一种智能产前胎心监护模型的制作方法

1.本发明涉及一种深度学习策略，尤其涉及一种智能产前胎心监护模型，该模型用于对产前胎儿状况评估并进行智能的分类判别。


背景技术：

2.在孕妇分娩前和分娩时，宫内缺氧和酸中毒均可能引起胎儿窘迫，从而导致胎儿死亡或给新生儿留下后遗症。为了提高生产率，保障胎儿和孕妇健康，应该实时监测胎儿的发育，一旦出现一些危险信号，医生便即刻采取紧急措施。
3.在临床实践中，胎心宫缩监护图(ctg)是一种监测胎儿发育的技术手段，它记录着胎盘曲线和生产压力波，是评价子宫胎儿状况的主要检查测试方法。有助于及时发现胎儿缺氧、窘迫等异常问题并及早处理，保证胎儿的健康。然而，由医师主导的胎心宫缩监护图(ctg)的分析很大程度上取决于医生的经验，不同的医生对于同一胎心宫缩监护图(ctg)可能有着不同的意见和判读结果，若是误诊会给孕妇和胎儿带来严重后果。
4.近年来，计算机科学技术告诉发展，其所带来的机器学习在许多的领域都做出了成绩与贡献。近来机器学习算法也被引入医学领域，用于解决医学问题，国内外许多的研究者也接连开始使用机器学习算法开展对产前胎心监护智能分类的研究。
5.然而，传统的机器学习自动判别方法需要从胎心率宫缩信号提取临床特征才能进行分类，而临床特征的选取和设计需要专业产科背景知识，而且人类当前已有的认知难以覆盖胎心宫缩信号全部信息。此外，研究发现从信号中提取特征存在不可忽略的度量误差，因而导致胎心监护临床应用存在高灵敏度与低特异性的问题。另外目前在国内外对产前胎心监护的研究只是单一地使用到了胎心率信号，未考虑到宫缩信号，也忽略了孕妇自身的生理差异于胎儿健康和生产的影响。胎儿生存的营养供给及环境条件必须靠母体提供，其中，孕妇年龄和孕周是影响母体营养环境的重要因素。自2013年以来，我国高龄孕妇和孕妇早产的比例有逐年上升的趋势，因此应当重视孕妇年龄和孕周等孕妇生理特征对胎儿健康的影响。
6.综上所述，人工判读胎心宫缩监护图(ctg)是对医师要求高，需要花费大量财力物力培养医师，且易导致误诊，而传统的机器学习应用方式带来的低特异性易使得剖宫率上涨或死胎率升高。因此，本领域目前致力于解决的问题就是提高胎心监护判别的准确率、特异性和灵敏度。


技术实现要素：

7.为了解决目前领域中上述现存技术所存在的缺点，本发明提供一种基于多模态特征深度学习策略的智能产前胎心监护模型。
8.本发明采用如下技术方案：一种智能产前胎心监护模型，该模型包括如下步骤：s1：获取包含胎心率信号和宫缩信号的原始ctg信号数据以及包含孕妇年龄和孕
周的孕妇基本信息；s2：对上述胎心率信号、宫缩信号、孕妇年龄和孕周进行预处理，形成多模态特征案例集；s3：将上述ctg信号数据进行划分，得到信号长度均为d的一维的胎心率信号和宫缩信号片段，构建为待输入ctg数据集；s4：将上述待输入ctg数据集输入已设计完成的卷积神经网络进行特征提取，所述卷积神经网络包括6层卷积层和5层全连接层；s5：将上述预处理好的孕妇年龄和孕周在第5层全连接层之后与前述卷积神经网络提取出的信号特征进行融合，形成多模态特征；s6：将上述多模态特征输入经过设计的基分类器lgbm(light gradient boosting machine)进行分类判定；将所述信号长度均为d的一维的胎心率信号和宫缩信号组成二维矩阵(2*d)的信号数据矩阵输入卷积神经网络得到长度为n的一维特征；将各个案例对应的孕妇年龄和孕周与前述(1*n)的经过卷积神经网络提取的特征进行融合，得到(1*k)的一维多模态特征；将所述一维特征(1*k)的向量输入至lgbm基分类器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。
9.优选的，所述s2步骤的预处理包括分别对胎心率信号、宫缩信号进行插值或删除处理，和对孕妇年龄进行插值处理。
10.优选的，所述s2步骤的预处理还包括对孕周和经过插值处理的孕妇年龄进行标准化处理。
11.优选的，所述对孕妇年龄和孕周的标准化处理包括计算孕周和孕妇年龄进行的均值和方差，并用孕周和经过插值处理的孕妇年龄减去均值再除以方差，得到标准孕周和孕妇年龄特征。
12.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。
13.优选的，所述对胎心率信号的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。
14.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分段处理，得到信号长度不少于p的胎心率信号片段。
15.优选的，所述s2步骤的预处理还包括数据集的划分。
16.本发明具有如下有益效果：第一，本发明面向智能产前胎心监护，采用自动提取信号特征的策略，利用卷积神经网络“端对端”的优势，直接将胎心率宫缩信号输入卷积神经网络得到高维特征，无需提取“基线、变异、加速、减速、宫缩次数”等胎心宫缩图(ctg)的形态特征，能够减少从信号中
