CN109645996A - 一种子宫收缩乏力监测方法、系统、智能终端和存储介质 - Google Patents

一种子宫收缩乏力监测方法、系统、智能终端和存储介质 Download PDF

Info

Publication number
CN109645996A
CN109645996A CN201910130544.2A CN201910130544A CN109645996A CN 109645996 A CN109645996 A CN 109645996A CN 201910130544 A CN201910130544 A CN 201910130544A CN 109645996 A CN109645996 A CN 109645996A
Authority
CN
China
Prior art keywords
uterine
layer
pregnant woman
myoelectricity
uterine contractions
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.)
Granted
Application number
CN201910130544.2A
Other languages
English (en)
Other versions
CN109645996B (zh
Inventor
宋立国
罗虎
张金区
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.)
Guangzhou Ai Bei Technology Co Ltd
Original Assignee
Guangzhou Ai Bei Technology Co Ltd
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 Guangzhou Ai Bei Technology Co Ltd filed Critical Guangzhou Ai Bei Technology Co Ltd
Priority to CN201910130544.2A priority Critical patent/CN109645996B/zh
Publication of CN109645996A publication Critical patent/CN109645996A/zh
Application granted granted Critical
Publication of CN109645996B publication Critical patent/CN109645996B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—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
    • A61B5/22—Ergometry; Measuring muscular strength or the force of a muscular blow
    • A61B5/224—Measuring muscular strength
    • A61B5/227—Measuring muscular strength of constricting muscles, i.e. sphincters
    • 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
    • A61B5/4318—Evaluation of the lower reproductive system
    • A61B5/4325—Evaluation of the lower reproductive system of the uterine cavities, e.g. uterus, fallopian tubes, ovaries
    • 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
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0204—Operational features of power management
    • A61B2560/0214—Operational features of power management of power generation or supply

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Fuzzy Systems (AREA)
  • Gynecology & Obstetrics (AREA)
  • Reproductive Health (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种子宫收缩乏力监测方法，包括以下步骤：S1、采集孕妇的实时子宫肌电数据；S2、将所采集的孕妇实时子宫肌电数据输入至一预先训练的网络模型中进行预测；S3、输出预测结果，根据所述预测结果得出孕妇子宫是否处于子宫收缩乏力状态。本申请还提供一种子宫收缩乏力监测系统、智能终端和存储介质。本发明基于深度学习的方法，仅通过一个网络模型来对EHG数据进行预测分类，从而提高效率和准确率。

