一种智能产前胎心监护模型制造技术

本发明专利技术公开了一种智能产前胎心监护模型，包括对胎心率信号、宫缩信号、孕妇年龄和孕周进行预处理，得到产前标准化胎心率、宫缩信号和孕妇基本信息数据集；然后设计卷积神经网络对预处理后的胎心率信号和宫缩信号进行高维特征提取；再根据产前胎心监护数据特点设计选取设计了基分类器LGBM；而后将提取的信号高维特征与预处理后的孕妇基本信息融合，形成多模态特征，再将该多模态特征输入基分类器LGBM，得到分类判别结果；本发明专利技术的智能产前胎心监护模型将胎心率信号、宫缩信号、孕妇年龄和孕周四种不同模态的特征进行融合，采取多模态特征深度学习策略进行训练，选取设计基分类器LGBM用于分类判别，与其他基于胎心率宫缩信号的机器学习模型相比，与其他基于临床特征的传统机器学习模型相比，与不同特征组合的深度学习模型相比，具有更优的分类性能。具有更优的分类性能。

【技术实现步骤摘要】
一种智能产前胎心监护模型


[0001]本专利技术涉及一种深度学习策略，尤其涉及一种智能产前胎心监护模型，该模型用于对产前胎儿状况评估并进行智能的分类判别。

技术介绍

[0002]在孕妇分娩前和分娩时，宫内缺氧和酸中毒均可能引起胎儿窘迫，从而导致胎儿死亡或给新生儿留下后遗症。为了提高生产率，保障胎儿和孕妇健康，应该实时监测胎儿的发育，一旦出现一些危险信号，医生便即刻采取紧急措施。
[0003]在临床实践中，胎心宫缩监护图(CTG)是一种监测胎儿发育的技术手段，它记录着胎盘曲线和生产压力波，是评价子宫胎儿状况的主要检查测试方法。有助于及时发现胎儿缺氧、窘迫等异常问题并及早处理，保证胎儿的健康。然而，由医师主导的胎心宫缩监护图(CTG)的分析很大程度上取决于医生的经验，不同的医生对于同一胎心宫缩监护图(CTG)可能有着不同的意见和判读结果，若是误诊会给孕妇和胎儿带来严重后果。
[0004]近年来，计算机科学技术告诉发展，其所带来的机器学习在许多的领域都做出了成绩与贡献。近来机器学习算法也被引入医学领域，用于解决医学问题，国内外许多的研究者也接连开始使用机器学习算法开展对产前胎心监护智能分类的研究。
[0005]然而，传统的机器学习自动判别方法需要从胎心率宫缩信号提取临床特征才能进行分类，而临床特征的选取和设计需要专业产科背景知识，而且人类当前已有的认知难以覆盖胎心宫缩信号全部信息。此外，研究发现从信号中提取特征存在不可忽略的度量误差，因而导致胎心监护临床应用存在高灵敏度与低特异性的问题。另外目前在国内外对产前胎心监护的研究只是单一地使用到了胎心率信号，未考虑到宫缩信号，也忽略了孕妇自身的生理差异于胎儿健康和生产的影响。胎儿生存的营养供给及环境条件必须靠母体提供，其中，孕妇年龄和孕周是影响母体营养环境的重要因素。自2013年以来，我国高龄孕妇和孕妇早产的比例有逐年上升的趋势，因此应当重视孕妇年龄和孕周等孕妇生理特征对胎儿健康的影响。
[0006]综上所述，人工判读胎心宫缩监护图(CTG)是对医师要求高，需要花费大量财力物力培养医师，且易导致误诊，而传统的机器学习应用方式带来的低特异性易使得剖宫率上涨或死胎率升高。因此，本领域目前致力于解决的问题就是提高胎心监护判别的准确率、特异性和灵敏度。