提取临床形态特征的度量误差。且由于卷积神经网络对于细小差异关注度高的能力，和对信号的优异去噪能力，从卷积神经网络输出的高维特征往往是类别间的显著性差异，能高效地提高分类性能。
17.第二，本发明额外纳入了宫缩信号，另外考虑到孕妇间的个体生理性差异于胎儿健康和生产的影响，同时也将孕妇年龄和孕周纳入了模型。本发明根据胎心率信号、宫缩信号以及孕妇年龄和孕周各自的数据特点进行预处理，并对预处理后的标准胎心率信号和宫缩信号进行分段处理，统一了信号长度，这使得模型的分类性能有着进一步的提升。
18.第三，本发明将胎心率信号、宫缩信号、孕妇年龄和孕周一同组成多模态特征，采用多模态特征深度学习策略进行训练，利用基分类器lgbm进行分类判别。多模态特征深度学习策略在解决需要综合考虑多种不同模态特征对结果影响的问题中有着很好的效果，它使得多种不同的因素都被正确且合理的纳入判别因素中，可以很好地提高模型的分类性能，此外基分类器lgbm可以很好的解决数据不平衡问题，对于提高分类性能也起着重要作用。
19.第四，本发明提供的基于多模态特征深度学习策略的智能产前胎心监护模型，大大提高了的分类性能，提高了判读的准确率。在临床上，对于胎儿健康状况监测以及降低胎儿死亡率和剖宫产率均具有重要的意义。有利的推动了智能胎心监护模型的性能提升进展。
附图说明
20.图1是本发明的一种非线性方式的均值池化反应示意图。图2是本发明的基于多模态特征深度学习策略的智能产前胎心监护模型的算法流程示意图。
21.数据集说明本发明所采用的案例集是经过三轮产科医师根据第9版《妇产科》教材的产前胎儿监护指南进行判读与对胎儿健康状态评价“正常、不典型和异常”判读，判读结果一致方纳入研究。本案例集一共有案例16355例，其中胎儿状态为正常类的有11998例，可疑类的有4326例，异常类的有31例。考虑到可疑类和异常类的数量稀缺，我们将三分类合并为二分类，将可疑类与异常类归为非正常类，这可以实现智能胎心监护的辅助初步筛查，同时大大减少医护人员的工作量。
具体实施方式
22.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。
23.实施例1：本发明提供的一种基于多模态特征深度学习策略的智能产前胎心监护模型，该模型包括如下步骤：s1：获取包含胎心率信号和宫缩信号的原始ctg信号数据以及包含孕妇年龄和孕周的孕妇基本信息；s2：对上述胎心率信号、宫缩信号、孕妇年龄和孕周进行预处理，形成多模态特征
案例集；所述预处理包括分别对胎心率信号、宫缩信号进行插值或删除处理，和对孕妇年龄进行插值处理。
24.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分段处理，得到信号长度不少于p的胎心率信号片段；其中，p=750。
25.所述预处理还包括对孕周和经过插值处理的孕妇年龄和对经插值或删除处理的胎心率信号进行标准化处理。
26.所述对孕妇年龄和孕周的标准化处理包括计算孕周和孕妇年龄进行的均值和方差，并用孕周和经过插值处理的孕妇年龄减去均值再除以方差，得到标准孕周和孕妇年龄特征。公式如下：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1.1)所述对胎心率信号的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。公式如下：d(t)=s0(t)-b(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1.2)其中为预处理结果，为胎心基线。
27.s3：将上述ctg信号数据进行划分，得到信号长度均为d的一维的胎心率信号和宫缩信号片段，构建为待输入ctg数据集；其中，d为1125；所述划分是指约定从预处理后的信号末端往前截取的15分钟(即，1125点)信号作为卷积神经网络的输入，以统一信号长度。
28.所述预处理还包括对进行数据集的划分，首先将信号数据按7：3划分为训练组和测试组；再将训练组按8：2的划分为训练集和验证集。测试组则全部取为测试集。
29.s4：将上述待输入ctg数据集输入已设计完成的卷积神经网络进行特征提取，所述卷积神经网络包括6层卷积层和5层全连接层；s5：将上述预处理好的孕妇年龄和孕周在第5层全连接层之后与前述卷积神经网络提取出的信号特征进行融合，形成多模态特征；s6：将上述多模态特征输入经过设计的基分类器lgbm进行分类判定；将所述信号长度均为1125的一维的胎心率信号和宫缩信号组成(2*1125)的信号数据矩阵输入卷积神经网络得到长度为n的一维特征，其中n=16。
30.将各个案例对应的孕妇年龄和孕周与前述(1*16)的经过卷积神经网络提取的特征进行融合，得到(1*18)的一维多模态特征；将所述一维特征(1*18)向量输入至lgbm基分类器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；样本为正常类的标签为0，样本为非正常类的标签为1。