Description

一种子宫收缩乏力监测方法、系统、智能终端和存储介质
技术领域
本发明涉及数据处理领域，更具体地说，特别涉及一种子宫收缩乏力监测方法。
背景技术
产力、产道、胎儿及精神心理因素是影响经阴道分娩的四大因素，各因素均正常并能相互适应，分娩就能顺利完成，反之则会发生难产，从而危及孕妇胎儿的安全。明显的产道异常，胎儿异常在临产前即能发现并处理，而许多产科情况要在临产后才表露出来，特别是产力异常则是分娩过程中出现的，是分娩四大因素中最活跃的因素，也是产科医师处理难产的重点。产力异常可分子宫收缩乏力和子宫收缩过强两类。子宫收缩乏力可分继发子宫收缩乏力和原发子宫收缩乏力。
产程开始时子宫收缩正常以后转为继发性子宫收缩乏力，多发生在第一产程后期与第二产程，表现为活跃期延长或停滞，以及第二产程延长，常见于头盆不称、中骨盆与骨盆出口平面狭窄、持续性枕模位或枕后位、羊水过多、多胎妊娠、巨大儿、镇静剂或麻醉剂过量、产妇过度疲劳与紧张等。
原发性宫缩乏力表现为潜伏期延长，常见于子宫畸形、胎位不正、头盆不称、胎先露过高或不能紧贴宫颈、胎膜早破过早引产时。原发性宫缩乏力在临床上不宜与假临产相鉴别，需要通过仔细摸宫缩，鉴别真假临产在产程观察时，要求助产士不能依赖于胎儿电子监护仪观察宫缩，应用手摸法判断宫缩。即一手平放于产妇腹部宫底处30min，判断宫缩的节律性、对称性及极性。当发现子宫收缩及节律不协调，宫缩时宫底部不强，而是子宫下段强。间歇期子宫壁也不完全松弛的不协调性宫缩现象，且产妇自觉下腹部持续疼痛，拒按，烦躁不安，宫口不能如期扩张，胎先露部不能如期下降时，报告医生并遵医嘱给予肌注盐酸哌替啶注射液100mg以鉴别真假临产。给药后若为假临产宫缩即停止，不能使宫缩停止时则应为原发性宫缩乏力。
宫缩乏力无论出现产程何期，均要积极处理，不可期待自然发展。目前判断继发性以及原发性的宫缩乏力均主要靠医护人员的经验，无量化指标，同时存在判断滞后的情况。
子宫肌电由宫角发出然后向宫颈方向传播，传播过程中，肌电信号幅值逐渐增加，子宫收缩时表面肌电信号表现为频繁的爆发波，随产程的临近，爆发波的幅值升高，频率加快，持续时间延长，宫缩乏力时电活动明显减弱。通过实时监测子宫肌电情况，并与系统中建立的子宫乏力肌电模型比对，可以及时提醒医护人员，便于医护人员的早介入，早处理，从而降低因子宫乏力导致的孕妇及胎儿的不良影响。
传统的采用EHG处理技术处理肌电信号需要经过降噪、滤波、变换、特征提取等预处理过程，最后再使用分类器对特征进行分类，并且，预处理对最终结构的影响较大，整个处理过程呈分段式进行，因此本发明提出基于深度学习的方法，仅通过一个网络模型来对EHG数据进行预测分类，从而提高效率和准确率。
发明内容
本发明的目的在于提供一种子宫收缩乏力监测方法，以克服现有技术中所存在的问题。
一种子宫收缩乏力监测方法，包括以下步骤：
S1、采集孕妇的实时子宫肌电数据；
S2、将所采集的孕妇实时子宫肌电数据输入至一预先训练的网络模型中进行预测；
S3、输出预测结果，根据所述预测结果得出孕妇子宫是否处于子宫收缩乏力状态。
进一步地，所述步骤S3中网络模型的的训练方法包括：
S21、按照一设定时间采集孕妇在正常时的若干个子宫肌电数据，并将该子宫肌电数据进行标记；
S22、按照一设定时间采集孕妇在宫缩乏力时的若干个子宫肌电数据，并将该子宫肌电数据进行标记；
S33、建立基于DenseNet思想的Bi-LSTM网络模型；
S34、采用Adam优化算法和binary_crossentropy损失函数将步骤S21和步骤S22中的子宫肌电数据输入至Bi-LSTM网络模型中进行模型训练。
进一步地，所述步骤S33中的Bi-LSTM网络模型包括：
输入层，所述输入层为dropout层；
第一层，所述第一层为Bi-LSTM层，所述Bi-LSTM层中设置forget_gate_bias，所述Bi-LSTM中的statefule为true；
第一Concatenate层，用于将第一层的输入与第一层的输出结果进行拼接并作为第二层的输入；
第二层，所述第二层为Bi-LSTM层，所述Bi-LSTM层中设置forget_gate_bias，所述Bi-LSTM中的statefule为true；
第二Concatenate层，用于将第一Concatenate层的输出和第二层的输出进行拼接并作为第三层的输入；
第三层，所述第三层为Dense层，Dense层的输出维度为512；
BatchNormalization网络层；
ReLU激活层；
第四层，所述第四层为Dense层，输出维度为2，激活函数采用softmax。
进一步地，所述第四层的Dense层为二分类器。
进一步地，所述步骤S21中，将孕妇在正常时的子宫肌电数据标记为1，所述步骤S22中，将孕妇在宫缩乏力时的子宫肌电数据标记为0。
