一种胎心监护图像分类方法技术

本发明专利技术公开了一种胎心监护图像分类方法，包括：一、胎心监护图像历史数据的获取；二、基线异常检测模块的训练；三、微小变异检测模块的训练；四、加速异常检测模块的训练；五、减速异常检测模块的训练；六、待采集胎心监护图像的分类。本发明专利技术结合历史胎心监护数据，且对不同异常场景建立不同的训练模型，能利用拉依达准则、支持向量机模型和卷积神经网络模型应用于不同异常场景的训练，使分类结果的准确率更高，同时也优化了泛化能力。同时也优化了泛化能力。同时也优化了泛化能力。

【技术实现步骤摘要】
一种胎心监护图像分类方法


[0001]本专利技术属于胎心监护图像分类
，具体涉及一种胎心监护图像分类方法。

技术介绍

[0002]胎心监护是一种广泛使用的监测胎儿状态的设备。通过胎心监护，医生可以获取孕妇的宫缩、胎儿的心率、胎动变化的情况。目前将人工智能技术与胎心监护图像识别结合起来，以辅助胎心监护图像分类的研究越来越多，也取得了不错的结果，一方面改善了胎心监护判读主观性强的问题，另一方面也可以将其应用于远程胎心监护，给孕妇带来便利。但由于目前直接对数据进行分析，没有结合先验的临床医学知识，使所训练的算法模型，不具备很好的泛化能力。另外直接使用机器学习的一些算法进行模型的训练，在胎心监护信号数据集上，不区分场景建立算法模型，使所得模型或者分类的准确度不够高，泛化能力不够强。
[0003]因此现如今缺少一种设计合理的胎心监护图像分类方法，结合历史胎心监护数据，且对不同异常场景建立不同的训练模型，能利用拉依达准则、支持向量机模型和卷积神经网络模型应用于不同异常场景的训练，使分类结果的准确率更高，同时也优化了泛化能力。

