CN112826513A - 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 - Google Patents

Abstract

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。

Description

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

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；

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。

优选地，所述预处理模块采用独立成分分析作预处理。

有益效果：本发明使用独立成分分析做预处理，由于独立成分分析是一种利用统计原理进行计算的方法，通过线性变换把信号分离成统计独立的非高斯信号源的线性组合。胎儿心电和母体心电由两个完全独立的个体产生，可以认为是相互独立，心脏收缩舒张产生的生物电流传至体表电极是一个线性传输的过程，心电信号和工频噪声都不是严格的高斯信号，从而实现将大部分母体信号分离出，降低识别叠加在母体R波上的胎儿R波的难度。

优选地，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。

有益效果：本发明通过将二维图像上的目标检测方法迁移到一维信号上，由于所检测的胎儿心拍片段所包含的QRS波具有明显区别于背景的特征，从而实现了对胎儿心拍的检测。

优选地，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FCN层，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。

有益效果：本发明通过卷积神经网络CNN，长短期记忆网络LSTM，残差结构等神经网络，由于CNN擅长减小频域变化，具备很强的特征提取能力和鲁棒性，同时还能抽象时间上隐含的维度信息，使用残差结构保留原始输入信息，将更高质量的特征传递给LSTM层；LSTM可以提供长序列的历史信息，在时域上有着广泛应用。QRS波是具有重要生理意义的心拍特征，心电信号是典型的时序信号，具有很强的上下文依赖性；CNN和LSTM可以很有效的针对这两个特点进行检测，从而实现了神经网络对胎心心拍片段特征的有效检测。

优选地，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。

有益效果：本发明通过使用非极大值抑制算法在所得的胎儿心拍概率序列上检测并标记概率极大值点即最有可能存在心拍的位置，一般认为是胎儿的R波位置，从而实现了对胎儿心拍的标记。

优选地，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。

有益效果：本发明通过修改交叉熵损失函数，减少易分类样本的损失函数权重，使得网络在训练过程中更加专注于难分类的样本，降低训练正负样本不均衡的带来的消极影响。

优选地，所述特异性调整网络为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，全局数据集取自尽可能少的个体；

(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。

有益效果：本发明通过将数据集划分为全局和个体两部分，由于我们使用一个特异性双向长短期记忆网络单独学习消除个体差异，可以针对每一个使用全局模型检测后的信号进行定向调整，从而提高检测模型鲁棒性和泛化能力，实现了特异性诊断的效果。

总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：

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，从而实现了基于胎儿心电图的胎儿心率的准确监测，可用于临床诊断。

附图说明

图1是本发明提供的一种基于深度学习和特异性矫正在胎儿心电图上检测胎儿心率的方法流程框图；

图2是正常成人心电图QRS波各成分示意图；

图3是网络结构示意图，其中，(a)对应卷积神经网络，(b)对应循环神经网络，(c)对应本发明所提出的CNN-LSTM框架；

图4是本发明提供的心率检测模型滑动窗口检测法的步骤示意图；

图5是本发明提供的心率检测模型滑动窗口检测法的算法流程；

图6是本发明提供的特异性检测框架的示意图；

图7是本发明提供的样本不均衡实验的假阴性率和假阳性率随正负样本比例变化的折线图；

图8是本发明提供的特异性检测实验检测准确率随全局样本和个体样本比例变化的折线图；

图9是本发明提供的检测模型在一段测试胎心心电图上滑动后对应结果，其中，(a)是心电信号，(b)是概率序列。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

如图1所示，本发明提供了一种基于深度学习和特异性矫正在FECG上胎儿心率检测方法，包括以下步骤：

(1)首先对胎儿心电信号进行简单的预处理。

现有技术中，心电信号的预处理通常都是设置滤波器去除工频干扰，肌电噪声，基线漂移等干扰源。工频干扰是50～60Hz的正弦干扰信号，母体信号拥有较明显QRS波，频率略低于胎儿心电信号的频率，这两种干扰源影响极大，导致胎儿心电信号的信噪比(SignalNoise Rate,SNR)极低。

本发明采用的深度网络具有一定的抗干扰能力，即使没有预处理，也可达到相当高的识别率，只是对于淹没在母体QRS波上的胎儿QRS波难以鉴别，因此本发明采用独立成分分析作预处理，在尽量避免信号失真的前提下，消除掉部分母体信号，使得附加在母体QRS波上的胎儿QRS波在后续的深度学习网络中能被检测出来。

