一种粗糙合理粒度驱动的胎儿心电图异常检测方法技术

本发明专利技术提供了一种粗糙合理粒度驱动的胎儿心电图异常检测方法，包括如下步骤：S10获得所有胎儿心电图样本的特征值及胎儿状态构造决策信息表；S20利用局部邻域决策粗糙集模型对胎儿心电图样本的粗糙隶属度进行计算；S30基于PSO优化算法的合理邻域选择；S40将步骤S30中所求最优邻域半径作为所述步骤S20中局部邻域决策粗糙集模型的邻域半径，更新近似集。本发明专利技术的一种粗糙合理粒度驱动的胎儿心电图异常检测方法，根据邻域信息识别异常样本，分别给出不同分布情况下样本的粗糙隶属度，为标签噪声样本提供一组伪类别标记；引入合理粒度准则，利用粒子群优化算法选择最优邻域半径，对根据伪类别标记修正后的信息表进行上下近似集的更新。

【技术实现步骤摘要】
一种粗糙合理粒度驱动的胎儿心电图异常检测方法
本专利技术涉及胎儿心电图检测
，具体涉及一种粗糙合理粒度驱动的胎儿心电图异常检测方法。
技术介绍
妊娠期间胎儿发育是否正常目前仍主要依赖于超声检查，B超通过对声纳的回放，来判断胎儿形态，但胎儿形态并不能反映整体发育情况。随着科技发展，胎儿心电图顺势而生，胎儿心电图可以通过体表捕捉胎儿的心电活动，判断胎儿发育状况是否正常，是否有胎儿窘迫可能性，可对胎儿健康起到一定指导作用。根据胎儿心电图的信息可以有效判断胎儿在子宫内发育的健康状况，医生人工分析胎儿心电图反馈信息存在时间长，效率低，并且容易受到医生的自身经验不足而影响其正确性，而本专利技术专利可以智能辅助医生识别异常样本数据，对正确判断胎儿的健康状态具有一定的价值和意义。
技术实现思路
为了解决上述问题，本专利技术提供一种粗糙合理粒度驱动的胎儿心电图异常检测方法，根据邻域信息识别异常样本，分别给出不同分布情况下样本的粗糙隶属度，为标签噪声样本提供一组伪类别标记；引入合理粒度准则，利用粒子群优化算法选择最优邻域半径，对根据伪类别标记修正后的信息表进行上下近似集的更新。为了实现以上目的，本专利技术采取的一种技术方案是：一种粗糙合理粒度驱动的胎儿心电图异常检测方法，包括如下步骤：S10从胎儿心电图(CTG)中对胎儿心率(FHR)特征进行测量，获得所有胎儿心电图样本的特征值，并根据所述胎儿心电图样本的胎儿状态构造决策信息表Z；S20胎儿心电图样本粗糙隶属度的计算：利用局部邻域决策粗糙集模型并根据每个胎儿心电图样本邻域粒中样本的具体信息，识别异常胎儿心电图离群样本和标签噪声样本，并分别定义不同分布情况的胎儿心电图样本粗糙隶属度，为所识别的标签噪声样本提供一组伪类别标记，其中所述具体信息包括邻域中样本个数和样本类别标签种类数；S30基于PSO优化算法的合理邻域选择：引入合理粒度准则，构造由信息覆盖性和特殊性融合的评估标准，并通过粒子群算法对其进行优化，得到最优邻域半径δbest；S40将所述最优邻域半径δbest作为所述步骤S20中局部邻域决策粗糙集模型的邻域半径；并根据伪类别标记对标签噪声数据的类别标签进行修正，对修正后的胎儿心电图决策信息表的上下近似集进行更新。进一步地，所述步骤S10中，从胎儿心电图(CTG)中对胎儿心率(FHR)特征进行测量，构造决策信息表Z，所述决策信息表Z由一个四元组表示Z＝(U,AT＝C∪D,V,f)，其中U＝{x1,x2,...,xn}表示论域，为所有胎儿心电图样本集合；n表示胎儿心电图样本的个数；C＝{c1,c2,...,ck}表示胎儿心电图中胎儿心率的特征属性；k表示特征属性的个数；D＝{d}表示胎儿状态的类别标签，其中d的取值为N表示正常，d的取值为S表示可疑，d的取值为P表示病理；V＝∪a∈ATVa表示所有属性的值域；f:U×AT→V表示信息函数，x∈U，f(x,a)＝Va。