技术实现思路

[0004]本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种胎心监护图像分类方法，其结合历史胎心监护数据，且对不同异常场景建立不同的训练模型，能利用拉依达准则、支持向量机模型和卷积神经网络模型应用于不同异常场景的训练，使分类结果的准确率更高，同时也优化了泛化能力。
[0005]为解决上述技术问题，本专利技术采用的技术方案是：一种胎心监护图像分类方法，其特征在于，该方法包括以下步骤：
[0006]步骤一、胎心监护图像历史数据的获取：
[0007]步骤101、对胎心监护设备已采集到的历史胎心监护数据进行存储，得到M个胎心胎动宫缩图；其中，每个所述胎心胎动宫缩图均包括胎心率曲线、宫缩曲线、胎动曲线；
[0008]步骤102、人为将M个胎心胎动宫缩图分类标记，得到M1个基线异常胎心胎动宫缩图、M2个加速变异胎心胎动宫缩图、M3个减速变异胎心胎动宫缩图、M4个微小变异胎心胎动宫缩图和N个正常胎心胎动宫缩图；其中，M、M1、M2、M3、M4和N均为正整数；
[0009]步骤二、基线异常检测模块的训练：
[0010]步骤201、将第m1个基线异常胎心胎动宫缩图中胎心率曲线记作第m1个基线异常胎心率曲线；
[0011]步骤202、对第m1个基线异常胎心率曲线滑动计算上限和下限异常点占比，并分别取各个滑动窗口中上限和下限异常点占比最大值为上限异常占点比最大值和下限异常点占比最大值；
[0012]步骤203、多次重复步骤202，完成M1个基线异常胎心胎动宫缩图中M1个基线异常胎心率曲线的判断，得到M1个上限异常占点比最大值以及M1个下限异常点占比最大值；其中，m1和M1为正整数，且1≤m1≤M1；
[0013]步骤204、采用计算机对M1个上限异常占点比最大值进行平均值及标准差处理，得到上限异常均值及上限标准差σ
s
；采用计算机对M1个下限异常点占比最大值进行平均值及标准差处理，得到下限异常均值及下限标准差σ
d
；
[0014]步骤205、根据步骤204得到训练好的基线异常检测模块；其中，训练好的基线异常检测模块中上限异常点占比阈值范围为下限异常点占比阈值范围为如果满足上限异常点占比阈值范围或者下限异常点占比阈值范围，则分类为基线正常；否则，分类为基线异常；
[0015]步骤三、微小变异检测模块的训练：
[0016]步骤301、采用计算机将第m4个微小变异胎心胎动宫缩图中胎心率曲线记作第m4个微小变异胎心率曲线；并将第m4个微小变异胎心率曲中波峰波谷处的信号幅值保留原值，其它位置幅值置为0，则得到第m4个波峰波谷曲线；其中，m4和M4为正整数，且1≤m4≤M4；
[0017]步骤302、对第m4个波峰波谷曲线滑动计算得到第m4个微小变异胎心率曲线的最小正常变异占比
[0018]步骤303、采用计算机从第m4个微小变异胎心率曲线中获取最小正常变异占比所处波峰波谷信号区域段对应的原始信号段，获取该原始信号段的方差以及均值，且分别记作第m4个微小变异胎心率曲线的方差和均值
[0019]步骤304、采用计算机将第m4个微小变异胎心率曲线的最小正常变异占比第m4个微小变异胎心率曲线的方差和均值作为第m4个三维特征向量；
[0020]步骤305、按照步骤301至步骤304所述的方法，对M4个微小变异胎心胎动宫缩图和N个正常胎心胎动宫缩图进行处理，得到各个对应的三维特征向量；
[0021]步骤306、采用计算机使用支持向量机，输入步骤305中的各个三维特征向量进行训练分类，得到训练好的支持向量机分类模型，并将其记作微小变异检测模块；其中，训练好的支持向量机分类模型输出分类为微小变异异常和微小变异正常；
[0022]步骤四、加速异常检测模块的训练：
[0023]步骤401、将第m2个加速变异胎心胎动宫缩图中胎心率曲线记作第m2个加速异常胎心率曲线，第m2个加速变异胎心胎动宫缩图中胎动曲线记作第m2个加速异常胎动曲线；其中，m2和M2均为正整数，且1≤m2≤M2；
[0024]步骤402、采用计算机对第m2个加速异常胎心率曲线和第m2个加速异常胎动曲线进行平滑、偏移处理，得到第m2个胎心率胎动曲线训练图；
[0025]步骤403、按照步骤401至步骤402所述的方法，对M2个加速变异胎心胎动宫缩图和N个正常胎心胎动宫缩图进行处理处理，得到M2个胎心率胎动曲线训练图和N个胎心率胎动曲线训练图；
[0026]步骤404、采用计算机使用CNN卷积神经网络模型，输入步骤405中的曲线训练图进行训练，得到训练好的第一卷积神经网络模型，并将训练好的第一卷积神经网络模型记作
加速异常检测模块；其中，训练好的第一卷积神经网络模型输出分类为加速正常和加速异常；
[0027]步骤五、减速异常检测模块的训练：
[0028]步骤501、将第m3个减速异常胎心宫缩图中胎心率曲线记作第m3个减速异常胎心率曲线，第m3个减速异常胎心宫缩图中宫缩曲线记作第m3个减速异常宫缩曲线；
[0029]步骤502、采用计算机利用时间分数扩散方程对第m3个减速异常胎心率曲线和第m3个减速异常宫缩曲线进行平滑处理，得到第m3个减速异常胎心率平滑后曲线和第m3个减速宫缩平滑后曲线；其中，m3和M3均为正整数，且1≤m3≤M3；
[0030]步骤503、采用计算机将第m3个减速异常胎心率平滑后曲线和第m3个减速宫缩平滑后曲线组合形成胎心率宫缩曲线训练图；
[0031]步骤504、按照步骤501至步骤503所述的方法，对M3个减速异常胎心宫缩图和N个正常胎心宫缩图进行平滑处理，得到M3个胎心率宫缩曲线训练图和N个胎心率宫缩曲线训练图；
