Progetto di sistemi fuzzy applicati alla classificazione di stati patologici fetali

 9
frequenza cardiaca (battiti cardiaci del feto) ed in quello tocografico (attività contrattile 
dell’utero). 
L’esame “a vista” del tracciato cardiotocografico, in uso nella pratica clinica, ha ridotto, già da 
diversi anni, l’incidenza della mortalità intraparto e neonatale precoce. Vi sono, tuttavia, ancora 
molti problemi legati alla variabilità interindividuale ed intraindividuale nell’interpretazione del 
tracciato [Van Geijn 1996]. La variabilità interindividuale è collegata alla maggiore o minore 
esperienza del professionista (problema cui si è accennato poc’anzi), ma anche alla mancata 
uniformità della scienza e pratica medica nell’interpretazione dei tracciati. Anche la variabilità 
intraindividuale è un ostacolo da tenere in considerazione in quanto, essendo la diagnosi di una 
patologia basata principalmente su un esame qualitativo del tracciato, si riscontrano difformità 
anche nella valutazione di uno stesso segnale da parte di un medesimo soggetto. 
Per risolvere questo problema, negli anni recenti sono stati sviluppati sistemi in grado di 
estrarre parametri a partire dal segnale cardiotocografico e, in questo modo, è stato possibile 
ridurre notevolmente i problemi dovuti alla variabilità intraindividuale. Non è ancora del tutto 
chiaro, però, il significato clinico dei diversi parametri, e quindi non sono stati ancora risolti i 
problemi di variabilità interindividuale. 
 
Il problema della variabilità interindividuale può essere certamente ridotto, come si è detto, 
tramite la generazione di sistemi di supporto alle decisioni. Questo tipo di sistemi si basano sulla 
formalizzazione di regole di classificazione e quindi, nella fattispecie, diagnostiche. In altri 
termini, è possibile formalizzare, nel modo più appropriato, i criteri in base ai quali un medico 
effettua una diagnosi, all’interno di un sistema informatico. I sistemi di questo tipo, inoltre, 
possono utilizzare due diversi tipi di logica: logica ‘crisp’ e logica ‘fuzzy’. 
La logica di tipo ‘crisp’ è utilizzata negli approcci matematici classici: si definisce 
l’appartenenza di un elemento a un dato insieme attraverso variabili booleane (1 = appartenenza, 
0 = non appartenenza). Questo, talvolta, si traduce in una serie di problemi nelle applicazioni. 
Infatti vi sono molti casi in cui l’appartenenza di un elemento ad un dato insieme è incerta, altri 
in cui non vi sono dubbi, altri ancora in cui esiste la probabilità che l’elemento appartenga ad 
insiemi diversi da quello considerato. Se si considera, ad esempio, l’insieme delle persone alte 
[Jang et al. 1997] si può stabilire che una persona sia alta se la sua altezza è maggiore di 180 cm; 
tuttavia non v’è ragione per affermare che un soggetto alto 179 cm non sia alto, e che uno di 181 
cm lo sia. 
La logica fuzzy (capitolo 2), utilizzata in questo lavoro, è basata invece sul concetto di grado 
di appartenenza: si quantifica l’appartenenza di un elemento ad un insieme considerato. 
 10
Utilizzando diversi criteri per definire i requisiti di appartenenza di un elemento a diversi 
insiemi, si può sfruttare una moltitudine di informazioni per stabilire quale sia l’insieme a cui 
l’elemento effettivamente appartiene. Nell’esempio delle persone alte, quindi, si potrà convenire 
che un soggetto alto 181 cm appartenga all’insieme delle persone alte con un grado di 
appartenenza pari a 0.9, una persona di 179 cm, invece, vi appartenga con un grado pari a 0.88. 
Una volta note alcune regole euristiche, ad esempio quando si stabilisce un criterio qualitativo 
per definire alta una persona, nasce un problema di soluzione non banale noto come 
categorizzazione della realtà [Berkan e Trubatch 1997]. Il problema consiste nel determinare 
criteri quantitativi che corrispondano alle categorie qualitativamente espresse dall’uomo. 
Nell’esempio delle persone alte, molti potrebbero affermare che un soggetto di 180 cm è 
sicuramente alto (grado di appartenenza pari a 1), molti altri invece potrebbero utilizzare criteri 
differenti (grado di appartenenza pari a 0.8, 0.9…). Nella definizione di precise regole per un 
classificatore, vi potrebbero quindi essere degli errori dovuti ad assunzioni soggettive. 
