基于深度学习网络的早产检测方法技术

本发明专利技术提供的一种基于深度学习网络的早产检测方法，包括采集正常孕妇的体表子宫肌电信号并转换成数字信号；从子宫肌电数字信号中筛选出爆发波片段，对爆发波片段中分割出3000个子宫肌电信号样本，对子宫肌电信号样本进行3层离散小波分解，提取出表征子宫肌电信号样本的特征向量；构建训练集和测试集；将妊娠期样本特征向量分娩期样本特征向量进行标签设定；构建堆栈稀疏自编码深度学习网络，将训练集输入到堆栈稀疏自编码器中进行训练，提取出早产数据的高层次特征H；采集待检孕妇的体表子宫肌电信号并转换成数字信号，提取出待检孕妇子宫肌电信号样本的特征向量并输入到堆栈稀疏自编码深度学习网络中进行早产预测分析；能够准确预测早产且无创伤。

【技术实现步骤摘要】
基于深度学习网络的早产检测方法
本专利技术涉及一种检测方法，尤其涉及一种基于深度学习网络的早产检测方法。
技术介绍
近年来，随着环境污染加剧、高龄产妇生育二胎和试管婴儿的增多以及促排卵药物的滥用，我国早产儿发生率呈逐年上升趋势，在医学上，把妊娠满28周至不足37周间分娩的新生儿称为早产儿，据不完全统计，我国每年约有180万名早产儿出生，占全部新生儿的10％，为全球早产儿数量第二多的国家。每年五岁以下儿童死亡中近45％为新生儿，其中早产是新生儿死亡的首要原因；那么如何对早产进行准确性检测一直以来是本领域的一种重要的难题。现有技术中，国内外学者针对早产预测已经展开了大量的研究工作，主要包括基于生化指标、基于感染免疫指标、基于生物物理指标、基于分娩压力计、基于宫内压力计等技术来进行早产检测，其中，基于生化、感染免疫、生物物理等指标的检测方法都具有侵入性，容易引起感染，并且测量值易受主观影响的特点，而基于分娩压力计的检测方法需要将皮带缠在孕妇腹部，不仅会使孕妇感到不舒适，而且检测结果同样不准确；基于宫内压力计的检测方法是有创的，属于侵入式测量，操作稍有不慎将极有可能引起感染。因此，为了解决上述技术问题，亟需提出一种新的早产检测方法。
技术实现思路
有鉴于此，本专利技术的目的是提供一种基于深度学习网络的早产检测方法，无需对孕妇造成创伤，能够有效避免侵入式检测方法为孕妇带来感染的风险，确保孕妇及胎儿的安全，并且在检测过程中能够精确表征孕妇的子宫肌特性，算法过程响应速度快、稳定性好，精度高，为精确判定是否存在早产可能性提供有效保障。本专利技术提供的一种基于深度学习网络的早产检测方法，包括如下步骤：S1.采集正常孕妇的体表子宫肌电信号并转换成数字信号；S2.从子宫肌数字信号中筛选出爆发波片段，对爆发波片段中分割出3000个子宫肌电信号样本，且每个样本包含16个时间序列且每个时间序列长度为4096点；其中，3000个子宫肌电信号样本包括1500个妊娠期样本和1500个分娩期样本；S3.对子宫肌电信号样本进行离散小波分解，提取出尺度3近似系数、尺度3细节系数、尺度2细节系数和尺度1细节系数；并计算尺度3近似系数、尺度3细节系数、尺度2细节系数和尺度1细节系数的样本熵值作为样本特征值，并由样本特征值组成表征子宫肌电信号样本的特征向量；S4.选出1000个妊娠期样本特征向量和1000个分娩期样本特征向量组成训练集，将剩余的500个妊娠期样本特征向量和500个分娩期样本特征向量组成测试集；将妊娠期样本特征向量进行标签设定并设定为1，将分娩期样本特征向量进行标签设定并设定为2；构建堆栈稀疏自编码深度学习网络，将训练集输入到堆栈稀疏自编码器中进行训练，提取出早产数据的高层次特征H；S5.采集待检孕妇的体表子宫肌电信号并转换成数字信号，并执行步骤S2至步骤S3，提取出待检孕妇子宫肌电信号样本的特征向量并输入到堆栈稀疏自编码深度学习网络中进行早产预测分析。进一步，根据如下方法提取出高层次特征H：S41.将每一个特征向量进行归一化处理：umax和umin分别为任一样本特征向量的最大特征值和最小特征值，ui为任一样本特征向量的第i个特征值；将规划处理后的样本特征向量表征为：X＝{x(1),x(2),...,x(i),...,x(N)},x(i)∈RM；其中，N＝2000，M＝64；S42.