[发明专利]一种基于深度学习和特异性矫正在FECG上胎儿心率检测系统

权利要求书

1.一种基于深度学习和特异性矫正在FECG上胎儿心率检测系统，其特征在于，所述系统包括：

预处理模块，用于从胎儿心电图对应的原始心电信号消除部分母体心电信号，使得胎儿QRS波不被淹没在母体QRS波，得到预处理后心电信号；

胎儿心拍定位模块，用于将训练好的长度为一个胎儿QRS波段时长的一维胎儿心拍分类器以窗口形式在预处理后心电信号上滑动，得到存在胎儿心拍的概率序列；

特异性矫正模块，用于使用训练好的特异性矫正网络对每个新输入的经由胎儿心拍定位模块得到的心拍概率序列进行微调以消除个体差异；

心率计算模块，用于在特异性矫正后的概率序列中定位出最有可能存在胎儿心拍的节点，进一步统计出每分钟心拍节点的数目作为胎儿心率；

所述特异性矫正网络为Bi-LSTM，采用以下方式训练：

(1)将数据集划分为基于Intra-patient的全局数据集和基于Inter-patient的个体数据集；

(2)使用全局数据集训练出一个全局分类器；

(3)使用个体数据集，每次输入一个新个体，使用全局分类器进行胎儿心电检测，对于每一个新输入的个体心电信号，通过滑动窗口检测后会得到一个各位置存在胎儿心拍的概率序列，将新个体的心拍标签制作成等长的序列，将标签中存在心拍的地方置为1，其余位置为0；

(4)将概率序列作训练集，和制作的心拍标签序列同输入到一个Bi-LSTM矫正网络，得到一个矫正概率序列。

2.如权利要求1所述的系统，其特征在于，所述预处理模块采用独立成分分析作预处理。

3.根据权利要求1所述的系统，其特征在于，所述一维胎儿心拍分类器通过以下方式训练：

从训练集中的心电信号上截取片段构建训练样本，将截取的包含胎儿R波的片段划分为正样本，其余背景片段划分为负样本，以此训练一个二分类的心拍片段分类器。

4.如权利要求3所述的系统，其特征在于，所述一维胎儿心拍分类器包括卷积神经网络CNN、残差网络、长短期记忆网络LSTM、全连接层FCN和SoftMax层，其中，

所述卷积神经网络CNN，用于对预处理后的胎儿心电信号进行特征提取，得到胎儿心拍及背景片段的高维抽象特征；

所述残差网络，用于将原始信号与卷积神经网络的输出拼接后，传递给长短期记忆网络LSTM；

所述长短期记忆网络LSTM，用于对卷积神经网络和残差网络输出的胎儿心电信号进行时间序列上特征的分析提取，得到胎儿心电图的时域特征；

所述全连接层FCN，用于整合LSTM最后一层的输出和CNN的输出；

所述SoftMax层，用于将FCN层的输出进行SoftMax变换，得到特征空间映射后的分类结果。

5.如权利要求4所述的系统，其特征在于，分类器输出一串概率序列，代表原始信号上各位置存在心拍的概率，将概率低于50％的节点默认不存在心跳，在大于50％的片段采用非极大值抑制算法保留存在心拍概率最大的位置节点。

6.如权利要求4所述的系统，其特征在于，所述SoftMax层的损失函数为：

loss(x_i)＝-(|0.5-score(x_i)|)^-α·log score(x_i)

其中，score(x_i)表示样本x_i的得分，参数α用于控制难易样本的权重。