Per risolvere i problemi legati alle valutazioni soggettive, si utilizzano criteri basati sui dati. In 
particolare, se si considerano i soggetti affetti da una certa patologia, e si confrontano alcuni 
parametri estratti a partire da segnali fisiologici dei soggetti stessi con quelli provenienti da una 
popolazione “sana”, in base ai valori assunti dai parametri stessi, si possono stabilire dei criteri 
oggettivi di individuazione dei soggetti patologici. 
L’obbiettivo di questo lavoro è precisamente quello di permettere la diagnosi del benessere in 
utero attraverso la progettazione e la sperimentazione di sistemi fuzzy nella classificazione delle 
patologie fetali. Particolarmente interessante è il fatto che, per realizzare sistemi dalle prestazioni 
soddisfacenti, sono stati utilizzati anche approcci teorici poco sviluppati. La crescente richiesta 
di nuove metodologie di classificazione, infatti, si è tradotta in una serie di problemi di 
modellizzazione che sono stati risolti anche in maniera originale, come nel caso dell’approccio 
ad iperspazi parametrici differenziati, di cui si dirà più avanti. 
 
Nella parte iniziale di questa tesi si riportano alcune informazioni sulla fisiologia fetale, 
soprattutto per quanto riguarda lo sviluppo delle funzionalità cardiache e vascolari, con 
particolare attenzione alle interazioni tra sistema nervoso autonomo e frequenza cardiaca. Tale 
approfondimento è dovuto al fatto che il presente studio ha utilizzato dati provenienti dal 
tracciato di frequenza cardiaca fetale (FHR = Fetal Heart Rate). Nel corso della vita intrauterina 
spesso intervengono alterazioni della crescita e della nutrizione che comportano stati di 
sofferenza fetale cronica. In questo lavoro, si pone l’attenzione sui casi in cui si verificano ritardi 
della crescita intrauterina (IUGR = IntraUterine Growth Retardation), o alterazioni della 
 11
nutrizione dovute al diabete materno (DM) che comportano gravi conseguenze per il feto e le 
loro caratteristiche sono descritte nel capitolo 1.  
Come si è detto, la logica fuzzy è alla base dei sistemi che si sono generati in questo lavoro per 
la classificazione degli stati di sofferenza fetale. A questo proposito nel capitolo 2 è fornita una 
breve descrizione della logica fuzzy con particolare riferimento ai sistemi d’inferenza (FIS = 
Fuzzy Inference System). Esistono fondamentalmente due categorie di sistemi fuzzy: ‘Sugeno’ e 
‘Mamdani’. I sistemi Sugeno offrono le migliori prestazioni in termini di classificazioni esatte: 
attraverso la manipolazione degli ingressi permettono il reperimento di zone di appartenenza, 
nell’iperspazio dei parametri (cluster), in modo molto raffinato. Il problema che si riscontra in 
questi sistemi, però, è il totale ermetismo rispetto all’utente: non è possibile comprendere in 
alcun modo le motivazioni alla base di una certa valutazione del sistema. I sistemi Mamdani non 
permettono manipolazioni degli ingressi, quindi, generalmente, sono basati su zone di 
appartenenza meno efficaci. D’altra parte, il fatto che gli ingressi non vengano manipolati 
permette all’utente una piena interpretazione del funzionamento del sistema. In sede clinica, 
infatti, sistemi di supporto alle decisioni che hanno validità semplicemente in base a dati 
statistici, potrebbero rivelarsi di scarsa utilità. I sistemi Mamdani invece, assicurano una piena 
conoscenza dei criteri alla base di una valutazione, quindi possono essere maggiormente 
attendibili. 
Esistono diversi metodi per generare sistemi di classificazione fuzzy, in questo lavoro se ne 
sono illustrati alcuni nel capitolo 3. Un primo metodo consiste nella traduzione dei criteri di 
valutazione del medico in sistemi informatici di classificazione. Si puntualizza tuttavia che 
questo metodo non è particolarmente efficace in quanto, come si è detto, non esiste 
un’interpretazione unica del significato dei diversi parametri da parte dei medici. Si è scelto di 
utilizzare, quindi, metodi basati sull’estrazione di cluster a partire dai dati: metodi di estrazione 
diretta e subtractive clustering. 
 
I dati utilizzati in questo progetto sono stati registrati dall’Unità di Ostetricia del prof. 
