一種胎心率基線自動識別算法制造技術

本發明專利技術公開了一種胎心率基線自動識別算法，該算法包括以下步驟：S1、對胎心率信號進行采集；S2、對上述采集到的胎心率信號進行曲線優化處理；S3、對優化處理后的胎心率信號曲線進行特征提取，并利用聚類分析算法將提取的特征點聚類為兩個特征部分；S4、根據區分條件將上述兩個特征部分區分為基線部分和非基線部分；S5、對識別出的基線部分進行平滑濾波，從而得到最終估計的胎心率基線。本發明專利技術作為一種胎心率基線自動識別算法，尤其是能夠在聚類結果相近的情況下，通過結合胎動信息，更準確地判定胎心率基線，為臨床提供更加智能、更加可靠的胎心監護結果，可廣泛應用于生物醫學信號處理領域、人工智能以及電子胎兒監護領域。

【技術實現步驟摘要】

本專利技術涉及生物醫學信號處理、人工智能以及電子胎兒監護領域，尤其是一種胎心率基線自動識別算法。
技術介紹
胎心率監護是胎兒電子監護的重要內容。胎心率的變化是胎兒中樞神經系統調節的結果，因此，胎心率監護反映的是胎兒中樞神經系統的功能狀態。胎心率曲線是對一段時間內胎心率變化的記錄，它包含一定的模式特征，比如基線、加速、減速和細變異(包含長變異和短變異)，通過對這些特征的讀解和識別，產科醫護人員能及時掌握胎兒在宮內發育的狀況并做出臨床決策。但是，大量臨床報告和論文研究表明不同的產科醫生對于這些特征的識別存在較大的個體差異。例如，對于基線的判斷，可能會產生IObpm或者以上的差別。 這樣就會對加速和減速的判斷產生很大影響，所以需要計算機輔助診斷分析系統，按照國際標準或通行的準則，對這些特征進行分析和識別。胎心率基線自動識別方面，現有算法主要存在以下幾個問題1、對于連續加速或者連續減速的情況，現有算法得到的基線會受到連續加速或減速分量的影響而出現抬高或者減低的現象；2、對于胎心率加速或者減速時間較長，胎心率曲線基線部分與加速減速部分在時間分布上近似的情況，現有算法可能會錯誤地估計基線的位置，或者只能得到一條從胎心率信號正中間穿過的基線，這對于臨床是沒有意義的。
技術實現思路
為了解決上述技術問題，本專利技術所采用的技術方案是一種胎心率基線自動識別算法，該算法包括以下步驟SI、對胎心率信號進行采集；S2、對上述采集到的胎心率信號進行曲線優化處理；S3、對優化處理后的胎心率信號曲線進行特征提取，并利用聚類分析算法將提取的特征點聚類為兩個特征部分；S4、根據區分條件將上述兩個特征部分區分為基線部分和非基線部分；S5、對識別出的基線部分進行平滑濾波，從而得到最終估計的胎心率基線。進一步，所述步驟S2包括以下子步驟S21、對胎心率信號曲線進行斷點檢測；S22、對胎心率信號曲線進行線性擬合；S23、對胎心率信號曲線進行信號降噪。進一步，所述步驟S23是通過經驗模式分解實現的，其包括以下子步驟S231、計算胎心率曲線短變異均值，將其與校正系數相乘；S232、計算估計噪聲能量閥值百分比；S233、將原信號經過經驗模式分解為不同尺度的本征模函數；S234、對本征模函數逐一到最后一個尺度求和，得到各組重構信號；S235、判斷重構信號是否滿足閥值百分比條件；S236、若否，則將下一組重構信號取代本組重構信號后，重新執行步驟S235 ;若是，則執行步驟S237 ；S237、該重構信號為胎心率信號降噪結果。進一步，所述步驟S3包括以下子步驟S31、對優化后的胎心率曲線求極值后提取特征點；S32、根據約束條件排除特定的特征點；S33、對剩余的特征點建立訓練集；·S34、利用聚類分析算法將訓練集分成兩個特征部分。進一步，步驟S34中所述聚類分析算法為K均值算法或者Kohonen神經網絡算法。進一步，所述步驟S4，其具體為，根據區分條件對兩個特征部分進行判斷，若滿足區分條件，則直接將兩個特征部分區分為基線部分和非基線部分，反之，則結合胎動信號進而將兩個特征部分區分為基線部分和非基線部分。進一步，所述步驟S4中，結合胎動信號進而將兩個特征部分區分為基線部分和非基線部分，其包括以下子步驟S42、判斷胎動信號中的胎動部分；S43、從兩個特征部分中除去胎動部分的時間所對應的特征點；S44、計算兩個特征部分特征點數量的比例；S45、依據判決條件對兩個特征部分進行區分。