CN108175384A - 基于子宫肌电信号识别宫缩的方法及装置 - Google Patents

基于子宫肌电信号识别宫缩的方法及装置 Download PDF

Info

Publication number
CN108175384A
CN108175384A CN201810080624.7A CN201810080624A CN108175384A CN 108175384 A CN108175384 A CN 108175384A CN 201810080624 A CN201810080624 A CN 201810080624A CN 108175384 A CN108175384 A CN 108175384A
Authority
CN
China
Prior art keywords
uterine
uterine contraction
contraction
window
signal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810080624.7A
Other languages
English (en)
Inventor
郝冬梅
邱倩
安阳
刘俊涛
周希亚
张松
杨益民
杨琳
李旭雯
王莹
高沛
张蕾
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Technology
Peking Union Medical College Hospital Chinese Academy of Medical Sciences
Original Assignee
Beijing University of Technology
Peking Union Medical College Hospital Chinese Academy of Medical Sciences
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing University of Technology, Peking Union Medical College Hospital Chinese Academy of Medical Sciences filed Critical Beijing University of Technology
Priority to CN201810080624.7A priority Critical patent/CN108175384A/zh
Publication of CN108175384A publication Critical patent/CN108175384A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
    • A61B5/4306—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the female reproductive systems, e.g. gynaecological evaluations
    • A61B5/4343—Pregnancy and labour monitoring, e.g. for labour onset detection
    • A61B5/4356—Assessing uterine contractions
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/03—Detecting, measuring or recording fluid pressure within the body other than blood pressure, e.g. cerebral pressure; Measuring pressure in body tissues or organs
    • A61B5/033—Uterine pressure
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/389—Electromyography [EMG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Hematology (AREA)
  • Pregnancy & Childbirth (AREA)
  • Gynecology & Obstetrics (AREA)
  • Reproductive Health (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了基于子宫肌电信号识别宫缩的方法及装置；属于分娩监护技术领域。该方法采集一定时长的子宫肌电信号；对子宫肌电信号进行预处理去除干扰；设置窗口长度L，提取窗口内子宫肌电信号的特征；采用模糊聚类算法将所有窗口特征聚成两类，若两类中心距离小于等于设定的阈值D，则认为没有宫缩信号；若两类中心距离大于设定阈值，则认为类中心值较大的类为宫缩对应的类；在宫缩类中，计算每两个窗口中心的时间间隔。在新生成的所有窗口中，搜索宫缩的起点、终点和峰值点；计算宫缩参数，宫缩参数包括宫缩次数、平均持续时间、平均强度和平均间隔。本发明实现了宫缩信号的自动识别和宫缩特征参数的计算，为监测子宫活动提供了新的途径。

