一种智能临产监测系统的制作方法

本发明涉及临产监测领域，尤其涉及一种智能临产监测系统。

背景技术：

临产预测对产妇生产和医护人员的意义重大，准确判断临产特征，做好生产准备，及时进入产房，是保证产妇顺利生产的重要前提。目前，绝大多数的临产判断还是根据产妇自身对宫缩的感受做出的判断，头胎产妇没有经验，产生误判的可能性较大，而二胎或者多胎经验的产妇则有可能对宫缩反应不敏感，等等这些因素都会影响临产判断。如果借助仪器辅助，通过人工智能的方法预测临产信号，帮助产妇实时掌握自身的生产状态，这对保护产妇和胎儿都具有重要意义。

技术实现要素：

为了解决上述技术问题，本发明的目的是提供一种智能临产监测系统。

本发明实施例提供了一种智能临产监测系统，包括子宫肌电采集处理装置和智能终端，所述子宫肌电采集处理装置和智能终端通讯连接；

所述子宫肌电采集处理装置，用于采集肌电信号，从采集到的肌电信号中提取得到第一宫缩信号数据；

所述智能终端，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现一种智能临产预测方法步骤，所述方法步骤包括：

根据第一宫缩信号数据，进行临产状态预测处理和/或临产时间预测处理；

其中，所述临产状态预测处理，其包括：

对获取得到的第一宫缩信号数据做第一预处理后得到第一待测数据快照，将第一待测数据快照输入临产鉴别模型网络进行预测处理，从而输出临产状态；

所述临产时间预测处理，其包括：

对获取得到的第一宫缩信号数据做第二预处理后得到第二待测数据快照，将第二待测数据快照输入临产时间预测模型网络进行预测，从而输出预测临产时间。

进一步，所述临产鉴别模型网络是通过以下模型训练步骤而得到：

构建临产鉴别模型网络，获取第二宫缩信号数据，将所述第二宫缩信号数据输入至临产鉴别模型网络进行网络训练；

和/或，所述临产时间预测模型网络是通过以下模型训练步骤而得到：

构建临产时间预测模型网络，获取第三宫缩信号数据，将所述第三宫缩信号数据输入至临产时间预测模型网络进行网络训练。

进一步，所述构建临产鉴别模型网络这一步骤，其具体包括：

构建第一层模型网络，所述第一层模型网络包括：第一卷积层、第一归一化层和第一函数激励层，所述第一卷积层的输出端经过第一归一化层与第一函数激励层的输入端连接；

构建第二层模型网络，所述第二层模型网络包括：第二卷积层、第二归一化层、第二函数激励层、第一随机失活层和第三卷积层，所述第二卷积层的输出端依次经过第二归一化层、第二函数激励层、第一随机失活层与第三卷积层的输入端连接，所述第一函数激励层的输出端与第二卷积层的输入端连接；

构建第三层模型网络，所述第三层模型网络包括由若干个记忆单元层串联连接而成的记忆单元层组，所述第三卷积层的输出端与记忆单元层组的输入端连接；

构建第四层模型网络，所述第四层模型网络包括：第三归一化层、第三函数激励层、第一全连接层和第四函数激励层，所述第二卷积层的输出端依次经过第三归一化层、第三函数激励层、第一全连接层与第四函数激励层的输入端连接，所述记忆单元层组的输出端与第三归一化层的输入端连接。

进一步，所述将所述第二宫缩信号数据输入至临产鉴别模型网络进行网络训练这一步骤，其具体包括：

对第二宫缩信号数据依次进行第一最大值下采样处理和第一排列组合处理后得到多个第一数据快照；

将第一数据快照和临产标签输入至临产鉴别模型网络进行第一训练处理；

所述将第一数据快照和临产标签输入至临产鉴别模型网络进行第一训练处理这一步骤包括：将第一数据快照和临产标签输入至临产鉴别模型网络进行处理后得到第一特征结果，判断第一特征结果是否落入第一临产特征区间，若是，则第一临产特征区间不变，反之，则将第一临产特征区间扩大，令第一特征结果落入扩大后的第一临产特征区间中；