将X输入到SSAE模型进行第一层SAE网络进行训练，并建立sigmoid函数Z(1)：将sigmoid函数进行重构形成浅层特征函数L：其中，W(1,1)为堆栈稀疏自编码深度学习网络输入层到隐含层的权重，b(1,1)为堆栈稀疏自编码深度学习网络输入层到隐含层的权重偏移系数，W(1,2)为堆栈稀疏自编码深度学习网络隐含层到输出层的权重，b(1,2)为堆栈稀疏自编码深度学习网络隐含层到输出层的偏移系数；S43.构建损失函数J(1)(W,b)：其中，N为训练样本个数，α为正则项系数，β为稀疏惩罚项权重系数；ρ为定义稀疏水平的稀疏性参数，为隐含层第j个神经元在N个训练样本上的平均激活度，sl为l层神经元个数，x(i)为输入特征向量，L(x(i))为输出特征向量，为ρ和之间的Kullback-Leibler散度，为l+1层神经元j和l层神经元i之间的连接权重，b(1,l)为l层偏置系数；S44.通过梯度下降算法优化损失函数J(1)(W,b)直至损失函数J(1)(W,b)收敛，从而更新网络参数W(1,1)、W(1,2)、b(1,1)和b(1,2)，可得:其中，ε为学习率；S45.将由浅层特征函数L得出的特征向量输入到第二层SAE网络中，按照步骤S43-S44进行训练得出第二层网络权重，并得到早产数据的高层次特征H。进一步，步骤S45中，按照如下方法确定高层次H：第一层SAE网络输出的浅层特征向量为：L＝{l(1),l(2),...,l(i),...,l(N)},l(i)∈RS，其中S＝40，S为浅层特征向量的维数；将浅层特征向量L输入到SSAE模型进行第二层SAE网络训练，并建立sigmoid函数Z(2)：将sigmoid函数Z(2)进行重构形成高层特征函数H：其中，W(2,1)为第二层稀疏自编码器输入层到隐含层的权重，b(2,1)为第二层稀疏自编码器输入层到隐含层的权重偏移系数，W(2,2)为第二层稀疏自编码器隐含层到输出层的权重，b(2,2)为第二层稀疏自编码器隐含层到输出层的偏移系数。进一步，步骤S4中还包括如下步骤：S46.将高层次特征H和训练集标签输入到Softmax分类器中对Softmax分类器进行训练，得出Softmax分类器的网络权值。S47.将测试集的特征向量和测试集标签输入到步骤S46中的深度学习网络中，得到分类输出的子宫肌电信号数据，对子宫肌电信号自动分类。进一步，步骤S46中，包括如下方法：设H＝{h(1),h(2),...,h(i),...,h(N)},h(i)∈RG,其中G＝20，G为高层特征向量的维数；对应的输出为y(i)∈{1,2,...,k}。则Softmax逻辑回归中的假设函数可表示为：其中p(y(i)＝k|h(i)；θ)代表第k个类别下分类概率；参数θ为一个矩阵其中代表向量θj的转置向量，θj表示第j个类别对应分类器的参数。损失函数可表示为：其中1{·}是一个指示性函数，即{·}中的值为真时，该函数的结果就为1，否则其结果为0，N为输入的训练样本的数目通过梯度下降算法优化损失函数J(θ)直至其收敛，从而实现对网络参数θ1,θ2,...,θk的更新，可得：ω为学习率。进一步，步骤S1和S5中，根据如下方法采集正常孕妇和待检孕妇的体表子宫肌电信号：在孕妇的腹部以肚脐为中心，等间距设置16个检测电极并获取16导联体表子宫肌信号。进一步，步骤S1和S5中，根据如下方法将体表子宫肌电信号转换成数字信号：将子宫肌电信号输入到由自稳零型运算放大器AD8639组成的缓冲电路中，经过缓冲电路处理后输入到AD8221芯片组成的放大电路中进行放大处理，放大处理后输入到巴特沃斯数字滤波器中进行滤波处理，过滤出0.1Hz以下和3Hz以上的电信号，最后将滤波处理后的电信号输入到16位A/D转换电路中，并且在输入到A/D转换电路中时，16个电极所采集的信号按照设本文档来自技高网...

