoksia berat, sehingga model dapat
ResNet 50 yang disetel dengan pengoptimal Adam, kecepatan mengklasifikasikan janin hipoksia ringan ke dalam normal.
pembelajaran 0,001, frekuensi validasi 20 iterasi, dan ukuran Dalam [17, 18] CWT dua mother wavelet (db dan sym) dengan
batch mini 30 mencapai akurasi validasi yang lebih tinggi pada orde dua dan skala 4, 5 dan 6 digunakan untuk representasi
periode ke-13 yaitu 98,76% dan 97,61 untuk eksperimen 1 dan frekuensi waktu data FHR tahap persalinan pertama dan mereka
2 masing-masing. Terakhir, akurasi uji rata-rata model untuk merancang CNN dari awal di Matlab, sehingga melaporkan
klasifikasi dihitung. akurasi, sensitivitas dan spesifisitas masing-masing sebesar
Oleh karena itu, akurasi 98,7%, sensitivitas 97,0% dan 98,34%, 94,87% dan 97,82%. Karena skala wavelet tunggal
spesifisitas 100% dicapai untuk sinyal FHR percobaan pertama. digunakan dalam penelitian ini, representasi frekuensi waktu
Pada percobaan kedua diperoleh akurasi 96,1%, sensitivitas gagal dalam analisis multiresolusi CWT dan menangkap
94,1%, dan spesifisitas 97,7%. informasi terbatas dalam skala yang ditentukan.

Tabel 2 Ringkasan karya yang paling terkait dan karya saat ini

Kertas Kriteria Pelabelan Sumber Basis Data Tahap metode Pertunjukan

Bursa dkk. [16] CTU-UHB pH CWT pertama (60 menit) + CNN 2D Akun: 94,1%

Komet dkk. [17] CTU-UHB pH Ke-2 (15 mnt) STFT+2D CNN (AlexNet) Acc: 93,32%, Sen: 56,15% Sp:
96,51%

Zhao dkk. [18] CTU-UHB pH CWT pertama (20 menit) + CNN 2D Acc: 98,34%, Sen: 94,87% Sp:
97,82%

Parvathavarthine dkk. [19] CTU-UHB pH ke-2 (30 menit) Resolusi Bersih 50 yang Dioptimalkan Akun: 94,63%

Frasch dkk. [20] Pribadi Visual T/A CNN 2D yang disesuaikan Akun: 93,6%

Ogasawara dkk. [21] CTU-UHB pH Ph&apgar Ke-2 (30 menit) 2D CTG-net ke-1 (60 AUC: 0,73

Saini dkk. [22] CTU-UHB pH menit) FHR+UC+2D CNN ke-1 (20 menit) dan Akun: 70%, 71,4% dan 70%

Studi saat ini CTU-UHB ke-2 (15 menit) Gelombang Akun: 98,7%,
morse-biarkan+CNN(ResNet50) Sen.: 97,0%
Sp: 100%

