一种产前胎心监护信号智能判读方法与流程

1.本发明涉及一种深度学习方法，尤其涉及一种产前胎心监护信号智能判读方法，该方法用于对产前胎儿状况评估进行智能的分类判别。


背景技术：

2.产前胎儿监护广泛用于评估胎儿的健康发育情况，并在胎儿出现不良反应前及时治疗。胎心宫缩监护图（ctg）是胎儿产前健康监测的重要工具，记录孕妇怀孕期间胎心率的变化及其与宫缩之间的时间关系。其起到的作用包括但不限于确定胎儿是否缺氧、确定是否需要对孕产妇通过剖腹产进行分娩，以及指导胎儿健康状况的其他评估。
3.现阶段，胎心宫缩监护图（ctg）的判读工作由产科医师负责。判读依据主要来源于产前胎监判读指南和产科医师自身的临床经验。但是由于现有的胎心宫缩监护图（ctg）判读标准不一致，产科医师的经验水平也不一致，使得判读过程极具主观性，判读结果无法复现，容易出现歧义，导致误诊的发生，对孕妇及胎儿造成不可挽回的伤害。
[0004] 为此，国内外的众多学者纷纷开始使用机器学习算法对产前胎儿监护智能分类判别进行研究，使用的数据多为公开的加州大学欧文分校机器学习知识库（university of california irvine machine learning repository, uci）的胎儿监护标准ctg数据集，通过使用胎心率和宫缩信号进行特征提取获得21个临床特征数据进行分类。
[0005]
然而，现阶段基于机器学习的自动判读产前胎心宫缩图模型大多是使用特征进行建模，特征在提取时，存在无法被消除的度量误差。与此同时，在特征提取后，根据不同的产前胎监判读指南得到的判读结果也是不一致的。而使用信号建模的模型只考虑胎心率信号，忽略胎心率信号与宫缩压力信号的关系，没有深入研究宫缩压力信号以及胎动信号对胎儿健康状况的影响，且信号预处理的流程也过于简单。
[0006]
总的来说，目前国内外使用的产前胎儿监护机器仍没有能够达到智能水平，得到的判别可疑类准确率仅为45
‑
82%，异常类准确率仅为66
‑
94%，暂无法在临床工作中应用。因此，如何进一步提高产前胎儿监护智能模型的判读准确率，成为本领域亟待解决的技术难题。


技术实现要素：

[0007]
为了解决上述现有技术所存在的缺陷，本发明提供一种产前胎心监护信号智能判读方法。
[0008]
本发明采用如下技术方案：一种产前胎心监护信号智能判读方法，该方法包括包括如下步骤：s1：获取包含胎心率信号、宫缩压力信号以及胎动信号的原始ctg信号数据；s2：对所述胎心率信号、宫缩压力信号、胎动信号进行预处理，形成融合多信号数据集；s3：将所述融合多信号数据集进行分段处理，得到信号长度均为d的一维的胎心率
信号、宫缩压力信号、胎动信号片段，构建待分类的数据集；s4：将所述待分类的数据集输入已预先训练得到的产前胎儿监护智能判读模型进行分类判别，所述产前胎儿监护智能判读模型包括嵌入层、拼接层、双向门控循环单元层以及全连接层；将所述信号长度均为d的一维的胎心率信号、宫缩压力信号、胎动信号片段分别输入嵌入层，得到二维矩阵（d
×
m）的胎心率信号、宫缩压力信号、胎动信号片段，m为嵌入层的输出维度；将所述二维矩阵（d
×
m）的胎心率信号、宫缩压力信号、胎动信号片段输入拼接层进行拼接，得到二维矩阵（d
×
3m）向量；将所述二维矩阵（d
×
3m）向量输入至2k个单元的双向门控循环单元层进行拼接，得到长度为2k的一维输出向量；将所述长度为2k的一维输出向量输入至n个单元的全连接层并对输出结果进行sigmoid函数压缩，输出样本为正常类和样本为非正常类的概率；对所述样本为正常类和样本为非正常类的概率分别设置对应的类别标签；对比所述样本为正常类和样本为非正常类的概率，选取较大概率所对应的类别标签作为分类判别结果。
[0009]
优选的，所述s2步骤的预处理包括分别对胎心率信号、宫缩压力信号、胎动信号进行插值或删除处理。
[0010]