进一步地，步骤S21和步骤S22中的设定时间为30min。
为了解决上述技术问题，本申请实施例还提供一种子宫收缩乏力监测系统，采用了如下所述的技术方案：
一种子宫收缩乏力监测系统，包括：
肌电采集模块，用于采集孕妇的实时子宫肌电数据并进行预处理；
预测模块，用于将所预处理的孕妇实时子宫肌电数据输入至一预先训练的网络模型中进行预测；
输出模块，输出预测结果，根据所述预测结果得出孕妇子宫是否处于子宫收缩乏力状态。
进一步地，所述肌电采集模块包括：
肌电采集电极，用于贴合在孕妇的腹部，采集孕妇子宫处的肌电数据；
抗混叠滤波器，用于对肌电信号进行抗混叠处理；
ADC采样模块，用于将抗混叠处理后的肌电数据转化为数字信号；
DSP处理模块，DSP处理模块，用于通道选择切换并将各个通道的数据进行预处理分析；
存储模块，用于存储ADC采样后的数字信号；
连接模块，用于提供有线或无线连接链路；
以及，电源管理模块，用于为该肌电采集装置提供电源；
所述肌电采集电极、抗混叠滤波器、ADC采样模块、DSP处理模块依次连接，所述存储模块、蓝牙模块和电源管理模块均与DSP处理模块连接。
为了解决上述技术问题，本申请实施例还提供一种智能终端，采用了如下所述的技术方案：
一种智能终端，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现如上述的子宫收缩乏力监测系统的步骤。
为了解决上述技术问题，本申请实施例还提供一种存储介质，采用了如下所述的技术方案：
一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的子宫收缩乏力监测系统的步骤。
为了达到上述目的，本发明采用的技术方案如下：
与现有技术相比，本发明的优点在于：本发明提供的子宫收缩乏力监测方法，基于深度学习的方法，仅通过一个网络模型来对EHG数据进行预测分类，从而提高效率和准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请子宫收缩乏力监测方法的流程图。
图2是本申请一个实施例中网络模型的的训练方法的流程图。
图3是根据本申请子宫收缩乏力监测系统的框架图。
图4是根据本申请子宫收缩乏力监测系统中肌电采集模块的框架图。
图5是根据本申请Bi-LSTM网络模型的框架图。
图6是根据本申请的智能终端的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
参阅图1所示，本申请实施例提供的子宫收缩乏力监测方法，包括：
步骤S1、采集孕妇的实时子宫肌电数据；
步骤S2、将所采集的孕妇实时子宫肌电数据输入至一预先训练的网络模型中进行预测；
步骤S3、输出预测结果，根据所述预测结果得出孕妇子宫是否处于子宫收缩乏力状态。
参阅图2所示，所述的步骤S3中网络模型的的训练方法包括：
步骤S21、按照一设定时间(本申请实施例中设定时间为30min)采集孕妇在正常时的若干个子宫肌电数据，并将该子宫肌电数据进行标记，本申请实施例标记为“1”；
步骤S22、按照一设定时间(本申请实施例中设定时间为30min)采集孕妇在宫缩乏力时的若干个子宫肌电数据，并将该子宫肌电数据进行标记，本申请实施例标记为“0”；
步骤S33、建立基于DenseNet思想的Bi-LSTM网络模型；
步骤S34、采用Adam优化算法和binary_crossentropy损失函数将步骤S21和步骤S22中的子宫肌电数据输入至Bi-LSTM网络模型中进行模型训练。
参阅图5所示，所述的步骤S33中的Bi-LSTM网络模型包括：输入层，所述输入层为dropout层，即加入dropout来减少噪声和数据丢失的影响；第一层，所述第一层为Bi-LSTM层，所述Bi-LSTM层中设置forget_gate_bias来阻止梯度消失，所述Bi-LSTM中的statefule为true，也即同一个batch下的样本，状态会一直保留传递给下一个样本；第一Concatenate层，用于将第一层的输入与第一层的输出结果进行拼接(即concate)并作为第二层的输入；第二层，所述第二层为Bi-LSTM层，与第一层相同，即所述Bi-LSTM层中设置forget_gate_bias来阻止梯度消失，所述Bi-LSTM中的statefule为true，也即同一个batch下的样本，状态会一直保留传递给下一个样本；第二Concatenate层，用于将第一Concatenate层的输出和第二层的输出进行拼接并作为第三层的输入；第三层，所述第三层为Dense层，Dense层的输出维度为512；BatchNormalization网络层,防止梯度弥散，加快训练速度，提高模型精度；ReLU激活层,进行非线性映射；第四层，所述第四层为Dense层，输出维度为2，激活函数采用softmax。