【技术保护点】
1.一种基于深度学习网络的早产检测方法，其特征在于：包括如下步骤：S1.采集正常孕妇的体表子宫肌电信号并转换成数字信号；S2.从子宫肌电数字信号中筛选出爆发波片段，对爆发波片段中分割出3000个子宫肌电信号样本，且每个样本包含16个时间序列且每个时间序列长度为4096点；其中，3000个子宫肌电信号样本包括1500个妊娠期样本和1500个分娩期样本；S3.对子宫肌电信号样本进行3层离散小波分解，提取出尺度3近似系数、尺度3细节系数、尺度2细节系数和尺度1细节系数；并计算尺度3近似系数、尺度3细节系数、尺度2细节系数和尺度1细节系数的样本熵值作为样本特征值，并由样本特征值组成表征子宫肌电信号样本的特征向量；S4.选出1000个妊娠期样本特征向量和1000个分娩期样本特征向量组成训练集，将剩余的500个妊娠期样本特征向量和500个分娩期样本特征向量组成测试集；将妊娠期样本特征向量进行标签设定并设定为1，将分娩期样本特征向量进行标签设定并设定为2；构建堆栈稀疏自编码深度学习网络，将训练集输入到堆栈稀疏自编码器中进行训练，提取出早产数据的高层次特征H；S5.采集待检孕妇的体表子宫肌电信号并转换成数字信号，并执行步骤S2至步骤S3，提取出待检孕妇子宫肌电信号样本的特征向量并输入到堆栈稀疏自编码深度学习网络中进行早产预测分析。...

【技术特征摘要】
1.一种基于深度学习网络的早产检测方法，其特征在于：包括如下步骤：S1.采集正常孕妇的体表子宫肌电信号并转换成数字信号；S2.从子宫肌电数字信号中筛选出爆发波片段，对爆发波片段中分割出3000个子宫肌电信号样本，且每个样本包含16个时间序列且每个时间序列长度为4096点；其中，3000个子宫肌电信号样本包括1500个妊娠期样本和1500个分娩期样本；S3.对子宫肌电信号样本进行3层离散小波分解，提取出尺度3近似系数、尺度3细节系数、尺度2细节系数和尺度1细节系数；并计算尺度3近似系数、尺度3细节系数、尺度2细节系数和尺度1细节系数的样本熵值作为样本特征值，并由样本特征值组成表征子宫肌电信号样本的特征向量；S4.选出1000个妊娠期样本特征向量和1000个分娩期样本特征向量组成训练集，将剩余的500个妊娠期样本特征向量和500个分娩期样本特征向量组成测试集；将妊娠期样本特征向量进行标签设定并设定为1，将分娩期样本特征向量进行标签设定并设定为2；构建堆栈稀疏自编码深度学习网络，将训练集输入到堆栈稀疏自编码器中进行训练，提取出早产数据的高层次特征H；S5.采集待检孕妇的体表子宫肌电信号并转换成数字信号，并执行步骤S2至步骤S3，提取出待检孕妇子宫肌电信号样本的特征向量并输入到堆栈稀疏自编码深度学习网络中进行早产预测分析。2.根据权利要求1所述基于深度学习网络的早产检测方法，其特征在于：根据如下方法提取出高层次特征H：S41.将每一个特征向量进行归一化处理：umax和umin分别为任一样本特征向量的最大特征值和最小特征值，ui为任一样本特征向量的第i个特征值；将规一化处理后的样本特征向量表征为：X＝{x(1),x(2),...,x(i),...,x(N)},x(i)∈RM；其中，N＝2000，M＝64，M表示最初样本特征向量的维数；S42.将X输入到SSAE模型进行第一层SAE网络进行训练，并建立sigmoid函数Z(1)：将sigmoid函数进行重构形成浅层特征函数L：其中，W(1,1)为堆栈稀疏自编码深度学习网络输入层到隐含层的权重，b(1,1)为堆栈稀疏自编码深度学习网络输入层到隐含层的权重偏移系数，W(1,2)为堆栈稀疏自编码深度学习网络隐含层到输出层的权重，b(1,2)为堆栈稀疏自编码深度学习网络隐含层到输出层的偏移系数；S43.构建损失函数J(1)(W,b)：其中，N为训练样本个数，α为正则项系数，β为稀疏惩罚项权重系数；ρ为定义稀疏水平的稀疏性参数，为隐含层第j个神经元在N个训练样本上的平均激活度，sl为l层神经元个数，x(i)为输入特征向量，L(x(i))为输出特征向量，为ρ和之间的Kullback-Leibler散度，为l+1层神经元j和l层神经元i之间的连接权重，b(1,l)为l层偏置系数；S44.通过梯度下降算法优化损失函数J(1)(W,b)直至损失函数J(1)(W,b)收敛，从而更新网络参数W(1,1)、W(1,2)、b(1,1)和b(1,2)，可得:其中，ε为学习率，l＝1,2；S45.将步骤S44中得到的参数代...

【专利技术属性】
技术研发人员：陈里里，郝亚如，曹浩，司吉兵，
申请(专利权)人：重庆交通大学，
类型：发明
国别省市：重庆,50