重复执行所述第一训练处理步骤，直至所有的第一数据快照都已训练处理完毕。

进一步，所述构建临产时间预测模型网络这一步骤，其具体包括：

构建第一层模型网络，所述第一层模型网络包括：第四卷积层、第四归一化层和第五函数激励层，所述第四卷积层的输出端经过第四归一化层与第五函数激励层的输入端连接；

构建第二层模型网络，所述第二层模型网络包括：第五卷积层、第四归一化层、第六函数激励层、第二随机失活层和第六卷积层，所述第五卷积层的输出端依次经过第四归一化层、第六函数激励层、第二随机失活层与第六卷积层的输入端连接，所述第五函数激励层的输出端与第五卷积层的输入端连接；

构建第三层模型网络，所述第三层模型网络包括由多个相同的第二残差块层连接组成的残差块层组，其中，每个第二残差块层包括：第五归一化层、第七函数激励层、第三随机失活层、第七卷积层、第六归一化层、第八函数激励层、第四随机失活层和第八卷积层，所述第五归一化层的输入端依次经过第七函数激励层、第三随机失活层、第七卷积层、第六归一化层、第八函数激励层、第四随机失活层与第八卷积层的输出端连接，所述第六卷积层的输出端与残差块层组的输入端连接；

构建第四层模型网络，所述第四层模型网络包括：第七归一化层、第九函数激励层、第二全连接层和第十函数激励层，所述归一化层的输入端依次经过第七归一化层、第九函数激励层、第二全连接层与第十函数激励层的输出端连接，所述残差块层组的输出端与第七归一化层的输入端连接。

进一步，所述将所述第三宫缩信号数据输入至临产时间预测模型网络进行网络训练这一步骤，其具体包括：

对第三宫缩信号数据依次进行第二最大值下采样处理和第二排列组合处理后得到多个第二数据快照；

将第二数据快照和临产标签输入至临产时间预测模型网络进行第二训练处理；

所述将第二数据快照和临产标签输入至临产时间预测模型网络进行第二训练处理这一步骤包括：将第二数据快照和临产标签输入至临产时间预测模型网络进行处理后得到第二特征结果，判断第二特征结果是否落入第二临产特征区间，若是，则第二临产特征区间不变，反之，则将第二临产特征区间扩大，令第二特征结果落入扩大后的第二临产特征区间中；

重复执行所述第二训练处理步骤，直至所有的第二数据快照都已训练处理完毕。

进一步，所述方法步骤还包括以下步骤：

获取孕周数据和羊水状况数据；

当根据孕周数据和羊水状况数据从而判断出当前状态为临产状况时，则发出临产预警信号。

进一步，所述子宫肌电采集处理装置通过蓝牙无线通讯方式与智能终端通讯连接。

进一步，所述智能终端包括智能手机、ipad、手提电脑和/或台式电脑。

进一步，所述子宫肌电采集处理装置采用四电极肌电信号采集装置来实现肌电信号的采集。

本发明的有益效果是：通过使用本发明实施例，利用获取得到的宫缩信号数据进行临产状态预测处理和/或临产时间预测处理只需要借助仪器辅助，通过人工智能的方法预测临产状态和临产时间，能够帮助产妇实时掌握自身的生产状态，保护产妇和胎儿的安全，而且利用了临产鉴别模型和临产时间预测模型，因此具有高精确度和高时效性的优点。

附图说明

图1是本发明一种智能临产监测系统的第一具体实施例结构示意图；

图2是本发明的智能临产预测方法的第一具体实施例的步骤流程图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。

如图1所示，本发明实施例提供了一种智能临产监测系统，包括子宫肌电采集处理装置和智能终端，所述子宫肌电采集处理装置和智能终端通讯连接；

所述子宫肌电采集处理装置，用于采集肌电信号，从采集到的肌电信号中提取得到第一宫缩信号数据；

所述智能终端，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现一种智能临产预测方法步骤，如图2所示，所述方法步骤包括：

