一种基于多尺度残差收缩U-Net的胎儿心电信号提取方法技术

本发明专利技术公开了一种基于多尺度残差收缩U

【技术实现步骤摘要】
一种基于多尺度残差收缩U
‑
Net的胎儿心电信号提取方法


[0001]本专利技术涉及心电提取领域，具体为一种基于多尺度残差收缩U
‑
Net的胎儿心电信号提取算法。

技术介绍

[0002]胎儿监护是胎儿健康监测的一种重要手段，能有效降低围产期胎儿的发病率及死亡率。目前胎儿监护的常见方法具有胎心听诊法、超声多普勒胎儿心率法以及经孕妇腹壁采集胎儿心电图法等。相对于胎儿听诊法和超声多普勒胎心音检测法，胎儿心电信号(fetal electrocardiogram,FECG)可以反映胎儿心脏活动的全貌，客观的表示出胎儿在母体内生长发育过程中的生理活动，提供其形态学特征，更有利于对胎儿健康状况进行监测，是一种具有广阔应用场景的胎儿电子监护技术。
[0003]近年来，关于非侵入式提取胎儿心电信号提出了许多检测方法：自适应滤波：采用自适应滤波器，在参考输入端接母体胸部信号，原始输入端接母体腹部信号，采用最小均方误差法(Least Mean Square,LMS)等算法从腹部信号减去母体胸部心电信号从而得到胎儿心电信号，计算量比较小，易于收敛；但不能提取母胎心电重叠部分，对非平稳性强的信号也不适用；盲源分离：在各个源信号未知的情况下，寻找一个合适的目标函数，从腹壁混合信号中分离出胎儿心电信号，但是在该模型中，胎儿心电信号的相关特征未能得到充分利用，导致提取的胎儿心电信号准确率低且不能反映信号的形态学特征；独立成分分析(independent component analysis,ICA)：寻找使胎儿心电信号、母亲心电信号和噪声信号相互独立的线性坐标系统，通过观测信号分离出胎儿心电信号，但此方法只适用非高斯信号，且易陷入局部最优解；匹配滤波法：制作一个母亲心电波形的模板，然后使用腹部信号减去模板得到胎儿心电信号，但该方法提取出的胎儿心电信号识别率低；奇异值分解：通过奇异值分解算法得到胎儿心电信号，但分解矩阵随时间增大且不能保证各分量独立。
[0004]近年来，深度学习由于硬件的发展得到实际应用，由于神经网络不需要人工提取特征，通过训练自适应的进行特征提取，且能够提取出人类关注不到的某些特征，使得使用神经网络进行去噪可能比人工提取特征的方法更有效。其中卷积神经网络表现出强大的特征提取能力，得到广泛应用。U
‑
Net网络是在FCN网络的基础上改进而来，故其网络结构具有局部相连特征，可以被引用到胎儿信号提取领域，充分利用卷积网络特性学习胎儿心电时频域相关特征，但U
‑
Net网络模型太深，训练不够稳定。Inception是一种多卷积核并行的结构，相比标准卷积结构能够提取到更丰富的特征，且易于实现深层网络结构。深度残差收缩网络(Deep Residual Shrinkage Networks，DRSN)为一种基于残差收缩结构改进的深度神经网络，常用于信号去噪领域。但在胎儿心电提取中由于母亲心电幅值大于胎儿心电幅值，导致已有残差收缩网络去噪性能不佳。