Description

基于子宫肌电信号识别宫缩的方法及装置
技术领域
本发明属于分娩监护技术领域，尤其涉及一种基于子宫肌电信号识别宫缩的方法及装置。
背景技术
提高人口质量、减少出生缺陷是关系到家和国泰的民生大事。随着生育政策的实施，分娩量急剧增加的同时，高危产妇也明显增加。子宫收缩即宫缩直接促使胎儿排出母体，是推动分娩的动力。临产宫缩是由弱至强，维持一定时间，随后由强逐渐减弱，进入间歇期，如此反复直至分娩结束，有规律的宫缩是临产的一个重要特征。对于有先兆性早产的孕妇，由于无法判断是否为临产宫缩，会导致过度治疗或治疗不足；宫缩乏力则导致产程活跃期延缓或停滞，造成胎儿宫内缺氧；宫缩过强引起急产，可使新生儿发生颅内出血，这些均是导致围产儿发病和死亡的主要原因。可见，宫缩是反映孕妇分娩状态的重要依据，宫缩监测对于保证母胎健康具有重要意义。
在产检中，经常通过宫内压力导管(Intrauterine pressure catheter,IUPC)、分娩压力计(tocodynamometer,TOCO)和医生触摸孕妇腹部监测宫缩。IUPC法是将导管通过阴道置入子宫腔内，利用导管上的传感器测量宫内或羊水压力，反映宫缩压力值、持续时间、间歇时间等，它是有创测量法，如果操作不慎可能引起感染，因而无法用作常规监测。TOCO是无创测量法，将压力传感器用松紧带固定于腹部，通过测量腹部形变间接评估宫内压力，这样测得的压力受到测量初始值和皮带捆扎松紧程度的影响，还容易受产妇体位、肥胖的影响。有些孕妇可以感知宫缩，有些则不能。有经验的医生靠触诊孕妇腹部感知宫缩，而此类方法主观性强，不便于长期监测。目前，临床上并无可靠、有效地监测宫缩的方法。
体表子宫肌电(eletrohystrogram,EHG)是从孕妇体表检测到的妊娠子宫的电活动，是无数个子宫平滑肌细胞单个电活动的综合表现。子宫收缩是动作电位以间歇式爆发波的方式沿子宫肌细胞传播的结果。子宫收缩强度与动作电位的传播程度和招募的肌细胞数量有关,随着分娩的临近，子宫肌层细胞兴奋性和连通性增加，导致动作电位的传播增加，EHG信号强度和同步性增大，常对应可被感知的宫缩。EHG信号与宫缩强度有较好的相关性，对宫缩的敏感性和可靠性优于TOCO。识别宫缩对应的EHG信号是宫缩监测中的关键技术。
发明内容
本发明旨在提供一种利用子宫肌电信号识别宫缩的方法及装置，实现分娩期宫缩的自动识别和宫缩特征参数的计算。
为达到上述目的，本发明通过以下技术方案来实现：
基于子宫肌电信号识别宫缩的方法，该方法包括以下步骤：
步骤A1:采集一定时长的子宫肌电信号；
步骤A2:对子宫肌电信号进行预处理去除干扰；
步骤A3:设置窗口长度L，提取窗口内子宫肌电信号的特征，滑动窗口，重复此操作，舍弃最后不足一个窗口长度的采样点；
步骤A4:采用模糊聚类算法将所有窗口特征聚成两类，若两类中心距离小于等于设定的阈值D，则认为没有宫缩信号；若两类中心距离大于设定阈值，则认为类中心值较大的类为宫缩对应的类；
步骤A5:在宫缩类中，计算每两个窗口中心的时间间隔，若时间间隔小于设定阈值T，则合并为一个窗口，否则窗口不变。在新生成的所有窗口中，搜索宫缩的起点、终点和峰值点；
步骤A6:计算宫缩参数，宫缩参数包括宫缩次数、平均持续时间、平均强度和平均间隔。
作为本发明进一步的技术方案，步骤A2中所述子宫肌电信号预处理方法包括以下步骤：
步骤B1:设计低通滤波器；
步骤B2:设定宽度为w的窗口，对窗口数据从大到小排序，取中间值代替窗口内的数值，依照此方法提取低通滤波后信号中的漂移成分，并在低通滤波后的信号中减去该漂移成分。
作为本发明进一步的技术方案，步骤A3中所述特征，包括样本熵、Lyapunov指数和中值频率，峰值频率，信号能量，标准差和均方根。
作为本发明进一步的技术方案，步骤A4中所述模糊聚类算法，采用模糊C均值算法，隶属度函数采用高斯函数，设定聚类数目为2，两类中心距离为欧式距离。
作为本发明进一步的技术方案，步骤A5中所述搜索宫缩的起点、终点和峰值点，包括以下步骤：
步骤C1:用经验模态分解法求出宫缩段子宫肌电信号的包络线；
步骤C2:在包络线上若连续m点幅值增加且幅值增加超过阈值Ts，则第一个幅值增加的点判定为宫缩起点；从宫缩起点后，从连续m点幅值增加到连续m点幅值下降的拐点判定为峰值点；从连续m点幅值下降且幅值下降超过阈值Te到连续m点幅值变化不超过阈值Te的拐点判定为宫缩的终点。
作为本发明进一步的技术方案，步骤A6中所述宫缩参数计算，包括以下步骤：
步骤D1:对A4中所有宫缩窗口数求和，定义为此时间段内的宫缩次数。
步骤D2：对每一个宫缩窗口，计算宫缩起点和终点间的时间间隔作为此次宫缩的持续时间；对所有窗口的宫缩持续时间求均值，定义为平均持续时间。
步骤D3：对每一个宫缩窗口，计算宫缩起点和终点间的包络线下面积作为此次宫缩的强度；对所有窗口的宫缩强度求均值，定义为平均强度。
步骤D4：计算相邻两次宫缩峰值点间的时间间隔并求均值，定义为平均间隔。
作为本发明进一步的技术方案，基于子宫肌电信号识别宫缩的装置，识别宫缩的装置包括：多通道子宫肌电信号采集模块和处理模块，多通道子宫肌电信号采集模块和处理模块相连。处理模块包括预处理模块、识别模块和计算模块，预处理模块、识别模块和计算模块顺次连接。预处理模块用于消除各种干扰；识别模块用于判断宫缩对应的子宫肌电信号；计算模块用于计算宫缩次数、宫缩平均持续时间和强度。
本发明相对现有技术的有益效果是：
本发明提供了一种利用子宫肌电信号识别宫缩的方法及装置，实现了宫缩信号的自动识别和宫缩特征参数的计算，为监测子宫活动提供了新的途径。
