一种胎心率基线的自动识别方法

本发明涉及医疗检测，尤其涉及一种胎心率基线的自动识别方法。

背景技术：

1、在中国，大部分医院都主要通过多普勒超声仪来监控母胎的状况，而其中主要的检测指标就是胎心率(fhr)目前，主要有两种胎心率检查方法，即人工检查和电子检查。其中人工检查需要产科医生需要一定时间去分析才能给出准确的诊断结果，而且，产科医生不可避免地会有暂时的注意力低下的时候，从而对fhr图分析有误。因此，针对妇产科医生所面临的实际问题，近年来，应用计算机自动fhr评估方法已成为协助医师对fhr进行解释的主流方法。这个方法大大缩短了诊断时间，并大大降低了误诊的可能，这与现代医学提倡的精密医学的发展理念完全吻合。由于超声仪器十分昂贵以及医学成像观察及监护需要专业操作，功能性指标监控仍是胎儿检查的主流方法。作为传统的电子监视方法，妇产科的功能指标监视实际上是指fhr检测。对于fhr分析和胎儿条件评估来说，fhr基线评估非常重要，因为很多检查参数是根据fhr基线确定的。

2、目前，在临床实践中，fhr参数的检测主要是通过使用非常成熟的技术—多普勒超声，来检测胎儿声音信号完成的。但是，人类子宫是非常复杂的系统，因此，超声回声必然会携带很多的干扰噪声。这些干扰信号和真实信号的幅度相互叠加，形成了具有非常低信噪比(snr)的非平稳信号。因此，寻找一种适合于特定干扰信号的降噪方法非常重要。目前广泛运用的降噪方式为基于频谱的滑动平均法(容易受到振荡噪声的影响)。而提取fhr基线则是另一个关键点，目前有两个经典的算法被应用到提取fhr基线中，分别是滤波修剪方法和加权直方图方法。

3、胎心率(fhr)基线包括每分钟心搏次数及fhr变异。正常fhr为110～160bpm，fhr>160bpm或<110bpm，历时10分钟，称为心动过速或心动过缓。fhr变异是指fhr有小的周期性波动。

4、滤波修剪方法提取fhr基线主要包括两个过程，即过滤过程和剪枝过程，过滤过程主要是使用滑动平均法算法，而剪枝过程使用了滤波修剪方法，流程图如图1所示。

5、使用加权直方图方法提取fhr基线时，不使用过滤方法。取而代之的是，使用标准fhr信号的直方图，同时引入了滑动窗口技术。首先，对于每个fhr信号采样点，计算包括该点的20分钟窗口长度的fhr频率直方图。然后使用加权函数对频率直方图进行加权，该过程类似于使用加权函数对窗口信号的掩蔽操作。加权函数是一个分段函数，前15分钟为一个分段，后5分钟为另一个分段，如图2所示。加权操作实际上等效于使用过去15分钟的信息以及接下来的5分钟的信息去计算当前的fhr基线，然后获取每个点的基线值。

6、目前对于某些总体趋势相对稳定的fhr曲线，许多已经提出的基线估计算法可以取得良好的效果。然而，对于一些不稳定或特性欠佳的fhr曲线，现有算法很难估计基线，并且任何错误都可能对后续参数分析产生负面影响。尤其是对于某些频繁加速和减速的fhr曲线，由现有算法得出的基线往往会偏离真实的基线。因此这两种经典的基线提取算法都有缺点。

7、对于第一种滤波和剪枝方法而言，尽管其相对易于理解并且计算量较小，但是在临床实践中，提取的基线趋向于跟随信号，同时，它也容易受到信号的边缘效应的影响。

8、加权直方图方法可以有效解决以上两个问题，但计算量相对较大。对于每个点的基准值，需要对该点之前和之后20分钟之内的信号进行计算。同时，由于加权函数在平滑之前已经固定，并且根据加权函数的特性，尖峰处的权重值相对较大并且位于中心，因此对正常fhr的选择更加重要。但是，实际上，许多fhr基线可能显示心动过缓或心动过速，因此该方法必须有所偏差。

9、因此，为了解决fhr基线估计与高级信号处理技术相结合法在现有算法中的缺点，本技术对估计fhr基线的算法进行了改进。

技术实现思路

1、为了解决现有基线算法中存在的问题，本发明的目的在于提供一种胎心率基线的自动识别方法，该方法对估计fhr基线的算法进行了改进，能够有效解决fhr基线估计与高级信号处理技术相结合法在现有算法中存在的问题。

