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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。