Please use this identifier to cite or link to this item: http://www.repositorio.ufc.br/handle/riufc/59155
Title in Portuguese: Modelos de classificação e prognóstico para avaliação do bem-estar fetal
Author: Silva Neto, Manuel Gonçalves da
Advisor(s): Gomes, Danielo Gonçalves
Co-advisor(s): Madeiro, João Paulo do Vale
Keywords: Modelo de prognóstico
Avaliação do estado fetal
Monitoramento fetal
Frequência cardíaca fetal
Biossinais
Issue Date: 2021
Citation: SILVA NETO, Manuel Gonçalves da. Modelos de classificação e prognóstico para avaliação do bem-estar fetal. 2021. 152 f. Tese (Doutorado em Engenharia de Teleinformática) – Universidade Federal do Ceará, Centro de Tecnologia, Programa de Pós-Graduação em Engenharia de Teleinformática, Fortaleza, 2021.
Abstract in Portuguese: Biossinais provenientes do monitoramento fetal podem ser adotados como indicadores para avaliação do seu bem-estar. A análise assistida por computador dos padrões em biossinais como a frequência cardíaca fetal (FCF) de forma isolada ou combinada com dados clínicos dos pacientes tem sido utilizadas como ferramentas de suporte a decisão ou em modelos de prognóstico nos ambientes clínicos. Atualmente os sistemas baseados em biossinais possuem funcionalidades que variam desde a simples exibição de indicadores de bem estar fetal até a capacidade de classificar e predizer o estado do feto baseado em padrões. No entanto, a construção destes modelos de prognóstico enfrenta a ausência de padrões ou consensos entre os parâmetros e blocos de construção adotados em seu desenvolvimento, dificultando a sua comparação de forma objetiva assim como o desenvolvimento de novas soluções. Nesta tese, um processo de avaliação dos blocos de construção dos sistemas de suporte a diagnóstico fetal foi desenvolvido. Foi proposto ainda um modelo de prognóstico baseado em técnicas de processamento avançado de sinais e aprendizado de máquina como ferramenta de suporte na avaliação do bem estar do feto. Primeiramente, foram adotados guias bem estabelecidos para realizar um mapeamento sistemático da literatura a fim de estabelecer uma visão geral do estado da arte relacionados aos principais parâmetros e blocos de construção utilizados no desenvolvimento de sistemas de apoio ao diagnóstico fetal baseados em biossinais. Em seguida, um processo de avaliação destes blocos de construção foi desenvolvido, onde algoritmos de aprendizado de máquina supervisionados foram avaliados em cenários baseados em séries temporais e engenharia de features dentro de três esquemas de segmentação dos sinais. O processo de avaliação utilizou ainda de aprendizagem de máquina semi-supervisionada para análise do estado fetal, utilizando bases de dados de biossinais anotadas em conjunto com bases de dados não anotadas. Por fim, um modelo de prognóstico foi desenvolvido tomando por base a combinação dos parâmetros e blocos de construção mais bem avaliados. O processo de avaliação resultou em uma combinação de blocos de construção que melhoraram a performance do modelo de prognóstico final, atingindo resultados competitivos em ambientes com forte limitação de dados em comparação a soluções de avaliação do bem estar fetal do estado da arte.
Abstract: Fetal monitoring signals such as fetal heart rate (FHR) are critical indicators of fetal well-being. Computer-assisted analysis of FHR patterns alone or combined with patient’ clinical data has been used as a decision supporting-tool and prognostic models in the clinical environment. The biosignal-based systems comprise functionalities that varying from fetal wellbeing indicators exhibition to predictive and pattern classification capabilities; However, the prognostic model design suffers from the lack of gold standards for the building blocks decision-making. Thus impairing the direct comparison of proposals and the development of new solutions. In this thesis we propose an evaluation process for the building blocks of the decision supporting-tools and a prognostic model based on advanced signal processing techniques and machine learning algorithms for the fetal state assessment. First, we employed well-established guidelines to systematically map the literature in order to establish an overview of the state of the art related to the main parameters and building blocks used in the development of support systems for biosignal-based fetal diagnosis systems. Then, a process for evaluating these building blocks was developed, in which supervised machine learning algorithms were evaluated separately for time series and feature engineering within three signal segmentation schemes. The evaluation process also utilizes a semi-supervised machine learning algorithm to analyze the fetal state using annotated biosignal databases in conjunction with non-annotated databases. Finally, a prognostic model was developed based on the combination of parameters and the best-evaluated building blocks. The evaluation process provided a combination of techniques and methods that increased the final prognostic model performance, achieving relevant results with a smaller amount of data when compared to the state-of-the-art fetal status assessment solutions.
URI: http://www.repositorio.ufc.br/handle/riufc/59155
metadata.dc.type: Tese
Appears in Collections:DETE - Teses defendidas na UFC

Files in This Item:
File Description SizeFormat 
2021_tese_mgsilvaneto.pdf2,68 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.