2、本发明通过以下技术方案来实现上述目的：

3、一种胎心率基线的自动识别方法，包括对获取到的胎心信号进行预处理；

4、基于奇异频谱分析对预处理后的胎心信号进行去噪处理；

5、基于emd迭代剪枝算法来识别提取胎心率基线；

6、其中，通过经验模态分解获取多个imf信号，利用imf信号对识别出的基线部分进行迭代剪枝处理，从而得到最终估计的胎心率基线。

7、根据本发明提供的一种胎心率基线的自动识别方法，基于奇异频谱分析对预处理后的胎心信号进行降噪处理，包括：

8、构造嵌入矩阵；

9、对嵌入矩阵进行奇异值分解；

10、在嵌入矩阵进行奇异值分解后，将具有序列号的信号分为m个离散子集，形成m个分组矩阵；

11、通过对角线平均法，将分组矩阵转换为长度为n的新序列。

12、根据本发明提供的一种胎心率基线的自动识别方法，所述构造嵌入矩阵包括：

13、首先，选取待去燥的胎心信号的窗口长度，将长度为n的原始时间序列分为一系列长度为l的滞后向量，表示为公式(1)：

14、xi＝(xi，…，xi+l-1)t(1≤i≤k)   (1)

15、其中，个数为k＝n-l+1，使用滞后向量xi组成矩阵x，表示为公式(2)：

16、

17、其中，滞后向量xi是矩阵x的列，矩阵x的行和列由原始信号组成；矩阵x(i，j)位置上的元素为xij＝xi+j-1，即矩阵x在反对角线上包含相同的元素，即汉克尔矩阵。

18、根据本发明提供的一种胎心率基线的自动识别方法，所述对嵌入矩阵进行奇异值分解包括：

19、设定矩阵s的特征根为s＝xxt，矩阵s的特征值为λ1，…，λl，其中λ1≥…≥λl≥0，矩阵s的特征根的正交特征向量为u1，…，ul；

20、设定d＝rank(x)＝max{i，λi＞0}，其中，d＝min(l，k)，i＝1，…，d；

21、因此，分解矩阵x可以表示为x＝x1+…+xd，其中，，称为特征矩阵。

22、根据本发明提供的一种胎心率基线的自动识别方法，所述形成m个分组矩阵包括：

23、当嵌入矩阵进行分解后，具有序列号{1，…，d}的胎心信号可以分为m个离散子集；

24、令i＝{i1，…，ip}，矩阵xi对应于第i组，定义为；

25、在计算m个分组矩阵之后，矩阵x可以表示为：。

26、根据本发明提供的一种胎心率基线的自动识别方法，所述通过对角线平均法，将分组矩阵转换为长度为n的新序列，包括：

27、令矩阵y表示为矩阵x的分组矩阵是具有元素yij的l×k矩阵，其中，1≤i≤l，1≤j≤k，l胎心序列中子序列长度，n是胎心序列长度；

28、令l*＝min(l，k)，k*＝max(l，k)，并且n＝l+k-1；

29、并构造用于转换降噪后新序列的临时矩阵y*，若满足l<k，则满足否则，

30、通过对角线平均法，使用以下公式(3)将分组矩阵转换为长度为n的降噪后的新序列，使得临时矩阵y*可以转换为新序列：

31、

32、根据本发明提供的一种胎心率基线的自动识别方法，所述通过经验模态分解获取多个imf信号，包括：

33、固定单个信号经验模态分解迭代终止条件ε，初始化使j＝1；

34、定义余分量信号rj-1(t)←x(t)，赋值rj-1(t)←x(t)；

35、提取第j个imf信号；

36、其中，j是imf信号的序号。

37、根据本发明提供的一种胎心率基线的自动识别方法，所述通过经验模态分解获取多个imf信号，包括：

38、a.hj，i-1(t)←rj-1(t)，i＝1，i是滤波的序号；

39、b.提取hj，i-1(t)的本地最大值和最小值；

40、c.上包络线uj，i-1(t)和下包络线lj，i-1(t)是通过局部最大值和最小值的三次样条插值获得的；其中，上包络线uj，i-1(t)是通过提取本地最大值使用三次样条插值获得，下包络线lj，i-1(t)是通过提取本地最小值使用三次样条插值获得；