s101、根据第一宫缩信号数据，进行临产状态预测处理；

s102、根据第一宫缩信号数据，进行临产时间预测处理。

其中，所述临产状态预测处理这一步骤包括：

s1011、对获取得到的第一宫缩信号数据做第一预处理后得到第一待测数据快照，将第一待测数据快照输入临产鉴别模型网络进行预测处理，从而输出临产状态；

所述临产时间预测处理这一步骤包括：

s1021、对获取得到的第一宫缩信号数据做第二预处理后得到第二待测数据快照，将第二待测数据快照输入临产时间预测模型网络进行预测，从而输出预测临产时间。

具体地，当进行临产状态预测时，对获取得到的10分钟长的第一宫缩信号数据进行每5秒钟长的截取，从而获得120个截取后的数据片段，对每一个数据片段做第一最大值下采样取值处理，从每一个数据片段中获得49个按时间顺序排列的数值，将每一个数据片段中的数值进行排列组合，依次以每7个数值为一行的方式排列出一个7*7的矩阵，即为第一待测数据快照，从而得到120个第一待测数据快照。将这120个第一待测数据快照输入至已构建训练好的临产鉴别模型网络中，最后输出预测的临产状态，输出结果包括：临产，未临产，数据异常等，并发出告警信号，以提示预测结果已出来；当进行临产时间预测时，对获取得到的10分钟长的第一宫缩信号数据进行每5秒钟长的截取，从而获得120个截取后的数据片段，对每一个数据片段做第二最大值下采样取值处理，从每一个数据片段中获得2209个按时间顺序排列的数值，将每一个数据片段中的数值进行排列组合，依次以每47个数值为一行的方式排列出一个47*47的矩阵，即为第二待测数据快照，从而得到120个第二待测数据快照。将这120个第二待测数据快照输入至已构建训练好的临产时间预测模型网络中，最后输出预测的临产时间，输出结果包括：时间数值，数据异常等，并发出告警信号，以提示预测结果已出来。

由上述可得，通过使用本发明实施例，可以使得孕妇可以清楚地明白自己的当前的临产状态，从而做好生成准备，及时进入产房，不会因为经验不足而对身体的一些反应做出错误的决定，经验不足的年轻产妇也不再需要过分地依赖长辈的经验来给自己做指导，对孕妇和宝宝的安全起到了非常大的防护作用。

进一步作为本系统的优选实施例，所述临产鉴别模型网络是通过以下模型训练步骤而得到：

s201、构建临产鉴别模型网络，获取第二宫缩信号数据，将所述第二宫缩信号数据输入至临产鉴别模型网络进行网络训练；

具体地，有两种情况，一种是：先进行临产鉴别模型网络的训练步骤，再进行临产时间预测模型网络的训练步骤；另一种是：先进行临产时间预测模型网络的训练步骤，再进行临产鉴别模型网络的训练步骤，本发明实施例采用了先进行临产鉴别模型网络的训练步骤，再进行临产时间预测模型网络的训练步骤。

所述临产时间预测模型网络是通过以下模型训练步骤而得到：

s202、构建临产时间预测模型网络，获取第三宫缩信号数据，将所述第三宫缩信号数据输入至临产时间预测模型网络进行网络训练。

由上述可得，通过使用本发明实施例，可以通过科学的方式对模型网络进行训练，从而获得科学的临产鉴别模型网络和临产时间预测模型网络，使得预测更加准确，并且具有实际意义。

进一步作为本系统的优选实施例，所述构建临产鉴别模型网络这一步骤s201，其具体包括：

s2011、构建第一层模型网络，所述第一层模型网络包括：第一卷积层、第一归一化层和第一函数激励层，所述第一卷积层的输出端经过第一归一化层与第一函数激励层的输入端连接；

具体地，构建第一层模型网络，该层网络包括一个conv卷积层、一个bn归一化层和一个relu激活函数构成的函数激励层，其中conv层的卷积核为7*7*120，第一层模型网络输出值为高维特征结果。

s2012、构建第二层模型网络，所述第二层模型网络包括：第二卷积层、第二归一化层、第二函数激励层、第一随机失活层和第三卷积层，所述第二卷积层的输出端依次经过第二归一化层、第二函数激励层、第一随机失活层与第三卷积层的输入端连接，所述第一函数激励层的输出端与第二卷积层的输入端连接；

具体地，构建第二层模型网络，该层网络包括一个conv卷积层、一个bn归一化层、一个relu激活函数构成的函数激励层、一个dropout随机失活层和另一个conv卷积层，第一个conv的卷积核为5*5*120，dropout的失活率设置为50％，第二个卷积核为3*3*60，第二层模型网络的输入值为第一层模型网络的输出值，第二层模型网络的输出值为一维数据特征结果。

s2013、构建第三层模型网络，所述第三层模型网络包括由若干个记忆单元层串联连接而成的记忆单元层组，所述第三卷积层的输出端与记忆单元层组的输入端连接；

具体地，构建第三层模型网络，该层网络由5个串联的相同lstm记忆单元层层组成，lstm的输出维度为60，第三层模型网络的输入值为第二层模型网络的输出值，第三层模型网络的输出值为60维的特征结果。

s2014、构建第四层模型网络，所述第四层模型网络包括：第三归一化层、第三函数激励层、第一全连接层和第四函数激励层，所述第二卷积层的输出端依次经过第三归一化层、第三函数激励层、第一全连接层与第四函数激励层的输入端连接，所述记忆单元层组的输出端与第三归一化层的输入端连接；

