一种基于深度学习和特异性矫正在FECG上胎儿心率检测系统技术方案

本发明专利技术公开了一种基于深度学习和特异性矫正在FECG上胎儿心率检测系统，属于胎心心电图上的胎儿心率检测领域。本发明专利技术通过独立成分分析、深度神经网络、一维目标检测、特异性模型诊断等方法，由于卷积神经网络和循环神经网络在处理一维信号方面性能优越，本发明专利技术将当下热门的目标检测技术迁移到一维信号上搭建出一个全部基于深度学习的针对胎心心电图的完整检测框架，同时又使用一个特异性矫正模型消除个体差异从而解决机器学习应用到医学问题上经常出现的因病人个体差异导致的模型泛化能力差的问题，从而实现了基于胎心心电图的胎儿心率准确监测，可用于临床诊断。

【技术实现步骤摘要】
一种基于深度学习和特异性矫正在FECG上胎儿心率检测系统
本专利技术属于胎心心电图上的胎儿心率检测领域，更具体地，涉及一种基于深度学习和特异性矫正在FECG上胎儿心率检测系统。
技术介绍
胎儿心电图(FetalElectrocardiogram,FECG)是对胎儿心脏活动电信号的记录。与成人心电信号类似，QRS波是胎儿心拍(FetalHeartbeat)的主要特征，其中胎心心率(FetalHeartRate,FHR)是胎儿产前健康状况的一个重要检测指标，通过胎心心率能够知道胎儿是否出现心律不齐、呼吸困难等情况，进一步诊断出胎儿心脏病，发现问题后医生可及时采取医疗措施预防新生儿疾病从而降低胎儿死亡率，对于胎儿的产前诊断有重要作用。获取胎儿心拍最直接的方法就是检测胎儿心电的QRS波，一般情况下采用非侵入式方法进行胎儿心电信号测量，这种方法安全性高，属于无创监测，但只能获得叠加在母体心电和一系列噪声上的极其微弱的胎儿心电信号，因此如何识别胎儿QRS波就成为了获取胎心心率的关键。常人心电信号能量远远高于其他干扰信号，用肉眼即可观察出QRS波，但是胎儿心本文档来自技高网...

【技术保护点】
1.一种基于深度学习和特异性矫正在FECG上胎儿心率检测系统，其特征在于，所述系统包括：/n预处理模块，用于从胎儿心电图对应的原始心电信号消除部分母体心电信号，使得胎儿QRS波不被淹没在母体QRS波，得到预处理后心电信号；/n胎儿心拍定位模块，用于将训练好的长度为一个胎儿QRS波段时长的一维胎儿心拍分类器以窗口形式在预处理后心电信号上滑动，得到存在胎儿心拍的概率序列；/n特异性矫正模块，用于使用训练好的矫正网络对每个新输入的经由胎儿心拍定位模块得到的心拍概率序列进行微调以消除个体差异；/n心率计算模块，用于在特异性矫正后的概率序列中定位出最有可能存在胎儿心拍的节点，进一步统计出每分钟心拍节点的...

【技术特征摘要】
1.一种基于深度学习和特异性矫正在FECG上胎儿心率检测系统，其特征在于，所述系统包括：
预处理模块，用于从胎儿心电图对应的原始心电信号消除部分母体心电信号，使得胎儿QRS波不被淹没在母体QRS波，得到预处理后心电信号；
胎儿心拍定位模块，用于将训练好的长度为一个胎儿QRS波段时长的一维胎儿心拍分类器以窗口形式在预处理后心电信号上滑动，得到存在胎儿心拍的概率序列；
特异性矫正模块，用于使用训练好的矫正网络对每个新输入的经由胎儿心拍定位模块得到的心拍概率序列进行微调以消除个体差异；
心率计算模块，用于在特异性矫正后的概率序列中定位出最有可能存在胎儿心拍的节点，进一步统计出每分钟心拍节点的数目作为胎儿心率。


2.如权利要求1所述的系统，其特征在于，所述预处理模块采用独立成分分析作预处理。


3.根据权利要求1所述的系统，其特征在于，所述一维胎儿心拍分类器通过以下方式训练：
从训练集中的心电信号上截取片段构建训练样本，将截取的包含胎儿R波的片段划分为正样本，其余背景片段划分为负样本，以此训练一个二分类的心拍片段分类器。


4.如权利要求3所述的系统，其特征在于，所述一维胎儿心拍分类器包括卷积神经网络CNN、残差网络、长短期记忆网络LSTM、全连接层FCN和SoftMax层，其中
所述卷积神经网络CNN，用于对预处理后的胎儿心电信号进行特征提取，得到胎儿心拍及背景片段的高维抽象特征；
所述残差网络，用于将原始信号与卷积神经网络的输出拼接后，传递给长短期记忆网络LSTM；
所述长短期记忆网络LSTM，用于对卷积神经网络和...

【专利技术属性】
技术研发人员：袁烨，薛博阳，程骋，黄程，朱红玲，杨晓云，张永，艾晨芳，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北;42