Domenico Arduini dell’Università di Roma “Tor Vergata”. Dai tracciati FHR si sono estratti 
diversi parametri, in particolare si sono utilizzati vettori di parametri relativi, ciascuno, ad una 
singola registrazione. Si sono utilizzati, da una parte, parametri classici della diagnostica clinica 
quali, ad esempio, linea di base e numero di piccole accelerazioni; parametri, quindi, estratti dal 
segnale nel dominio del tempo. Dall’altra si sono considerati parametri spettrali, che sono 
correlati alle interazioni tra sistema nervoso autonomo e cuore, e indici non lineari di regolarità 
quale l’entropia approssimata (l’argomento è trattato nel capitolo 4 di questo lavoro). Si è inoltre 
 12
considerata, come parametro, l’età gestazionale; vista l’importanza del livello di sviluppo del 
feto nella determinazione degli stati di sofferenza.  
Si sono considerati feti con settimane di gestazione maggiori di 34, poiché i dati disponibili 
per età inferiore erano troppo scarsi. Da raffinate analisi statistiche svolte sulla stessa 
popolazione è risultato che solo alcuni di tutti i parametri estratti erano non correlati con gli altri. 
Poiché non si sono potute determinare soglie di normalità per ciascuno dei parametri estratti, 
nel presente lavoro ci si è posto l’obiettivo di reperire zone di appartenenza per i soggetti delle 
tre popolazioni (normali, IUGR e diabete materno), all’interno di iperspazi parametrici.  
La difficoltà insita nella determinazione dell’appartenenza dei soggetti ai cluster ha 
comportato la necessità di generare sistemi di classificazione automatica per il supporto alle 
decisioni. Nella costruzione dei sistemi di classificazione, poi, come si è detto, si sono sfruttate le 
potenzialità offerte dalla logica fuzzy. 
 
Il lavoro di ricerca è riportato nel capitolo 5 della presente tesi. Come si è detto, in questo 
progetto si sono considerate tre popolazioni: soggetti normali, soggetti IUGR e soggetti di madre 
diabetica. Ciascun soggetto è stato identificato mediante un vettore di 10 parametri, 
l’assegnazione di un soggetto ad una popolazione è stata affrontata mediante alcuni requisiti sui 
parametri che lo identificavano. I requisiti, formalizzati attraverso regole in linguaggio naturale, 
corrispondevano a cluster in determinati iperspazi parametrici. Quindi il problema della 
classificazione è consistito nel reperimento di un certo numero di cluster che permettessero di 
isolare i soggetti di ciascuna popolazione dagli altri.  
I sistemi di classificazione basati su logica fuzzy sono stati generati in base ai dati (parametri) 
di alcuni soggetti (training set) di cui era nota la diagnosi al parto. Mediante, quindi, 
l’informazione “ingresso-uscita desiderata”, si sono generati, secondo diversi approcci, alcuni 
sistemi di classificazione. 
Inizialmente ci si è posti l’obiettivo di realizzare sistemi che garantissero la massima 
precisione, quindi si sono realizzati sistemi Sugeno e sono anche stati adottati algoritmi basati su 
reti neurali. La difficoltà maggiore si è avuta nell’individuazione del training set. 
Si è proceduto, inizialmente, ad estrarre casualmente sottopopolazioni per il training 
(numerosità 50%). In seguito agli insuccessi di questo approccio, si è proceduto ad un metodo 
basato sull’esclusione dei soggetti meno rappresentativi, e si sono raggiunti i primi risultati. Si è 
anche provato ad utilizzare tutti i soggetti col vincolo di reperire il minor numero possibile di 
cluster, e si è realizzato un sistema dalle prestazioni soddisfacenti. 
 13
In un secondo tempo si è adottata un’altra strategia: vista l’importanza, in sede clinica, 
dell’interpretazione del comportamento del sistema di classificazione, si sono sperimentati 
sistemi Mamdani. Anche in questo caso vi sono state difficoltà nel selezionare una popolazione 
per il training, si è proceduto con estrazioni casuali di soggetti e i risultati non sono stati 
soddisfacenti. Sì è anche provato a ridurre il numero dei parametri d’ingresso del sistema, 
riscontrando un ulteriore calo delle prestazioni. 
I primi risultati utili si sono avuti mediante la modifica di alcune specifiche dei sistemi: si sono 
considerati sistemi aventi 10 ingressi, ma, questa volta, con cluster definiti in iperspazi di ordine 
minore di 10. In altri termini si sono generati diversi cluster per ciascuna popolazione, ogni 
cluster in un differente iperspazio parametrico (approccio ad iperspazi differenziati). I sistemi 
generati in questo modo hanno dato risultati molto soddisfacenti. Inizialmente si è costruito un 
sistema attraverso una strategia manuale, analizzando ciascun cluster e isolando quelli che 
identificavano in modo univoco soggetti di una sola popolazione, senza errori di classificazione. 
