[发明专利]基于机器学习的无刺激胎心监护分类方法

说明书

本发明涉及电子胎心监护领域，是一种基于机器学习的无刺激胎心监护分类方法。一方面提供一种基于神经网络的胎儿心电信号特征构建方法，另一方面通过整合的特征指标集用机器学习对胎心监护进行分类。所述基于神经网络的特征构建方法，采用盲源分离获得胎儿心电信号，用RNN和CNN获得胎儿心电信号特征向量；所述通过整合的特征指标集用机器学习对胎心监护进行分类，利用有效胎心率提取近似熵等非线性特征和醒睡周期等时域特征；分类识别模块利用整合特征用分类器将胎心监护类型进行分类，获取胎儿NST类型。本发明提出的方法可实时对24小时的胎心监护数据利用机器学习方法对胎儿NST类型进行分类，分类过程客观，为临床决策提供支持。

技术领域

本发明涉及电子胎心监护领域，特别是涉及一种基于机器学习的无刺激胎心监护分类方法。

背景技术

电子胎心监护是一种临床应用最为广泛的胎儿宫内监护技术，主要目的为评估胎儿在子宫内发育状 态、及时发现并处理胎儿缺氧等状况，有利于降低围产儿发病率与死亡率。

电子胎心监护理论和技术的研究热点是孕妇腹部电极监测法，它是指在孕妇腹部表面放置电极来进行 信号采集，然后通过相关硬件和软件分离算法提取出纯净胎儿心电信号。

目前临床产前胎心监护多使用无应激试验(Non-Stress Test，NST)对胎儿的宫内储备能力进行评估， 评估过程为医师肉眼观测胎心率曲线，胎心率是胎心监护的重要参数，分别受到心脏自身的节律、交感- 副交感神经系统与血流动力学的调节。依据诸如基线、加速、减速、心率变异等特征参数的范围来对胎儿 的NST类型进行分类。这种方式效率较低，并且主观性强，多个医师对同一胎儿的NST分类可能不同。

医师出于谨慎心态，容易将正常型归类为可疑型，进而在一定程度上增加孕妇的心理压力，多次的胎 心监护也会浪费一定的医疗资源。因此，需要一种计算机自动提取胎儿心电信号特征以及胎心率参数特征 并进行分类的客观方法来辅助医师做出决策，减少医疗资源浪费，降低肉眼观测的误差，提升评估效率。

发明内容

本发明实施例的目的在于提供一种基于机器学习的无刺激胎心监护分类方法。

第一方面，本发明实施例提供了一种基于神经网络的胎儿心电信号特征构建方法，

采用时频盲源分离算法(TFBSS)获得胎儿心电信号，利用但不限于循环神经网络(RNN)和卷积神经 网络(CNN)提取胎儿心电信号的特征向量；

利用腹部电极获取母体信号，每路信号包含三类信号：母体心电信号、胎儿心电信号和附加噪声，通 过时频盲源分离算法分离获得胎儿心电信号；根据电子胎心监护三级评价系统由临床产科医生对胎儿类型 及对应的胎儿心电信号进行分组标记,利用RNN模型将时序顺次输入，通过反向传播和梯度下降算法学习 获得输出特征向量；利用希尔伯特黄变换(HHT)得到样本信号的时频图，将时频图作为输入利用卷积神 经网络通过反向传播和梯度下降算法获得输出特征向量；最后联合RNN和CNN的输出特征向量构建特征指 标集。

第二方面，本发明实施例通过整合的特征指标集用机器学习对胎心监护进行分类，

采用改进的Pan-Tomkins算法识别胎儿心电信号R波位置，计算胎心率。通过分离出的胎儿心率并设 计算法提取胎心率基线、加速、变异、醒睡周期和非线性参数等胎儿宫内特征参数，利用统计学方法，分 析连续长时程监护下胎儿心率各项特征参数的均值及范围，利用提取的具有显著性差异的特征指标构建特 征指标集，最后将胎心率的特征指标集整合到胎儿心电信号特征指标集，使用机器学习的方法对胎儿宫内 状态进行分类。

附图说明

为了更清楚地说明本发明具体实施方式，让本领域技术人员更好地理解本公开的技术方案，下面将对 具体实施方式中使用的附图做出介绍。附图仅用于演示出优选实施方式的目的，而并不认为是对本发明的 限制。

附图1是本发明的主要实施例流程图。