一种子宫收缩乏力监测方法、系统、智能终端和存储介质技术方案

本发明专利技术公开了一种子宫收缩乏力监测方法，包括以下步骤：S1、采集孕妇的实时子宫肌电数据；S2、将所采集的孕妇实时子宫肌电数据输入至一预先训练的网络模型中进行预测；S3、输出预测结果，根据所述预测结果得出孕妇子宫是否处于子宫收缩乏力状态。本申请还提供一种子宫收缩乏力监测系统、智能终端和存储介质。本发明专利技术基于深度学习的方法，仅通过一个网络模型来对EHG数据进行预测分类，从而提高效率和准确率。

A monitoring method, system, intelligent terminal and storage medium for uterine atony

The invention discloses a method for monitoring uterine contraction fatigue, which includes the following steps: S1, collecting real-time uterine myoelectricity data of pregnant women; S2, inputting the collected real-time uterine myoelectricity data of pregnant women into a pre-trained network model for prediction; S3, outputting the prediction results, and obtaining whether the pregnant women's uterus is in the state of uterine contraction fatigue according to the prediction results. The application also provides a uterine atony monitoring system, an intelligent terminal and a storage medium. Based on the method of deep learning, the present invention predicts and classifies EHG data only through a network model, thereby improving efficiency and accuracy.

【技术实现步骤摘要】
一种子宫收缩乏力监测方法、系统、智能终端和存储介质
本专利技术涉及数据处理领域，更具体地说，特别涉及一种子宫收缩乏力监测方法。
技术介绍
产力、产道、胎儿及精神心理因素是影响经阴道分娩的四大因素，各因素均正常并能相互适应，分娩就能顺利完成，反之则会发生难产，从而危及孕妇胎儿的安全。明显的产道异常，胎儿异常在临产前即能发现并处理，而许多产科情况要在临产后才表露出来，特别是产力异常则是分娩过程中出现的，是分娩四大因素中最活跃的因素，也是产科医师处理难产的重点。产力异常可分子宫收缩乏力和子宫收缩过强两类。子宫收缩乏力可分继发子宫收缩乏力和原发子宫收缩乏力。产程开始时子宫收缩正常以后转为继发性子宫收缩乏力，多发生在第一产程后期与第二产程，表现为活跃期延长或停滞，以及第二产程延长，常见于头盆不称、中骨盆与骨盆出口平面狭窄、持续性枕模位或枕后位、羊水过多、多胎妊娠、巨大儿、镇静剂或麻醉剂过量、产妇过度疲劳与紧张等。原发性宫缩乏力表现为潜伏期延长，常见于子宫畸形、胎位不正、头盆不称、胎先露过高或不能紧贴宫颈、胎膜早破过早引产时。原发性宫缩乏力在临床上不宜与假临产相鉴别，需要通过仔细摸宫缩，鉴别真假临产在产程观察时，要求助产士不能依赖于胎儿电子监护仪观察宫缩，应用手摸法判断宫缩。即一手平放于产妇腹部宫底处30min，判断宫缩的节律性、对称性及极性。当发现子宫收缩及节律不协调，宫缩时宫底部不强，而是子宫下段强。间歇期子宫壁也不完全松弛的不协调性宫缩现象，且产妇自觉下腹部持续疼痛，拒按，烦躁不安，宫口不能如期扩张，胎先露部不能如期下降时，报告医生并遵医嘱给予肌注盐酸哌替啶注射液100mg以鉴别真假临产。给药后若为假临产宫缩即停止，不能使宫缩停止时则应为原发性宫缩乏力。宫缩乏力无论出现产程何期，均要积极处理，不可期待自然发展。目前判断继发性以及原发性的宫缩乏力均主要靠医护人员的经验，无量化指标，同时存在判断滞后的情况。子宫肌电由宫角发出然后向宫颈方向传播，传播过程中，肌电信号幅值逐渐增加，子宫收缩时表面肌电信号表现为频繁的爆发波，随产程的临近，爆发波的幅值升高，频率加快，持续时间延长，宫缩乏力时电活动明显减弱。通过实时监测子宫肌电情况，并与系统中建立的子宫乏力肌电模型比对，可以及时提醒医护人员，便于医护人员的早介入，早处理，从而降低因子宫乏力导致的孕妇及胎儿的不良影响。传统的采用EHG处理技术处理肌电信号需要经过降噪、滤波、变换、特征提取等预处理过程，最后再使用分类器对特征进行分类，并且，预处理对最终结构的影响较大，整个处理过程呈分段式进行，因此本专利技术提出基于深度学习的方法，仅通过一个网络模型来对EHG数据进行预测分类，从而提高效率和准确率。
技术实现思路
本专利技术的目的在于提供一种子宫收缩乏力监测方法，以克服现有技术中所存在的问题。一种子宫收缩乏力监测方法，包括以下步骤：S1、采集孕妇的实时子宫肌电数据；S2、将所采集的孕妇实时子宫肌电数据输入至一预先训练的网络模型中进行预测；S3、输出预测结果，根据所述预测结果得出孕妇子宫是否处于子宫收缩乏力状态。进一步地，所述步骤S3中网络模型的的训练方法包括：S21、按照一设定时间采集孕妇在正常时的若干个子宫肌电数据，并将该子宫肌电数据进行标记；S22、按照一设定时间采集孕妇在宫缩乏力时的若干个子宫肌电数据，并将该子宫肌电数据进行标记；S33、建立基于DenseNet思想的Bi-LSTM网络模型；S34、采用Adam优化算法和binary_crossentropy损失函数将步骤S21和步骤S22中的子宫肌电数据输入至Bi-LSTM网络模型中进行模型训练。进一步地，所述步骤S33中的Bi-LSTM网络模型包括：输入层，所述输入层为dropout层；第一层，所述第一层为Bi-LSTM层，所述Bi-LSTM层中设置forget_gate_bias，所述Bi-LSTM中的statefule为true；第一Concatenate层，用于将第一层的输入与第一层的输出结果进行拼接并作为第二层的输入；第二层，所述第二层为Bi-LSTM层，所述Bi-LSTM层中设置forget_gate_bias，所述Bi-LSTM中的statefule为true；第二Concatenate层，用于将第一Concatenate层的输出和第二层的输出进行拼接并作为第三层的输入；第三层，所述第三层为Dense层，Dense层的输出维度为512；BatchNormalization网络层；ReLU激活层；第四层，所述第四层为Dense层，输出维度为2，激活函数采用softmax。进一步地，所述第四层的Dense层为二分类器。进一步地，所述步骤S21中，将孕妇在正常时的子宫肌电数据标记为1，所述步骤S22中，将孕妇在宫缩乏力时的子宫肌电数据标记为0。进一步地，步骤S21和步骤S22中的设定时间为30min。为了解决上述技术问题，本申请实施例还提供一种子宫收缩乏力监测系统，采用了如下所述的技术方案：一种子宫收缩乏力监测系统，包括：肌电采集模块，用于采集孕妇的实时子宫肌电数据并进行预处理；预测模块，用于将所预处理的孕妇实时子宫肌电数据输入至一预先训练的网络模型中进行预测；输出模块，输出预测结果，根据所述预测结果得出孕妇子宫是否处于子宫收缩乏力状态。进一步地，所述肌电采集模块包括：肌电采集电极，用于贴合在孕妇的腹部，采集孕妇子宫处的肌电数据；抗混叠滤波器，用于对肌电信号进行抗混叠处理；ADC采样模块，用于将抗混叠处理后的肌电数据转化为数字信号；DSP处理模块，DSP处理模块，用于通道选择切换并将各个通道的数据进行预处理分析；存储模块，用于存储ADC采样后的数字信号；连接模块，用于提供有线或无线连接链路；以及，电源管理模块，用于为该肌电采集装置提供电源；所述肌电采集电极、抗混叠滤波器、ADC采样模块、DSP处理模块依次连接，所述存储模块、蓝牙模块和电源管理模块均与DSP处理模块连接。为了解决上述技术问题，本申请实施例还提供一种智能终端，采用了如下所述的技术方案：一种智能终端，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现如上述的子宫收缩乏力监测系统的步骤。为了解决上述技术问题，本申请实施例还提供一种存储介质，采用了如下所述的技术方案：一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的子宫收缩乏力监测系统的步骤。为了达到上述目的，本专利技术采用的技术方案如下：与现有技术相比，本专利技术的优点在于：本专利技术提供的子宫收缩乏力监测方法，基于深度学习的方法，仅通过一个网络模型来对EHG数据进行预测分类，从而提高效率和准确率。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本申请子宫收缩乏力监测方法的流程图。图2是本申请一个实施例中网络模型的的训练方法的流程图。图3是根据本申请子宫收缩乏力监测系统的框架图。图4是根据本申请子宫收缩乏力监测系统中肌电采集模块本文档来自技高网...