技术实现思路

[0007]为了解决目前领域中上述现存技术所存在的缺点，本专利技术提供一种基于多模态特征深度学习策略的智能产前胎心监护模型。
[0008]本专利技术采用如下技术方案：一种智能产前胎心监护模型，该模型包括如下步骤：S1：获取包含胎心率信号和宫缩信号的原始CTG信号数据以及包含孕妇年龄和孕
周的孕妇基本信息；S2：对上述胎心率信号、宫缩信号、孕妇年龄和孕周进行预处理，形成多模态特征案例集；S3：将上述CTG信号数据进行划分，得到信号长度均为d的一维的胎心率信号和宫缩信号片段，构建为待输入CTG数据集；S4：将上述待输入CTG数据集输入已设计完成的卷积神经网络进行特征提取，所述卷积神经网络包括6层卷积层和5层全连接层；S5：将上述预处理好的孕妇年龄和孕周在第5层全连接层之后与前述卷积神经网络提取出的信号特征进行融合，形成多模态特征；S6：将上述多模态特征输入经过设计的基分类器LGBM(Light Gradient Boosting Machine)进行分类判定；将所述信号长度均为d的一维的胎心率信号和宫缩信号组成二维矩阵(2*d)的信号数据矩阵输入卷积神经网络得到长度为n的一维特征；将各个案例对应的孕妇年龄和孕周与前述(1*n)的经过卷积神经网络提取的特征进行融合，得到(1*k)的一维多模态特征；将所述一维特征(1*k)的向量输入至LGBM基分类器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、宫缩信号进行插值或删除处理，和对孕妇年龄进行插值处理。
[0010]优选的，所述S2步骤的预处理还包括对孕周和经过插值处理的孕妇年龄进行标准化处理。
[0011]优选的，所述对孕妇年龄和孕周的标准化处理包括计算孕周和孕妇年龄进行的均值和方差，并用孕周和经过插值处理的孕妇年龄减去均值再除以方差，得到标准孕周和孕妇年龄特征。
[0012]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。
[0013]优选的，所述对胎心率信号的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。
[0014]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分段处理，得到信号长度不少于p的胎心率信号片段。
[0015]优选的，所述S2步骤的预处理还包括数据集的划分。
[0016]本专利技术具有如下有益效果：第一，本专利技术面向智能产前胎心监护，采用自动提取信号特征的策略，利用卷积神经网络“端对端”的优势，直接将胎心率宫缩信号输入卷积神经网络得到高维特征，无需提取“基线、变异、加速、减速、宫缩次数”等胎心宫缩图(CTG)的形态特征，能够减少从信号中
提取临床形态特征的度量误差。且由于卷积神经网络对于细小差异关注度高的能力，和对信号的优异去噪能力，从卷积神经网络输出的高维特征往往是类别间的显著性差异，能高效地提高分类性能。
[0017]第二，本专利技术额外纳入了宫缩信号，另外考虑到孕妇间的个体生理性差异于胎儿健康和生产的影响，同时也将孕妇年龄和孕周纳入了模型。本专利技术根据胎心率信号、宫缩信号以及孕妇年龄和孕周各自的数据特点进行预处理，并对预处理后的标准胎心率信号和宫缩信号进行分段处理，统一了信号长度，这使得模型的分类性能有着进一步的提升。
[0018]第三，本专利技术将胎心率信号、宫缩信号、孕妇年龄和孕周一同组成多模态特征，采用多模态特征深度学习策略进行训练，利用基分类器LGBM进行分类判别。多模态特征深度学习策略在解决需要综合考虑多种不同模态特征对结果影响的问题中有着很好的效果，它使得多种不同的因素都被正确且合理的纳入判别因素中，可以很好地提高模型的分类性能，此外基分类器LGBM可以很好的解决数据不平衡问题，对于提高分类性能也起着重要作用。
[0019]第四，本专利技术提供的基于多模态特征深度学习策略的智能产前胎心监护模型，大大提高了的分类性能，提高了判读的准确率。在临床上，对于胎儿健康状况监测以及降低胎儿死亡率和剖宫产率均具有重要的意义。有利的推动了智能胎心监护模型的性能提升进展。
附图说明
[0020]图1是本专利技术的一种非线性方式的均值池化反应示意图。图2是本专利技术的基于多模态特征深度学习策略的智能产前胎心监护模型的算法流程示意图。
[0021]数据集说明本专利技术所采用的案例集是经过三轮产科本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多模态特征深度学习策略的智能产前胎心监护模型，该模型包括如下步骤：S1：获取包含胎心率信号和宫缩信号的原始CTG信号数据以及包含孕妇年龄和孕周的孕妇基本信息；S2：对上述胎心率信号、宫缩信号、孕妇年龄和孕周进行预处理，形成多模态特征案例集；S3：将上述CTG信号数据进行划分，得到信号长度均为d的一维的胎心率信号和宫缩信号片段，构建为待输入CTG数据集；S4：将上述待输入CTG数据集输入已设计完成的卷积神经网络进行特征提取，所述卷积神经网络包括6层卷积层和5层全连接层；S5：将上述预处理好的孕妇年龄和孕周在第5层全连接层之后与前述卷积神经网络提取出的信号特征进行融合，形成多模态特征；S6：将上述多模态特征输入经过设计的基分类器LGBM(Light Gradient Boosting Machine)进行分类判定；将所述信号长度均为d的一维的胎心率信号和宫缩信号组成二维矩阵(2*d)的信号数据矩阵输入卷积神经网络得到长度为n的一维特征；将各个案例对应的孕妇年龄和孕周与前述(1*n)的经过卷积神经网络提取的特征进行融合，得到(1*k)的一维多模态特征；将所述一维特征(1*k)的向量输入至LGBM基分类器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...

【专利技术属性】
技术研发人员：魏航，曹珍，王国强，李朝伟，陈沁群，李丽，黄俊，林伙旺，
申请(专利权)人：魏航，
类型：发明
国别省市：