Akun: 96,1%,
Sen.: 94,1%
Sp: 97,7%
Machine Translated by Google
Daydulo dkk. Informatika Medis dan Pengambilan Keputusan BMC (2022) 22:329
dan hal ini dapat menyebabkan rendahnya performa model jika
diterapkan pada data FHR tahap persalinan kedua.
Selain itu, dalam beberapa literatur model CNN diberi gambar
pindaian sinyal CTG. Oleh karena itu dalam [19] dan [20] akurasi
klasifikasi dilaporkan masing-masing sebesar 94,63% dan 93,6%.
Dalam [21] model CTG net CNN dikembangkan melaporkan AUC
sebesar 0,78. Dalam [22] gambar pindaian sinyal CTG dengan fitur
morfologi digunakan dan akurasi masing-masing 70%, 71,4% dan
70% untuk hipoksia normal, ringan, dan hipoksia berat dilaporkan.
Dibandingkan dengan literatur tersebut di atas yang
diimplementasikan pada model pembelajaran mendalam dengan
representasi frekuensi waktu untuk FHR seperti Complex Morlete
[13], STFT [16], db dan sym wavelet [17], model kami mencapai
tugas klasifikasi yang lebih baik untuk pertama dan data FHR tahap
persalinan kedua.
Untuk menggeneralisasi, perilaku yang diinginkan dari wavelet
Morse yang digeneralisasi adalah: menjadi wavelet analitik yang
tidak memiliki kebocoran untuk frekuensi negatif [65], wavelet
Gaussian paling banyak (keluarga wavelet 'Airy') dengan luas
Heisenberg minimum [33], penerapan untuk analisis amplitudo,
frekuensi, transien, durasi pendek yang bervariasi waktu,
diskontinuitas lokal dan representasi waktu-frekuensi gabungan
[35] dan fitur utama arsitektur ResNet 50 seperti; menggunakan
normalisasi batch dan desain blok sisa hambatan untuk
meningkatkan kinerja jaringan, menggunakan koneksi identitas
untuk melindungi jaringan dari masalah hilangnya gradien [42]
diharapkan dapat meningkatkan kinerja percobaan kami.
Kesimpulan
Penelitian ini mengusulkan sistem otomatis untuk mendeteksi
gawat janin dari informasi frekuensi waktu sinyal CTG menggunakan
gelombang Morse yang digeneralisasi. Model ResNet 50 yang telah
dilatih sebelumnya digunakan untuk mengklasifikasikan kondisi
janin sebagai normal dan tertekan untuk data FHR persalinan kala
pertama dan kala akhir. Studi ini menunjukkan bahwa representasi
frekuensi waktu sinyal DJJ menggunakan gelombang Morse yang
digeneralisasi memiliki dampak yang signifikan dalam menangkap
fitur-fitur penting sinyal DJJ, sehingga meningkatkan kinerja
klasifikasi dalam mengidentifikasi gawat janin pada berbagai tahap
persalinan. Secara umum diperoleh akurasi klasifikasi sebesar
98,7%, sensitivitas 97,0%, dan spesifisitas 100% untuk data
persalinan kala I dan akurasi sebesar 96,1%, sensitivitas 94,1%,
dan spesifisitas 97,7% untuk data DJJ kedua. tahap persalinan
menggunakan dataset CTU-UHB. Terakhir, untuk memudahkan
penggunaan sistem, dikembangkan Antarmuka Pengguna Grafis
sederhana. Sistem ini dapat memainkan peran penting dalam
mendukung dokter obstetri dan ginekologi selama prosedur
diagnosis.
Dalam penelitian ini ketidakseimbangan kelas antara kelas
normal dan kelas tertekan menjadi tantangan utama. Namun,
teknik augmentasi data diterapkan pada kondisi tertekan
Halaman 12 dari 13
sinyal FHR deret waktu untuk mengatasi masalah ketidakseimbangan
kelas. Namun, untuk mengembangkan model yang lebih kuat dan
andal, disarankan untuk mengumpulkan lebih banyak data daripada
menambah kelas minoritas. Selain itu, penelitian ini dibatasi untuk
mengklasifikasikan gawat janin menjadi normal dan gawat janin,
namun disarankan untuk mengklasifikasikan gawat janin menjadi
kelas berat dan ringan. Rekomendasi-rekomendasi yang disebutkan
di atas dapat dipertimbangkan untuk studi lebih lanjut yang tidak
