[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

说明书

本发明公开了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，属于胎心心电图上的胎儿心率检测领域。本发明通过独立成分分析、深度神经网络、一维目标检测、特异性模型诊断等方法，由于卷积神经网络和循环神经网络在处理一维信号方面性能优越，本发明将当下热门的目标检测技术迁移到一维信号上搭建出一个全部基于深度学习的针对胎心心电图的完整检测框架，同时又使用一个特异性矫正模型消除个体差异从而解决机器学习应用到医学问题上经常出现的因病人个体差异导致的模型泛化能力差的问题，从而实现了基于胎心心电图的胎儿心率准确监测，可用于临床诊断。

技术领域

本发明属于胎心心电图上的胎儿心率检测领域，更具体地，涉及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。

背景技术

胎儿心电图(Fetal Electrocardiogram,FECG)是对胎儿心脏活动电信号的记录。与成人心电信号类似，QRS波是胎儿心拍(Fetal Heartbeat)的主要特征，其中胎心心率(Fetal Heart Rate,FHR)是胎儿产前健康状况的一个重要检测指标，通过胎心心率能够知道胎儿是否出现心律不齐、呼吸困难等情况，进一步诊断出胎儿心脏病，发现问题后医生可及时采取医疗措施预防新生儿疾病从而降低胎儿死亡率，对于胎儿的产前诊断有重要作用。获取胎儿心拍最直接的方法就是检测胎儿心电的QRS波，一般情况下采用非侵入式方法进行胎儿心电信号测量，这种方法安全性高，属于无创监测，但只能获得叠加在母体心电和一系列噪声上的极其微弱的胎儿心电信号，因此如何识别胎儿QRS波就成为了获取胎心心率的关键。常人心电信号能量远远高于其他干扰信号，用肉眼即可观察出QRS波，但是胎儿心电信号极其微弱，需要去除母体心电信号(Maternal Electrocardiogram,MECG)，工频干扰等一系列噪声后才有可能观察到清晰的胎儿心电，这对算法的鲁棒性提出很高要求。

传统方法大都借助于信号处理，如小波变换(Wavelet Transformer)，自适应噪声抵消(Adaptive Noise Cancellation)，盲源分离(Blind Source Separation)等。但是大部分消除工频噪声(Power Line Interference)的滤波器都不可避免带来信号的失真；而胎儿心电的成分又过于复杂，观测噪声并非均满足高斯分布，卡尔曼滤波(Kalman Filter)等算法难以应用；母体和胎儿心电信号在时频域上相近，小波变换并不足以完全区分；而自适应噪声抵消和盲源分离等方法均需给出较为准确的参考信号和多通道观测信号，在实际应用场景中易受到限制。大部分传统方法即使能很好地解决一种干扰源，但是面对多种杂波其性能势必有所下降，因此急需一种关注整体，而非通过单独消除各种噪声达到检测效果的方法。

近年来随着深度学习的发展，在生物医疗领域应用深度学习已逐渐成为一种趋势，尤其在生物图像信号方面有着广泛的应用，卷积神经网络(Convolutional NeuralNetwork)和循环神经网络(Recurrent Neural Network)，在心电信号处理、检测心律不齐以及心拍分类等已经超过了人类心血管疾病专家的水准，但是使用深度学习处理胎儿心电信号的方法相对较少；同时使用深度学习方法处理医疗信号时，训练数据往往来自不同的人，这种方法训练出的模型除了受所需要检测的医学指标影响，也会受自身个体差异影响，但在实际应用时往往只关注医学特征而忽略个体差异性，那么这种个体差异就会导致算法泛化能力恶化从而产生偏差。

发明内容

针对现有技术的缺陷和改进需求，本发明提供了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，其目的在于克服传统信号处理方法鲁棒性不足的缺点，并增加特异性检测环节，以提高临床诊断的准确性。

为实现上述目的，按照本发明的一个方面，提供了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，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；