具体地，构建第四层模型网络，该层网络包括一个bn归一化层、一个由relu激活函数构成的激励层、一个fc全连接层和一个由sigmoid激活函数构成的函数激励层，第四层模型网络的输入值为第三层模型网络的输出值，第四层模型网络的输出值为临产鉴别模型网络的输出值。

进一步作为本系统的优选实施例，所述将所述第二宫缩信号数据输入至临产鉴别模型网络进行网络训练这一步骤s201，其具体包括：

s2015、对第二宫缩信号数据依次进行第一最大值下采样处理和第一排列组合处理后得到多个第一数据快照；

具体地，先将第二宫缩信号数据截取为10分钟长度，再对第二宫缩信号数据进行每5秒钟长的截取，从而获得120个截取后的数据片段，对每一个数据片段做第一最大值下采样取值处理，从每一个数据片段中获得49个按时间顺序排列的数值，将每一个数据片段中的数值进行排列组合，依次以每7个数值为一行的方式排列出一个7*7的矩阵，即为第一待测数据快照，从而得到120个第一数据快照。

s2016、将第一数据快照和临产标签输入至临产鉴别模型网络进行第一训练处理；

所述将第一数据快照和临产标签输入至临产鉴别模型网络进行第一训练处理这一步骤包括：将第一数据快照和临产标签输入至临产鉴别模型网络进行处理后得到第一特征结果，判断第一特征结果是否落入第一临产特征区间，若是，则第一临产特征区间不变，反之，则将第一临产特征区间扩大，令第一特征结果落入扩大后的第一临产特征区间中；

s2017、重复执行所述第一训练处理步骤，直至所有的第一数据快照都已训练处理完毕；

具体地，根据时间顺序依次将120个第一数据快照输入至临产鉴别模型网络进行第一训练处理，然后再继续执行将所述第二宫缩信号数据输入至临产鉴别模型网络进行网络训练这一步骤s201，直至临产鉴别模型的输出准确率满足预设条件(如：95％)为止，此时当前第一临产特征区间为临产鉴别模型网络的最优区间参数。通过模型网络训练的方式，使得数据逐渐趋向于一致的特性，测出来的结果才更加具有代表性和合理性。

进一步作为本系统的优选实施例，所述构建临产时间预测模型网络这一步骤s202，其具体包括：

s2021、构建第一层模型网络，所述第一层模型网络包括：第四卷积层、第四归一化层和第五函数激励层，所述第四卷积层的输出端经过第四归一化层与第五函数激励层的输入端连接；

具体地，构建第一层模型网络，该层网络包括一个conv卷积层、一个bn归一化层和一个relu激活函数构成的函数激励层，其中conv层的卷积核为13*13*256，第一层模型网络输出值为高维特征结果。

s2022、构建第二层模型网络，所述第二层模型网络包括：第五卷积层、第四归一化层、第六函数激励层、第二随机失活层和第六卷积层，所述第五卷积层的输出端依次经过第四归一化层、第六函数激励层、第二随机失活层与第六卷积层的输入端连接，所述第五函数激励层的输出端与第五卷积层的输入端连接；

具体地，构建第二层模型网络，该层网络包括一个conv卷积层、一个bn归一化层、一个relu激活函数构成的函数激励层、一个dropout随机失活层和另一个conv卷积层，第一个conv的卷积核为7*7*256，dropout设置为50％，第二个卷积核为3*3*128，增加一个分支连接，将本层网络改造成一个残差块，即从输入到输出做一个maxpooling的快捷映射。第二层模型网络的输入值为第一层模型网络的输出值，第二层模型网络的输出值为一维数据特征结果。

s2023、构建第三层模型网络，所述第三层模型网络包括由多个相同的第二残差块层连接组成的残差块层组，其中，每个第二残差块层包括：第五归一化层、第七函数激励层、第三随机失活层、第七卷积层、第六归一化层、第八函数激励层、第四随机失活层和第八卷积层，所述第五归一化层的输入端依次经过第七函数激励层、第三随机失活层、第七卷积层、第六归一化层、第八函数激励层、第四随机失活层与第八卷积层的输出端连接，所述第六卷积层的输出端与残差块层组的输入端连接；