【技术保护点】
1.一种子宫收缩乏力监测方法，其特征在于，包括以下步骤：S1、采集孕妇的实时子宫肌电数据；S2、将所采集的孕妇实时子宫肌电数据输入至一预先训练的网络模型中进行预测；S3、输出预测结果，根据所述预测结果得出孕妇子宫是否处于子宫收缩乏力状态。

【技术特征摘要】
1.一种子宫收缩乏力监测方法，其特征在于，包括以下步骤：S1、采集孕妇的实时子宫肌电数据；S2、将所采集的孕妇实时子宫肌电数据输入至一预先训练的网络模型中进行预测；S3、输出预测结果，根据所述预测结果得出孕妇子宫是否处于子宫收缩乏力状态。2.根据权利要求1所述的子宫收缩乏力监测方法，其特征在于，所述步骤S3中网络模型的的训练方法包括：S21、按照一设定时间采集孕妇在正常时的若干个子宫肌电数据，并将该子宫肌电数据进行标记；S22、按照一设定时间采集孕妇在宫缩乏力时的若干个子宫肌电数据，并将该子宫肌电数据进行标记；S23、建立基于DenseNet思想的Bi-LSTM网络模型；S24、采用Adam优化算法和binary_crossentropy损失函数将步骤S21和步骤S22中的子宫肌电数据输入至Bi-LSTM网络模型中进行模型训练。3.根据权利要求2所述的子宫收缩乏力监测方法，其特征在于，所述步骤S23中的Bi-LSTM网络模型包括：输入层，所述输入层为dropout层；第一层，所述第一层为Bi-LSTM层，所述Bi-LSTM层中设置forget_gate_bias，所述Bi-LSTM中的statefule为true；第一Concatenate层，用于将第一层的输入与第一层的输出结果进行拼接并作为第二层的输入；第二层，所述第二层为Bi-LSTM层，所述Bi-LSTM层中设置forget_gate_bias，所述Bi-LSTM中的statefule为true；第二Concatenate层，用于将第一Concatenate层的输出和第二层的输出进行拼接并作为第三层的输入；第三层，所述第三层为Dense层，Dense层的输出维度为512；BatchNormalization网络层；ReLU激活层；第四层，所述第四层为Dense层，输出维度为2，激活...

【专利技术属性】
技术研发人员：宋立国，罗虎，张金区，
申请(专利权)人：广州爱听贝科技有限公司，
类型：发明
国别省市：广东,44