Si è così ottenuto un sistema che classifica correttamente il 100% dei casi. 
In seguito si è provato a ridurre il numero di cluster che il sistema utilizzava, in tal modo è 
stato possibile generare sistemi meno precisi, ma probabilmente di maggiore applicabilità. Infatti 
un numero elevato di cluster si traduce spesso in un’eccessiva aderenza del sistema di 
classificazione ai dati di training. Si sono riportate le prestazioni di tre diversi sistemi nati dal 
compromesso: massima precisione-minimo numero di cluster. 
Dopo i soddisfacenti esiti della strategia manuale, si è provveduto alla implementazione di 
procedure (Appendice A) che permettessero la generazione automatica di sistemi di 
classificazione fuzzy. In queste procedure si è utilizzato l’approccio ad iperspazi differenziati, 
con specifiche meno restrittive rispetto alla strategia manuale. Si è infatti stabilito di tollerare 
alcuni errori nelle classificazioni, a fronte di prestazioni generali soddisfacenti. Mediante queste 
procedure sono stati generati due sistemi che, però, durante la fase di sperimentazione, si sono 
rivelati poco efficaci. Essi constavano di un numero di cluster relativamente ampio e, d’altra 
parte, non presentavano buone prestazioni in termini di classificazioni esatte (i risultati delle 
sperimentazioni di tutti i sistemi sviluppati sono riportati nel capitolo 6, e con maggior dettaglio 
nell’appendice B). 
 
I sistemi sviluppati in questo lavoro, quindi, presentano caratteristiche differenti e solo la 
futura sperimentazione ne potrà confermare l’applicabilità. Come evidenziato nel capitolo 7, 
molto interessanti sono le prestazioni dei sistemi Mamdani generati con la strategia manuale, che 
quindi sono i sistemi la cui probabilità di impiego appare maggiore. Sebbene, tra i sistemi 
 14
Sugeno, ve ne siano alcuni che presentano un’alta precisione nelle classificazioni, per quanto si è 
detto riguardo all’interpretazione del loro comportamento, la loro futura applicazione risulta 
piuttosto improbabile. Anche i sistemi Mamdani generati con la strategia automatica, infine, non 
presentano, come si è precisato, prestazioni soddisfacenti e, quindi, non sembra vi siano 
prospettive per un loro utilizzo nella pratica clinica. 
Le prestazioni dei sistemi sviluppati, d’altra parte, dipendono fortemente dalla qualità dei dati 
utilizzati nel reperimento dei diversi cluster. A questo proposito, la futura sperimentazione potrà 
partire dai sistemi proposti per costruirne altri, basati su un più ampio numero di dati. 
L’utilità di questo lavoro, infatti, non risiede unicamente nei sistemi di classificazione 
generati, piuttosto si evidenzia nella varietà degli approcci di generazione di classificatori 
proposta. A questo proposito si puntualizza che, sebbene le procedure siano state implementate 
in relazione a vettori di 10 parametri e a tre diverse popolazioni, mediante alcune modifiche, sarà 
possibile dar vita ad un sistema di generazione di classificatori di più largo utilizzo. In tal senso 
le prospettive di questo progetto appaiono molto ampie. 
Affinché in futuro si possano utilizzare gli approcci descritti, sarà in primo luogo necessario 
sviluppare le procedure per la generazione automatica dei sistemi di classificazione. Infatti, 
sebbene i primi abbiano ottenuto risultati poco soddisfacenti, è evidente che la strategia manuale 
non può rappresentare il metodo ottimale per la generazione dei sistemi di classificazione. 
 
 15
INTRODUCTION 
 
 
The knowledge of fetus' health conditions during pregnancy is very important. Serious 
malformations, irreversible neurologic damages and the death of the fetus can, in fact, be 
avoided by the timely diagnosis of a number of fetal suffering conditions [Pescetto et al. 1989]. 
During the fetal life, some growth and nutrition alterations often appear and they can bring 
chronic fetal suffering conditions. We would like to analyze in this work the cases of intra 
uterine growth retardation (IUGR = IntraUterine Growth Retardation) or nutrition alterations 
caused by maternal diabetes (DM) that imply serious consequences for the fetus.  
Nevertheless, many among these suffering conditions are very difficult to be diagnosed so it is 
very important to find out all the data concerning the fetus' health conditions. Moreover, the very 
delicate structure of the fetus requires the use of non-invasive methods to find out the necessary 
data. 