(2)完成预处理后，就可以结合目标识别的方法检测心拍。

该检测模型包括截取包含特定胎儿心跳的信号片段和背景片段分别作为正负样本，构建CNN-LSTM网络作分类器进行训练，然后将训练好的网络在待测胎心信号上以滑动窗口的方式检测，获得胎儿QRS波位置。与二维目标识别类似，需要先划分正负样本，再训练一个分类器。

首先是训练数据的提取，本发明使用的心电数据采样频率均为1000Hz，胎儿心率正常情况下为110～160次/分，这也就意味着大约每1000个信号数据包含2个QRS波，从而定位QRS波，通常寻找特征最明显的R波波峰，为了提取更多心跳特征增加检测鲁棒性，本实施例截取样本片段长度为QRS波的期望长度，其余区域的信号弱，不需要再加长截取片段。成人心电各波段如图2所示，P-R间期为0.12～0.2秒，QRS波为0.06～0.10秒，以R波波峰为界，QR波段≤0.03秒，RS波段≤0.05秒，各取范围均值可得截取窗口约为0.16秒，R波波峰前后片段长度比例为1：2。心跳的主要特征包含在QRS波内，适当加长片段可有效增加容错性。实验表明，考虑QRS波群的长片段检测的假阳性率低于QRS波的短片段。这种片段就是输入模型的正样本，而截取的不包含QRS波的背景片段则作为负样本。

目标识别中通常存在正负样本数量不均衡导致网络性能不佳的问题，正样本的特征都是相似的，而负样本却各有各的特征。对于一维信号目标检测，由于信息量相对减少因此目标片段更易与背景混淆。虽然心拍片段无尺度变化且已知心拍与背景长度比例约为1：2，但实验中发现如果按照这个比例截取正负样本，训练数据并未能充分包含负样本特征，总会出现假阳性率(False Positive Rate，FPR)高于假阴性率(False Negative Rate，FNR)的现象，下面对相关概念和计算方法进行描述：

其中，TP、FP、TN、FN分别表示真阳性：检测正确的心拍片段样本；假阳性：检测错误的背景片段样本；真阴性：检测正确的背景片段样本；假阴性：检测错误的心拍片段样本。另外训练中还存在难易样本不均衡的问题，网络的训练样本大都是易于区分的样本，这些样本主导了损失函数，使网络难以关注那些难分样本。

针对上述问题，本发明提出以下两种解决方法：

①取正负样本比例为1：8，实验证明这种比例设置不会过度引起过拟合，可充分提取负样本的特征，使假阳性率和假阴性率大致保持同一低水平，且对于特异性诊断具有一定积极作用。

②改进损失函数，通过减少易分类样本的损失函数权重，使得网络在训练过程中更加专注于难分类的样本。本实施例是一个二分类问题，经过SoftMax层输出后，得分越接近50％，说明该样本越难区分。通过修改交叉熵损失函数就可以得到，对于样本x_i，其改进的损失函数为

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

其中，参数α用于控制难易样本的权重。

(3)在制作好正负样本数据集后，根据胎儿心电特点使用CNN-LSTM神经网络作分类器。

卷积神经网络(Convolutional Neural Networks，CNN)是一种前馈神经网络，网络基本单元由卷积层、池化层以及全连接层组成，如图3中(a)所示。卷积层通过不同大小卷积核能够很好地提取输入数据的特征，然后通过池化层进行特征选择和信息过滤，再输入到全连接层解除多维结构展开为向量，并通过激活函数非线性映射到下一层网络单元。实际问题中，使用多层的CNN会达到更好的效果。

循环神经网络(Recurrent Neural Networks，RNN)是一类处理时间序列的神经网络，网络基本单元由输入层，隐藏状态和输出层组成，如图3中(b)所示。RNN的隐藏状态H可以保留当前神经元的输出信息Y，并在下一时刻和输入X继续作用到自身，从而捕获到当前的所有历史序列信息。长短期记忆网络(Long Short-Term Memory，LSTM)是一种特殊结构的RNN，能够解决RNN处理长时间序列时对长距离信息学习能力下降的问题，在处理本实施例时表现更好。

