一种产前胎心监护信号智能判读方法技术

本发明专利技术公开了一种产前胎心监护信号智能判读方法，包括对胎心率信号、宫缩压力信号、胎动信号进行预处理，得到融合多信号数据集；然后进行分段处理，构建待分类的数据集；再依次输入产前胎儿监护智能判读模型的嵌入层、拼接层、双向门控循环单元层以及全连接层并对输出结果进行sigmoid函数压缩，得到分类判别结果；本发明专利技术的智能判读方法将宫缩压力信号和胎动信号融入到基于双向门控循环单元的产前胎儿监护智能判读模型，与其他深度学习模型相比，不仅耗时较短，而且具有更优的分类判别能力。而且具有更优的分类判别能力。

【技术实现步骤摘要】
一种产前胎心监护信号智能判读方法


[0001]本专利技术涉及一种深度学习方法，尤其涉及一种产前胎心监护信号智能判读方法，该方法用于对产前胎儿状况评估进行智能的分类判别。

技术介绍

[0002]产前胎儿监护广泛用于评估胎儿的健康发育情况，并在胎儿出现不良反应前及时治疗。胎心宫缩监护图（CTG）是胎儿产前健康监测的重要工具，记录孕妇怀孕期间胎心率的变化及其与宫缩之间的时间关系。其起到的作用包括但不限于确定胎儿是否缺氧、确定是否需要对孕产妇通过剖腹产进行分娩，以及指导胎儿健康状况的其他评估。
[0003]现阶段，胎心宫缩监护图（CTG）的判读工作由产科医师负责。判读依据主要来源于产前胎监判读指南和产科医师自身的临床经验。但是由于现有的胎心宫缩监护图（CTG）判读标准不一致，产科医师的经验水平也不一致，使得判读过程极具主观性，判读结果无法复现，容易出现歧义，导致误诊的发生，对孕妇及胎儿造成不可挽回的伤害。
[0004] 为此，国内外的众多学者纷纷开始使用机器学习算法对产前胎儿监护智能分类判别进行研究，使用的数据多为公开的加州大学欧文分校机器学习知识库（University of California Irvine machine learning repository, UCI）的胎儿监护标准CTG数据集，通过使用胎心率和宫缩信号进行特征提取获得21个临床特征数据进行分类。
[0005]然而，现阶段基于机器学习的自动判读产前胎心宫缩图模型大多是使用特征进行建模，特征在提取时，存在无法被消除的度量误差。与此同时，在特征提取后，根据不同的产前胎监判读指南得到的判读结果也是不一致的。而使用信号建模的模型只考虑胎心率信号，忽略胎心率信号与宫缩压力信号的关系，没有深入研究宫缩压力信号以及胎动信号对胎儿健康状况的影响，且信号预处理的流程也过于简单。
[0006]总的来说，目前国内外使用的产前胎儿监护机器仍没有能够达到智能水平，得到的判别可疑类准确率仅为45
‑
82%，异常类准确率仅为66
‑
94%，暂无法在临床工作中应用。因此，如何进一步提高产前胎儿监护智能模型的判读准确率，成为本领域亟待解决的技术难题。

