基于模糊聚类算法的胎儿心率检测方法与系统与流程

本发明涉及医疗电子和胎儿监护领域，特别涉及一种基于模糊聚类算法的胎儿心率检测方法与系统。

背景技术：

心音信号是人体非常典型的生物医疗信号，在某种程度上可以检测出与心脏相关的疾病。在围产期阶段对孕妇体内胎儿进行胎心监护，可了解到胎儿的宫内情况，做出预防，并诊断出胎儿窘迫的原因，比如脐带扭转、脐带绕颈、胎儿贫血、胎儿畸形等，实现产科临床胎儿智能监护，保障孕妇和胎儿的生命安全，因此，大部分的医院将胎心监护作为胎儿最基本的检测手段。胎心监护评价的依据主要是胎儿心率和宫内压力这两个主要指标，故胎儿心率的检测识别就显得尤为重要了。

当前对胎儿心率检测的方法主要：

(1)基于胎儿心电信号来计算瞬时心率，这种方式主要是通过母体腹部采集到的混合心电信号来进行分析计算心率，但由于采集到的信号是胎儿和母亲的重叠心电信号，且夹杂各种噪声污染，使得微弱的胎儿心电分离的难度更大，错误率较高。

(2)基于小波变换方法来提取胎儿心率，因小波变换分析在高频段上时间分辨率会较高，在低频段会较低的特性，很难精准反映地到某些频率点上的信息，得到的频谱图较粗糙，识别效果不佳。

综上所述，当前缺乏一种有效的方式来准确检测出胎儿心率。

技术实现要素：

本发明的实施方式旨在至少解决现有技术中存在的技术问题之一。为此，本发明的实施方式需要提供一种基于模糊聚类算法的胎儿心率检测方法与系统。

本发明实施方式的一种基于模糊聚类算法的胎儿心率检测方法，其特征在于，包括以下步骤：

步骤1，采集原始的胎儿心音信号；

步骤2，对心音信号进行信号预处理；

步骤3，对预处理后的心音信号提取倒谱特征作为特征参数；

步骤4，利用特征参数来训练模糊聚类模板库；

步骤5，通过模糊聚类模板库匹配出待测胎儿心音信号的最优模板，得到待测胎儿心音信号的胎儿心率。

一种实施方式中，步骤2包括：对心音信号先进行低通滤波和带通滤波处理，再进行滤波放大和数据归一化处理，得到预处理后的心音信号。

一种实施方式中，步骤3包括：采用线性预测倒谱系数对预处理后的心音信号提取倒谱特征作为特征参数。

一种实施方式中，步骤4包括：根据预设的模板库模型的定义公式，利用特征参数通过模糊c均值算法的迭代结果寻求估计参数的最优解直至满足终止条件，获得代价函数收敛的最优点来使模糊聚类模板库产生符合要求的模板。

一种实施方式中，模板库模型的定义公式为：

其中，θ和u满足约束条件：

uij∈[0,1],i＝1,...,n,j＝1,...,m

代价函数j是胎儿心音信号数据集x向量的函数，θ表示待估计的向量，θj表示第j个聚类的表达，u表示一个n×m矩阵，矩阵中的(i,j)元素表示为uj(xi)，q表示模糊性参数，d(xi,θj)表示xi和θj之间的不相似性，xi在第j聚类中的隶属度与其在另外(m-1)个聚类中的隶属度相关。

本发明实施方式还提出一种基于模糊聚类算法的胎儿心率检测系统，其特征在于，包括：

采集模块，用于采集原始的胎儿心音信号；

预处理模块，用于对心音信号进行信号预处理；

特征提取模块，用于对预处理后的心音信号提取倒谱特征作为特征参数；

训练模块，用于利用特征参数来训练模糊聚类模板库；

检测模块，用于通过模糊聚类模板库匹配出待测胎儿心音信号的最优模板，得到待测胎儿心音信号的胎儿心率。

一种实施方式中，预处理模块具体用于对心音信号先进行低通滤波和带通滤波处理，再进行滤波放大和数据归一化处理，得到预处理后的心音信号。

一种实施方式中，特征提取模块具体用于采用线性预测倒谱系数对预处理后的心音信号提取倒谱特征作为特征参数。

一种实施方式中，训练模块具体用于根据预设的模板库模型的定义公式，利用特征参数通过模糊c均值算法的迭代结果寻求估计参数的最优解直至满足终止条件，获得代价函数收敛的最优点来使模糊聚类模板库产生符合要求的模板。