本專利技術的有益效果是本專利技術作為一種胎心率基線自動識別算法能夠準確識別胎心率基線；尤其是在聚類結果相近的情況下，通過結合胎動信息，更準確地判定胎心率基線，很好地解決胎心率連續加速或減速中一般算法基線估計過低或過高的問題，為臨床提供更加智能、更加可靠的胎心監護結果。附圖說明圖I為本專利技術一種胎心率基線自動識別算法的總步驟流程圖；圖2為圖I中步驟S2的子步驟流程圖；圖3為圖2中步驟S23 —具體實施方式的子步驟流程圖；圖4為胎心率原始信號曲線圖；圖5為圖4中胎心率信號經曲線斷點檢測和線性擬合之后的效果圖；圖6為經過曲線斷點檢測和線性擬合之后的胎心率信號曲線圖；圖7為圖6中胎心率信號曲線降噪之后的效果圖；圖8為圖I中步驟S3的子步驟流程圖；圖9為胎心率信號曲線提取信號特征點的示意圖；圖10為胎心率信號曲線特征點聚類結果的示意圖；圖11為圖I中步驟S4的子步驟流程圖；圖12為胎動信號與胎心率信號對應關系示意圖。具體實施例方式下面結合附圖對本專利技術的具體實施方式作進一步說明參照圖1，一種胎心率基線自動識別算法，該算法包括以下步驟SI、對胎心率信號進行采集；S2、對上述采集到的胎心率信號進行曲線優化處理；·S3、對優化處理后的胎心率信號曲線進行特征提取，并利用聚類分析算法將提取的特征點聚類為兩個特征部分；S4、根據區分條件將上述兩個特征部分區分為基線部分和非基線部分；S5、對識別出的基線部分進行平滑濾波，從而得到最終估計的胎心率基線。參照圖2，進一步作為優選的實施方式，所述步驟S2包括以下子步驟S21、對胎心率信號曲線進行斷點檢測；S22、對胎心率信號曲線進行線性擬合；S23、對胎心率信號曲線進行信號降噪。步驟S2具體算法是將胎心率信號S=T進行斷點檢測和線性擬合(胎心率信號S為矢量，用加粗字體表示，下文中矢量信號均用加粗字體表示)，即若對于〗<i<N，若Sw^CKSi=O,搜索i<j<N，若Sj關0，則對i到j-Ι之間的點進行線性插值,即若iSKj-1，有Sk = round(S^1 +(/:-/ +1)—-—)， j-i + 2 round表示取整。插值后即完成了斷點檢測和線性擬合操作。但具體實施過程中，可能出現胎心率值突然減半或者翻倍等情況，所以對于這些情況，要進一步約束判定條件，即若存在對-Tl<i<N，若SwWOpi- Si-Pthreshold時，仍按照上述算法進行檢測和線性擬合，其中threshold是預先設置的閾值。圖5為胎心率信號曲線經斷點檢測和線性擬合之后的效果圖。參照圖3，進一步作為優選的實施方式，所述步驟S23是通過經驗模式分解(EMD，empirical mode decomposition)實現的,其包括以下子步驟S231、計算胎心率曲線短變異均值μ，將其與校正系數k相乘；S232、計算估計噪聲能量閥值百分比α ；S233、將原信號經過經驗模式分解為不同尺度的本征模函數；S234、對本征模函數逐一到最后一個尺度求和，得到各組重構信號；S235、判斷重構信號是否滿足閥值百分比條件；S236、若否，則將下一組重構信號取代本組重構信號后，重新執行步驟S235 ;若是，則執行步驟S237 ；S237、該重構信號為胎心率信號降噪結果。具體方式為對經過斷點檢測和線性擬合之后的胎心率信號S建模，將其建模為加減速信號Sad及基線信號Sbas和噪聲信號N，即S=hiSad+h2Sbas+N,其中，噪聲信號估計為幅值在之間的均勻分布，a可通過胎心率信號的短變異均值μ，并乘以系數k求得，即權利要求1.一種胎心率基線自動識別算法，其特征在于該算法包括以下步驟 51、對胎心率信號進行采集； 52、對上述采集到的胎心率信號進行曲線優化處理； 53、對優化處理本文檔來自技高網...

【技術保護點】
一種胎心率基線自動識別算法，其特征在于：該算法包括以下步驟：S1、對胎心率信號進行采集；S2、對上述采集到的胎心率信號進行曲線優化處理；S3、對優化處理后的胎心率信號曲線進行特征提取，并利用聚類分析算法將提取的特征點聚類為兩個特征部分；S4、根據區分條件將上述兩個特征部分區分為基線部分和非基線部分；S5、對識別出的基線部分進行平滑濾波，從而得到最終估計的胎心率基線。

【技術特征摘要】

【專利技術屬性】
技術研發人員：陸堯勝，魏守一，秦如意，陳洋，劉曉磊，
申請(專利權)人：廣州三瑞醫療器械有限公司，
類型：發明
國別省市：