附图说明
图1是本发明宫缩识别的一种实施方式流程图。
图2是本发明采集到的子宫肌电信号及其包络线，(a)是原始子宫肌电信号(b)是子宫肌电信号包络线。
图3是本发明的宫缩参数示意图。
图4是本发明的宫缩识别装置示意图。
具体实施方式
下面结果具体实施方式和附图对本发明进行详细描述，但是本发明的实施方式不限于此。
步骤A1:采集一定时长的子宫肌电信号；
根据临床经验，临产宫缩约为10分钟3次，为了记录到宫缩时的子宫肌电信号，记录时长在20分钟以上。
步骤A2:对子宫肌电信号进行预处理去除干扰；
步骤A3:设置窗口长度L，提取窗口内子宫肌电信号的特征，滑动窗口，重复此操作，舍弃最后不足一个窗口长度的采样点；
根据临床经验，宫缩持续时间一般在30～60s，所以，L取30～60s。
步骤A4:采用模糊聚类算法将所有窗口特征聚成两类，若两类中心距离小于等于设定阈值D，则认为没有宫缩信号；若两类中心距离大于设定阈值，则认为类中心值较大的类为宫缩对应的类；
步骤A5:在宫缩类中，计算每两个窗口中心的时间间隔，若时间间隔小于设定阈值T，则合并为一个窗口，否则窗口不变。在新生成的所有窗口中，搜索宫缩的起点、终点和峰值点；
步骤A6:计算宫缩参数，包括宫缩次数、平均持续时间、平均强度和平均间隔。
作为本发明进一步的技术方案，步骤A2中所述子宫肌电信号预处理方法包括以下步骤：
步骤B1:设计0-3Hz的低通滤波器，或者在这个频率范围内的带通滤波器，如0.08-3Hz；
步骤B2:设定宽度为w的窗口，对窗口数据从大到小排序，取中间值代替窗口内的数值，依照此方法提取低通滤波后信号中的漂移成分，并在低通滤波后的信号中减去该漂移成分。
窗口宽度根据经验确定，如采样频率250Hz时，w＝700.
作为本发明进一步的技术方案，步骤A3中所述特征，包括样本熵、Lyapunov指数和功率谱中值频率，峰值频率，信号能量，标准差和均方根。
样本熵和Lyapunov指数的计算方法参考G,G,Jager F.A comparison of various linear and non-linear signal processingtechniques to separate uterine EMG records ofterm and pre-term deliverygroups[J].Medical&Biological Engineering&Computing,2008,46(9):911.。
中值频率fmed计算如公式(1)
其中，P为x(t)的功率谱密度函数，其中t＝0，1…N-1，x(t)是采样信号的时间序列，fs是采样频率，N是采样信号长度。i表示采样序号，i＝0，1…N-1；m是i的编号，im是指第m个采样序号。
峰值频率fpeak计算如公式(2)
信号能量e的计算如公式(3)
标准差STD计算如公式(4)
均方根RMS的计算如公式(5)
作为本发明进一步的技术方案，步骤A4中所述模糊聚类算法，采用模糊C均值算法，隶属度函数采用高斯函数，设定聚类数目为2，两类中心距离为欧式距离。
模糊C均值算法可以参考边肇祺，张学工等.模式识别.清华大学出版社2000年1月第2版
作为本发明进一步的技术方案，步骤A5中所述搜索宫缩的起点、终点和峰值点，包括以下步骤：
步骤C1:用经验模态分解法求出宫缩段子宫肌电信号的包络线；
经验模态分解法可以参考Djemili R,Bourouba H,Amara KorbaM.C.Application of empirical mode decomposition and artificial neural networkfor the classification ofnormal and epileptic EEG signals[J].Biocyberneticsand Biomedical Engineering,2016,36:285-291.。
步骤C2:在包络线上若连续m点幅值增加且幅值增加超过阈值Ts，则第一个幅值增加的点判定为宫缩起点；从宫缩起点后，从连续m点幅值增加到连续m点幅值下降的拐点判定为峰值点；从连续m点幅值下降且幅值下降超过阈值Te到连续m点幅值变化不超过阈值Te的拐点判定为宫缩的终点。
采样频率250Hz时，优先选择m＝30-50，Ts,Te可以根据多个包络的上升和下降段斜率均值的2/3确定。
作为本发明进一步的技术方案，步骤A6中所述宫缩参数计算，包括以下步骤：
步骤D1:对A4中所有宫缩窗口数求和，定义为此时间段内的宫缩次数。
步骤D2：对每一个宫缩窗口，计算宫缩起点和终点间的时间间隔作为此次宫缩的持续时间；对所有窗口的宫缩持续时间求均值，定义为平均持续时间。
也可以用宫缩段子宫肌电信号包络的半波宽度作为宫缩的持续时间。
步骤D3：对每一个宫缩窗口，计算宫缩起点和终点间的包络线下面积作为此次宫缩的强度；对所有窗口的宫缩强度求均值，定义为平均强度。
用离散求和的方式求包络线下面积，或用宫缩的峰值作为宫缩强度。
步骤D4：计算相邻两次宫缩峰值点间的时间间隔并求均值，定义为平均间隔。
宫缩识别装置包括：多通道子宫肌电信号采集模块和信号处理模块。其中，采集模块可以记录多通道子宫肌电信号，也可以记录宫缩压力信号。信号处理模块包括预处理模块、识别模块和计算模块。预处理模块可以包括多种去除干扰和噪声的方法；宫缩识别模块可以提取和选择子宫肌电信号特征，采用现代模式识别技术识别宫缩对应的子宫肌电信号；计算模块可以根据特征点计算多种宫缩参数，如宫缩次数、宫缩平均持续时间和宫缩强度。