diselidiki dan dibahas dalam penelitian ini.
Singkatan
AI: Kecerdasan buatan; JAWABAN: Sistem saraf otonom; AW: Wavelet analitik; BPM:
Ketukan per menit; CNN: Jaringan saraf konvolusional; CTG: Kardiotokogram; CAD:
Diagnosis dengan bantuan komputer; CWT: Transformasi wavelet berkelanjutan; EKG:
Elektrokardiogram; EEG: Elektroensefalogram; EMG: Elektro-miogram; FHR: Denyut jantung
janin; FT: Transformasi Fourier; FECG: Elektrokardiogram janin; FIGO: Federasi Internasional
Ginekologi dan Obstetri; NIFECG: Elektrokardiogram non invasif; RCOG: Royal College of
Obstetricians dan Ginekolog; ResNet: Jaringan sisa; SBR: Angka kelahiran tetap; STFT:
Transformasi Fourier waktu singkat; UC: Kontraksi uterus; WHO: Organisasi Kesehatan Dunia;
WT: Transformasi wavelet.
Ucapan Terima Kasih
Penulis penelitian ini mengucapkan terima kasih kepada Rumah Sakit Universitas di Brno,
Republik Ceko karena telah berbagi basis data sinyal CTG terbuka terbesar di dunia.
Selain itu, penulis ingin mengucapkan terima kasih kepada Dr. Ezana Ayele, Mr. Ahmed Ali dan
Mr. Tewodros Bely atas bimbingan, saran dan dorongan mereka terhadap pekerjaan ini. Akhir
kata, penulis mengucapkan terima kasih kepada Fakultas Teknik Biomedis Universitas Jimma
dan staf departemen Obstetri dan Ginekologi Rumah Sakit Universitas Dilla.
Kontribusi penulis
YDD: konseptualisasi, kurasi data, analisis dan interpretasi data, metodologi, perangkat
lunak, validasi, visualisasi, penulisan draf asli, penulisan—review dan pengeditan. BLT:
Konseptualisasi, analisis formal, metodologi, supervisi, perangkat lunak, validasi, visualisasi,
penulisan draf asli, penulisan—review dan editing. HKD: analisis formal, revisi kritis
naskah, investigasi, sumber daya, penulisan—review dan editing. GTA: analisis data,
sumber daya, investigasi, validasi, penulisan—review dan pengeditan. Semua penulis
membaca dan menyetujui naskah akhir.
Pendanaan
Para penulis tidak menerima dana khusus untuk penelitian ini.
Ketersediaan data dan bahan
Kumpulan data yang digunakan dan/atau dianalisis selama penelitian ini tersedia dari
penulis terkait berdasarkan permintaan yang masuk akal.
Deklarasi
Persetujuan etika dan persetujuan untuk berpartisipasi
Tak dapat diterapkan.
Persetujuan untuk publikasi
Tak dapat diterapkan.
Kepentingan yang bersaing
Penulis koresponden menyatakan bahwa tidak ada konflik kepentingan di pihak penulis lain,
termasuk dirinya sendiri.
Detail penulis
1
Departemen Teknik Biomedis, Rumah Sakit Rujukan Universitas Dilla, Dilla, Ethiopia.
2
ogy, Universitas Sekolah Teknik Biomedis, Institut Teknologi Jimma-
3
Jimma, Jimma, Ethiopia. komunikasi, Universitas Departemen Elektronika dan Kom-
Rayalaseema, Kurnool, Andhra Pradesh, India.
Machine Translated by Google
Daydulo dkk. Informatika Medis dan Pengambilan Keputusan BMC (2022) 22:329
Diterima: 24 Mei 2022 Diterima: 28 November 2022
Referensi
1. Pashte S. Diagnosis dan penatalaksanaan gawat janin. Eur J Biomed
Ilmu Farmasi. 2017; (Desember 2016).
2. Gt P, Misal L. Apa yang dimaksud dengan gawat janin? Am J Obstet Ginekol. 1990;162(6):1421–
7.https ://doi.org/10.1016/0002-9378(90)90901-I.
3. Pinas A, Dokter Kandungan C, Chandraharan E, Obs MS, Konsultan L, Bangsal L.
Kardiotokografi berkelanjutan selama persalinan. Praktik Terbaik Res Clin Obstet
Gynaecol. 2015. https://doi.org/10.1016/j.bpobgyn.2015.03.022.
4. Carvalho R, dkk. Kesepakatan dan akurasi menggunakan FIGO, ACOG dan
Pedoman interpretasi kardiotokografi NICE. J Ginekol. 2016.https ://
doi.org/10.1111/aogs.13064.
5. Uccella S, dkk. “Keandalan antarpengamat untuk menafsirkan pemilu intrapartum