优选的，所述s2步骤的预处理还包括对经插值或删除处理的胎心率信号进行标准化处理。
[0011]
优选的，所述标准化处理包括计算胎心率信号的基线值，并使用经插值或删除处理的胎心率信号减去基线值，得到标准胎心率信号。
[0012]
优选的，所述s2步骤的预处理还包括在对经插值或删除处理的胎心率信号进行标准化处理前，将所述经插值或删除处理的胎心率信号进行滑动窗口分段，得到信号长度不少于p的胎心率信号片段。
[0013]
优选的，所述s3步骤的分段处理包括将经预处理的胎心率信号、宫缩压力信号、胎动信号进行同步滑动窗口分段。
[0014]
本发明具有如下有益效果：第一，本发明将宫缩压力信号和胎动信号融入到基于双向门控循环单元的产前胎儿监护智能判读模型，与其他的深度学习模型相比，本发明的智能判读方法不仅耗时较短，而且具有更优的分类判别能力，可快捷有效为产科医护人员提供产前胎儿监护的辅助决策支持。
[0015]
第二，本发明不仅根据胎心率信号、宫缩压力信号以及胎动信号的数据特点进行预处理，而且对预处理后的标准胎心率信号、宫缩压力信号以及胎动信号进行滑动窗口分段处理，实现了数据增强，使得信号长度得到统一，进一步提高智能判读模型的分类判别性能。
[0016]
第三，本发明提供的产前胎心监护信号智能判读方法，使用信号建模，无须提取胎心宫缩监护图（ctg）的形态特征，有效杜绝了信号提取临床形态特征时存在的无法被消除的度量误差。
[0017]
第四，本发明提供的产前胎心监护信号智能判读方法，可以有效减轻医护人员工作量，有效降低胎儿死亡率以及剖腹产率，同时避免不必要的医疗干预，保障胎儿的正常生长发育，有助于提高我国的出生人口素质。
附图说明
[0018]
图1是本发明的产前胎儿监护智能判读模型的算法流程示意图。
具体实施方式
[0019]
为了使本发明的发明目的、技术方案以及有益效果更清楚，以下将结合说明书的附图以及具体实施例，对本发明进行进一步的说明。
[0020]
实施例1本发明提供的一种产前胎心监护信号智能判读方法，该方法包括包括如下步骤：s1：获取包含胎心率信号、宫缩压力信号以及胎动信号的原始ctg信号数据；s2：对所述胎心率信号、宫缩压力信号、胎动信号进行预处理，形成融合多信号数据集；所述预处理包括分别对胎心率信号、宫缩压力信号、胎动信号进行插值或删除处理；所述预处理还包括对经插值或删除处理的胎心率信号进行标准化处理；所述预处理还包括在对经插值或删除处理的胎心率信号进行标准化处理前，将所述经插值或删除处理的胎心率信号进行滑动窗口分段，得到信号长度不少于p的胎心率信号片段；其中，p为750；所述标准化处理包括计算胎心率信号的基线值，并使用经插值或删除处理的胎心率信号减去基线值，得到标准胎心率信号；s3：将所述融合多信号数据集进行分段处理，得到信号长度均为d的一维的胎心率信号、宫缩压力信号、胎动信号片段，构建待分类数据集；其中，d为1125；所述分段处理包括将经过预处理的胎心率信号、宫缩压力信号、胎动信号进行同步滑动窗口分段。
[0021]
s4：将所述待分类的数据集输入已预先训练得到的产前胎儿监护智能判读模型进行分类判别，参照图1所示，所述产前胎儿监护智能判读模型包括嵌入层、拼接层、双向门控循环单元层以及全连接层；将所述信号长度均为d的一维的胎心率信号、宫缩压力信号、胎动信号片段分别输入嵌入层，得到二维矩阵（d
×
m）的胎心率信号、宫缩压力信号以及胎动信号片段，m为嵌入层的输出维度；其中，m为4；将所述二维矩阵（d
×
m）的胎心率信号、宫缩压力信号、胎动信号片段输入拼接层进行拼接，得到二维矩阵（d
×
3m）向量；将所述二维矩阵（d
×
3m）向量输入至2k个单元的双向门控循环单元层进行拼接，得到长度为2k的一维输出向量； k为一个方向的gru单元个数，而2k为双向门控循环单元层的gru单元个数；其中，k为512，2k为1024；将所述长度为2k的一维输出向量输入至n个单元的全连接层并对输出结果进行