本发明用于心拍分类的神经网络框架如图3中(c)所示：将信号输入至一个7层的卷积神经网络框架，每一个卷积层都包含归一化，非线性单元和最大池化层，各卷积层的输出通道分别为96,256,384,512,384,256,256，卷积神经网络操作后使用一个残差模块将原始信号与卷积网络输出层拼接，紧接着使用一个含有20个隐藏单元的LSTM，LSTM最后一层的输出和之前的CNN输出拼接后输入两层分别含有1024和2个神经元的FCN层，将最终输出进行SoftMax变换即是特征空间映射后的分类结果。

(4)获取胎儿心率的实质就是找出单位时间的信号片段上的QRS波数量。

在一段信号序列上找出特定的片段，本发明参考二维图像目标识别的Mask R-CNN等模型，提出一种用于一维信号目标检测方法；与二维图像相比，一维信号的目标检测应用场景并不多。由于缺少一个维度的信息，一维信号相对计算机而言更加直观所以往往不需要很复杂的模型，但本实施例待检测的胎儿心电QRS波极其微弱不易观察，且很容易和包含多种噪声的背景片段混淆，需要借助深度神经网络才能准确识别，同时心率有较多生物医学的先验知识可参考并加以约束条件，心拍不存在尺度变化等问题，均可作为辅助检测。

利用训练好的心拍分类器，在待检测信号上以窗口形式滑动，如图4所示；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，由于是二分类问题，将概率低于50％的节点均默认不存在心跳，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。非极大值抑制(Non-maximum suppression,NMS)是一种搜索局部极大值的算法，结合QRS波特性等先验知识并假设胎儿心率正常，取长度约为一个QRS波段时长的窗口在上述心拍概率序列上滑动，利用非极大值抑制算法定位最终的心拍节点，算法如图5所示。使用所得心拍节点就可以计算胎儿心率。

(5)使用机器学习方法处理医疗信号时，通常由于病人个体间存在差异，来自不同病人的数据往往需要作以区分，这种做法实际操作难度较大。机器学习方法处理医疗信号的模型大致可分为以下三种：(1)Inter-Patient模型，严格遵守训练集和测试集数据来自不同病人的规定，与实际应用场景最为符合，个体差异性带来的消极影响最小，但是实现难度最大；(2)Intra-Patient模型，完全不考虑个体差异性问题，训练集和测试集可以来自同一个病人，以达到更高的效率。此时，个体差异性带来的消极影响最大，实现难度最小；(3)Patient-Specific模型，将数据集分为全局数据集和个体数据集，全局数据集的训练集和测试集可以来自同一病人，然后利用个体数据集对其微调。

本发明通过构建并结合多个学习器来完成学习任务的思路，提出一种Patient-specific模型，该模型包含一个分类器和一个矫正网络，如图6所示，将数据集划分为全局数据集和个体数据集。全局数据集需要取自尽可能少的病人个体，以免包含过多Intra-patient信息，使用全局数据集结合心拍检测模型训练出一个全局分类器，再使用个体数据集，每次输入一个新病人，使用全局分类器进行胎儿心电检测，再将检测结果与心拍标签输入矫正器，通过矫正器对全局分类器结果作微调训练，由于矫正器每次只输入一个病人，因此该模型主要针对类内特征的学习，个体差异性对其结果影响最小；而全局分类器还会学习类间特征，矫正网络主要目的是减少数据类内差异，增大类间差异，从而达到Patient-specific的特异性检测效果。

FECG数据的类间差异主要体现在：(1)受导联位置的影响，胎儿QRS波和母体QRS波本身信号强弱以及对比不同，胎儿在子宫内的姿势位置不同，每个孕妇相同导联所获的胎儿心电信号强弱会有所不同；(2)受母体和胎儿健康状况的影响，母胎心率以及QRS波强度会发生变化。可以看出，这些类间差异对QRS波特征的影响不大，因此全局分类器并不能学习到这一类特征，但是经过滑动窗口所得的心拍概率序列数值以及变化率可以反映出胎儿与母体的QRS波强度以及频率等信息，然后给出真实的R波位置，就能通过学习概率序列的特征减少目标位置对结果的影响。由于本发明的目的是计算心率，因此更加注重时序特征所以引入Bi-LSTM，将原本的心拍概率序列矫正为表示规律性更强的序列。

在得到全局分类器后，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该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。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，再次使用非极大值抑制定位心拍，标出的心拍位置只需在距离标签的QRS波长范围内即可认为检测成功。