作为本申请一优选实施例，所述的第四层的Dense层为二分类器，用于输出0和1，即为样本标签，根据输出的样本标签来判断是否为子宫收缩乏力。
参阅图3所示，本申请实施例还提供一种子宫收缩乏力监测系统，采用了如下所述的技术方案：一种子宫收缩乏力监测系统，包括：
肌电采集模块10，用于采集孕妇的实时子宫肌电数据并进行预处理；预测模块20，用于将所预处理的孕妇实时子宫肌电数据输入至一预先训练的网络模型中进行预测；输出模块30，输出预测结果，根据所述预测结果得出孕妇子宫是否处于子宫收缩乏力状态。
参阅图4所示，本申请实施例中所述的肌电采集模块包括：肌电采集电极101，采用柔性电极贴合在孕妇的腹部，采集孕妇实时子宫处的肌电数据，采用1～4个通道采集子宫肌电数据；抗混叠滤波器102，用于对肌电信号进行抗混叠处理；ADC采样模块103，用于将抗混叠处理后的肌电数据转化为数字信号，以便与后续的ADC采样电路匹配。子宫肌电采样电路，各个通道的EHG信号经过ADC的采样之后，转换成可以软件处理的数字信号；DSP处理模块104，用于通道选择切换，以获得子宫表面的生物电的不同方向的矢量数据。并将各个通道的数据进行预处理分析，包括AGC(自动增益)、幅度分析、时域上平滑滤波、频域的功率谱分析等操作。DSP处理模块还完成系统的控制功能；存储模块105，用于存储ADC采样后的数字信号，将采集的数据信号进行预处理，做时域和频域的变换，以及各个通道数据的分类存储，提供给后续智能算法调用；连接模块106，用于提供有线或无线连接链路，本申请优选采用蓝牙模块(蓝牙模块采用低功耗的BLE版本，以提升设备的连续工作时间)；以及，电源管理模块107，用于为该肌电采集装置提供电源，本申请实施例优选采用锂电池供电；所述的肌电采集电极101、抗混叠滤波器102、ADC采样模块103、DSP处理模块104依次连接，所述存储模块105、连接模块106和电源管理模块107均与DSP处理模块104连接。
为解决上述技术问题，本申请实施例还提供智能终端。具体请参阅图6，图6为本实施例智能终端基本结构框图。
所述智能终端6包括通过系统总线相互通信连接存储器61、处理器62、网络接口63。需要指出的是，图中仅示出了具有组件61-63的智能终端6，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的智能终端是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述智能终端可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述智能终端可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器61至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器61可以是所述智能终端6的内部存储单元，例如该智能终端6的硬盘或内存。在另一些实施例中，所述存储器61也可以是所述智能终端6的外部存储设备，例如该智能终端6上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器61还可以既包括所述智能终端6的内部存储单元也包括其外部存储设备。本实施例中，所述存储器61通常用于存储安装于所述智能终端6的操作系统和各类应用软件，例如子宫收缩乏力监测方法的程序代码等。此外，所述存储器61还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器62在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器82通常用于控制所述智能终端6的总体操作。本实施例中，所述处理器62用于运行所述存储器61中存储的程序代码或者处理数据，例如运行所述子宫收缩乏力监测方法的程序代码。
所述网络接口63可包括无线网络接口或有线网络接口，该网络接口63通常用于在所述智能终端6与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式，即提供一种可读存储介质，所述可读存储介质存储有子宫收缩乏力监测程序，所述子宫收缩乏力监测程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的子宫收缩乏力监测方法的步骤。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
虽然结合附图描述了本发明的实施方式，但是专利所有者可以在所附权利要求的范围之内做出各种变形或修改，只要不超过本发明的权利要求所描述的保护范围，都应当在本发明的保护范围之内。