sigmoid函数压缩，输出样本为正常类和样本为非正常类的概率；其中，n为2；对所述样本为正常类和样本为非正常类的概率分别设置对应的类别标签；样本为正常类的标签为0，样本为非正常类的标签为1。
[0022]
对比所述样本为正常类和样本为非正常类的概率，选取较大概率所对应的类别标签作为分类判别结果。
[0023]
根据本领域的公知常识，可以通过插值或者删除缺失段处理解决原始胎心率信号、宫缩压力信号及胎动信号的异常值和缺失值问题。而胎心率信号和宫缩压力信号具有一致性，对胎心率信号进行预处理时，可以对宫缩压力信号同步进行插值或删除处理。由于胎动信号是在宫缩压力信号中逐点进行提取的，也具有一致性，可以对胎动信号同步进行插值或删除处理。胎心率信号和宫缩压力信号的插值均选择中位数，插值后的序列波动较为平稳，因此对胎心率信号和宫缩压力信号处理时，胎动的插值取值为0。
[0024]
由于经过预处理后，原始ctg信号数据中信号长度从20min（1500个点）变为10min（750个点）至20min（1500个点）的信号长度范围内，为此本发明通过对经预处理的胎心率信号进行滑动窗口分段，舍弃信号长度少于10min（750个点）的信号。
[0025]
本发明通过采用极大值点间的距离进行滑动窗口分段。具体的，首先通过sg滤波（savitzky
‑
golay）数字滤波器对经预处理的胎心率信号进行平滑降噪，信号的极值点对应的时间不发生改变；然后找出胎心率信号中所有的极大值点的集合，极大值点通过相邻两点的一阶差分来判断；再以信号长度10min作为一段进行窗口滑动处理，即以极大值点的集合中第一个点为终点，向前10min为第一段，接着开始滑动窗口，以下一个极值点为终点，向前10min作为新的一段，循环进行；再将滑动后的数据加上首尾，得到在信号上的滑动分段结果。
[0026] 根据本领域的公知常识，基线（baseline）d的定义为10min内振幅稳定在5bpm以内的胎心率均值。本发明通过对胎心率曲线的极值点进行聚类分析，从所有极值点中提取基线点，对基线点求平均得到胎心率信号的基线值。具体的，首先找出所有极值点的集合，对所有极值去中心化，然后采用k
‑
means算法对得到的去中心化极值点进行聚类分析；标记区分得到结果的基线部分与非基线部分，再通过基线部分，对所有基线点的时间横坐标取均值t
m
，胎心率纵坐标取均值
ƒ
m
，分别作为该段胎心率信号的基线值（tm, ƒ
m
）；求出所有的胎心率分段基线值后进行基线拟合；将所有的基线值与胎心率曲线放在同一坐标系中进行数据拟合，数据拟合直接采用插值法，得到胎心率信号的基线值。
[0027] 此外，本发明还可以通过使用经验模态分解（empirical mode decomposition, emd）处理，使得胎心率信号曲线更接近基线部分，减少极值点数量，有利于用极值点区分基线部分和非基线部分。
[0028]
值得说明的是，本领域技术人员可以采用其他方法对获取的原始ctg信号数据进行预处理，或采取其他方法提取胎心率信号基线点，得到胎心率信号的基线值。
[0029] 本发明的产前胎儿监护智能判读模型包括嵌入层、拼接层、双向门控循环单元层（即bigru层）和全连接层。嵌入层对信号长度均为d的一维的胎心率信号、宫缩压力信号、胎动信号片段的每个信号点均进行onehot处理，并将结果乘以二维矩阵w，将信号变换成4
×
d的二维矩阵，w为4行d列的二维矩阵，d为onehot的维度，公式为onehot（t）
×
w, t∈(1,d)。拼接层对嵌入层的输出结果进行逐秒拼接，形成结果为12
×
d的二维信号。
[0030] 在双向门控循环单元层中共2k个gru单元的双向门控循环单元网络，在该层的计算公式如下：更新门：z
t
=σ(w
（z）
xt+u
（z）
h
t
‑1)复位门：r
t
=σ(w
（z）
xt+u