一种实施方式中，模板库模型的定义公式为：

其中，θ和u满足约束条件：

uij∈[0,1],i＝1,...,n,j＝1,...,m

代价函数j是胎儿心音信号数据集x向量的函数，θ表示待估计的向量，θj表示第j个聚类的表达，u表示一个n×m矩阵，矩阵中的(i,j)元素表示为uj(xi)，q表示模糊性参数，d(xi,θj)表示xi和θj之间的不相似性，xi在第j聚类中的隶属度与其在另外(m-1)个聚类中的隶属度相关。

本发明实施方式的基于模糊聚类算法的胎儿心率检测方法与系统，采用线性预测倒谱系数提取倒谱特征作为特征参数后用来训练模糊聚类模板库，得到胎儿心音信号对应的瞬时心率，通过模板库的不断训练产生更优的模板，再利用最优模板匹配得到待测心音信号属于哪一类胎心率，最终得到待测心音的胎心率。模糊聚类算法能够将数据集较“分明”的划分，对提取的倒谱特征和参数设置能够很好地容差，并且又具有动态聚类的过程，使得检测手段更加准确和有效。

本发明的附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的实施方式的上述和/或附加的方面和优点从结合下面附图对实施方式的描述中将变得明显和容易理解，其中：

图1是本发明实施方式的基于模糊聚类算法的胎儿心率检测方法的流程示意图；

图2是本发明实施方式的基于模糊聚类算法的胎儿心率检测系统的组成示意图。

具体实施方式

下面详细描述本发明的实施方式，实施方式的示例在附图中示出，其中相同或类似的标号自始至终表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅可用于解释本发明的实施方式，而不能理解为对本发明的实施方式的限制。

请参阅图1，本发明实施方式的基于模糊聚类算法的胎儿心率检测方法，包括以下步骤：

步骤1，采集原始的胎儿心音信号；

步骤2，对心音信号进行信号预处理；

步骤3，对预处理后的心音信号提取倒谱特征作为特征参数；

步骤4，利用特征参数来训练模糊聚类模板库；

步骤5，通过模糊聚类模板库匹配出待测胎儿心音信号的最优模板，得到待测胎儿心音信号的胎儿心率。

请参阅图2，本发明实施方式的基于模糊聚类算法的胎儿心率检测系统，包括：

采集模块，用于采集原始的胎儿心音信号；

预处理模块，用于对心音信号进行信号预处理；

特征提取模块，用于对预处理后的心音信号提取倒谱特征作为特征参数；

训练模块，用于利用特征参数来训练模糊聚类模板库；

检测模块，用于通过模糊聚类模板库匹配出待测胎儿心音信号的最优模板，得到待测胎儿心音信号的胎儿心率。

在该实施方式中，基于模糊聚类算法的胎儿心率检测方法以基于模糊聚类算法的胎儿心率检测系统作为步骤的执行对象，或者以系统内的各个模块作为步骤的执行对象。具体地，步骤1以采集模块作为步骤的执行对象，步骤2以预处理模块作为步骤的执行对象，步骤3以特征提取模块作为步骤的执行对象，步骤4以训练模块作为步骤的执行对象，步骤5以检测模块作为步骤的执行对象。

在步骤1中，采集模块采用多普勒信号采集仪采集原始的心音信号并作为待测试的心音信号。设定y(n)表示采集到的原始信号，s(n)表示干扰信号，x(n)表示去躁后的胎心音信号。

步骤2中，具体包括：预处理模块对心音信号先进行低通滤波和带通滤波处理，再进行滤波放大和数据归一化处理，得到预处理后的心音信号。

预处理模块对采集到的信号做预处理，因原始的胎儿心音信号含有大量的干扰信号，且原始信号电压很低，正常的心音信号分为s1、s2、s3和s4心音四个部分，通常情况下，更容易监听到s1和s2，而s3和s4很难触及，其中s1和s2心音集中在20hz～150hz。用低通滤波器滤除掉信号中混叠的非胎儿心音信号频段的噪声，心音信号中也会存在一些干扰信号，用频带为0hz～250hz的带通滤波器进行滤波，接着对处理后的信号进行滤波放大和数据归一化处理，得到预处理后的胎儿心音信号。