pemantauan detak jantung janin tronic: Apakah algoritma standar meningkatkan kesepakatan
di antara dokter? J Obstet Gynaecol. 2014. https://doi.org/10.
3109/01443615.2014.958144.
6. Rei M, Tavares S, Pinto P, Machado AP. Perjanjian antar pengamat di CTG
interpretasi menggunakan pedoman FIGO 2015 untuk pemantauan janin intrapartum. Eur J
Obstet Gynecol Reprod Biol. 2016;205:27–31. https://doi.org/
10.1016/j.ejogrb.2016.08.017.
7. Penning S, dkk. Penatalaksanaan gawat janin. Obstet Ginekol Clin N Am. 1999;26(2):259–74.
8. Alyousif S, Mohd MA, Bilal B, Sheikh M, Algunaidi M. Algoritma berbasis aturan untuk ekstraksi
fitur pola kardiotokograf intrapartum dan klasifikasi set data CTG deskripsi. iMedPub
J.2016.https ://doi.org/10.
21767/1791-809X.1000468.
9. Sbrollini A dkk. Identifikasi otomatis dan klasifikasi janin
perlambatan detak jantung dari rekaman kardiotokografi, hal. 474–7; 2018.
10. Houzé A, dkk. Analisis detak jantung janin otomatis untuk penentuan dasar dan deteksi
akselerasi/deselerasi. Kontrol Proses Sinyal Biomed. 2019;49:113–23. https://doi.org/
10.1016/j.bspc.2018.10.002.
11. Stylios CD, Georgoulas G, Karvelis P, Spilka J, Chudáÿek V, Lhotska L. Kuadrat terkecil
mendukung mesin vektor untuk klasifikasi FHR dan menilai kategorisasi berbasis pH. Proses
IFMBE. 2016;57:1205–9. https://doi.org/10.
1007/978-3-319-32703-7_234.
12. Georgoulas G, Karvelis P, Spilka J, Chudáÿek V, Stylios CD, Lhotská L.
Menyelidiki evaluasi rekaman detak jantung janin (FHR) berdasarkan pH.
Teknologi Kesehatan (Berl). 2017;7(2–3):241–54. https://doi.org/10.1007/
s12553-017-0201-7.
13. Zhao Z, Zhang Y. Analisis fitur komprehensif sinyal detak jantung janin untuk penilaian cerdas
keadaan janin. J Clin Med Artik. 2018. https://doi.org/10.3390/jcm7080223.
14. Cömert Z, Kocamaz AF, Subha V. Model prognostik berdasarkan gambar-
berdasarkan fitur frekuensi waktu dan algoritma genetika untuk penilaian hipoksia janin.
Hitung Biol Med. 2018.https ://doi.org/10.1016/j.compb
iomed.2018.06.003.
15. Cömert Z. Evaluasi Diagnosis Gawat Janin pada Tahapan Persalinan berdasarkan Fitur
Linier dan Nonlinier Denyut Jantung Janin untuk Komunitas Jaringan Syaraf Tiruan.
Aplikasi Komputasi Int J. 2016;156(4):26–31.
16. Bursa M, Lhotska L. Penggunaan jaringan saraf konvolusional dalam pemrosesan data
biomedis. Berlin: Peloncat; 2017. hal. 100–19. https://doi.org/10.
1007/978-3-319-64265-9.
17. Comert Z, Kocamaz AF. Deteksi hipoksia janin berdasarkan jaringan saraf konvolusional
mendalam dengan pendekatan pembelajaran transfer. Komputasi Sistem Intell Lanjutan.
2019;763:239–48. https://doi.org/10.1007/978-3-319-91186-1_
25.
18. Zhao Z, Deng Y, Zhang Y, Zhang Y, Zhang X, Shao L. DeepFHR: prediksi cerdas Asidemia
janin menggunakan sinyal detak jantung janin berdasarkan jaringan saraf konvolusional.
BMC Med Informasikan kepada Decis Mak. 2019;5:1–15.
19. Parvathavarthine K, Balasubramanian R. Mengoptimalkan jaringan saraf pembelajaran
konvolusional sisa untuk penilaian risiko embrio ibu intrapartum. Eur J Mol Klinik Med.
2020;7(11):2985–3006.
20. Frasch MG, Strong SB, Nilosek D, Leaverton J. Deteksi gawat janin yang dapat dicegah
selama persalinan dari penelusuran kardiotokogram yang dipindai menggunakan
pembelajaran mendalam. Dokter Anak Depan. 2021;9(Desember):1–8. https://doi.org/10.
3389/fped.2021.736834.
Halaman 13 dari 13
21. Ogasawara J, Ikenoue S, Yamamoto H, Sato M, Kasuga Y. Klasifikasi kardiotokogram
berbasis jaringan saraf dalam mengungguli algoritma konvensional. Rep Sains
2021. https://doi.org/10.1038/
s41598-021-92805-9.