Claims (10)

1.一种子宫收缩乏力监测方法，其特征在于，包括以下步骤：
S1、采集孕妇的实时子宫肌电数据；
S2、将所采集的孕妇实时子宫肌电数据输入至一预先训练的网络模型中进行预测；
S3、输出预测结果，根据所述预测结果得出孕妇子宫是否处于子宫收缩乏力状态。
2.根据权利要求1所述的子宫收缩乏力监测方法，其特征在于，所述步骤S3中网络模型的的训练方法包括：
S21、按照一设定时间采集孕妇在正常时的若干个子宫肌电数据，并将该子宫肌电数据进行标记；
S22、按照一设定时间采集孕妇在宫缩乏力时的若干个子宫肌电数据，并将该子宫肌电数据进行标记；
S23、建立基于DenseNet思想的Bi-LSTM网络模型；
S24、采用Adam优化算法和binary_crossentropy损失函数将步骤S21和步骤S22中的子宫肌电数据输入至Bi-LSTM网络模型中进行模型训练。
3.根据权利要求2所述的子宫收缩乏力监测方法，其特征在于，所述步骤S23中的Bi-LSTM网络模型包括：
输入层，所述输入层为dropout层；
第一层，所述第一层为Bi-LSTM层，所述Bi-LSTM层中设置forget_gate_bias，所述Bi-LSTM中的statefule为true；
第一Concatenate层，用于将第一层的输入与第一层的输出结果进行拼接并作为第二层的输入；
第二层，所述第二层为Bi-LSTM层，所述Bi-LSTM层中设置forget_gate_bias，所述Bi-LSTM中的statefule为true；
第二Concatenate层，用于将第一Concatenate层的输出和第二层的输出进行拼接并作为第三层的输入；
第三层，所述第三层为Dense层，Dense层的输出维度为512；
BatchNormalization网络层；
ReLU激活层；
第四层，所述第四层为Dense层，输出维度为2，激活函数采用softmax。
4.根据权利要求3所述的子宫收缩乏力监测方法，其特征在于，所述第四层的Dense层为二分类器。
5.根据权利要求2所述的子宫收缩乏力监测方法，其特征在于，所述步骤S21中，将孕妇在正常时的子宫肌电数据标记为1，所述步骤S22中，将孕妇在宫缩乏力时的子宫肌电数据标记为0。
6.根据权利要求2所述的子宫收缩乏力监测方法，其特征在于，步骤S21和步骤S22中的设定时间为30min。
7.一种子宫收缩乏力监测系统，其特征在于，包括：
肌电采集模块，用于采集孕妇的实时子宫肌电数据并进行预处理；
预测模块，用于将所预处理的孕妇实时子宫肌电数据输入至一预先训练的网络模型中进行预测；
输出模块，输出预测结果，根据所述预测结果得出孕妇子宫是否处于子宫收缩乏力状态。
8.根据权利要求7所述的子宫收缩乏力监测系统，其特征在于，所述肌电采集模块包括：
肌电采集电极，用于贴合在孕妇的腹部，采集孕妇子宫处的肌电数据；
抗混叠滤波器，用于对肌电信号进行抗混叠处理；
ADC采样模块，用于将抗混叠处理后的肌电数据转化为数字信号；
DSP处理模块，用于通道选择切换并将各个通道的数据进行预处理分析；
存储模块，用于存储ADC采样后的数字信号；
连接模块，用于提供有线或无线连接链路；
以及，电源管理模块，用于为该肌电采集装置提供电源；
所述肌电采集电极、抗混叠滤波器、ADC采样模块、DSP处理模块依次连接，所述存储模块、蓝牙模块和电源管理模块均与DSP处理模块连接。
9.一种智能终端，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的子宫收缩乏力监测系统的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的子宫收缩乏力监测系统的步骤。
CN201910130544.2A 2019-02-21 2019-02-21 一种子宫收缩乏力监测方法、系统、智能终端和存储介质 Active CN109645996B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910130544.2A CN109645996B (zh) 2019-02-21 2019-02-21 一种子宫收缩乏力监测方法、系统、智能终端和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910130544.2A CN109645996B (zh) 2019-02-21 2019-02-21 一种子宫收缩乏力监测方法、系统、智能终端和存储介质