技术实现思路

[0005]1、本专利技术的目的
[0006]本专利技术为了提高胎儿心电信号提取精度，提供了一种基于多尺度残差收缩U
‑
Net的胎儿心电信号提取算法。
[0007]2、本专利技术所采用的技术方案
[0008]本专利技术提出的一种基于多尺度残差收缩U
‑
Net的胎儿心电信号提取算法，通过以下步骤实现：
[0009]步骤一：对腹部混合心电信号去噪、裁剪和批归一化处理；
[0010]步骤二：基于多尺度残差收缩U
‑
Net胎儿心电信号提取模型的设计；
[0011]以U
‑
Net模型为框架，加入改进的基于混合域注意力机制的逐点阈值残差收缩块，引入Inception模块和Soft pool；
[0012]步骤三：对多尺度残差收缩U
‑
Net模型进行训练；
[0013]将经过去噪、裁剪和批归一化后的腹部心电信号作为模型的输入，利用反向传播算法和自适应估计矩(Adaptive moment estimation，Adam)优化算法使得均方根误差损失函数最小来训练多尺度残差收缩U
‑
Net模型；
[0014]步骤四：对多尺度残差收缩U
‑
Net模型进行测试；
[0015]将经过去噪、裁剪和批归一化后的腹部心电信号输入到训练好的多尺度残差收缩U
‑
Net胎儿心电信号提取模型，经过正向传播，即可得到提取的胎儿心电信号；
[0016]优选的，所述的一种基于多尺度残差收缩U
‑
Net的胎儿心电信号提取方法，其特征在于：所述的步骤一包括如下过程：
[0017]首先对腹部心电信号进行去噪处理，使用带宽为3
‑
100Hz的8阶巴特沃斯带通滤波器去除基线漂移和高频噪声；然后对信号长度进行裁剪，每段信号长度为1
×
1024点，且每段与上一段有24点重合；最后使用最大最小标准化，将腹部心电信号的幅值映射到[
‑
1,1]之间，最大最小值标准化如公式(1)所示：
[0018][0019]其中x表示长度为1024点的一段腹部心电信号，x
i
表示x中的第i个点，max(x)和min(x)分别表示x中的最大值与最小值。
[0020]优选的，所述的一种基于多尺度残差收缩U
‑
Net的胎儿心电信号提取方法，其特征在于：所述的步骤二包括如下过程：
[0021](1)多尺度残差收缩U
‑
Net模型设计；
[0022]基于多尺度残差收缩U
‑
Net的胎儿心电信号提取模型整体结构以U
‑
Net框架为基础，包括5个卷积模块构成的编码器和5个解卷积模块构成的解码器，两个卷积模块之间通过Soft pool进行下采样，两个解卷积模块之间通过反卷积进行上采样，每个卷积模块与其对称的解卷积模块通过跳跃连接，把卷积路径上提取出的特征图与之相对称解卷积路径上产生的特征图融合起来，作为下一个解卷积模块的输入，最大程度的保留了前面卷积过程提取的胎儿心电信号特征图信息；
[0023](2)编码器设计；
[0024]编码器由5个卷积模块构成，每个卷积模块由Inception块和基于混合域注意力的逐点阈值残差收缩块组成，通过引入Inception块，不仅增加了模型的宽度，而且增加了模型提取多尺度特征的能力，避免模型提取单一尺度特征；为了增强模型去除母亲心电特征
的能力，加入了由基于通道注意力的逐通道阈值残差收缩块改进的基于混合域注意力的逐点阈值残差块；Inception块包括1
×
1、1
×
7、1
×
13三种尺寸的卷积层和一个1
×
3大小的最大池化层，每个卷积层都包括Batch Normalizatio本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度残差收缩U
‑
Net的胎儿心电信号提取方法，其特征在于该方法包括以下步骤：步骤一：对腹部混合心电信号去噪、裁剪和批归一化处理；步骤二：基于多尺度残差收缩U
‑
Net胎儿心电信号提取模型的设计；以U
‑
Net模型为框架，加入改进的基于混合域注意力机制的逐点阈值残差收缩块，引入Inception模块和Softpool；所述的步骤二包括如下过程：首先多尺度残差收缩U
‑
Net模型的设计，包括5个卷积模块组成的编码器和5个解卷积模块组成的解码器，两个卷积模块之间通过Softpool进行下采样，两个解卷积模块之间通过反卷积进行上采样，每个卷积模块与其对称的解卷积模块通过跳跃连接，把卷积路径上提取出的特征图与之相对称解卷积路径上产生的特征图融合起来，作为下一个解卷积模块的输入，最大程度的保留了前面卷积过程提取的胎儿心电信号特征图信息；步骤二中多尺度残差收缩U
‑
Net模型中每个卷积模块包括一个Inception块和一个改进的基于混合域注意力的逐点阈值残差收缩块；每个解卷积模块包括三个卷积小块组成，每个卷积小块都是由一个卷积层、批规范化层和LeakyReLU激活函数构成；步骤二中的改进的基于混合域注意力的逐点阈值残差收缩块是对基于通道注意力的逐通道阈值残差收缩块进行改进，对基于通道注意力的逐通道阈值残差收缩块中阈值学习单元进行改进，将原有通道注意力机制改为混合域注意力机制，结合原有残差单元和软阈值处理单元构成基于混合域注意力的逐点阈值残差收缩块；步骤二中的混合域注意力机制是一种基于时间域注意力机制和通道域注意力机制串行的混合注意力机制，既能够提取通道域的信息，又能提取时间域的信息；步骤二中的Inception块包括1
×
1、1
×
7、1
×
13三种尺寸的卷积层和一个1
×
3大小的最大池化层，每个卷积层都包括Batch Normalization(BN)层和ReLU层，并将他们通过并联的方式结合在一起，且在1
×
7和1
×
13卷积层前面和最大池化层后面都有一个1
×
1卷积；增加了网络提取多尺度特征的能力，从而增强模型的胎儿心电信号提取能力；步骤三：对多尺度残差收缩U
‑
Net模型进行训练；将经过去噪、裁剪和批归一化后的腹部心电信号作为模型的输入，利用反向传播算法和自适应估计矩(Adaptive moment estimation，Adam)优化算法使得均方根误差损失函数最小来训练多尺度残差收缩U
‑
Net模型；步骤四：对多尺度残差收缩U
‑
Net模型进行测试；将经过去噪、裁剪和批归一化后的腹部心电信号输入到训练好的多尺度残差收缩U
‑
Net 胎儿心电信号提取模型，经过正向传播，即可得到提取的胎儿心电信号。2.根据权利要求1所述一种基于多...

【专利技术属性】
技术研发人员：宋立新，张正旭，王乾，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：