步骤3中，特征提取模块采用线性预测倒谱系数对预处理后的心音信号提取倒谱特征作为特征参数。线性预测倒谱系数lpcc((linearpredictioncepstrumcoefficient)对信号进行线性预测分析的基本思想是：一个信号的采样能够用过去若干个信号采样的线性组合来逼近。通过使线性预测到的采样在最小均方误差意义上逼近实际信号采样，可以求取一组唯一的预测系数。这里的预测系数就是线性组合中所用的加权系数。这种线性预测分析技术也常被简称为lpc，lpcc为lpc的倒谱参数。

特征提取模块采用线性预测倒谱系数来提取信号的特征参数，可以反映时间信号频率响应和谱包络，能够更好地描述心音信号的特征。

其中倒谱递推公式为：

其中表示原始心音信号x(n)的复倒谱，进一步从线性预测参数ai求得其倒谱，得到cn与ak的关系：

c0＝a1

上述递推关系中，ak为lpc系数，p为lpc阶数，k为lpcc的阶数，ck为lpcc参数，c0表示信号的直流分量，而倒谱特征c(n)是对序列x(n)在其对数幅度谱上进行傅里叶逆变换计算，就是所求取的特征参数，以便后续训练模糊聚类算法模板库。

步骤4包括：训练模块根据预设的模板库模型的定义公式，利用特征参数通过模糊c均值算法的迭代结果寻求估计参数的最优解直至满足终止条件，获得代价函数收敛的最优点来使模糊聚类模板库产生符合要求的模板。

其中，训练模块通过步骤3得到信号每个部分的倒谱特征c(n)，来训练模糊聚类模板库，预设的模板库模型的定义公式为：

其中，θ和u满足约束条件：

uij∈[0,1],i＝1,...,n,j＝1,...,m

代价函数j是胎儿心音信号数据集x向量的函数，这里以未知数向量θ为参数，训练的实质是估计θ，使得胎儿心音信号的数据集x得到最佳的聚类。θj表示第j个聚类的表达，u表示一个n×m矩阵，矩阵中的(i,j)元素表示为uj(xi)，q(＞1)表示模糊性参数，d(xi,θj)表示xi和θj之间的不相似性，xi在第j聚类中的隶属度与其在另外(m-1)个聚类中的隶属度相关。

为了能够求得jq(θ,u)最小化，选择θj(0)作为θj，j＝1,...,m的初始估计值，利用下面的迭代算法得到u和θ的估计值：

fcm算法，也叫模糊c均值(fuzzyc-means)算法，是基于目标函数的模糊聚类算法，主要用于数据的聚类分析。它的思想就是使得被划分到同一簇的对象之间相似度最大，而不同簇之间的相似度最小。模糊c均值算法是普通c均值算法的改进，普通c均值算法对于数据的划分是硬性的，而模糊c均值算法则是一种柔性的模糊划分。普通c均值算法在分类时有一个硬性标准，根据该标准进行划分，分类结果非此即彼。而模糊c均值算法更看重隶属度，即更接近于哪一方，隶属度越高，其相似度越高。

本实施方式中，用模糊c均值算法来求得θj(t)：

求解

令i＝1,...,n，j＝1,...,m，循环上述方程，对于每个θj，令θj(t)都为方程的解，然后在每一步迭代中u被固定、更新θ值，以及θ被固定、更新u值，直至满足终止条件||θ(t)-θ(t-1)||＜ε，其中ε为定义的很小的常数。由模糊c均值算法得到所求的迭代结果或在一定的迭代步骤中收敛于代价函数的稳定点，使得特征序列收敛于稳定的代价函数，得到胎儿心音的瞬时心率，这样可以不断循环算法来使训练库产生更优的模板，用于后续胎儿心音信号检测胎心率。

步骤5中，检测模块通过训练的模糊聚类模板库匹配出待测的胎儿心音信号属于哪一类心音信号模板，进而得出待测胎儿心音信号的胎儿率。

综上所述，本发明采用线性预测倒谱系数提取倒谱特征作为特征参数后用来训练模糊聚类模板库，得到胎儿心音信号对应的瞬时心率，通过模板库的不断训练产生更优的模板，再利用最优模板匹配得到待测心音信号属于哪一类胎心率，最终得到待测心音的胎心率。模糊聚类算法能够将数据集较“分明”的划分，对提取的倒谱特征和参数设置能够很好地容差，并且又具有动态聚类的过程，使得检测手段更加准确和有效。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。