基于LSTM-DCGAN模型的FHR数据增强方法技术

本发明专利技术公开基于LSTM

【技术实现步骤摘要】
基于LSTM
‑
DCGAN模型的FHR数据增强方法


[0001]本专利技术属于医学信号处理领域，具体涉及一种基于LSTM
‑
DCGAN模型的FHR数据增强方法。

技术介绍

[0002]随着高龄产妇比例逐渐增加，胎儿健康问题备受关注，对产期孕妇和胎儿的健康保健带来了诸多挑战，早产儿占比也较高，常见的早产原因包括胎儿宫内窘迫、孕妇产龄偏大和多胎妊娠等。通过健康的妊娠过程能够有效预防早产，电子胎心监护(Electronic Fetal Monitoring，EFM)是一种成熟的胎心监护手段，通过非入侵性技术显著提高检测的安全性。
[0003]在临床检测中，医生主要通过胎心率信号评估胎儿在子宫内的健康状况，对评判胎儿健康程度具有重要的意义。目前，临床胎心率报告解读主要依托于医生的临床经验和能力水平，主观性很强。随着计算机辅助诊断技术的发展，胎心监护辅助系统在胎儿健康诊断领域广受关注。医护人员通过胎心监护辅助系统读取胎儿心率的参数，判断胎儿的健康状况。在基于深度学习的胎儿监护辅助系统开发过程中，由于无法收集到充本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于LSTM
‑
DCGAN模型的FHR数据增强方法，其特征在于所述方法包括以下步骤：步骤一、从CTU
‑
UHB数据库中获取带有标签的FHR信号数据；步骤二、对上述带有标签的FHR信号数据进行预处理，得到数据集；对数据集按比例分为训练集和测试集；步骤三、构建LSTM
‑
DCGAN模型，并对其进行训练和测试；所述LSTM
‑
DCGAN模型包括生成器和鉴别器；所述生成器网络结构包括依次串联的数据输入层、第一LSTM网络和DCGAN模型；(1)数据输入层：在维度为1的空间上对输入数据进行拼接，然后输入到第一LSTM网络中；所述输入数据为预处理后的FHR信号数据和随机变量；(2)第一LSTM网络：采用单向的RNN网络对输入数据进行线性操作；(3)DCGAN模型，包括依次串联的5层转置卷积层；其中前4层转置卷积层均由反转置卷积、BN层和ReLu激活函数组成，第5层转置卷积层由转置卷积和tanh激活函数组成；所述鉴别器网络包括依次串联的第二LSTM网络、7层串联的卷积结构、输出层；(1)第二LSTM网络，与第一LSTM网络结构相同；(2)7层串联的卷积结构：第一层卷积结构包含一维卷积层与LeakyReLU激活函数，后面六层卷积结构均由1维卷积、BN层和LeakyReLU激活函数组成；(3)输出层：采用两个线性层分别输出对抗类别和实际概率；步骤四、采用训练测试好的LSTM
‑
DCGAN模型实现FHR数据增强。2.根据权利要求1所述方法，其特征在于步骤二中所述对上述带有标签的FHR信号数据进行预处理具体是：2
‑
1对FHR信号判断是否存在断点，若存在则进行步骤2
‑
2，若不存在则进行降噪处理；2
‑

【专利技术属性】
技术研发人员：童朝义，赵治栋，张显飞，焦鹏飞，逯鑫淼，
申请(专利权)人：杭州电子科技大学平湖数字技术创新研究院有限公司，
类型：发明
国别省市：