The fetal hearth rate signal (FHR = Fetal Heart Rate) is rich in information about the fetus' 
health conditions. The fetal heart rate signal can be obtained through electrocardiographic, 
phonocardiographic and ultrasonocardiographic approaches. We have considered in this study all 
signals derived from ultrasonocardiographic recordings that is to say by means of Doppler 
probes, thus in a spread and noninvasive way. By means of Hewlett Packard (Böblingen) 
ultrasound cardiotocograph “HP M135XA”, the cardiotocographic signal was extracted that is to 
say the cardiographic signal (heartbeats) together with the tocographic signal (contractile activity 
of the uterus). 
The "at sight" exam of the cardiotocographic signal, used in the clinical practice, has been 
reducing intra-delivery and premature neonatal death for a number of years. There are still many 
problems connected with interindividual and intraindividual variability concerning the 
interpretation of the curve [Van Geijn 1996]. 
A number of systems to extract the parameters starting from the cardiotocographic signal were 
developed and in this way intraindividual variability was highly reduced. But the clinical 
meaning of the different parameters isn't still completely clear so the problems concerning 
interindividual variability haven't been solved yet.  
We used for this project all the data that were recorded by the Obstetrics Unit of prof. 
Domenico Arduini of the University of Rome "Tor Vergata". A number of parameters were 
extracted by FHR layouts (curves), and we used some parameters' vectors concerning each 
 16
separate recording. Different kinds of parameters were used: the morphologic ones, such as the 
baseline, accelerations, decelerations and others measuring the time scale signal characteristics, 
parameters from the autoregressive, frequency domain spectral analysis (such as signal power 
and frequency components) and the approximate entropy. Moreover, even the gestational age 
was considered as a parameter, taking into account the great importance of the fetus growing 
conditions in finding out all suffering signals. We considered only fetuses with more than 34 
gestational weeks since the available data concerning lower ages, due to recording difficulties, 
were only a few. All data concerning populations different from the Normal, IUGR and maternal 
diabetes were excluded. According to the results of an advanced statistical analysis, previously 
developed in the same project, we identified a set of 10 parameters (mean, std, number of low 
amplitude accelerations, Interval Index, LF power spectrum normalized %, MF power spectrum 
normalized %, HF power spectrum normalized %, LF/(MF+HF), ApEn(2, 0.1), gestational 
weeks) out of all extracted ones. The statistical analysis was based on the assessment of 
correlation degree among parameters trying to identify less correlated ones in a multiparametric 
domain.  
So it was decided to use for the analysis of each subject a vector of 10 parameters only  
Since it was impossible to find out some thresholds of normality for each extracted parameter, 
it was decided to find out in this work the clusters for the subjects belonging to the three 
populations (normal, IUGR and maternal diabetes), inside the parameters' hyperspaces. The 
difficulty to understand which subjects belong to the different clusters implied the need to 
produce automatic classification systems for supporting the decisions.  
Capacities offered by the fuzzy logic were exploited while building up classification systems.  
In classical mathematical models we use a kind of logic that is called ‘crisp’: we can 
understand how an element belongs to a group through the boolean variables (1 = it belongs to, 0 
= it doesn't belong to). Sometimes this can cause some problems concerning applications since in 
many cases it is difficult to understand if an element belongs to a group of data or in many cases 
there is no doubt and sometimes it might happen that an element belongs to different groups or to 
a group that is different from the one it was previously considered. Fuzzy logic classification (2
nd
 
chapter) is based on the concept of degree of belonging: you calculate the elements that belong 
to a given group. By using different criteria to define the requirements of an element belonging 
to different groups, you can exploit a huge amount of information in order to find out to which 
group the element really belongs. 
There are two main categories of fuzzy systems: ‘Sugeno’ and ‘Mamdani’. Sugeno systems 
offer the best performances as far as correct classifications are concerned: by manipulating the 
 17
different entries, you can find a number of very interesting clusters. The problem connected with 
this kind of systems is the total obscurity for the user: you can't understand the reasons of a 
particular system evaluation. Mamdani systems don't enable the manipulation of entries so they 
are generally based on less effective clusters. On the other hand, the fact that the entries can’t be 
manipulated enables the user to fully understand how the system works. In the clinical field, 
support systems for the decisions that are valid simply on the basis of statistical data might be 
ineffective. On the contrary, ‘Mamdani’ systems can assure a full knowledge of the criteria that 
form the evaluation so they can be more reliable. 
We have considered three groups: Normal subjects, IUGR subjects and subjects belonging to 
diabetic mothers. As previously pointed out, a vector with 10 parameters identified each subject. 