（z）
h
t
‑1)当前存储内容：h1´
=tanh(wxt+r
⊙
uh
t
‑1)当前时间步的最终记忆（输出）：h
t
= z
t
⊙
h
t
‑
1 +(1
‑ꢀ
z
t )
ꢀ⊙
h
t
´ꢀ
值得说明的是，在双向门控循环单元层中，每个gru单元都输出一个一维向量，最终组合输出长度为2k的一维输出向量，再输入至两个单元的全连接层中进行计算，全连接层第i个单元的计算公式为：
ƒ
ci
= w
i1
* h1+ w
i2
* h2+
…
w
ik
* h
k
+ w
ik+1
* h1´
+ w ik+2
* h2´
+
…
w
i2k
* h
k
´
。h
k
表示正向gru的结果，h
k
´
表示反向gru的结果。然后对这两个单元结果进行sigmoid压缩，分别输出样本为正常类的概率sigmoid（
ƒ
c1
）和样本为非正常类的概率sigmoid（
ƒ
c2
）。
[0031]
验证实施例1 为了验证本发明对产前胎儿状况的判别能力，选取rnn、lstm、gru、birnn、bilstm、cnn以及dnn的深度学习模型进行对比分析，各深度学习模型判别能力对比分析结果如表1所示。
[0032] 上述的门控循环单元（gated recurrent unit, gru）是循环神经网络（recurrent neural network, rnn）的变体。长短期记忆网络（long short
‑
term memory, lstm）是rnn的变体。本发明涉及的双向门控循环单元（bidirectional gated recurrent unit, bigru）由两层gru叠加组成，由正反双向的gru单元共同决定在同一时刻的输出。
[0033]
各个深度学习模型学习同一训练集，再使用同一验证集验证并输出模型学习过程的收敛曲线，最终在同一测试集上进行分类判别，取输出概率最大值对应的标签作为输出结果，标签划分为正常类和非正常类。验证实施例1对比分析上述深度学习模型的准确率、精确率、召回率、特异性、f1值、kappa系数、mcc系数、auc值以及时间。
[0034]
准确率即正确率（accuracy），是深度学习中最常见的评判指标。精确率（precision）表示被预测为正类的数据中预测正确的正类数据占比。召回率（recall）表示实际为正类的数据中预测正确的正类数据占比。特异性（specificity）表示实际为负类的数据中预测正确的负类数据占比。所述精确率、召回率以及特异性涉及的正类为本发明的非正常类，负类为本发明的正常类。
[0035] f1值（f1
‑
score）表示考虑精确率和召回率的综合性指标，当数据存在不平衡现象时，f1值更加具代表性。kappa系数表示描述判断一致性的指标，其数值越大表示一致性水平越高。mcc系数（matthews correlation coefficient），马修斯相关系数，是衡量二分类器模型质量中信息最丰富的关键指标。
[0036] 此外，验证实施例1引入接受者操作特性曲线（receiver operating characteristic curve, roc）来评价深度学习模型的性能。为了衡量roc的结果，将roc的面积定义为auc值（area under curve），取值范围为[0,1]。当auc的取值越大时，表示模型的分类效果越好。
[0037]
表1 各个深度学习模型判别能力对比分析结果
表1的结果表明，与其他深度学习模型相比，实施例1通过双向门控循环单元（bigru）深度学习模型进行智能分类判别，不仅耗时较短，而且综合各项评价指标，实施例1具有最优的判别能力，可以实现快捷有效地为产科医护人员提供产前胎儿监护的辅助决策支持。
[0038]