31.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。
32.根据本领域的公知常识，可以通过插值或者删除缺失段来解决原始胎心率信号、
宫缩信号的异常值和缺失值问题。而胎心率信号和宫缩信号具有一致性，对胎心率信号进行预处理时，可以对宫缩信号同步进行插值或删除处理。具体的，对胎心率信号的处理方式为：(1)对信号收尾处的异常值，直接删除；(2)对胎心率小于40bpm的点，选择插值进行补缺；(3)对孤立的胎心率，通过连接两端和插值法进行处理。对宫缩信号的处理方式为：(1)设异常值或缺失段的第一个值为ustart，1《start《n；(2)取胎心率信号ustart-60:start，计算该段宫缩的中位数umed；(3)将umed赋给ustart。
33.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分段处理，舍弃信号长度少于10min(750个点)的信号。
34.本发明采用了savitzky-golay算法通过使用sg算法降低柔和声音和进行平滑过滤，可以提高信号的流动性并减少噪音干扰。在此实验中，sg算法窗口宽度设定为15秒。多项式参数为3，然后，为了方便进行分段处理，我们找出了10min后的极值点，从第一个极值点开始向前取10min，开始向前进行分段。
35.根据本领域的公知常识，基线的定义是10min内振幅稳定在5bpm以内的胎心率均值。本发明是通过对所有极值点进行聚类分析并划分基线部分与非基线部分，计算基线值，最后再采用线性插值方法对所有基线值进行基线拟合。具体如下，首先对信号进行高斯滤波，然后进行经验模态分解(empirical mode decomposition，emd)算法分解。最后对得到的本征模态函数(intrinsic mode function，imf)进行叠加，删除最高频率的本征模态函数。
36.值得说明的是，本领域其他研究者也可以采取其他方式对原始ctg信号数据进行预处理，或采用其他方式提取胎心率信号基线点和得到胎心率信号的基线值。
37.本发明的智能产前胎心监护模型包括一种深度学习策略、一个包含6个卷积层和5个全连接层的卷积神经网络和一个基分类器lgbm。每个卷积层均包含卷积(convolutional)层、池化(pooling)层和批准化(batch normalization，bn)层，为了缓解过拟合问题，在前四个全连接层后均接有系数为3的丢弃(dropout)层。卷积神经网络进行着从ctg信号中进行高维特征提取的工作，经过第一层卷积层输出为(1123*128)的向量，经过第二层卷积层输出为(1121*64)的向量，经过第三层卷积层输出为(1119*32)的向量，经过第四层卷积层输出为(1117*32)的向量，经过第五层卷积层输出为(1115*16)的向量，经过第六层卷积层输出为(1113*16)的向量，经过第一层全连接层输出为(1*128)的向量，经过第二层全连接层输出为(1*64)的向量，经过第三层全连接层输出为(1*32)的向量，经过第四层全连接层输出为(1*32)的向量，最后通过第五层全连接层输出为(1*16)的信号特征。
38.本发明中卷积神经网络各层的结构参数如下表：
本发明中使用到了的卷积神经网络中的卷积、池化和批量标准化操作，其具体数学逻辑如下：(1)卷积的实际操作就是，取卷积的区域和卷积核的点乘和，再加上偏置之后的激活输出。
39.ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1.3)其中c为卷积后的输出，f为激活函数，w，t为卷积核和卷积区域，bias为偏置。激活即使用线性整流函数(rectified linear units，relu)作为这个神经层的激励机制函数。线性整流公式为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1.4)其中x为输入特征。
40.(2)池化是降采样的一种非线性方式，常见有最大值池化和均值池化。本发明是所采用的是均值池化，若当输入为一维数据时，我们用每个像素和它二邻域的平均值来取代它的原值。假设有如下的一维数据，其均值池化反应（详见图1）： (3)数据批量标准化是解决卷积激活时的梯度消失与爆炸的一种训练优化方法，该层在处理数据时要先后经过如下五个步骤：步骤1.计算数据均值：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1.5)步骤2.计算数据方差：
ꢀꢀꢀꢀꢀ
(1.6)
步骤3.数据进行标准化：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1.7)步骤4.训练参数γ，β：
ꢀꢀꢀꢀꢀꢀ