[0032]步骤505、采用计算机使用CNN卷积神经网络模型，输入步骤504中的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种胎心监护图像分类方法，其特征在于，该方法包括以下步骤：步骤一、胎心监护图像历史数据的获取：步骤101、对胎心监护设备已采集到的历史胎心监护数据进行存储，得到M个胎心胎动宫缩图；其中，每个所述胎心胎动宫缩图均包括胎心率曲线、宫缩曲线、胎动曲线；步骤102、人为将M个胎心胎动宫缩图分类标记，得到M1个基线异常胎心胎动宫缩图、M2个加速变异胎心胎动宫缩图、M3个减速变异胎心胎动宫缩图、M4个微小变异胎心胎动宫缩图和N个正常胎心胎动宫缩图；其中，M、M1、M2、M3、M4和N均为正整数；步骤二、基线异常检测模块的训练：步骤201、将第m1个基线异常胎心胎动宫缩图中胎心率曲线记作第m1个基线异常胎心率曲线；步骤202、对第m1个基线异常胎心率曲线滑动计算上限和下限异常点占比，并分别取各个滑动窗口中上限和下限异常点占比最大值为上限异常占点比最大值和下限异常点占比最大值；步骤203、多次重复步骤202，完成M1个基线异常胎心胎动宫缩图中M1个基线异常胎心率曲线的判断，得到M1个上限异常占点比最大值以及M1个下限异常点占比最大值；其中，m1和M1为正整数，且1≤m1≤M1；步骤204、采用计算机对M1个上限异常占点比最大值进行平均值及标准差处理，得到上限异常均值及上限标准差σ
s
；采用计算机对M1个下限异常点占比最大值进行平均值及标准差处理，得到下限异常均值及下限标准差σ
d
；步骤205、根据步骤204得到训练好的基线异常检测模块；其中，训练好的基线异常检测模块中上限异常点占比阈值范围为下限异常点占比阈值范围为如果满足上限异常点占比阈值范围或者下限异常点占比阈值范围，则分类为基线正常；否则，分类为基线异常；步骤三、微小变异检测模块的训练：步骤301、采用计算机将第m4个微小变异胎心胎动宫缩图中胎心率曲线记作第m4个微小变异胎心率曲线；并将第m4个微小变异胎心率曲中波峰波谷处的信号幅值保留原值，其它位置幅值置为0，则得到第m4个波峰波谷曲线；其中，m4和M4为正整数，且1≤m4≤M4；步骤302、对第m4个波峰波谷曲线滑动计算得到第m4个微小变异胎心率曲线的最小正常变异占比步骤303、采用计算机从第m4个微小变异胎心率曲线中获取最小正常变异占比所处波峰波谷信号区域段对应的原始信号段，获取该原始信号段的方差以及均值，且分别记作第m4个微小变异胎心率曲线的方差和均值步骤304、采用计算机将第m4个微小变异胎心率曲线的最小正常变异占比第m4个微小变异胎心率曲线的方差和均值作为第m4个三维特征向量；步骤305、按照步骤301至步骤304所述的方法，对M4个微小变异胎心胎动宫缩图和N个正常胎心胎动宫缩图进行处理，得到各个对应的三维特征向量；
步骤306、采用计算机使用支持向量机，输入步骤305中的各个三维特征向量进行训练分类，得到训练好的支持向量机分类模型，并将其记作微小变异检测模块；其中，训练好的支持向量机分类模型输出分类为微小变异异常和微小变异正常；步骤四、加速异常检测模块的训练：步骤401、将第m2个加速变异胎心胎动宫缩图中胎心率曲线记作第m2个加速异常胎心率曲线，第m2个加速变异胎心胎动宫缩图中胎动曲线记作第m2个加速异常胎动曲线；其中，m2和M2均为正整数，且1≤m2≤M2；步骤402、采用计算机对第m2个加速异常胎心率曲线和第m2个加速异常胎动曲线进行平滑、偏移处理，得到第m2个胎心率胎动曲线训练图；步骤403、按照步骤401至步骤402所述的方法，对M2个加速变异胎心胎动宫缩图和N个正常胎心胎动宫缩图进行处理处理，得到M2个胎心率胎动曲线训练图和N个胎心率胎动曲线训练图；步骤404、采用计算机使用CNN卷积神经网络模型，输入步骤405中的曲线训练图进行训练，得到训练好的第一卷积神经网络模型，并将训练好的第一卷积神经网络模型记作加速异常检测模块；其中，训练好的第一卷积神经网络模型输出分类为加速正常和加速异常；步骤五、减速异常检测模块的训练：步骤501、将第m3个减速异常胎心宫缩图中胎心率曲线记作第m3个减速异常胎心率曲线，第m3个减速异常胎心宫缩图中宫缩曲线记作第m3个减速异常宫缩曲线；步骤502、采用计算机利用时间分数扩散方程对第m3个减速异常胎心率曲线和第m3个减速异常宫缩曲线进行平滑处理，得到第m3个减速异常胎心率平滑后曲线和第m3个减速宫缩平滑后曲线；其中，m3和M3均为正整数，且1≤m3≤M3；步骤503、采用计算机将第m3个减速异常胎心率平滑后曲线和第m3个减速宫缩平滑后曲线组合形成胎心率宫缩曲线训练图；步骤504、按照步骤501至步骤503所述的方法，对M3个减速异常胎心宫缩图和N个正常胎心宫缩图进行平滑处理，得到M3个胎心率宫缩曲线训练图和N个胎心率宫缩曲线训练图；步骤505、采用计算机使用CNN卷积神经网络模型，输入步骤504中的曲线训练图进行训练，得到训练好的第二卷积神经网络模型，并将训练好的第二卷积神经网络模型记作减速异常检测模块；其中，训练好的第二卷积神经网络模型输出两类为减速异常和减速正常；步骤六、待采集胎心监护图像的分类：采用胎心监护设备获取待采集胎心胎动宫缩图，并将待采集胎心胎动宫缩图送至基线异常检测模块、微小变异检测模块、加速异常检测模块、减速异常检测模块进行分类。2.按照权利要求1所述的一种胎心监护图像分类方法，其特征在于：步骤202中对第m1个基线异常胎心率曲线滑动计算上限和下限异常点占比，并分别取各个滑动窗口中上限和下限异常点占比最大值为上限异常占点比最大值和下限异常点占比最大值，具体过程如下：步骤2021、设定第一滑动窗口的长度为...

【专利技术属性】
技术研发人员：李奇灵，钟德星，唐梓翔，张玟，
申请(专利权)人：西安交通大学医学院第一附属医院，
类型：发明
国别省市：