胎儿心电图数据集缺乏标准，研究者使用不同数据集算法性能难以评估，因此本实施例选定三份数据集来源，同济胎儿心电数据集(以下简称同济数据集)，PhysioNet/CinC Challenge 2013(以下简称Challenge 2013)的数据集以及ADFECG Database 2012的正常数据(以下简称ADFECG 2012)。

同济数据集记录了14位孕妇的4导联FECG，采样时间不同但频率均为1kHz，其中包含一个胸导和三个腹导，胎儿R波位置均为专家手动注释。

Challenge 2013数据集是共5份来源，其中一个是生成器模拟信号，原有447条记录，但训练模型只使用原数据集Set A的75条记录以及相应的专家注释，均为1kHz的采样频率，一分钟的持续时间和4导联腹导信号。可以使用wfdb工具包分别解析注释和信号。由于一些模拟信号噪声较高被排除了，包括a27，a29，a30，a32，a34，a38，a43，a45，a52，a53，a54，a56，a58，a60，a63，a66，a68，a69，a73，a75。

ADFECG 2012记录是从5名不同的分娩妇女中收集的，每个记录都包含四个从母体腹部获取的差分信号和从胎头记录的直接参考FECG。胎儿的R波位置是在直接FECG信号中自动确定的，然后由心脏病专家进行鉴定。所有记录的采样频率均为1kHz。使用mne工具包解析FECG信号。

Challenge 2013数据集拥有大量数据，很适合机器学习模型的训练。ADFECG 2012数据集更为标准，但患者较少，因此将其用于辅助训练。最后，主要通过同济数据集对本发明的方法进行临床验证。

模型评价主要有四个指标。准确率(ACCU)，心率误差(ERROR)，假阴性率(FNR)以及假阳性率(FPR)。CNN-LSTM心拍分类器是本发明的核心框架，能否检测到QRS波完全取决于分类器的性能，所以本发明采取分类器输出结果的准确率作为模型主要检测指标；通过滑动窗口检测后，会根据先验知识对检测结果进行矫正，此处再引入心率误差作为直接的心率测量指标；假阴性率以及假阳性率用于衡量样本不均衡实验的实验结果。

表1所示是样本不均衡处理的实验结果，使用Challenge 2013的前20条个体的数据，分别取正负样本比例为1:1，1:3，1:5，1:8，1:10制作训练集，然后观察假阳性率，假阴性率以及检测准确率，可以看出增加负样本所占比重能降低假阳性率，同时也能提高检测准确率。

如前文分析，负样本特征过于复杂，数据量不足则导致模型无法充分学习负样本的特征，因此表现性能较差。表1和图7可以看出，正负样本比例1:1时假阳性率远高于假阴性率，逐渐增加负样本比例可以稍作改善，在正负样本达到1:8时假阳性率和假阴性率基本保持同一水平，均为1％左右，同时整体检测准确率也提高了不少；而继续增加负样本比例至1:10时，性能提升并不明显，且会增加训练时间，所以模型训练集均是按照1:8划分正负样本。

表1

表2所示是心拍分类器的网络模型实验。本发明给出几种尝试过的网络性能，并给出最终模型。测试网络均使用Challenge2013的前20号信号数据，为便于测试，采用Intra-patient方式。记录不同网络模型的准确率。先分别搭建了一个简单的一维CNN网络和LSTM网络，取得了不错的效果，于是在此基础上作改进。将CNN与残差模块结合可提高准确率，在CNN后接一个LSTM网络可进一步改善性能。CNN-Bi-LSTM与CNN-LSTM准确率相近，为减小复杂度最终采用带有残差结构的CNN-LSTM作为分类器的框架。同时给出其他相关研究的结果作对照如表2(a)所示。

胎儿心电图具有较为明显的心拍特征以及时序关联，CNN-LSTM的模型可以针对这两个特点进行处理。在最初使用Challenge 2013的全部数据集进行训练时，由于类内差异过大，CNN网络只有60％的准确率，即检测基本无效；但是LSTM却表现出70％的准确率，保留着基本的时序特征，但是单独的LSTM在少量数据集上的表现不及CNN，因此可以认为CNN与LSTM可以优势互补，所以使用CNN-LSTM嵌套组合提升整体网络性能。

