CN102940485A

CN102940485A - 一种胎心率基线自动识别算法

Info

Publication number: CN102940485A
Application number: CN2012103831328A
Authority: CN
Inventors: 陆尧胜; 魏守一; 秦如意; 陈洋; 刘晓磊
Original assignee: GUANGZHOU SUNRAY MEDICAL APPARATUS CO Ltd
Current assignee: GUANGZHOU SUNRAY MEDICAL APPARATUS CO Ltd
Priority date: 2012-10-10
Filing date: 2012-10-10
Publication date: 2013-02-27
Anticipated expiration: 2032-10-10
Also published as: CN102940485B

Abstract

本发明公开了一种胎心率基线自动识别算法，该算法包括以下步骤：S1、对胎心率信号进行采集；S2、对上述采集到的胎心率信号进行曲线优化处理；S3、对优化处理后的胎心率信号曲线进行特征提取，并利用聚类分析算法将提取的特征点聚类为两个特征部分；S4、根据区分条件将上述两个特征部分区分为基线部分和非基线部分；S5、对识别出的基线部分进行平滑滤波，从而得到最终估计的胎心率基线。本发明作为一种胎心率基线自动识别算法，尤其是能够在聚类结果相近的情况下，通过结合胎动信息，更准确地判定胎心率基线，为临床提供更加智能、更加可靠的胎心监护结果，可广泛应用于生物医学信号处理领域、人工智能以及电子胎儿监护领域。

Description

一种胎心率基线自动识别算法

技术领域

本发明涉及生物医学信号处理、人工智能以及电子胎儿监护领域，尤其是一种胎心率基线自动识别算法。

背景技术

胎心率监护是胎儿电子监护的重要内容。胎心率的变化是胎儿中枢神经系统调节的结果，因此，胎心率监护反映的是胎儿中枢神经系统的功能状态。胎心率曲线是对一段时间内胎心率变化的记录，它包含一定的模式特征，比如基线、加速、减速和细变异（包含长变异和短变异），通过对这些特征的读解和识别，产科医护人员能及时掌握胎儿在宫内发育的状况并做出临床决策。但是，大量临床报告和论文研究表明不同的产科医生对于这些特征的识别存在较大的个体差异。例如，对于基线的判断，可能会产生10bpm或者以上的差别。这样就会对加速和减速的判断产生很大影响，所以需要计算机辅助诊断分析系统，按照国际标准或通行的准则，对这些特征进行分析和识别。

胎心率基线自动识别方面，现有算法主要存在以下几个问题：1、对于连续加速或者连续减速的情况，现有算法得到的基线会受到连续加速或减速分量的影响而出现抬高或者减低的现象；2、对于胎心率加速或者减速时间较长，胎心率曲线基线部分与加速减速部分在时间分布上近似的情况，现有算法可能会错误地估计基线的位置，或者只能得到一条从胎心率信号正中间穿过的基线，这对于临床是没有意义的。

发明内容

为了解决上述技术问题，本发明所采用的技术方案是：一种胎心率基线自动识别算法，该算法包括以下步骤：

S1、对胎心率信号进行采集；

S2、对上述采集到的胎心率信号进行曲线优化处理；

S3、对优化处理后的胎心率信号曲线进行特征提取，并利用聚类分析算法将提取的特征点聚类为两个特征部分；

S4、根据区分条件将上述两个特征部分区分为基线部分和非基线部分；

S5、对识别出的基线部分进行平滑滤波，从而得到最终估计的胎心率基线。

进一步，所述步骤S2包括以下子步骤：

S21、对胎心率信号曲线进行断点检测；

S22、对胎心率信号曲线进行线性拟合；

S23、对胎心率信号曲线进行信号降噪。

进一步，所述步骤S23是通过经验模式分解实现的，其包括以下子步骤：

S231、计算胎心率曲线短变异均值，将其与校正系数相乘；

S232、计算估计噪声能量阀值百分比；

S233、将原信号经过经验模式分解为不同尺度的本征模函数；

S234、对本征模函数逐一到最后一个尺度求和，得到各组重构信号；

S235、判断重构信号是否满足阀值百分比条件；

S236、若否，则将下一组重构信号取代本组重构信号后，重新执行步骤S235；若是，则执行步骤S237；

S237、该重构信号为胎心率信号降噪结果。

进一步，所述步骤S3包括以下子步骤：

S31、对优化后的胎心率曲线求极值后提取特征点；

S32、根据约束条件排除特定的特征点；

S33、对剩余的特征点建立训练集；

S34、利用聚类分析算法将训练集分成两个特征部分。

进一步，步骤S34中所述聚类分析算法为K均值算法或者Kohonen神经网络算法。

进一步，所述步骤S4，其具体为，根据区分条件对两个特征部分进行判断，若满足区分条件，则直接将两个特征部分区分为基线部分和非基线部分，反之，则结合胎动信号进而将两个特征部分区分为基线部分和非基线部分。