The subject was then assigned to a population according to different requirements concerning the 
parameters that identify the subject. The requirements, arranged according to the rules of the 
natural language, corresponded to some clusters in particular paramaters' hyperspaces. So the 
problem of classification implied the finding of some clusters that could isolate the subjects of 
each population from the others. Classification systems based on the fuzzy logic (FIS = Fuzzy 
Inference System) were generated according to the data (parameters) belonging to a number of 
subjects (training set) whose diagnosis at delivery was already known. So, by using the desired 
information “in-out”, some classification systems were generated, according to different 
approaches. 
The initial purpose was to supply a number of systems that could assure the highest precision 
so some "Sugeno" systems were generated and also some algorithms based on neural networks 
were chosen. It was difficult to find the training set: it wasn't easy to choose, among the tested 
population, the most interesting subjects that could represent the different populations. At first it 
was a random choice, some populations were chosen for the training (50%). Afterwards, a 
method implying the exclusion of the least interesting subjects was used so the first results were 
reached. We also tried to use all the subjects by finding the minimum quantity of clusters and we 
have thus obtained a rather successful system. 
We then chose another strategy: because of the great importance of the interpretation of 
behavior of the classification system, a number of "Mamdani" systems were tested. Also in this 
case it was difficult to choose a population for the training so we made some random choices and 
results weren't successful. We also tried to reduce the number of entry parameters but we had a 
further decrease of performances. The first useful results were produced by changing a number 
of technical information concerning the systems: we considered systems with 10 entries but with 
a number of clusters that were defined in hyperspaces with a value below 10. In other words, we 
 18
generated different clusters for each population, each cluster in a different parameter's 
hyperspace. Systems that were generated in this way produced successful results. The system 
was first generated by using a manual strategy, by analyzing each cluster and by isolating the 
ones that identified the subjects belonging to a particular population, with no classification 
errors. This kind of system was very powerful. We then tried to reduce the number of clusters 
used by the system so it was possible to generate less precise systems but they were more usable. 
In fact, a high number of clusters often implies an excessive adherence of the classification 
system with the training data. The performances of the three different systems that were 
produced by the compromise: max. precision-min. number of clusters  have been highlighted. 
After the very good results of the manual strategy, we implemented all the procedures that 
enabled the automatic generation of fuzzy classification systems. We used the method of 
differentiated hyperspaces in these procedures, with less restrictive technical data than the 
manual strategy. In fact, it was decided to accept some classification errors if the performances 
were successful. Two different systems were generated by means of these procedures but they 
didn't prove effective during the testing phase. They had many clusters and they didn't offer good 
classification performances. 
So, the systems that were developed by this study have different features and only future tests 
will be able to prove their efficacy. Performances concerning ‘Mamdani’ systems, generated 
with the manual strategy are very interesting and they seem to be the most reliable for future 
uses. Although there are some good ‘Sugeno’ systems, their future uses seem to be unlikely 
because of their problems concerning the interpretation of behavior. As we have already 
underlined, ‘Mamdani’ systems, generated with the automatic strategy don't offer very good 
performances and their use in the clinical field seems to be unlikely. 
The level of classification of the developed systems depends very much on the quality of data 
that are used during the finding of the different clusters. There will be the possibility to create 
new classification systems, based on a wider number of data.  
The value of this work doesn't only concern the generated classification systems but it also 
aims at underlying the different ways of generating new kinds of classifications.  
Although the procedures were implemented concerning vectors with 10 parameters and three 
different populations, the development of more general classification systems will be also 
possible by making some changes to the proposed classifier structures.  
In order to use the techniques and approaches we described it will be necessary to develop the 
procedures concerning the automatic generation of classification systems. Although the results 
 19
weren't successful for the moment, it is clear that the manual strategy can't represent the best 
method for generating classification systems.  
 
 
 20
1. CENNI DI FISIOLOGIA E SEMEIOLOGIA FETALE 
1.1 Introduzione 
Si ritiene importante fornire all’inizio di questo lavoro un quadro generale dell’ambiente 
fisiopatologico per il quale i diversi sistemi di classificazione sono stati implementati. Sebbene 
nei prossimi capitoli si approfondisca il punto di vista analitico, parametrico e informatico, 
tralasciando spesso quello medico e fisiologico, non si esclude che la conoscenza fisiopatologica 
fetale possa essere arricchita, in caso di successo, dai sistemi sviluppati in questa sede. In tal 
senso infatti è stato scelto di costruire, soprattutto, sistemi automatici che permettano una lettura 
da parte dell’utente dei criteri di classificazione da questi adottati. Il presente capitolo è inoltre 
importante per comprendere la ricchezza di informazione del segnale di frequenza cardiaca, 
unico segnale alla base di tutte le future trattazioni. 
