[发明专利]一种基于深度森林的产前胎儿监护智能判读方法

权利要求书

1.一种基于深度森林的产前胎儿监护智能判读方法，其特征在于，包括以下步骤：

步骤1：将经预处理且已知分类的p维CTG临床特征向量作为多粒度扫描阶段的输入，分别经三个滑动窗口扫描，得到CTG临床特征子样本，所述三个滑动窗口的长度分别为d1维、d2 维和d3维；

步骤2：将上述经多粒度处理后的CTG临床特征子样本分别输入到普通随机森林模型A和完全随机森林模型B，分别输出(p-d1+1)、(p-d2+1)、(p-d3+1)维类别向量，再合并得到三个表征向量，分别为d1维表征向量、d2维表征向量和d3维表征向量；

步骤3：将d1维表征向量输入至级联森林阶段的四个森林模型，所述四个森林模型分为随机森林模型C、完全随机森林模型D、加权随机森林模型E和梯度提升决策树模型F，所述d1维表征向量经四个森林模型，得到对应d1维表征向量的4m维的类别向量，然后将所述对应d1维表征向量的4m维的类别向量与d1维表征向量合并，得到(4m+d1)维的向量，即第1A级；

步骤4：将(4m+d1)维的向量继续输入至四个森林模型，得到对应d2维表征向量的4m维的类别向量，然后将所述对应d2维表征向量的4m维的类别向量与d2维表征向量合并，得到(4m+d2)维的向量，即第1B级；

步骤5：将(4m+d2)维的向量继续输入至四个森林模型，得到对应d3维表征向量的4m维的类别向量，然后将所述对应d3维表征向量的4m维的类别向量与d3维表征向量合并，得到(4m+d3)维的向量，即第1C级；

步骤6：每增加一级数，级联森林利用交叉验证进行计算，通过验证集对四个森林模型产生的每个类别向量进行评估，级联森林经N次迭代循环后，将（N-1）_C级的(4m+d3)维的向量继续输入至四个森林模型，得到对应d1维表征向量的4m维的类别向量，然后将所述对应d1维表征向量的4m维的类别向量与d1维表征向量合并，得到(4m+d1)维的向量，即第NA级；

步骤7：将步骤6得到的第NA级(4m+d1)维的向量输入至四个森林模型，得到(4m+d2)维的向量，即第NB级；

步骤8：将步骤7得到的第NB级(4m+d2)维的向量输入至四个森林模型，得到第NC级的(4m+d3)维的向量，此时，经交叉验证计算后，深度森林预测准确率已不再增加，则级联森林停止迭代，并将所述第NC级的(4m+d3)维的向量最后一次通过四个森林模型，得到4个m维的类别向量，将所述4个m维的类别向量的每一类的预测准确率相加后取平均值，取最大值。

2.根据权利要求1所述的一种基于深度森林的产前胎儿监护智能判读方法，其特征在于，所述p维CTG临床特征向量从基线、变异、周期变异、加速、减速、早期减速、晚期减速、变异减速、延长减速、轻度减速、重度减速、胎动、宫缩次数、加速时间、加速幅度、短变异、高变异时间、低变异时间、有加减速时间、宫缩强度、宫缩间隔时间、宫缩持续时间、变异减速时间、数据丢失和孕周共25项临床特征信息中选取。

3.根据权利要求1所述的一种基于深度森林的产前胎儿监护智能判读方法，其特征在于，所述预处理包括输入数据标准化以及输出数据编码，所述输入数据标准化采用z-score数据标准化方法，所述输出数据编码采用one-hot独热编码。

4.根据权利要求1所述的一种基于深度森林的产前胎儿监护智能判读方法，其特征在于，所述步骤1得到的CTG临床特征子样本包括(p-d1+1)个d1维CTG临床特征子样本、(p-d2+1)个d2维CTG临床特征子样本和(p-d3+1)个d3维CTG临床特征子样本。

5.根据权利要求1所述的一种基于深度森林的产前胎儿监护智能判读方法，其特征在于，所述步骤2得到的(p-d1+1)、(p-d2+1)、(p-d3+1)维类别向量的个数分别为2(p-d1+1)个、2(p-d2+1)个和2(p-d3+1)个。

6.根据权利要求1所述的一种基于深度森林的产前胎儿监护智能判读方法，其特征在于，所述步骤2得到的d1维表征向量、d2维表征向量和d3维表征向量分别为2m(p-d1+1)维、2m(p-d2+1)维和2m(p-d3+1)维。