一种胎心率基线自动识别算法制造技术

本发明专利技术公开了一种胎心率基线自动识别算法，该算法包括以下步骤：S1、对胎心率信号进行采集；S2、对上述采集到的胎心率信号进行曲线优化处理；S3、对优化处理后的胎心率信号曲线进行特征提取，并利用聚类分析算法将提取的特征点聚类为两个特征部分；S4、根据区分条件将上述两个特征部分区分为基线部分和非基线部分；S5、对识别出的基线部分进行平滑滤波，从而得到最终估计的胎心率基线。本发明专利技术作为一种胎心率基线自动识别算法，尤其是能够在聚类结果相近的情况下，通过结合胎动信息，更准确地判定胎心率基线，为临床提供更加智能、更加可靠的胎心监护结果，可广泛应用于生物医学信号处理领域、人工智能以及电子胎儿监护领域。

【技术实现步骤摘要】

本专利技术涉及生物医学信号处理、人工智能以及电子胎儿监护领域，尤其是一种胎心率基线自动识别算法。
技术介绍
胎心率监护是胎儿电子监护的重要内容。胎心率的变化是胎儿中枢神经系统调节的结果，因此，胎心率监护反映的是胎儿中枢神经系统的功能状态。胎心率曲线是对一段时间内胎心率变化的记录，它包含一定的模式特征，比如基线、加速、减速和细变异(包含长变异和短变异)，通过对这些特征的读解和识别，产科医护人员能及时掌握胎儿在宫内发育的状况并做出临床决策。但是，大量临床报告和论文研究表明不同的产科医生对于这些特征的识别存在较大的个体差异。例如，对于基线的判断，可能会产生IObpm或者以上的差别。 这样就会对加速和减速的判断产生很大影响，所以需要计算机辅助诊断分析系统，按照国际标准或通行的准则，对这些特征进行分析和识别。胎心率基线自动识别方面，现有算法主要存在以下几个问题1、对于连续加速或者连续减速的情况，现有算法得到的基线会受到连续加速或减速分量的影响而出现抬高或者减低的现象；2、对于胎心率加速或者减速时间较长，胎心率曲线基线部分与加速减速部分在时间分布上近似的情况，现有算法可能会错误地估计基线的位置，或者只能得到一条从胎心率信号正中间穿过的基线，这对于临床是没有意义的。
技术实现思路
为了解决上述技术问题，本专利技术所采用的技术方案是一种胎心率基线自动识别算法，该算法包括以下步骤SI、对胎心率信号进行采集；S2、对上述采集到的胎心率信号进行曲线优化处理；S3、对优化处理后的胎心率信号曲线进行特征提取，并利用聚类分析算法将提取的特征点聚类为两个特征部分；S4、根据区分条件将上述两个特征部分区分为基线部分和非基线部分；S5、对识别出的基线部分进行平滑滤波，从而得到最终估计的胎心率基线。进一步，所述步骤S2包括以下子步骤S21、对胎心率信号曲线进行断点检测；S22、对胎心率信号曲线进行线性拟合；S23、对胎心率信号曲线进行信号降噪。进一步，所述步骤S23是通过经验模式分解实现的，其包括以下子步骤S231、计算胎心率曲线短变异均值，将其与校正系数相乘；S232、计算估计噪声能量阀值百分比；S233、将原信号经过经验模式分解为不同尺度的本征模函数；S234、对本征模函数逐一到最后一个尺度求和，得到各组重构信号；S235、判断重构信号是否满足阀值百分比条件；S236、若否，则将下一组重构信号取代本组重构信号后，重新执行步骤S235 ;若是，则执行步骤S237 ；S237、该重构信号为胎心率信号降噪结果。进一步，所述步骤S3包括以下子步骤S31、对优化后的胎心率曲线求极值后提取特征点；S32、根据约束条件排除特定的特征点；S33、对剩余的特征点建立训练集；·S34、利用聚类分析算法将训练集分成两个特征部分。进一步，步骤S34中所述聚类分析算法为K均值算法或者Kohonen神经网络算法。进一步，所述步骤S4，其具体为，根据区分条件对两个特征部分进行判断，若满足区分条件，则直接将两个特征部分区分为基线部分和非基线部分，反之，则结合胎动信号进而将两个特征部分区分为基线部分和非基线部分。进一步，所述步骤S4中，结合胎动信号进而将两个特征部分区分为基线部分和非基线部分，其包括以下子步骤S42、判断胎动信号中的胎动部分；S43、从两个特征部分中除去胎动部分的时间所对应的特征点；S44、计算两个特征部分特征点数量的比例；S45、依据判决条件对两个特征部分进行区分。