表2

本发明在网络架构方面做了较多尝试，测试了近年在时序预测上表现较好的TCN网络，但因本实施例并非预测模型因此表现不佳；而将VGG19、ResNet等网络改成一维结构也并不理想，因为一维信号的信息量远少于二维图像，随着网络层数增加，模型性能提升并不明显，引入这些复杂网络只是增加了训练时间。于是尝试自行组建网络，逐渐改善性能，如表2(b)所示。双向LSTM相比较单向LSTM性能提升并不明显，因为QRS波形大致相同，单向的LSTM就可以获取其时域波形特征，因此不需要双向的LSTM。

此外本发明针对Patient-specific模型设计了三个实验验证模型的可行性，使用Challenge 2013和ADFECG 2012的所有数据共计60条胎儿心电信号进行实验。

首先将按照Intra-patient的方式划分数据集，即同一个病人的数据可同时出现在训练集和测试集中，记录逐渐增加个体数量的准确率变化，测试结果如表3所示；

接着按Inter-patient的方式划分，训练集和测试集各使用部分数据，记录不同数量的训练集和测试集组合时准确率的变化，测试结果如表3所示；

最后按照本发明的Patient-specific模型划分，Patient-specific模型的训练数据需要划分为基于intra-patient的全局数据集intra-dataset和基于inter-patient的个体数据集inter-dataset。我们用intra-dataset训练全局分类器，然后用inter-dataset训练矫正网络。分别记录不同比例的intra-dataset和inter-dataset下全局分类器的准确率ACCU-global和经过特异性网络矫正后的准确率ACCU-adjust。需要注意的是矫正网络输出为心拍的概率序列，但是根据实际标签算出输出的心拍序列上的正确心拍数计算出矫正网络的准确率，从而便于更加清晰的与全局分类器结果比较选出最优的比例，通过交叉验证的方式，找出最佳的全局与个体数据集划分方式，如表4和图8所示。

表3

表4

机器学习处理生物信号一类常见问题就是intra-patient。根据本发明的模型，此处的实验方法应用三种场景，表3中结果证明了按照intra-dataset设置数据，会随着个体增加类内差异性累加导致网络失效；而用inter-dataset方式划分数据，在测试集与训练集样本相近时效果最好。

如果在训练时按照inter-patient的原则划分数据集，性能可有所改善，但由于网络学习能力有限，且这种模型相当于完全忽略了类间差异，所以随着输入个体的增加，性能逐渐下降，最终维持在一个较低的水平；而本发明提出的Patient-specific模型通过两个网络有效解决了增加输入个体导致的性能下降的问题，可以视作全局分类器的网络框架输入少量个体训练旨在获取类内特征，类间特征则由调整网络对新输入个体矫正时微调学习，两个网络相互协作，达到Patient-specific的效果。数据集的划分上，intra-patient数据集过小会产生过拟合现象，通过交叉验证的方式选择最佳的inter-patient和intra-patient的比例，在该数据集上，intra-patient的个体数据在20时就可以达到Patient-specific的效果，个体数据集大于30后该网络明显受到类内差异的影响使得准确率下降。

在训练好所有的模型后，在同济数据集上进行测试，经过全局分类器和矫正网络输出后，所得一段心拍概率序列以及对应的心电图如图9中(b)和(a)所示。同济数据集的14条心电图所得ACCU为90.2％，滑动窗口检测后会根据先验知识对误识别和漏识别的心拍进行纠正，最终选取4条信号测得的胎心心率结果如表5所示。

表5

本发明建立了一个基于深度学习的胎心心率特异性检测模型，训练后可以直接在输入的胎儿心电信号上定位胎儿心拍，再计算出胎心心率，并可根据不同个体定向调整模型达到特异性诊断的效果。经多项实验验证，该模型能够准确识别胎儿心拍片段，并且对于不同病人也有特异性的诊断效果；本发明的核心框架是识别心拍片段的CNN-LSTM，所以通过该网络识别心拍的准确率和最终测得的胎儿心率的误差来评价模型。选择数据量较大的Challenge 2013分析模型的可行性，发现对心拍识别率可达到95％，在同济数据集上训练后对胎儿心率检测平均误差不超过±6次/分钟；在两份不同的数据源上分别进行训练和测试，仍能保持90％的测试准确率；证明了模型的泛化能力，可用于医疗应用和临床诊断。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

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。

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FCN层，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。

7.如权利要求1所述的系统，其特征在于，所述特异性调整网络为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，全局数据集取自尽可能少的个体；

(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。

Images