I sistemi di classificazione dovranno riguardare due diverse popolazioni: feti affetti da 
ritardato accrescimento intrauterino (IUGR) e feti le cui madri sono affette da diabete. Per questo 
motivo si descrivono nel presente capitolo le diverse patologie caratteristiche delle due 
popolazioni. Infine si introducono il segnale di frequenza cardiaca e le principali cause di 
variazione del segnale stesso. L’acquisizione e la parametrizzazione del segnale sono invece 
trattate al capitolo quarto. 
1.2 Sviluppo e crescita del feto 
Occorre precisare un concetto essenziale per la comprensione di quanto viene esposto in questo e 
nei successivi paragrafi: si definisce età gestazionale del feto il periodo trascorso a partire dal 
primo giorno dell’ultima mestruazione materna; l’età concezionale invece, si calcola dal giorno 
del concepimento. Il feto per le prime 2-3 settimane di vita ha dimensioni microscopiche, solo 
dopo inizia a crescere di pari passo con l’età [Guyton 1987]. Già a partire dalla seconda 
settimana concezionale, infatti, vi è una rapida mitosi e aumenta il contenuto di DNA: questo 
stadio dura fino alla diciottesima settimana e rappresenta il primo dei tre stadi principali in cui si 
può dividere la crescita intrauterina. Entro un mese dalla fecondazione tutti gli organi nel feto 
sono già abbozzati, nei 2-3 mesi successivi si definiscono la maggior parte dei dettagli degli 
organi stessi, oltre il quarto mese gli organi sono pressoché quelli che saranno del neonato. 
Tuttavia, lo sviluppo cellulare è ben lontano dall’essere completato, perché questo avvenga 
saranno necessari tutti e cinque i mesi restanti. A partire dalla diciottesima fino alla 
ventiseiesima settimana concezionale, la mitosi cellulare rallenta e comincia un processo di 
 21
aumento dimensionale delle cellule: questo periodo rappresenta il secondo dei tre stadi principali 
della crescita intrauterina. Dalla ventiseiesima alla trentottesima settimana concezionale 
l’aumento delle dimensioni cellulari diventa più rapido (terzo stadio). A 10 settimane dal 
concepimento il feto è lungo circa 10 cm, a 18 settimane circa 25 cm, al termine, 38 settimane, la 
sua lunghezza è circa 53 cm. Il peso del feto cresce in proporzione al cubo della sua lunghezza: è 
di circa 0.5 kg dopo il quinto mese e mezzo di gravidanza, poi cresce rapidamente nell’ultimo 
trimestre passando dai 2 kg di un mese prima della nascita ai 3 kg circa (ma può arrivare fino ai 
5) al momento del parto. 
1.3 Sviluppo e crescita nel feto delle funzionalità cardiache 
A 21-23 giorni dal concepimento si può notare nel feto la presenza di un battito cardiaco: tale 
battito ha inizio quando ancora non si è differenziato alcun apparato contrattile [St John et al. 
1992]. Il cuore fetale, infatti, nel suo stadio primitivo ha la forma di un tubo: da questo e dal 
mesocardio dorsale deriveranno tutte le parti del cuore adulto, eccezion fatta per le innervazioni 
[Kirby 1992]. L’attività elettrica è dovuta alla generazione di potenziali d’azione nella parte 
caudale del tubo, e alla loro trasmissione verso la parte rostrale. Finché permane la morfologia 
tubolare, non vi può essere circolazione sanguigna. Ciò è stato osservato in particolare negli 
embrioni di gallina, laddove le prime pulsazioni di circa 50 Hz generano una pressione pari a 1-2 
mmHg, insufficiente per mettere in movimento la massa ematica. In seguito si assiste alla 
fusione caudale delle componenti morfologiche atriali e ventricolari del tubo primitivo; questo è 
associato a un aumento della frequenza del battito, cosicché un’onda peristaltica viene trasmessa 
dall’atrio, dove ha inizio, al ventricolo. Si sviluppano allora tessuti nella regione di giunzione 
atrio ventricolare, mentre nasce una circolazione attiva unidirezionale: tutto ciò prima che si sia 
differenziato un qualsiasi tessuto valvolare. Un ulteriore aumento della frequenza dei battiti si 
nota una volta avvenuta la fusione tra il seno venoso, che diventerà il nodo senoatriale nel cuore 
adulto e che ora prende il ruolo del generatore di impulsi elettrici (pacemaker), e l’atrio. Con 
l’assunzione da parte del seno venoso del ruolo di pacemaker, comincia una primitiva 
circolazione in serie. Solo quando si differenziano la valvola semilunare e quella atrio 
ventricolare, si innesca finalmente una circolazione in parallelo, sistemica e polmonare.  
