【技术实现步骤摘要】
一种基于胎心率信号多模态特征融合的胎儿窘迫诊断系统
[0001]本专利技术涉及医学信号处理
,具体涉及一种基于胎心率信号多模态特征融合的胎儿窘迫诊断系统,集成了多尺度SE
‑
TCN骨干模型和基于多头自注意力机制的跨模态特征融合模块。
技术介绍
[0002]胎儿窘迫诊断是围产医学中的一个重要领域,胎儿窘迫指胎儿在子宫内发生一系列异常变化,导致胎儿受到氧供不足或其他不良影响的情况,在严重情况可能导致胎儿早产和死亡。临床上胎儿窘迫诊断通常通过一系列的检查手段进行,其中包括监测胎儿心率、胎动、宫缩等指标,其中胎儿心率监测是最为常见和主要的方法。
[0003]近年来,基于胎心率(Fetal Heart Rate,FHR)信号的胎儿窘迫诊断算法发展迅猛。在目前的算法中,常常使用传统的机器学习方法对FHR信号的形态学、时域、频域、非线性域等参数进行特征提取、特征选择和分类,或者采用小波变换、傅里叶变换等时频域转换方式,将一维原始信号转换换为二维的图像表示,然后进行深度学习网络模型构建、训练和评估。然后现有的方法大部分都只基于单个模态特征(特征参数或一维信号或二维图像),忽略了不同模态特征之间可能存在的互补性。此外单一模态往往无法提供足够的信息,难以全面地描述和分析复杂的FHR信号。并且考虑到FHR信号往往受到各种噪声和干扰,单一模态的特征可能不够稳定和可靠。相反地,多模态特征可以获取更丰富的潜在特征表示,不同的模态特征在不同的情况下可能具有不同的重要性,通过融合多模态特征可以自适应地学习每个模态特征 ...
【技术保护点】
【技术特征摘要】
1.一种基于胎心率信号多模态特征融合的胎儿窘迫诊断系统,其特征在于包括:信号预处理模块,去除原始FHR信号的噪声,得到干净的FHR信号;数据增强模块,对训练集进行样本扩充;专家特征提取模块,基于专家先验知识提取专家潜在特征张量Z
e
,所述专家潜在特征张量Z
e
由形态学、时域、频域和非线性特征经过两层线性投影后得到;信号特征提取模块,利用多尺度SE
‑
TCN骨干网络对信号预处理模块处理后的FHR信号提取信号特征潜在张量Z
s
;所述多尺度SE
‑
TCN骨干网络包括多尺度深度可分离卷积模块MDSC、五个串联的|时间卷积神经网络SE
‑
TCNBlocks;所述多尺度深度可分离卷积模块MDSC将4个不同尺寸的卷积核沿着一维方向移动对输入的整个FHR信号进行特征提取,从而以局部感知的方式逐步获取能够完整表征序列的四个不同尺度特征;然将上述四个不同尺度特征进行融合得到多尺度信号特征张量;每个时间卷积神经网络SE
‑
TCNBlocks包含两个通道,其中主通道中包含两个串联的膨胀因果卷积层,每个膨胀因果卷积层后使用BatchNorm归一化和校正线性单元激活;次通道包括一个下采样卷积层和一个压缩激励层;主通道和次通道间采用残差连接;多模态融合模块,利用跨模态特征融合网络CMFF对专家潜在特征张量Z
e
和信号特征潜在张量Z
s
进行融合;其中跨模态特征融合网络CMFF包括两个并行的多头注意力机制模块、跨模态注意力分数计算模块、两个并行的上下分支、以及跨模态拼接模块;所述两个并行的多头注意力机制模块分别各自接受专家潜在特征张量Z
e
和信号特征潜在张量Z
s
,通过线性投影将每个表征映射到一组具有不同语义的向量,然后通过多个注意力头进行自注意力计算,再将各个注意力头的权重矩阵拼接在一起;所述跨模态注意力分数计算模块获取两个并行的多头注意力机制模块的输出进行注意力分数计算;所述上下分支包括融合层、并行的全局平均池化层和全局最大池化层、以及拼接层;所述跨模态拼接模块用于将上下分支的输出进行拼接,得到融合张量Z
m
:输出模块,利用线性层对融合张量Z
m
进行降维,得到输...
【专利技术属性】
技术研发人员:朱家伟,赵治栋,邓艳军,张显飞,张晓红,
申请(专利权)人:杭州电子科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。