Publications (2)

Publication Number Publication Date
CN109645996A true CN109645996A (zh) 2019-04-19
CN109645996B CN109645996B (zh) 2022-04-08

Family

ID=66123641

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910130544.2A Active CN109645996B (zh) 2019-02-21 2019-02-21 一种子宫收缩乏力监测方法、系统、智能终端和存储介质

Country Status (1)

Country Link
CN (1) CN109645996B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112587089A (zh) * 2020-11-19 2021-04-02 新希望六和股份有限公司 基于人工智能的妊娠检测方法、装置、计算机设备和介质
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 (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1251754A (zh) * 1999-11-17 2000-05-03 天津大学 宫缩监测仪
CN1593334A (zh) * 2004-06-29 2005-03-16 天津大学 宫缩地形图仪
US20050267376A1 (en) * 2004-05-28 2005-12-01 Dorothee Marossero Maternal-fetal monitoring system
US20090299212A1 (en) * 2006-12-11 2009-12-03 Principe Jose C System and Method for Analyzing Progress of Labor and Preterm Labor
CN202154676U (zh) * 2011-06-20 2012-03-07 暨南大学 基于子宫肌电图的分娩发动预报装置
CN102389307A (zh) * 2011-06-20 2012-03-28 暨南大学 基于子宫肌电图的分娩发动预报装置及提取特征参数的方法
CN202523293U (zh) * 2012-04-11 2012-11-07 吉林大学 胎盘因素与宫缩乏力性产后出血抢救教学模型
CN104042224A (zh) * 2014-07-04 2014-09-17 郑剑兰 产后子宫内压实时监测系统及其使用方法
CN104984472A (zh) * 2015-06-24 2015-10-21 广州三瑞医疗器械有限公司 基于语音识别的镇痛控制方法及其装置
CN204863162U (zh) * 2015-08-03 2015-12-16 美的集团股份有限公司 胎心监测装置
US20160270658A1 (en) * 2015-03-19 2016-09-22 Stewart Bruce Ater Digital electronic fetal heart rate and uterine contraction monitoring system
RU2599891C1 (ru) * 2015-05-26 2016-10-20 Федеральное государственное бюджетное учреждение "Уральский научно-исследовательский институт охраны материнства и младенчества" Министерства здравоохранения Российской Федерации (ФГБУ "НИИ ОММ" Минздрава России) Способ прогнозирования первичной слабости родовой деятельности у первородящих женщин
CN106236336A (zh) * 2016-08-15 2016-12-21 中国科学院重庆绿色智能技术研究院 一种肌电假肢手势及力度控制方法
US20170035949A1 (en) * 2014-04-16 2017-02-09 Lohmann & Rauscher Gmbh & Co. Kg Drainage system and vacuum pump for intrauterine vacuum therapy
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
CN107997743A (zh) * 2018-01-16 2018-05-08 北京工业大学 基于体表子宫肌电的便携式宫缩监测系统
CN108211307A (zh) * 2017-05-25 2018-06-29 深圳市未来健身衣科技有限公司 一种运动训练预警方法及装置
CN108345873A (zh) * 2018-03-22 2018-07-31 哈尔滨工业大学 一种基于多层卷积神经网络的多自由度人体运动信息解析方法
CN108453736A (zh) * 2018-03-22 2018-08-28 哈尔滨工业大学 一种基于深度学习的多自由度同步肌电控制方法
CN108742591A (zh) * 2018-07-25 2018-11-06 电子科技大学 一种具有自适应工频噪声抑制的人体生理信号采集装置
CN109085918A (zh) * 2018-06-28 2018-12-25 天津大学 基于肌电的针灸行针手法训练方法
CN109106384A (zh) * 2018-07-24 2019-01-01 安庆师范大学 一种心理压力状况预测方法及系统
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
WO2019016759A1 (en) * 2017-07-19 2019-01-24 Bloom Technologies NV MONITORING UTERINE ACTIVITY AND ASSESSING A RISK OF BIRTH BEFORE TERM