验证实施例2为了验证待分类的数据集差异对本发明的智能判读方法判别能力的影响。验证实施例2设置了四个对照组，对照组a：待分类数据集仅含有标准胎心率信号（fhr）；对照组b：待分类数据集仅含有宫缩信号（uc）；对照组c：待分类数据集仅含有胎动信号（fm）；对照组d：待分类数据集仅含有标准胎心率与宫缩组合信号（f
‑
u）。四个对照组的其余方法步骤与实施例1保持一致。验证实施例2对比分析实施例1和四个对照组的准确率、精确率、召回率、特异性、f1值、kappa系数、mcc系数以及auc值，对比分析结果如表2所示。表2 四个对照组与实施例1的性能对比分析结果
表2的结果表明，与以上四个对照组相比，实施例1的待分类的数据集包含标准胎心率信号、宫缩压力信号以及胎动信号，综合对比各项评价指标，实施例1的智能判读模型具有最优的分类判别能力。验证实施例3为了验证融合多信号数据集同步经滑动窗口分段处理对本发明的智能判读方法判别能力的影响。对照组e的融合多信号数据集没有进行滑动窗口分段处理，其余的方法步骤与实施例1保持一致。验证实施例3对比分析实施例1和对照组e的准确率、精确率、召回率、特异性、f1值、kappa系数、mcc系数以及auc值，对比分析结果如表3所示。
[0039]
表3 对照组b与实施例1的对比分析结果表3的结果表明，与对照组e相比，融合多信号数据集同步经滑动窗口分段处理，使得实施例1的精确率、召回率、f1值、kappa系数、mcc系数以及auc值达到了较高的程度，说明实施例1的智能判读模型的分类判别性能得到提高，可以有效降低将非正常类样本误判为正常类样本的概率，避免因错过治疗时机对孕妇和胎儿的健康造成不可逆的伤害。
[0040]
验证实施例4为了验证胎心率信号标准化处理对本发明的智能判读方法判别能力的影响。对照组f的原始胎心率信号经预处理后没有进行标准化处理，其余的方法步骤与实施例1保持一致。验证实施例4对比分析实施例1和对照组f的准确率、精确率、召回率、特异性、f1值、kappa系数、mcc系数以及auc值，对比分析结果如表4所示。表4 对照组a与实施例1的对比分析结果
表4的结果表明，与对照组f相比，原始胎心率信号经预处理后进行标准化处理，使得实施例1的召回率、f1值、kappa系数、mcc系数以及auc值达到了较高的程度，说明实施例1的智能判读模型的分类判别性能得到提高，可以有效降低将非正常类样本误判为正常类样本的概率，避免因错过治疗时机对孕妇和胎儿健康造成不可逆的伤害。
[0041]
验证实施例5采用如下的混淆矩阵验证本发明基于双向门控循环单元的产前胎儿监护智能判读模型的判别能力： 表5 实施例1的混淆矩阵预测/真实正常非正常正常84.36%13.85%非正常15.64%86.15%表5的结果表明，实施例1在非正常类样本的准确率最高，达到86.15%，正常类样本的准确率达到84.36%，同时将真实的非正常类样本误判为正常类的概率为13.85%，降低了将正常类样本误判为非正常类样本的可能性，可避免过度产检对胎儿造成的不必要的干扰。
[0042]
综上所述，本发明的智能判读方法将宫缩压力信号和胎动信号融入到基于双向门控循环单元的产前胎儿监护智能判读模型，与其他的深度学习模型相比，不仅耗时较短，而且具有更优的分类判别能力，获得意想不到的技术效果，可以实现快捷有效地为产科医护人员提供产前胎儿监护的辅助决策支持，有效降低将非正常类样本误判为正常类样本的概率，避免因错过治疗时机对孕妇和胎儿健康造成不可逆的伤害。
[0043]
再者，本发明不仅根据胎心率信号、宫缩压力信号以及胎动信号的数据特点进行预处理，而且对预处理后的标准胎心率信号、宫缩压力信号、胎动信号进行滑动窗口分段处理，实现了数据增强，使得信号长度得到统一，进一步提高了基于双向门控循环单元产前胎儿监护智能判读模型的分类判别性能，获得了意想不到的技术效果。
[0044]
以上所述仅为本发明的优选实施例，但本发明的创造并不限于实施例，熟悉本领域的技术人员在本发明所公开的范围内，根据本技术方案的构思加以等同变形或者替换，均包含在本发明的保护范围内。