本专利技术的有益效果是本专利技术作为一种胎心率基线自动识别算法能够准确识别胎心率基线；尤其是在聚类结果相近的情况下，通过结合胎动信息，更准确地判定胎心率基线，很好地解决胎心率连续加速或减速中一般算法基线估计过低或过高的问题，为临床提供更加智能、更加可靠的胎心监护结果。附图说明图I为本专利技术一种胎心率基线自动识别算法的总步骤流程图；图2为图I中步骤S2的子步骤流程图；图3为图2中步骤S23 —具体实施方式的子步骤流程图；图4为胎心率原始信号曲线图；图5为图4中胎心率信号经曲线断点检测和线性拟合之后的效果图；图6为经过曲线断点检测和线性拟合之后的胎心率信号曲线图；图7为图6中胎心率信号曲线降噪之后的效果图；图8为图I中步骤S3的子步骤流程图；图9为胎心率信号曲线提取信号特征点的示意图；图10为胎心率信号曲线特征点聚类结果的示意图；图11为图I中步骤S4的子步骤流程图；图12为胎动信号与胎心率信号对应关系示意图。具体实施例方式下面结合附图对本专利技术的具体实施方式作进一步说明参照图1，一种胎心率基线自动识别算法，该算法包括以下步骤SI、对胎心率信号进行采集；S2、对上述采集到的胎心率信号进行曲线优化处理；·S3、对优化处理后的胎心率信号曲线进行特征提取，并利用聚类分析算法将提取的特征点聚类为两个特征部分；S4、根据区分条件将上述两个特征部分区分为基线部分和非基线部分；S5、对识别出的基线部分进行平滑滤波，从而得到最终估计的胎心率基线。参照图2，进一步作为优选的实施方式，所述步骤S2包括以下子步骤S21、对胎心率信号曲线进行断点检测；S22、对胎心率信号曲线进行线性拟合；S23、对胎心率信号曲线进行信号降噪。步骤S2具体算法是将胎心率信号S=T进行断点检测和线性拟合(胎心率信号S为矢量，用加粗字体表示，下文中矢量信号均用加粗字体表示)，即若对于〗<i<N，若Sw^CKSi=O,搜索i<j<N，若Sj关0，则对i到j-Ι之间的点进行线性插值,即若iSKj-1，有Sk = round(S^1 +(/:-/ +1)—-—)， j-i + 2 round表示取整。插值后即完成了断点检测和线性拟合操作。但具体实施过程中，可能出现胎心率值突然减半或者翻倍等情况，所以对于这些情况，要进一步约束判定条件，即若存在对-Tl<i<N，若SwWOpi- Si-Pthreshold时，仍按照上述算法进行检测和线性拟合，其中threshold是预先设置的阈值。图5为胎心率信号曲线经断点检测和线性拟合之后的效果图。参照图3，进一步作为优选的实施方式，所述步骤S23是通过经验模式分解(EMD，empirical mode decomposition)实现的,其包括以下子步骤S231、计算胎心率曲线短变异均值μ，将其与校正系数k相乘；S232、计算估计噪声能量阀值百分比α ；S233、将原信号经过经验模式分解为不同尺度的本征模函数；S234、对本征模函数逐一到最后一个尺度求和，得到各组重构信号；S235、判断重构信号是否满足阀值百分比条件；S236、若否，则将下一组重构信号取代本组重构信号后，重新执行步骤S235 ;若是，则执行步骤S237 ；S237、该重构信号为胎心率信号降噪结果。具体方式为对经过断点检测和线性拟合之后的胎心率信号S建模，将其建模为加减速信号Sad及基线信号Sbas和噪声信号N，即S=hiSad+h2Sbas+N,其中，噪声信号估计为幅值在之间的均匀分布，a可通过胎心率信号的短变异均值μ，并乘以系数k求得，即权利要求1.一种胎心率基线自动识别算法，其特征在于该算法包括以下步骤 51、对胎心率信号进行采集； 52、对上述采集到的胎心率信号进行曲线优化处理； 53、对优化处理本文档来自技高网...

【技术保护点】
一种胎心率基线自动识别算法，其特征在于：该算法包括以下步骤：S1、对胎心率信号进行采集；S2、对上述采集到的胎心率信号进行曲线优化处理；S3、对优化处理后的胎心率信号曲线进行特征提取，并利用聚类分析算法将提取的特征点聚类为两个特征部分；S4、根据区分条件将上述两个特征部分区分为基线部分和非基线部分；S5、对识别出的基线部分进行平滑滤波，从而得到最终估计的胎心率基线。

【技术特征摘要】

【专利技术属性】
技术研发人员：陆尧胜，魏守一，秦如意，陈洋，刘晓磊，
申请(专利权)人：广州三瑞医疗器械有限公司，
类型：发明
国别省市：