技术实现思路

[0007]为了解决上述现有技术所存在的缺陷，本专利技术提供一种产前胎心监护信号智能判读方法。
[0008]本专利技术采用如下技术方案：一种产前胎心监护信号智能判读方法，该方法包括包括如下步骤：S1：获取包含胎心率信号、宫缩压力信号以及胎动信号的原始CTG信号数据；S2：对所述胎心率信号、宫缩压力信号、胎动信号进行预处理，形成融合多信号数据集；S3：将所述融合多信号数据集进行分段处理，得到信号长度均为d的一维的胎心率
信号、宫缩压力信号、胎动信号片段，构建待分类的数据集；S4：将所述待分类的数据集输入已预先训练得到的产前胎儿监护智能判读模型进行分类判别，所述产前胎儿监护智能判读模型包括嵌入层、拼接层、双向门控循环单元层以及全连接层；将所述信号长度均为d的一维的胎心率信号、宫缩压力信号、胎动信号片段分别输入嵌入层，得到二维矩阵（d
×
m）的胎心率信号、宫缩压力信号、胎动信号片段，m为嵌入层的输出维度；将所述二维矩阵（d
×
m）的胎心率信号、宫缩压力信号、胎动信号片段输入拼接层进行拼接，得到二维矩阵（d
×
3m）向量；将所述二维矩阵（d
×
3m）向量输入至2k个单元的双向门控循环单元层进行拼接，得到长度为2k的一维输出向量；将所述长度为2k的一维输出向量输入至n个单元的全连接层并对输出结果进行sigmoid函数压缩，输出样本为正常类和样本为非正常类的概率；对所述样本为正常类和样本为非正常类的概率分别设置对应的类别标签；对比所述样本为正常类和样本为非正常类的概率，选取较大概率所对应的类别标签作为分类判别结果。
[0009]优选的，所述S2步骤的预处理包括分别对胎心率信号、宫缩压力信号、胎动信号进行插值或删除处理。
[0010]优选的，所述S2步骤的预处理还包括对经插值或删除处理的胎心率信号进行标准化处理。
[0011]优选的，所述标准化处理包括计算胎心率信号的基线值，并使用经插值或删除处理的胎心率信号减去基线值，得到标准胎心率信号。
[0012]优选的，所述S2步骤的预处理还包括在对经插值或删除处理的胎心率信号进行标准化处理前，将所述经插值或删除处理的胎心率信号进行滑动窗口分段，得到信号长度不少于p的胎心率信号片段。
[0013]优选的，所述S3步骤的分段处理包括将经预处理的胎心率信号、宫缩压力信号、胎动信号进行同步滑动窗口分段。
[0014]本专利技术具有如下有益效果：第一，本专利技术将宫缩压力信号和胎动信号融入到基于双向门控循环单元的产前胎儿监护智能判读模型，与其他的深度学习模型相比，本专利技术的智能判读方法不仅耗时较短，而且具有更优的分类判别能力，可快捷有效为产科医护人员提供产前胎儿监护的辅助决策支持。
[0015]第二，本专利技术不仅根据胎心率信号、宫缩压力信号以及胎动信号的数据特点进行预处理，而且对预处理后的标准胎心率信号、宫缩压力信号以及胎动信号进行滑动窗口分段处理，实现了数据增强，使得信号长度得到统一，进一步提高智能判读模型的分类判别性能。
[0016]第三，本专利技术提供的产前胎心监护信号智能判读方法，使用信号建模，无须提取胎心宫缩监护图（CTG）的形态特征，有效杜绝了信号提取临床形态特征时存在的无法被消除的度量误差。
[0017]第四，本专利技术提供的产前胎心监护信号智能判读方法，可以有效减轻医护人员工作量，有效降低胎儿死亡率以及剖腹产率，同时避免不必要的医疗干预，保障胎儿的正常生长发育，有助于提高我国的出生人口素质。
附图说明
[0018]图1是本专利技术的产前胎儿监护智能判读模型的算法流程示意图。
具体实施方式
[0019]为了使本专利技术的专利技术目的、技术方案以及有益效果更清楚，以下将结合说明书的附图以及具体实施例，对本专利技术进行进一步的说明。
[0020]实施例1本专利技术提供的一种产前胎心监护信号智能判读方法，该方法包括包括如下步骤：S1：获取包含胎心率信号、宫缩压力信号以及胎动信号的原始CTG信号数据；S2：对所述胎心率信号、宫缩压力信号、胎动信号进行预处理，形成融合多信号数据集；所述预处理包括分别对胎心率信号、宫缩压力信号、胎动信号进行插值或删除处理；所述预处理还包括对经插值或删除处理的胎心率信号进行标准化处理；所述预处理还包括在对经插值或删除处理的胎心率信号进行标准化处理前，将所述经插值或删除处理的胎心率信号进行滑动窗口分段，得到信号长度不少于p的胎心率信号片段；其中，p为750；所述标准化处理包括计算胎心率信号的基线值，并使用经插值或删除处理的胎心率信号减去基线值，得到标准胎心率信号；S3：将所述融合多信号数据集进行分段处理，得到信号长度均为d的一维的胎心率信号、宫缩压力信号、胎动信号片段，构建本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种产前胎心监护信号智能判读方法，该方法包括包括如下步骤：S1：获取包含胎心率信号、宫缩压力信号以及胎动信号的原始CTG信号数据；S2：对所述胎心率信号、宫缩压力信号、胎动信号进行预处理，形成融合多信号数据集；S3：将所述融合多信号数据集进行分段处理，得到信号长度均为d的一维的胎心率信号、宫缩压力信号、胎动信号片段，构建待分类的数据集；S4：将所述待分类的数据集输入已预先训练得到的产前胎儿监护智能判读模型进行分类判别，所述产前胎儿监护智能判读模型包括嵌入层、拼接层、双向门控循环单元层以及全连接层；将所述信号长度均为d的一维的胎心率信号、宫缩压力信号、胎动信号片段分别输入嵌入层，得到二维矩阵（d
×
m）的胎心率信号、宫缩压力信号、胎动信号片段，m为嵌入层的输出维度；将所述二维矩阵（d
×
m）的胎心率信号、宫缩压力信号、胎动信号片段输入拼接层进行拼接，得到二维矩阵（d
×
3m）向量；将所述二维矩阵（d
×
3m）向量输入至2k个单元的双向门控循环单元层进行拼接，得到长度为2k的一维输出向量；将所述长度为2k的一维输出向量输入至n个单元的全连接层并对输出结果进行sigmoid...

【专利技术属性】
技术研发人员：魏航，陈帆，费悦，陈沁群，洪佳明，洪乐雄，李丽，陈剑梅，林伙旺，
申请(专利权)人：广州三瑞医疗器械有限公司，
类型：发明
国别省市：