基于特征工程与多算法融合的胎心监护信号机器学习分析：提升胎儿异常早期诊断的新框架

《Machine Learning with Applications》：Machine learning techniques for analysing cardiotocography signals for early detection of fetal anomalies based on feature engineering methods

本研究针对胎儿健康评估中卡多胎图（CTG）信号解读存在主观差异和误诊风险的问题，开发了一种集成特征选择（VIF、SHAP）和降维（t-SNE、PCA）的机器学习框架。通过SMOTE平衡数据集，并比较XGBoost、KNN、DT、RF和SVM等分类器，结果表明随机森林（RF）结合PCA特征 achieves 98%准确率、96.13%精确率、96.4%召回率和99.6% AUC，显著提升胎儿健康状况分类的自动化与可靠性，为临床决策支持提供新方案。

　　

胎儿健康监测是围产期医疗的核心环节，而卡多胎图（Cardiotocography, CTG）作为评估胎儿状况的主要工具，通过持续记录胎心率（Fetal Heart Rate, FHR）和子宫收缩（Uterine Contractions, UC）信号，为医生提供关键诊断依据。然而，传统CTG解读高度依赖临床经验，不同观察者之间存在显著差异，且人工分析复杂信号耗时费力，误诊可能导致严重后果。据统计，全球每125名新生儿中就有1例先天性心脏病，而新生儿脑病发病率在不同地区高达2-30‰，其中35%的死亡与早产并发症相关。因此，开发自动化、高精度的胎儿健康评估方法已成为临床研究的迫切需求。

近年来，人工智能技术逐步应用于CTG分析，但现有研究多侧重于单一特征提取或分类模型，缺乏对多方法融合框架的深入探索。针对这一空白，来自沙特国王大学软件工程系的Ibrahim Abunadi博士在《Machine Learning with Applications》发表了一项创新研究，提出了一种集成特征工程、降维技术和多算法比较的综合性机器学习框架，旨在提升胎儿健康状况分类的准确性与可靠性。

本研究利用公开CTG数据集（含2126例孕妇的21维特征），首先通过方差膨胀因子（Variance Inflation Factor, VIF）评估特征多重共线性，采用SHAP（Shapley Additive Explanations）分析特征重要性，并应用t-SNE（t-distributed Stochastic Neighbor Embedding）和PCA（Principal Component Analysis）进行降维处理。针对类别不平衡问题（正常77.8%、疑似13.9%、病理8.3%），使用SMOTE（Synthetic Minority Over-sampling Technique）对训练集过采样。随后，系统比较了XGBoost、KNN（K-Nearest Neighbors）、DT（Decision Tree）、RF（Random Forest）和SVM（Support Vector Machine）五种分类器在降维后特征上的性能，所有模型均通过70%训练集和30%测试集严格验证。

3.3.1. Statistical analysis

数据集统计分析显示所有特征均无缺失值，但部分特征（如Histogram number of zeroes）存在高达23.61%的异常值，采用IQR（Interquartile Range）方法检测并替换。数据经Min-Max标准化处理，确保特征尺度一致。

3.3.2. Balance of dataset

SMOTE过采样后，训练集中少数类（Suspected和Pathological）样本增至1154例，与正常类平衡，测试集保持原始分布以评估泛化能力。

3.3.3. Variance Inflation Factor for feature analysis

VIF分析发现Baseline value（35.14）、Histogram width（18.65）和Abnormal short-term variability（14.41）等特征存在高相关性，通过阈值筛选（VIF>5）保留16个特征以减少冗余。

3.3.4. SHAP-Based Feature Importance and Model Interpretability

SHAP分析揭示Prolonged decelerations（13.62%）、Abnormal short-term variability（12.81%）和Time with abnormal long-term variability（11.56%）为最具预测力的特征，与临床共识一致。

3.4. Dimensionality reduction

PCA降维保留18个主成分（累计方差≥95%），t-SNE将特征空间降至16维，两者均有效保留关键分类信息。

4. Model training algorithm

分类器超参数经网格搜索优化：RF（n_estimators=150, max_depth=8）、XGBoost（n_estimators=150, learning_rate=0.1）、SVM（kernel=linear, C=70）等。

5. Experimental results

基于PCA特征的RF模型表现最佳：准确率98%、精确率96.13%、召回率96.4%、F1分数96.3%、AUC 99.6%。混淆矩阵显示其对Pathological类召回率达92.2%，显著优于其他模型。McNemar检验证实RF与XGBoost、SVM、KNN性能差异显著（p<0.05），但与DT无显著差异（p=0.78）。 ablation研究表明，PCA+SMOTE组合有效提升少数类识别能力。

6. Discussion and performance comparison

与既往研究对比（如Anisha等SVM模型92%准确率、Haque等HMM模型89.04%准确率），本框架通过集成特征工程和降维技术，将准确率提升至98%。RF模型的高灵敏度和特异性使其尤其适合临床部署，但其在Suspected类别的较低召回率（86.4%）反映了该类别的固有模糊性。未来工作需扩大数据集并探索实时临床决策支持系统（CDSS）集成。

该研究的核心意义在于首次将VIF、SHAP、t-SNE/PCA降维与多分类器比较系统化整合，为CTG分析提供了可解释、高精度的自动化解决方案。通过严格的数据预处理、统计验证和性能评估，该框架不仅显著提升胎儿异常检测可靠性，还为其他生理信号分析提供了方法论参考。未来需进一步优化实时处理延迟、模型校准和故障模式分析，以推动其向临床实践转化。