Claims (8)

1.基于子宫肌电信号识别宫缩的方法，其特征在于：该方法包括以下步骤，
步骤A1:采集一定时长的子宫肌电信号；
步骤A2:对子宫肌电信号进行预处理去除干扰；
步骤A3:设置窗口长度L，提取窗口内子宫肌电信号的特征，滑动窗口，重复此操作，舍弃最后不足一个窗口长度的采样点；
步骤A4:采用模糊聚类算法将所有窗口特征聚成两类，若两类中心距离小于等于设定的阈值D，则认为没有宫缩信号；若两类中心距离大于设定阈值，则认为类中心值较大的类为宫缩对应的类；
步骤A5:在宫缩类中，计算每两个窗口中心的时间间隔，若时间间隔小于设定阈值T，则合并为一个窗口，否则窗口不变；在新生成的所有窗口中，搜索宫缩的起点、终点和峰值点；
步骤A6:计算宫缩参数，宫缩参数包括宫缩次数、平均持续时间、平均强度和平均间隔。
2.根据权利要求1所述的基于子宫肌电信号识别宫缩的方法，其特征在于：步骤A2中所述子宫肌电信号预处理方法包括以下步骤：
步骤B1:设计低通滤波器；
步骤B2:设定宽度为w的窗口，对窗口数据从大到小排序，取中间值代替窗口内的数值，依照此方法提取低通滤波后信号中的漂移成分，并在低通滤波后的信号中减去该漂移成分。
3.根据权利要求1所述的基于子宫肌电信号识别宫缩的方法，其特征在于：步骤A3中所述特征，包括样本熵、Lyapunov指数和中值频率，峰值频率，信号能量，标准差和均方根。
4.根据权利要求1所述的基于子宫肌电信号识别宫缩的方法，其特征在于：步骤A4中所述模糊聚类算法，采用模糊C均值算法，隶属度函数采用高斯函数，设定聚类数目为2，两类中心距离为欧式距离。
5.根据权利要求1所述的基于子宫肌电信号识别宫缩的方法，其特征在于：步骤A5中所述搜索宫缩的起点、终点和峰值点，包括以下步骤：
步骤C1:用经验模态分解法求出宫缩段子宫肌电信号的包络线；
步骤C2:在包络线上若连续m点幅值增加且幅值增加超过阈值Ts，则第一个幅值增加的点判定为宫缩起点；从宫缩起点后，从连续m点幅值增加到连续m点幅值下降的拐点判定为峰值点；从连续m点幅值下降且幅值下降超过阈值Te到连续m点幅值变化不超过阈值Te的拐点判定为宫缩的终点。
6.根据权利要求1所述的基于子宫肌电信号识别宫缩的方法，其特征在于：步骤A6中所述宫缩参数计算，包括以下步骤：
步骤D1:对A4中所有宫缩窗口数求和，定义为此时间段内的宫缩次数；
步骤D2：对每一个宫缩窗口，计算宫缩起点和终点间的时间间隔作为此次宫缩的持续时间；对所有窗口的宫缩持续时间求均值，定义为平均持续时间；
步骤D3：对每一个宫缩窗口，计算宫缩起点和终点间的包络线下面积作为此次宫缩的强度；对所有窗口的宫缩强度求均值，定义为平均强度；
步骤D4：计算相邻两次宫缩峰值点间的时间间隔并求均值，定义为平均间隔。
7.根据权利要求1所述的基于子宫肌电信号识别宫缩的方法，其特征在于：用离散求和的方式求包络线下面积，或用宫缩的峰值作为宫缩强度。
8.利用权利要求1所述方法进行的基于子宫肌电信号识别宫缩的装置，其特征在于：识别宫缩的装置包括：多通道子宫肌电信号采集模块和处理模块，多通道子宫肌电信号采集模块和处理模块相连；处理模块包括预处理模块、识别模块和计算模块，预处理模块、识别模块和计算模块顺次连接；预处理模块用于消除各种干扰；识别模块用于判断宫缩对应的子宫肌电信号；计算模块用于计算宫缩次数、宫缩平均持续时间和强度。
CN201810080624.7A 2018-01-28 2018-01-28 基于子宫肌电信号识别宫缩的方法及装置 Pending CN108175384A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810080624.7A CN108175384A (zh) 2018-01-28 2018-01-28 基于子宫肌电信号识别宫缩的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810080624.7A CN108175384A (zh) 2018-01-28 2018-01-28 基于子宫肌电信号识别宫缩的方法及装置