41、d.计算上下包络线的平均值：uj，i-1(t)←[uj，i-1(t)+lj，i-1(t)]/2；

42、e.更新：hj，i(t)←hj，i-1(t)-uj，i-1(t)，i＝i+1；

43、f.计算停止迭代的条件：

44、g.重复步骤b到f，直到sd(i)＜ε，让第j个imf成为imfj(t)←hj，i(t)；

45、e.更新其余分量rj(t)←rj-1(t)-imfj(t)；

46、重复第a-e步，使得j＝j+1，直到rj(t)的极数小于2。

47、其中，n是样本总数，a←b代表分配操作，这意味着a的值将被替换为b。过滤操作需要执行几次，直到获得真正的imf；信号分解的结果表示为公式(4)：

48、

49、其中，c表示与信号相关的imf的编号，该编号由sd暂停迭代的条件决定，而rc(t)表示其余分量，滤波操作可以产生两个结果，其中第一个是消除骑乘波，第二个是稳定不均匀振幅；而sd表示两个连续滤波器的结果之比，且sd通常限制在0.2到0.3之间。

50、根据本发明提供的一种胎心率基线的自动识别方法，所述利用imf信号对识别出的基线部分进行迭代剪枝处理，包括：

51、定义迭代剪枝处理迭代次数i＝4，判断i是否小于4，如不是，将预处理后的信号进行经验模态分解，以获得多个imf信号，提取最后两个分量，将这两个分量进行相加后，计算出上下包络线的平均值信号作为最终基线；

52、将预处理后的信号进行经验模态分解，以获得多个imf信号，然后选择最后两个分量的总和作为初始基线，并且通过组合几个低频分量来有效地提取信号的近似趋势，最终得到估计的胎心率基线。

53、根据本发明提供的一种胎心率基线的自动识别方法，如确定i小于4，将预处理后的信号进行经验模态分解，以获得多个imf信号，提取最后两个分量，将这两个分量进行相加后，计算出上下包络线的平均值信号作为初始基线；

54、找出所有比初始基线高于或低于5bmp阈值的区域，对每个区域求中求中位数和以区域中心的预定时间内的直方图最大值，如果两者相差5bmp阈值，则该区域使用初始基线加5bmp阈值来替代，并将5bmp阈值减半，i＝i+1，重新判断i是否小于4。

55、一种胎心率基线的自动识别装置，包括：

56、预处理单元，用于对获取到的胎心信号进行预处理；

57、去噪单元，用于基于奇异频谱分析对预处理后的胎心信号进行去噪处理；

58、识别单元，用于基于emd迭代剪枝算法来识别提取胎心率基线；

59、其中，所述识别单元通过经验模态分解获取多个imf信号，利用imf信号对识别出的基线部分进行迭代剪枝处理，从而得到最终估计的胎心率基线。

60、由此可见，相对于现有技术，本发明在fhr的预处理过程中使用ssa改进降噪算法，与仅使用滑动平均法的传统降噪方法相比，使用ssa方法对整体降噪不仅可以保持与传统方法一致的信号趋势，而且不会产生额外的信号信号衰减和失真，从而验证算法的正确性。在细节方面，与滑动平均法不同，ssa方法可以很好地确保处理后的信号保持平滑，而滑动平均法很容易受到振荡噪声的影响，从而导致信号在滤波后仍然突然改变了噪声。

61、同时，本发明提出了经验模式分解emd迭代剪枝方法来提取fhr基线，该算法结合了过滤和剪枝与加权直方图算法两种经典算法的特征，并包含emd以使算法更具适应性。因此，本发明克服了传统算法的困难，提取的基线可以更准确地反映真实基线，提高了加减速检测的效果。

62、本发明还提供一种电子设备，包括：

63、存储器，存储有计算机可执行指令；

64、处理器，配置为运行所述计算机可执行指令，

65、其中，所述计算机可执行指令被所述处理器运行时实现上述任意一种的胎心率基线的自动识别方法的步骤。

66、本发明还提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时用于实现上述任意一种的胎心率基线的自动识别方法的步骤。

67、由此可见，本发明还提供了一种胎心率基线的自动识别方法的电子设备以及存储介质，其包括：一个或多个存储器，一个或多个处理器。存储器用于存储程序代码和程序运行过程中产生的中间数据、模型输出结果的储存和模型及模型参数的储存；处理器用于代码运行所占用的处理器资源和训练模型时占用的多个处理器资源。