22. Saini M, Kaur J. Klasifikasi gawat janin dengan jaringan saraf konvolusional dalam. Curr
Kesehatan Wanita Rev. 2021;1573404816:1–4.
23.Debra Lewis SD. Pedoman konsensus FIGO tentang pemantauan janin intrapartum: auskultasi
intermiten. CLoK Cent Lancash. 2015.https ://doi.
org/10.1016/j.ijgo.2015.06.020.
24. Chudáÿek V, Burša M, Jank P, Hruban L, Huptych M, Lhotská L. Terbuka
mengakses database CTG intrapartum. BMC Kehamilan Melahirkan 2014: 1–12. http://
www.biomedcentral.com/1471-2393/14/16.
25. Sykes GS, Molloy PM, Johnson P, Stirrat GM, Turnbull AC. Gawat janin dan kondisi bayi
baru lahir. Nuf Dep Obstet Gynaecol John Radclife Hosp Oxford. 1983;287(Oktober):943–
5.
26. Chudáÿek L, Huptych V, Koucký M, Spilka M, Bauer J, Lhotská L. pra-pemrosesan dan anotasi
data detak jantung janin. Dalam: Konferensi internasional tentang teknologi informasi dan
teknik biomedis, hal. 1–4.
27. Boudet S, dkk. Perhitungan dasar detak jantung janin dengan pembobotan
filter median. Hitung Biol Med. 2019;114(Maret):103468. https://doi.org/
10.1016/j.compbiomed.2019.103468.
28. Interpolasi spline Walberg G. Kubik: tinjauan; 1988.
29. Cömert Z, Fatih A. Perangkat lunak akses terbuka untuk analisis sinyal detak jantung janin.
Kontrol Proses Sinyal Biomed. 2018;45:98–108. https://doi.org/
10.1016/j.bspc.2018.05.016.
30. Iwana BK, Uchida S. Survei empiris augmentasi data untuk klasifikasi deret waktu dengan
jaringan saraf. IEEE, hal.1–17.
31. Cohen MX. Cara yang lebih baik untuk mendefinisikan dan mendeskripsikan wavelet Morlet
untuk analisis frekuensi waktu. Radboud Univ Med Cent. 2018. https://doi.org/10.
1101/397182.
32. Byeon Y, Pan S. Model mendalam cerdas berdasarkan skalogram sinyal elektro-kardiogram
untuk biometrik. Sensor (Swiss). 2019.https ://
doi.org/10.3390/s19040935.
33. Wachowiak MP dkk. Analisis fitur kuantitatif transformasi wavelet analitik kontinu
elektrokardiografi dan elektromiografi. R Soc. 2018; (ii).
34. Gannaz I dkk. Wavelet analitik untuk analisis deret waktu multivariat. HAL, hal.1–8; 2019.
35. Lilly JM, Olhede SC. Sifat tingkat tinggi dari wavelet analitik. Proses Sinyal Trans IEEE.
2009;57(Februari 2008):1–16.
36. Lilly JM, Olhede SC. Pada transformasi wavelet analitik. Informasi Trans IEEE
Teori. 2010;56:1–22.
37. Lilly JM, Olhede SC. Gelombang Morse yang digeneralisasikan sebagai superfamili dari
wavelet analitik. Proses Sinyal Trans IEEE. 2012: 1–7. http://www.ieee.
org/publications_standards%0A/publications/rights/rights_policies.html.
Diakses 03 Mar 2021.
38. Lilly JM. Metode berbasis wavelet untuk menganalisis peristiwa yang terlokalisasi waktu
dalam rangkaian waktu yang bising. R Soc. 2017. https://doi.org/10.1098/rspa.2016.0776.
39. Mentransfer pembelajaran dari model yang telah dilatih sebelumnya|oleh Pedro Marcelino|
menuju ilmu data. https://towardsdatascience.com/transfer-learning-from-pre-trained-
models-f2393f124751 . Diakses 07 Des 2021.
40. Alippi C, Milano P, Disabato S, Milano P, Roveri M, Milano P. Memindahkan jaringan saraf
konvolusional ke sistem tertanam: kasus AlexNet dan VGG-16, hlm. 212–23; 2018. https://
doi.org/10.1109/IPSN.2018.00049.
41. He K, Sun J. Pembelajaran sisa yang mendalam untuk pengenalan gambar. Dalam:
Konferensi IEEE 2016 tentang visi komputer dan pengenalan pola, hal.1–9.
42. Sachan A. Panduan lengkap untuk memahami dan menerapkan ResNets. https://
cv-tricks.com/keras/understand-implement-resnets/. Diakses 20 Des 2021.
Catatan Penerbit
Springer Nature tetap netral sehubungan dengan klaim yurisdiksi dalam peta yang diterbitkan
dan afiliasi kelembagaan.