Publications (1)

Publication Number Publication Date
CN108175384A true CN108175384A (zh) 2018-06-19

Family

ID=62551558

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810080624.7A Pending CN108175384A (zh) 2018-01-28 2018-01-28 基于子宫肌电信号识别宫缩的方法及装置

Country Status (1)

Country Link
CN (1) CN108175384A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109125882A (zh) * 2018-09-11 2019-01-04 广州爱听贝科技有限公司 一种基于产妇生理信号驱动多媒体的导乐方法及系统
CN109805930A (zh) * 2019-02-21 2019-05-28 广州爱听贝科技有限公司 一种基于产妇宫缩信号驱动提醒产妇用力的方法和系统
CN109864741A (zh) * 2019-01-30 2019-06-11 北京津发科技股份有限公司 基于肌电信号的周期性动作评估方法和装置、终端设备
CN111973872A (zh) * 2019-05-24 2020-11-24 深圳市理邦精密仪器股份有限公司 反馈信号的输出方法、装置、分娩镇痛设备及介质
CN113133771A (zh) * 2021-03-18 2021-07-20 浙江工业大学 基于时频域熵特征的子宫肌电信号分析及早产预测方法
CN113855198A (zh) * 2021-10-13 2021-12-31 泰州市华达机电设备有限公司 用于宫缩识别的图像增强系统
CN113907771A (zh) * 2021-10-07 2022-01-11 北京工业大学 基于子宫肌电信号识别宫缩传导方向和起搏区的方法
CN114145742A (zh) * 2021-11-16 2022-03-08 上海瑞微数字科技有限公司 基于肌电信号的产妇状态识别的导乐方法和系统及设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1088422A (zh) * 1992-12-09 1994-06-29 海吉亚生物医学研究有限公司 分娩进程的诊断装置及方法
CN103565479A (zh) * 2013-11-14 2014-02-12 深圳市理邦精密仪器股份有限公司 一种提高胎心音信号采集质量的方法和装置
CN106889987A (zh) * 2017-02-21 2017-06-27 暨南大学 基于分段滤波处理的子宫肌电强度信息提取方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1088422A (zh) * 1992-12-09 1994-06-29 海吉亚生物医学研究有限公司 分娩进程的诊断装置及方法
CN103565479A (zh) * 2013-11-14 2014-02-12 深圳市理邦精密仪器股份有限公司 一种提高胎心音信号采集质量的方法和装置
CN106889987A (zh) * 2017-02-21 2017-06-27 暨南大学 基于分段滤波处理的子宫肌电强度信息提取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
PATRICIO S. LA ROSA ET AL: "Detection of Uterine MMG Contractions Using a Multiple Change Point Estimator and the K-Means Cluster Algorithm", 《IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING》 *
刘高超等: "宫缩曲线分析及其状态实时识别算法的研究", 《生物医学工程学杂志》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109125882A (zh) * 2018-09-11 2019-01-04 广州爱听贝科技有限公司 一种基于产妇生理信号驱动多媒体的导乐方法及系统
CN109125882B (zh) * 2018-09-11 2021-07-06 广州爱听贝科技有限公司 一种基于产妇生理信号驱动多媒体的导乐方法及系统
CN109864741A (zh) * 2019-01-30 2019-06-11 北京津发科技股份有限公司 基于肌电信号的周期性动作评估方法和装置、终端设备
CN109805930A (zh) * 2019-02-21 2019-05-28 广州爱听贝科技有限公司 一种基于产妇宫缩信号驱动提醒产妇用力的方法和系统
CN111973872A (zh) * 2019-05-24 2020-11-24 深圳市理邦精密仪器股份有限公司 反馈信号的输出方法、装置、分娩镇痛设备及介质
CN113133771A (zh) * 2021-03-18 2021-07-20 浙江工业大学 基于时频域熵特征的子宫肌电信号分析及早产预测方法
CN113133771B (zh) * 2021-03-18 2022-10-28 浙江工业大学 基于时频域熵特征的子宫肌电信号分析及早产预测方法
CN113907771A (zh) * 2021-10-07 2022-01-11 北京工业大学 基于子宫肌电信号识别宫缩传导方向和起搏区的方法
CN113855198A (zh) * 2021-10-13 2021-12-31 泰州市华达机电设备有限公司 用于宫缩识别的图像增强系统
CN114145742A (zh) * 2021-11-16 2022-03-08 上海瑞微数字科技有限公司 基于肌电信号的产妇状态识别的导乐方法和系统及设备