Patent Citations (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1251754A (zh) * 1999-11-17 2000-05-03 天津大学 宫缩监测仪
US20050267376A1 (en) * 2004-05-28 2005-12-01 Dorothee Marossero Maternal-fetal monitoring system
CN1593334A (zh) * 2004-06-29 2005-03-16 天津大学 宫缩地形图仪
US20090299212A1 (en) * 2006-12-11 2009-12-03 Principe Jose C System and Method for Analyzing Progress of Labor and Preterm Labor
CN202154676U (zh) * 2011-06-20 2012-03-07 暨南大学 基于子宫肌电图的分娩发动预报装置
CN102389307A (zh) * 2011-06-20 2012-03-28 暨南大学 基于子宫肌电图的分娩发动预报装置及提取特征参数的方法
CN202523293U (zh) * 2012-04-11 2012-11-07 吉林大学 胎盘因素与宫缩乏力性产后出血抢救教学模型
US20170035949A1 (en) * 2014-04-16 2017-02-09 Lohmann & Rauscher Gmbh & Co. Kg Drainage system and vacuum pump for intrauterine vacuum therapy
CN104042224A (zh) * 2014-07-04 2014-09-17 郑剑兰 产后子宫内压实时监测系统及其使用方法
US20160270658A1 (en) * 2015-03-19 2016-09-22 Stewart Bruce Ater Digital electronic fetal heart rate and uterine contraction monitoring system
RU2599891C1 (ru) * 2015-05-26 2016-10-20 Федеральное государственное бюджетное учреждение "Уральский научно-исследовательский институт охраны материнства и младенчества" Министерства здравоохранения Российской Федерации (ФГБУ "НИИ ОММ" Минздрава России) Способ прогнозирования первичной слабости родовой деятельности у первородящих женщин
CN104984472A (zh) * 2015-06-24 2015-10-21 广州三瑞医疗器械有限公司 基于语音识别的镇痛控制方法及其装置
CN204863162U (zh) * 2015-08-03 2015-12-16 美的集团股份有限公司 胎心监测装置
CN106236336A (zh) * 2016-08-15 2016-12-21 中国科学院重庆绿色智能技术研究院 一种肌电假肢手势及力度控制方法
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
CN108211307A (zh) * 2017-05-25 2018-06-29 深圳市未来健身衣科技有限公司 一种运动训练预警方法及装置
WO2019016759A1 (en) * 2017-07-19 2019-01-24 Bloom Technologies NV MONITORING UTERINE ACTIVITY AND ASSESSING A RISK OF BIRTH BEFORE TERM
CN107997743A (zh) * 2018-01-16 2018-05-08 北京工业大学 基于体表子宫肌电的便携式宫缩监测系统
CN108345873A (zh) * 2018-03-22 2018-07-31 哈尔滨工业大学 一种基于多层卷积神经网络的多自由度人体运动信息解析方法
CN108453736A (zh) * 2018-03-22 2018-08-28 哈尔滨工业大学 一种基于深度学习的多自由度同步肌电控制方法
CN109085918A (zh) * 2018-06-28 2018-12-25 天津大学 基于肌电的针灸行针手法训练方法
CN109106384A (zh) * 2018-07-24 2019-01-01 安庆师范大学 一种心理压力状况预测方法及系统
CN108742591A (zh) * 2018-07-25 2018-11-06 电子科技大学 一种具有自适应工频噪声抑制的人体生理信号采集装置
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

Non-Patent Citations (14)