具体地，构建第三层模型网络，该层网络包括连续相连的7个相同的残差块，每个残差均有一个快捷映射为maxpooling，残差块内部结构包括一个bn归一化层、一个relu激活函数构成的函数激励层、一个dropout随机失活层、一个conv卷积层、一个bn归一化层、另一一个relu激活函数构成的函数激励层、另一个dropout随机失活层和另一个conv卷积层，同一残差块的conv卷积核数不变，conv卷积核数每经过一个残差块便减少一半，conv卷积核的大小均为3*3，第三层模型网络的输入值为第二层模型网络的输出值，第三层模型网络的输出值为高维的特征结果。

s2024、构建第四层模型网络，所述第四层模型网络包括：第七归一化层、第九函数激励层、第二全连接层和第十函数激励层，所述归一化层的输入端依次经过第七归一化层、第九函数激励层、第二全连接层与第十函数激励层的输出端连接，所述残差块层组的输出端与第七归一化层的输入端连接；

具体地，构建第四层模型网络，该层网络包括一个bn归一化层、一个relu激活函数构成的函数激励层、一个fc全连接层和一个tanh激活函数，第四层模型网络的输入值为第三层模型网络的输出值，第四层模型网络的输出值为临产时间预测模型网络的输出值。

进一步作为本系统的优选实施例，所述将所述第三宫缩信号数据输入至临产时间预测模型网络进行网络训练这一步骤s202，其具体包括：

s2025、对第三宫缩信号数据依次进行第二最大值下采样处理和第二排列组合处理后得到多个第二数据快照；

具体地，先将第三宫缩信号数据截取为10分钟长度，再对第三宫缩信号数据进行每5秒钟长的截取，从而获得120个截取后的数据片段，对每一个数据片段做第二最大值下采样取值处理，从每一个数据片段中获得2209个按时间顺序排列的数值，将每一个数据片段中的数值进行排列组合，依次以每47个数值为一行的方式排列出一个47*47的矩阵，即为第一待测数据快照，从而得到120个第一数据快照。

s2026、将第二数据快照和临产标签输入至临产时间预测模型网络进行第二训练处理；

所述将第二数据快照和临产标签输入至临产时间预测模型网络进行第二训练处理这一步骤包括：将第二数据快照和临产标签输入至临产时间预测模型网络进行处理后得到第二特征结果，判断第二特征结果是否落入第二临产特征区间，若是，则第二临产特征区间不变，反之，则将第二临产特征区间扩大，令第二特征结果落入扩大后的第二临产特征区间中；

s2027、重复执行所述第二训练处理步骤，直至所有的第二数据快照都已训练处理完毕；

具体地，根据时间顺序依次将120个第二数据快照输入至临产时间预测模型网络进行第二训练处理，然后再继续执行将所述第三宫缩信号数据输入至临产时间预测模型网络进行网络训练这一步骤s202，直至临产鉴别模型的输出准确率满足预设条件(如：95％)为止，此时当前第二临产特征区间为临产时间预测模型网络的最优区间参数。

进一步作为本系统的优选实施例，所述方法步骤还包括以下步骤：

s301、获取孕周数据和羊水状况数据；

s302、当根据孕周数据和羊水状况数据从而判断出当前状态为临产状况时，则发出临产预警信号。

具体地，对孕妇做一些最简单的状态鉴别有助于排除特殊情况，便于模型进行准确的预测。

进一步作为本系统的优选实施例，所述子宫肌电采集处理装置通过蓝牙无线通讯方式与智能终端通讯连接。通过使用蓝牙无线的通讯方式，可以使得数据采集更加方便。

进一步作为本系统的优选实施例，所述智能终端包括智能手机、ipad、手提电脑和台式电脑。使用手机电脑来作为智能终端可以提高本发明的普遍性。

进一步作为本系统的优选实施例，所述子宫肌电采集处理装置采用四电极肌电信号采集装置来实现肌电信号的采集。采用四电极肌电信号采集装置可以获取更加精确地宫缩信号，有利于提高预测的准确性。

上述系统实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述系统实施例相同，并且达到的有益效果与上述系统实施例所达到的有益效果也相同。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。