进一步，所述步骤S4中，结合胎动信号进而将两个特征部分区分为基线部分和非基线部分，其包括以下子步骤：

S42、判断胎动信号中的胎动部分；

S43、从两个特征部分中除去胎动部分的时间所对应的特征点；

S44、计算两个特征部分特征点数量的比例；

S45、依据判决条件对两个特征部分进行区分。

本发明的有益效果是：本发明作为一种胎心率基线自动识别算法能够准确识别胎心率基线；尤其是在聚类结果相近的情况下，通过结合胎动信息，更准确地判定胎心率基线，很好地解决胎心率连续加速或减速中一般算法基线估计过低或过高的问题，为临床提供更加智能、更加可靠的胎心监护结果。

附图说明

图1为本发明一种胎心率基线自动识别算法的总步骤流程图；

图2为图1中步骤S2的子步骤流程图；

图3为图2中步骤S23一具体实施方式的子步骤流程图；

图4为胎心率原始信号曲线图；

图5为图4中胎心率信号经曲线断点检测和线性拟合之后的效果图；

图6为经过曲线断点检测和线性拟合之后的胎心率信号曲线图；

图7为图6中胎心率信号曲线降噪之后的效果图；

图8为图1中步骤S3的子步骤流程图；

图9为胎心率信号曲线提取信号特征点的示意图；

图10为胎心率信号曲线特征点聚类结果的示意图；

图11为图1中步骤S4的子步骤流程图；

图12为胎动信号与胎心率信号对应关系示意图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步说明：

参照图1，一种胎心率基线自动识别算法，该算法包括以下步骤：

S1、对胎心率信号进行采集；

S2、对上述采集到的胎心率信号进行曲线优化处理；

参照图2，进一步作为优选的实施方式，所述步骤S2包括以下子步骤：

S21、对胎心率信号曲线进行断点检测；

S22、对胎心率信号曲线进行线性拟合；

S23、对胎心率信号曲线进行信号降噪。

步骤S2具体算法是：将胎心率信号

进行断点检测和线性拟合（胎心率信号为矢量，用加粗字体表示，下文中矢量信号均用加粗字体表示），即：

若对于

若

搜索

若

则对

到

之间的点进行线性插值，即若

有

S_{k} = round (S_{i - 1} + (k - i + 1) \frac{S_{j} - S_{i - 1}}{j - i + 2}),

表示取整。插值后即完成了断点检测和线性拟合操作。

但具体实施过程中，可能出现胎心率值突然减半或者翻倍等情况，所以对于这些情况，要进一步约束判定条件，即若存在对于

若

时，仍按照上述算法进行检测和线性拟合，其中

是预先设置的阈值。

图5为胎心率信号曲线经断点检测和线性拟合之后的效果图。

参照图3，进一步作为优选的实施方式，所述步骤S23是通过经验模式分解（EMD，empirical mode decomposition）实现的，其包括以下子步骤：