(1.8)步骤5.输出y通过γ与β的线性变换得到新的值。
41.本发明采用了基于多模态特征的深度学习策略，在通过第五个全连接层后将卷积神经网络提取到的(1*16)信号高维特征与各案例对应的孕妇年龄和孕周进行融合，得到多模态特征(1*18)，本发明为解决数据的不平衡问题，选取设计了基分类器lgbm(light gradient boosting machine)。最后将得到的多模态特征输入基分类器lgbm，分别输出样本为正常类的概率和样本为非正常类的概率。
42.本发明采用的基分类器lgbm(light gradient boosting machine)，是一种梯度提升框架，使用基于学习算法的决策树，支持高效率的并行训练，并且具有更好的准确率、支持分布式可以快速处理海量数据、很好解决不平衡数据问题的优点。lgbm最优参数配置如下表：参数名参数值boosting_type
‘
gbdt’objective
‘
binary’metrics
‘
auc’learning_rate0.01n_estimators1000max_depth6num_leaves15max_bin235min_data_in_leaf1bagging_fraction0.7min_split_gain0.1feature_fraction0.7bagging_freq5验证实施例1：为了验证本发明模型分类性能的优异性，本发明选取了dnn、rnn、gru、lstm的深度学习模型进行对比分析，各深度学习模型对比分析结果如表1所示。四种不同的深度学习模型与验证实例1学习同一训练集，使用同一验证集验证并输出模型学习过程的收敛曲线，最后在同一测试集上进行分类判别的测试，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。本发明所采用的评价指标有准确率、精确率、召回率、特异性、f1值(分为正常类f1值与非正常类f1值)、kappa系数、mcc系数、auc值。
43.上述的深度学习网络(deep neural networks，dnn)是特指为全连接神经网络。上述的循环神经网络(recurrent neuron network，rnn)是主要以数据的采集收纳为主，然后主要目的是处理和预测网络结构的序列数据的网络。门控循环单元(gated recurrent unit，gru)是和长短期记忆网络(long short-term memory，lstm)均属于循环类型的网络，是基于rnn的变体。
44.准确率即正确率(accuracy)是一个验证样本中被判断正确的样本与总样本数的比值。精确率(precision)是预测正确的正类数据与被预测为正类的数据总量的比值。召回率(recall)是预测正确的正类数据与实际正类数据总量的比值，也称灵敏度(sensitivity)。特异性(specificity)是预测正确的负类数据与实际负类数据总量的比值。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。
45.f1值(fl-score)表示精确率和召回率的综合性评判指标，当数据存在不平衡现象时，f1值更加具代表性，且我们可以选择只看我们感兴趣的类别。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)，是衡量二分类器模型质量中信息最丰富的关键指标。
46.此外，为了很好地降低高灵敏度低特异性的模型为评判结果带来的影响，验证实施例1引入了评价指标接受者操作特性曲线(receiver operating characteristic curve，roc)，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。
47.表1 四种不同深度学习模型与验证实例1的分类性能对比分析结果表1的结果表明，与以上四种深度学习模型相比，其他深度学习存在着高特异性低召回率(即灵敏度)的问题，而实施例1所采用的卷积神经网络则不存在此问题，分类效果极好，具有最优的分类性能。
48.验证实施例2：为了验证不同卷积神经网络结构对本发明的智能产前胎心监护模型分类性能的影响，本发明设计了八种不同结构的卷积神经网络，与验证实例2进行对比分析。实验结果如表2所示。
49.八种不同的卷积神经网络为，6c2d：6层卷积层，2层全连接层(下同)；6c3d；6c4d；6c6d；3c5d；4c5d；5c5d；7c5d。验证实例1的网络结构为6c5d，即6层卷积层，5层全连接层。所
有网络的最后均接神经元为2，激活函数为sigmoid的全连接层以输出概率分布。
50.表2 不同结构卷积神经网络的分类性能对比分析结果表2的结果表明，与其他卷积神经网络结构相比，实施例2采取的6层卷积5层全连接的结构的分类判别性能是最好的，综合各项评价指标来看实施例2具有最优的判别能力，本发明的模型采用该网络结构是最为恰当的选择。