Le prime tracce di un’attività contrattile cardiaca si hanno dopo circa 5 settimane dalla 
fecondazione: il rilevamento di questa attività è utilizzato come indicazione di buona crescita del 
feto. I dati ricavati tramite il monitoraggio su più di 2000 feti umani condotta da St John ed altri 
[St John et al. 1992], possono essere ulteriormente indicativi dello sviluppo delle funzionalità 
cardiache. La frequenza dei primi battiti non è stata rilevata, mentre il primo segnale utile, 
 22
probabilmente registrato nella fase successiva alla fusione atrioventricolare del tubo primitivo, è 
mediamente attorno ai 100 bpm. La frequenza del segnale cresce tra la quinta e la ottava 
settimana gestazionale, per raggiungere un valore medio attorno ai 160 bpm. Ciò corrisponde 
alla specializzazione del seno venoso nel ruolo di pacemaker, ma anche alla crescita 
dell’embrione che richiede una maggiore attività cardiaca e un aumento della pressione arteriosa 
sistemica. Nell’indagine di St. John la frequenza rilevata continua a crescere fino alla decima 
settimana, assestandosi su valori attorno ai 170 bpm. Dopo la decima settimana la frequenza 
comincia a decrescere, giungendo al valore medio di 150 bpm alla quindicesima settimana per 
poi calare ulteriormente. Questa diminuzione può essere spiegata considerando in particolare due 
fattori: la presenza della modulazione parasimpatica con il suo effetto inibitorio, e l’aumento 
dell’efficienza del cuore come pompa grazie all’accrescimento della massa miocardica e alla 
presenza delle valvole. Vi è inoltre un mutamento delle proprietà elettrofisiologiche delle cellule 
del miocardio. Le ulteriori diminuzioni dalla quindicesima settimana in poi sono dovute al 
progressivo innervamento del sistema autonomo. 
1.4 La circolazione fetale 
Benché il cuore del feto raggiunga le funzionalità proprie del cuore adulto e si inneschi una 
circolazione in parallelo sistemica e polmonare, questa circolazione non può ovviamente essere 
la stessa che si avrà dopo la nascita poiché, tra l’altro, i polmoni non possono assolvere la loro 
funzione, anche se vi sono dei movimenti respiratori [Guyton 1987]. Il compito di smaltimento 
dei liquidi di escrezione e dell’anidride carbonica, nell’adulto espletato da intestino, reni e 
polmoni, nel caso del feto è a carico della placenta. Il sangue, che alla ventottesima settimana è 
equamente diviso tra placenta e feto, al termine sarà per ¾ del feto.  
Si illustra ora la circolazione sanguigna fetale (Fig. 1.1). Il sangue ossigenato proveniente 
dalla placenta, attraverso la vena ombelicale, giunge in minima parte al fegato e in parte molto 
maggiore, attraverso il dotto venoso di Aranzio, alla vena cava inferiore. Qui si mescola a sangue 
venoso proveniente dagli organi inferiori, viene quindi convogliato nell’atrio destro e poi, 
attraverso il forame ovale, nell’atrio sinistro, dove la massa ematica entra in contatto con il 
sangue proveniente dalle vene polmonari; viene quindi condotta nel ventricolo sinistro e poi 
nell’aorta. Il sangue nell’aorta viene in parte diretto verso il capo e gli arti superiori, in parte 
verso l’aorta discendente. Una volta irrorato il capo e gli arti superiori il sangue giunge alla vena 
cava superiore, quindi all’atrio destro e poi al ventricolo destro, dove viene pompato nell’arteria 
polmonare per essere ripartito al 10% verso i polmoni e al 90%, attraverso il dotto arterioso, 
nell’aorta discendente. Giunge quindi nelle arterie ombelicali e infine nuovamente alla placenta, 
 23
dove viene riossigenato. Dopo la nascita si chiude il dotto venoso di Aranzio, il forame ovale 
(per inversione del gradiente pressorio tra i due atri), e si chiude anche il dotto arterioso che 
permetteva la comunicazione tra arteria polmonare e aorta. 
Fig. 1.1. Circolazione fetale. 
1.5 Sofferenza fetale cronica 
I sistemi di classificazione sviluppati nell’ambito di questo lavoro, si è detto, sono concepiti 
come strumenti di supporto alle decisioni in campo ostetrico. In particolare, le popolazioni in 
esame, che si raffrontano con quella normale, sono affette da particolari stati di sofferenza fetale