S231、计算胎心率曲线短变异均值

将其与校正系数k相乘；

S232、计算估计噪声能量阀值百分比α；

S233、将原信号经过经验模式分解为不同尺度的本征模函数；

S235、判断重构信号是否满足阀值百分比条件；

S237、该重构信号为胎心率信号降噪结果。

具体方式为：对经过断点检测和线性拟合之后的胎心率信号

建模，将其建模为加减速信号

及基线信号

和噪声信号

即

其中，噪声信号估计为幅值在

之间的均匀分布，

可通过胎心率信号的短变异均值

并乘以系数求得，即

利用经验模式分解、小波变换或者低阶平滑滤波的方法可以实现噪声的滤除，设α为阈值

α = \frac{E (n^{2})}{\frac{1}{N} Σ_{i = 0}^{N - 1} S_{i}^{2}}

= \frac{E^{2} (n) + D (n)}{\frac{1}{N} Σ_{i = 0}^{N - 1} S_{i}^{2}}

比如利用经验模式分解将原信号分解为不同的本征模函数（IMF，intrinsic mode function），而重构信号记为

即

则若

可以近似估计为滤除噪声

后只包含加减速信息和基线信息的信号。图7为胎心率信号曲线降噪之后的效果图，即去除毛刺信号的重构胎心率信号效果图。

除如上所述的经验模式分解方法之外，信号降噪过程也可通过小波变换或者低阶平滑滤波实现。

参照图8，进一步作为优选的实施方式，所述步骤S3包括以下子步骤：

S31、对优化后的胎心率曲线求极值后提取特征点；

首先求出降噪后胎心率信号

的局部最大最小值（极值），对

进行一阶差分，得

并对于其中

为

的长度，搜索出

中

的点，这些点都为

的局部最大最小值。图9胎心率信号曲线提取信号特征点的示意图。

S32、根据约束条件排除特定的特征点；

对于求出的极值点，标记为矩阵

其中

为该点的胎心率值，而为该特征点与前一特征点之间的差值，

为该点对应的时间点。排除

的点。

S33、对剩余的特征点建立训练集；

S34、利用聚类分析算法将训练集分成两个特征部分。

对于极值点的胎心率值矩阵

若有

或

则将

否则

对于以上两种情况

最终得到的聚类分析训练集即

进一步作为优选的实施方式，步骤S34中所述聚类分析算法为K均值算法或者Kohonen神经网络算法，利用上述算法对训练集

进行聚类，按照数值特征分为两个特征部分

和

图10为胎心率信号曲线特征点聚类结果的示意图。

参照图1，进一步作为优选的实施方式，所述步骤S4，其具体为，根据区分条件对两个特征部分进行判断，若满足区分条件，则直接将两个特征部分区分为基线部分和非基线部分；反之，则结合胎动信号进而将两个特征部分区分为基线部分和非基线部分。

将其中一个特征部分区分为即基线部分；将其中另一个特征部分区分为

即非基线部分。若两个特征部分满足区分条件，也即不满足结合胎动判断条件

时，其中size为求数组长度函数，则

为

为

反之，若两个特征部分满足区分条件，也即不满足结合胎动判断条件

时，则

为

为

参照图11，进一步作为优选的实施方式，所述步骤S4中，若满足：

或

则结合胎动信号进而将两个特征部分区分为基线部分和非基线部分，其包括以下子步骤：

S42、判断胎动信号中的胎动部分；

S44、计算两个特征部分特征点数量的比例；

S45、依据判决条件对两个特征部分进行区分。

具体如下：

求胎动信号中的胎动部分，假设胎动原信号为

由于原信号背景噪声较强，需要用平滑滤波的方法对背景噪声进行降噪，即

为平滑滤波后的胎动信号。若对于

存在

则认为

属于胎动部分。其中

可以通过经验设定，亦可以通过最大类间方差法自适应获得。

如图12所示的胎动信号与胎心率信号对应关系，统计胎动部分的时间，并对应胎心率信号图，去除胎心率信号中胎动发生时的部分，判断之前得到和部分与剩下部分时间轴上对应关系；也即从两个特征部分中除去胎动部分的时间所对应的特征点，然后计算两个特征部分特征点数量的比例。若

部分对应的比例大于

部分对应的比例，即满足条件：

则

部分为基线部分，而

部分为非基线部分；反之则

部分为基线部分，而

部分为非基线部分。

最后再对识别出的基线部分进行三次样条插值，之后再平滑滤波，从而得到最终估计的胎心率基线。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可以作出种种的等同变换或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims

1.一种胎心率基线自动识别算法，其特征在于：该算法包括以下步骤：

S1、对胎心率信号进行采集；

S2、对上述采集到的胎心率信号进行曲线优化处理；

2.根据权利要求1所述的一种胎心率基线自动识别算法，其特征在于：所述步骤S2包括以下子步骤：

S21、对胎心率信号曲线进行断点检测；

S22、对胎心率信号曲线进行线性拟合；

S23、对胎心率信号曲线进行信号降噪。

3.根据权利要求2所述的一种胎心率基线自动识别算法，其特征在于：所述步骤S23是通过经验模式分解实现的，其包括以下子步骤：

S231、计算胎心率曲线短变异均值，将其与校正系数相乘；

S232、计算估计噪声能量阀值百分比；

S233、将原信号经过经验模式分解为不同尺度的本征模函数；

S235、判断重构信号是否满足阀值百分比条件；

S237、该重构信号为胎心率信号降噪结果。

4.根据权利要求1所述的一种胎心率基线自动识别算法，其特征在于：所述步骤S3包括以下子步骤：

S31、对优化后的胎心率曲线求极值后提取特征点；

S32、根据约束条件排除特定的特征点；

S33、对剩余的特征点建立训练集；

S34、利用聚类分析算法将训练集分成两个特征部分。

5.根据权利要求4所述的一种胎心率基线自动识别算法，其特征在于：步骤S34中所述聚类分析算法为K均值算法或者Kohonen神经网络算法。

6.根据权利要求1所述的一种胎心率基线自动识别算法，其特征在于：所述步骤S4，其具体为，根据区分条件对两个特征部分进行判断，若满足区分条件，则直接将两个特征部分区分为基线部分和非基线部分，反之，则结合胎动信号进而将两个特征部分区分为基线部分和非基线部分。

7.根据权利要求6所述的一种胎心率基线自动识别算法，其特征在于：所述步骤S4中，结合胎动信号进而将两个特征部分区分为基线部分和非基线部分，其包括以下子步骤：

S42、判断胎动信号中的胎动部分；

S44、计算两个特征部分特征点数量的比例；

S45、依据判决条件对两个特征部分进行区分。