Similar Documents

Publication Publication Date Title
CN108175384A (zh) 基于子宫肌电信号识别宫缩的方法及装置
Fele-Žorž et al. A comparison of various linear and non-linear signal processing techniques to separate uterine EMG records of term and pre-term delivery groups
Mischi et al. Dedicated entropy measures for early assessment of pregnancy progression from single-channel electrohysterography
JP3181486U (ja) 子宮ｅｍｇ信号を取得し表示するためのシステム
Ye-Lin et al. Automatic identification of motion artifacts in EHG recording for robust analysis of uterine contractions
CN108013872A (zh) 用于母体胎儿心率监测的系统
Horoba et al. Early predicting a risk of preterm labour by analysis of antepartum electrohysterograhic signals
CN106889981B (zh) 一种用于提取胎儿心率的智能终端
CN101627907B (zh) 心电信号分析处理装置及方法
Diab et al. Classification of uterine EMG signals using supervised classification method
Subramaniam et al. A review of significant researches on prediction of preterm birth using uterine electromyogram signal
Vrhovec et al. An uterine electromyographic activity as a measure of labor progression
Esgalhado et al. Uterine contractions clustering based on electrohysterography
CN102258368A (zh) 胎心电检测的时域稀疏性线性混叠盲分离模型的判别方法
Hao et al. Development of electrohysterogram recording system for monitoring uterine contraction
CN113907765B (zh) 一种无创胎儿心电信号质量评估方法
CN109998490B (zh) 一种基于子宫肌电信号自动识别宫缩的方法
Cheng et al. Novel multichannel entropy features and machine learning for early assessment of pregnancy progression using electrohysterography
Rabotti et al. Inter-electrode delay estimators for electrohysterographic propagation analysis
CN106691437B (zh) 一种基于母体心电信号的胎儿心率提取方法
Babu et al. Characterization and classification of uterine magnetomyography signals using KNN classifier
Naeem et al. Kl. Comparison between using linear and non-linear features to classify uterine electromyography signals of term and preterm deliveries
Rabotti Characterization of uterine activity by electrohysterography
Govindan et al. Decrement of uterine myometrial burst duration as a correlate to active labor: A Hilbert phase approach
Almagro et al. A new mother wavelet for fetal electrocardiography, to achieve optimal denoising and compressing results

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180619

WD01 Invention patent application deemed withdrawn after publication