进一步地，所述步骤S20包括如下步骤：S21对于类别标签N的样本，假设类别标签为正常N的胎儿心电图样本集合表示为XN，遍历所述决策信息表Z中所有类别标签N的胎儿心电图样本x，即根据公式(1)计算每个胎儿心电图样本x的邻域δ(x)：δ(x)＝{y|dis(x,y)≤δ，δ＞0，x∈XN}(1)其中，δ表示邻域半径大小，dis(·)表示两个样本之间的欧氏距离，y代表所述决策信息表Z中另一个胎儿心电图样本；S22分析每个胎儿心电图样本x∈XN邻域δ(x)的具体情况，令Lδ(x)＝{N,S,P}表示每个胎儿心电图样本x∈XN邻域δ(x)中样本的类别标签的集合；S221当待测胎儿心电图样本x∈XN邻域中样本的个数满足|δ(x)|<M时，认定所述待测胎儿心电图样本x为离群样本，将所述待测胎儿心电图样本x加入离群样本集合O，即O＝O∪{x}，所述待测胎儿心电图样本x对类别标签N的粗糙隶属度为p(XN|δ(x))＝e-5，其中M＝2，|·|表示集合中元素的个数；S222当待测胎儿心电图样本x∈XN邻域中样本的类别标签均相同时，且与所述待测胎儿心电图样本的类别标签一致，即Lx＝{N}，定义该样本对类别标签N的粗糙隶属度为p(XN|δ(x))＝min[1,p0+s×(|δ(x)|-M)]，其中p0表示初始概率值，M表示邻域中至少所包含的样本数，M＝2，s表示搜索的步长；S223当待测胎儿心电图样本x∈XN邻域中样本的类别标签除所述待测胎儿心电图样本外其它样本的类别标签均相同，即Lx＝{N}，此时认为所述待测胎儿心电图样本为标签噪声样本，将所述待测胎儿心电图样本加入标签噪声样本集合Noise，即Noise＝Noise∪{x}，并且给所述待测胎儿心电图样本提供伪类别标记定义所述待测胎儿心电图样本对类别标签N的粗糙隶属度为p(XN|δ(x))＝0；S224当待测胎儿心电图样本x∈XN邻域中样本的类别标签种类数|Lδ(x)|＞1，则定义所述待测胎儿心电图样本对类别标签N的粗糙隶属度为S23根据代价矩阵其中λPP，λBP，λNP分别表示胎儿心电图样本属于XN时，采取决策行动aP,aB和aN所产生的代价；λPN，λBN，λNN分别表示胎儿心电图样本不属于XN时，采取决策行动aP,aB和aN所产生代价，通过代价风险分析，给出阈值对(α,β)的求解公式如下：S24当待测胎儿心电图样本对类别标签N的粗糙隶属度p(XN|δ(x))＞β时，根据公式(4)对类别标签N的上近似定义可知，所述待测胎儿心电图样本属于类别标签N的上近似中；当所述待测胎儿心电图样本对类别标签N的粗糙隶属度p(XN|δ(x))≥α时，根据公式(5)对类别标签N的下近似δ(XN)定义可知，所述待测胎儿心电图样本属于N类别的下近似δ(XN)中，并根据公式(6)、(7)和(8)计算类别标签N的正域POS(XN)、负域NEG(XN)和边界域BND(XN)；δ(XN)＝{x∈XN|P(XN|δ(x))≥α}(5)POS(XN)＝δ(XN)＝{x∈XN|P(XN|δ(X))≥α}(6)NEG(XN)＝U-δ(XN)＝{x∈XN|P(XN|δ(x))≤β}(7)S25接着考虑类别标签S和P的胎儿心电图样本，重复步骤S21—步骤S24，求得待测胎儿心电图样本属于类别标签S和P的上下近似，以及正域、负域和边界域，最后计算各个类别的上近似集的并集作为整个决策信息表的上近似集计算各个类别的下近似集的并集作为整个决策信息表的下近似集δ。进一步地，所述步骤S30包括：S31初始化种群的规模为m，最大的迭代次数Tmax，学习因子c1,c2，粒子的飞行的最大速度为vmax，粒子的位置范围为[Locationmin,Locationmax]，初始化粒子的飞行速度v和允许误差error；S32定义适应度函数，根据决策属性对所述所有胎儿心电图样本进行划分U/D＝{XN，XS，XP}，引入合理粒度的原则，先考虑类别标签N的胎儿心电图样本，定义如下适应度函数：Q＝QN+QS+QP(9)其中，QN、QS和本文档来自技高网...