* Cited by examiner, † Cited by third party
Title
GREAT_SMILE: "keras中关于输入尺寸、LSTM的stateful问题", 《简书》 *
LI, P; WANG, LL; QIAN, XY; MORSE, A; GARFIELD, RE ; LIU, HS: "Characteristics of Uterine Inertia in Uterine Electromyography at the Active Phase of Labor", 《REPRODUCTIVE SCIENCES》 *
NAN LU.ET AL.: "Uterine electromyography signal feature extraction and classification", 《INTERNATIONAL JOURNAL OF MODELLING, IDENTIFICATION AND CONTROL》 *
WILLIAM L.ET AL.: "Identification of Human Term and Preterm Labor using Artificial Neural Networks on Uterine Electromyography Data", 《ANNALS OF BIOMEDICAL ENGINEERING》 *
YOUYUGE: "Keras之stateful LSTM全面解析+实例测试", 《简书》 *
何伟: "基于子宫肌电信号的早产预测方法研究", 《中国优秀硕士学位论文全文数据库》 *
吴洋: "详解BiLSTM及代码实现", 《知乎》 *
唐宋元等: "《微弱信号处理理论》", 31 October 2018, 北京：北京理工大学出版社 *
张闯: "基于深度学习的知乎标题的多标签文本分类", 《中国优秀硕士学位论文全文数据库》 *
李文江,陈诗琴: "基于深度学习的商品评论情感分类研究", 《知识管理论坛》 *
杨建平,肖开选: "一种评价宫缩强度的小波能量值分析方法", 《生物医学工程学杂志》 *
潘杰: "基于肌电图的子宫收缩活动监测技术和系统的研究", 《中国优秀硕士学位论文全文数据库》 *
苗俊娥: "537例经产妇分娩情况及并发症分析", 《中国优秀硕士学位论文全文数据库》 *
高志强，黄剑，李永，刘明明: "《深度学习 从入门到实战》", 30 June 2018 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112587089A (zh) * 2020-11-19 2021-04-02 新希望六和股份有限公司 基于人工智能的妊娠检测方法、装置、计算机设备和介质
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

Also Published As

Publication number Publication date
CN109645996B (zh) 2022-04-08

Similar Documents

Publication Publication Date Title
CN109645996A (zh) 一种子宫收缩乏力监测方法、系统、智能终端和存储介质
CN107451407A (zh) 一种中医智能诊断方法、系统及中医医疗系统
Keith et al. 4 Development, evaluation and validation of an intelligent system for the management of labour
CN105496392A (zh) 一种具有电极连接判别功能的三导联心电监测系统
CN101827131A (zh) 基于无线网络技术的医院急救中心临床信息系统
CN109039727A (zh) 基于深度学习的消息队列监控方法及装置
CN112133451A (zh) 缩宫素智能注射方法、装置、设备及存储介质
CN109875556B (zh) 一种智能临产监测系统
CN111685748A (zh) 一种基于分位数的血压预警方法、装置、设备及存储介质
US20210327451A1 (en) Method for debugging noise elimination algorithm, apparatus and electronic device
CN114625257A (zh) 一种基于肌电信号的动作识别方法和识别装置
CN110720900A (zh) 一种脑状态监测与调控装置、方法、处理器及终端设备
CN202815842U (zh) 基于云计算的中医数据采集诊断中间系统
CN113537709A (zh) 一种基于健康医疗大数据的疫情防控系统
CN115430050A (zh) 充电提醒装置、植入式神经刺激系统及存储介质
CN107391958A (zh) 一种优护健康在院护理智能管理方法
Zhou et al. Improvement of accuracy and resilience in fhr classification via double trend accumulation encoding and attention mechanism
CN109089076A (zh) 一种机器人动作实时监控系统
Schwemmer et al. Bistability in a leaky integrate-and-fire neuron with a passive dendrite
CN206649515U (zh) 一种家庭养老健康预警系统
CN109491317A (zh) 集装箱吊具的监测系统及方法
CN107578815A (zh) 一种远程胎心监护云平台
CN211015077U (zh) 一种基于智能系统平台的桥梁监测系统
CN210931393U (zh) 基于机器学习的术中神经电生理监测识别系统
Devoe et al. Predicting the duration of the first stage of spontaneous labor using a neural network

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
GR01 Patent grant
GR01 Patent grant