51.验证实施例3：为了比较本实验模型的分类效果，本发明使用了基于临床特征的knn、svm、dt、rf、bp、bayes、gbdt机器学习模型作为本次实验的模型比较。实验结果如表3所示。
52.最近邻(k-nearest neighbor，knn)的k算法是一种理论上较为成熟的方法。其想法是，在一个特殊的空间中，虽然离样品最近的大多数k样品属于该类，但样品也属于该类。
53.向量机(support vector machine，svm)是一种先进的线性分类器，它根据受监控的学习方法对数据进行分类，最大分辨率是学习样本的最大近似中区距离。
54.反向传播(back-propagation，bp)神经网络是采用误差逆用法算法形成的多层前反馈网络。bp可以研究和存储大量的输入和输出模式匹配，此种模式在一定程度上属于映射的关系。
55.决策树(decision tree，dt)是用于概率分析的直观使用的图形解决方案。随机森林(random forest，rf)是用数量不等的决策树，进行预测的一种算法。每棵决策树输出数量最多的结果就是随机森林的预测结果。梯度提升决策树(gradient boosting decision tree，gbdt)是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结论累加起来做最终答案。
56.表3 不同机器学习模型与验证实例3的分类性能对比分析结果从表3的结果可以看出，在面对不平衡的数据集时，其他机器学习模型会受到数据集的影响更加偏向于将案例判断为正常类，从而导致特异性、精确率、正常类f1值呈现虚假高，而召回率和非正常类f1值却很低的现象。从kappa系数和mcc系数也可以看出其他机器模型在数据不平衡时得到的分类结果可信度不高。而gbdt和本发明采用的lgbm在面对不平衡数据时，显现出了极好的性能，召回率、特异性、正常类f1值和非正常类f1值都高，而从综合性能来看本发明所采用的模型是优于gbdt的，是为分类性能最好的模型。
57.验证实施例4：为了验证多模态特征学习策略运用于本模型的优异性，考虑不同特征组合对于分类性能的影响，本发明设计了四种不同特征组合的模型，胎心率信号(fhr)、胎心率宫缩信号(fhr+uc)、胎心率宫缩信号与孕妇年龄(fhr+uc+age)和胎心率宫缩信号与孕周(fhr+uc+week)与验证实施例4进行对比分析。实验结果如表4所示。
58.表4 四种不同特征组合与验证实例4的分类性能对比分析结果
表4的结果表明多模态特征对于模型性能的提升起着非常重要的作用，在采用了多模态特征引用多模态深度学习策略之后，模型的分类性能得到大幅度的提升。结果显示，本发明所提出的模型分类性能优异，可以为临床诊治提供建设性意见。
59.验证实施例5：采用如下的混淆矩阵验证本发明基于多模态特征深度学习策略的智能产前胎心监护模型的判别能力：预测/真实positivenegativepositivetp(truepositive)fp(truenegative)negativefn(falsepositive)tn(falsenegative)表5 实施例1的混淆矩阵预测/真实正常非正常正常94.00%18.35%非正常6.00%81.85%表5的结果表明，实施例1在正常类样本的准确率最高，达到94.00%，同时将正常类样本误判为非正常类样本的概率降为6.00%，可以有效地降低剖宫产率和避免多次产检。实例1在非正常类样本的准确率达到81.85%，同时将真实的非正常类样本误判为正常类的概率为18.35%，降低了将非正常类样本误判为正常类样本的可能性，可以有效避免胎儿出现异常而救助不及时的情况。
60.综上所述，本发明所提出的将胎心率信号、宫缩信号、孕妇年龄和孕周四种不同模态的特征进行融合，采取多模态特征深度学习策略进行训练，选取设计基分类器lgbm用于分类判别的智能产前胎心监护模型，与其他基于胎心率宫缩信号的机器学习模型相比，与基于临床特征的其他传统机器学习模型相比，与不同特征组合的深度学习模型相比，具有更优的分类性能。本发明获得了相当不错的技术效果，在临床上能够为产科医护人员提供产前胎心监护的辅助意见，对于更好的进行胎儿健康状况监测有着重要意义。本发明提高了分类的灵敏度和特异性，即为降低了将非正常类样本误判为正常类样本的概率，从而避
免因错过治疗时机对孕妇和胎儿健康造成不可逆的伤害；降低了将正常类样本误判为非正常类样本的概率，以降低剖宫产率。
61.再者，本发明不仅根据胎心率信号、宫缩信号以及孕妇年龄和孕周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、宫缩信号进行了信号划分，统一了信号的长度。此外本发明还进行了数据集的有效划分，有效缓解了数据不平衡的问题，也使得模型的分类性能得到进一步的提升。
62.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。