曾冬洲，郑宗华，谢婧娴

(1.福州大学电气工程与自动化学院,福建 福州 350108；2.厦门大学附属妇女儿童医院，福建 厦门 361003)

0 引言

胎儿窘迫是指胎儿在子宫内因缺氧导致的呼吸窘迫综合症，是造成围产期胎儿死亡的主要原因[1]。胎心监护是胎心胎动宫缩图(cardiotocography，CTG)的简称，是一种对胎儿宫内健康状况进行检测评估的主要手段。临床上的CTG信号采用胎心率电子监护仪实时监测并记录下不断变化的胎儿瞬间心率。CTG信号包含胎心率(fetal heart rate，FHR)信号曲线和宫缩(uterine contraction，UC)信号曲线。通过这两条信号曲线，医生能够实时地了解胎动和宫缩时胎心的反应，并对宫内胎儿的缺氧程度进行评估。但是CTG评估的结果容易受到医生主观经验的影响，导致漏诊胎儿错过最佳医生干预时间或者误诊胎儿剖腹产出，使医疗资源得不到有效的利用。因此，为了降低胎儿窘迫的漏诊和误诊率，临床上有必要采用一种更为客观的评估方法来辅助医生作出准确、有效的诊断决策。

近年来，随着机器学习技术的发展，机器学习的算法模型在医疗决策领域的应用也越来越多，因此有不少学者尝试先利用计算机软件自动化提取FHR信号特征和UC信号特征，然后引入机器学习技术对提取到的特征数据进行分类预测。文献[2]将支持向量机算法应用到胎儿窘迫数据集上，取得了较好的分类预测效果。文献[3]利用神经网络模型，很好地克服了胎儿窘迫数据的非线性问题，也取得了较好的分类效果。文献[4]提出使用XGBoost算法建立胎儿健康评估模型。……