【技术保护点】
1.一种粗糙合理粒度驱动的胎儿心电图异常检测方法，其特征在于，包括如下步骤：/nS10从胎儿心电图(CTG)中对胎儿心率(FHR)特征进行测量，获得所有胎儿心电图样本的特征值，并根据所述胎儿心电图样本的胎儿状态构造决策信息表Z；/nS20胎儿心电图样本粗糙隶属度的计算：利用局部邻域决策粗糙集模型并根据每个胎儿心电图样本的邻域粒中样本的具体信息，识别异常胎儿心电图离群样本和标签噪声样本，并分别定义不同分布情况的胎儿心电图样本粗糙隶属度，为所识别的标签噪声样本提供一组伪类别标记，其中所述具体信息包括邻域中样本个数和样本类别标签种类数；/nS30基于PSO优化算法的合理邻域选择：引入合理粒度准则，构造由信息覆盖性和特殊性融合的评估标准，并通过粒子群算法对其进行优化，得到最优邻域半径δ

【技术特征摘要】
1.一种粗糙合理粒度驱动的胎儿心电图异常检测方法，其特征在于，包括如下步骤：
S10从胎儿心电图(CTG)中对胎儿心率(FHR)特征进行测量，获得所有胎儿心电图样本的特征值，并根据所述胎儿心电图样本的胎儿状态构造决策信息表Z；
S20胎儿心电图样本粗糙隶属度的计算：利用局部邻域决策粗糙集模型并根据每个胎儿心电图样本的邻域粒中样本的具体信息，识别异常胎儿心电图离群样本和标签噪声样本，并分别定义不同分布情况的胎儿心电图样本粗糙隶属度，为所识别的标签噪声样本提供一组伪类别标记，其中所述具体信息包括邻域中样本个数和样本类别标签种类数；
S30基于PSO优化算法的合理邻域选择：引入合理粒度准则，构造由信息覆盖性和特殊性融合的评估标准，并通过粒子群算法对其进行优化，得到最优邻域半径δbest；
S40将所述最优邻域半径δbest作为所述步骤S20中局部邻域决策粗糙集模型的邻域半径；并根据伪类别标记对标签噪声数据的类别标签进行修正，对修正后的胎儿心电图决策信息表的上下近似集进行更新。


2.根据权利要求1所述的粗糙合理粒度驱动的胎儿心电图异常检测方法，其特征在于，所述步骤S10中，从胎儿心电图(CTG)中对胎儿心率(FHR)特征进行测量，构造决策信息表Z，所述决策信息表Z由一个四元组表示Z＝(U,AT＝C∪D,V,f)，其中U＝{x1,x2,...,xn}表示论域，为所有胎儿心电图样本集合；n表示胎儿心电图样本的个数；C＝{c1,c2,...,ck}表示胎儿心电图中胎儿心率的特征属性；k表示特征属性的个数；D＝{d}表示胎儿状态的类别标签，其中d的取值为N表示正常，d的取值为S表示可疑，d的取值为P表示病理；V＝∪a∈ATVa表示所有属性的值域；f:U×AT→V表示信息函数，x∈U，f(x,a)＝Va。


3.根据权利要求2所述的粗糙合理粒度驱动的胎儿心电图异常检测方法，其特征在于，所述步骤S20包括如下步骤：
S21对于类别标签N的样本，假设类别标签正常N的胎儿心电图样本集合表示为XN，遍历所述决策信息表Z中所有类别标签N的胎儿心电图样本x，即根据公式(1)计算每个胎儿心电图样本x的邻域δ(x)：
δ(x)＝{y|dis(x,y)≤δ，δ＞0，x∈XN}(1)
其中，δ表示邻域半径大小，dis(·)表示两个样本之间的欧氏距离，y代表所述决策信息表Z中另一个胎儿心电图样本；
S22分析每个胎儿心电图样本x∈XN邻域δ(x)的具体情况，令Lδ(x)＝{N,S,P}表示每个胎儿心电图样本x∈XN邻域δ(x)中样本的类别标签的集合；
S221当待测胎儿心电图样本x∈XN邻域中样本的个数满足|δ(x)|≤M时，认定所述待测胎儿心电图样本x为离群样本，将所述待测胎儿心电图样本x加入离群样本集合O，即O＝O∪{x}，所述待测胎儿心电图样本x对类别标签N的粗糙隶属度为p(XN|δ(x))＝e-5，其中M＝2，|·|表示集合中元素的个数；
S222当待测胎儿心电图样本x∈XN邻域中样本的类别标签均相同时，且与所述待测胎儿心电图样本的类别标签一致，即Lx＝{N}，定义该样本对类别标签N的粗糙隶属度为p(XN|δ(x))＝min[1,p0+s×(|δ(x)|-M)]，其中p0表示初始概率值，M表示邻域中至少所包含的样本数，M＝2，s表示搜索的步长；
S223当待测胎儿心电图样本x∈XN邻域中样本的类别标签除所述待测胎儿心电图样本外其它样本的类别标签均相同，即Lx＝{N}，此时认为所述待测胎儿心电图样本为标签噪声样本，将所述待测胎儿心电图样本加入标签噪声样本集合Noise，即Noise＝Noise∪{x}，并且给所述待测胎儿心电图样本提供伪类别标记定义所述待测胎儿心电图样本对类别标签N的粗糙隶属度为p(XN|δ(x))＝0；
S224当待测胎儿心电图样本x∈XN邻域中样本的类别标签种类数|Lδ(x)|＞1，则定义所述待测胎儿心电图样本对类别标签N的粗糙隶属度为
S23根据代价矩阵其中λPP，λBP，λNP分别表示胎儿心电图样本属于XN时，采取决策行动aP，aB和aN所产生的代价；λPN，λBN，λNN分别表示胎儿心电图样本不属于XN时，采取决策行动aP，aB和aN所产生代价，通过代价风险分析，给出阈值对(α,β)的求解公式如下：






S24当待测胎儿心电图样本对类别标签N的粗糙隶属度p(X...

【专利技术属性】
技术研发人员：鞠恒荣，孙颖，蔡天使，丁卫平，曹金鑫，黄嘉爽，张毅，马依婷，牛辅疆，
申请(专利权)人：南通大学，
类型：发明
国别省市：江苏;32