CN110151156A - 一种基于窗内自动加权平均算法的胎心率提取方法及系统 - Google Patents

Abstract

本发明属于声音信号预处理技术领域，公开了一种基于窗内自动加权平均算法的胎心率提取方法及系统，使用传感器采集原始胎心音信号；对传感器采集到的胎心音信号进行去均值操作；去均值后的胎心音信号进行归一化操作；对预处理后的胎心音信号进行降噪处理；对胎心音数据进行降采样；在窗内对降采样后的胎心音信号使用自动加权平均算法提取胎心率；在窗外使用指数加权平均算法进一步对窗内自动加权平均算法提取到的胎心率数据加以修正。本发明利用加窗方法，采用平均的思路弱化噪声的影响，提出窗内指数加权平均的算法，克服了胎心音数据出现波峰错检和漏检情况时对胎心率数据存在干扰的不足，使得窗内算法计算得出的胎心率数据更加准确。

Description

一种基于窗内自动加权平均算法的胎心率提取方法及系统

技术领域

本发明属于声音信号预处理技术领域，尤其涉及一种基于窗内自动加权平均算法的胎心率提取方法及系统。

背景技术

胎心音本质是胎儿心脏跳动所产生的声音信号。而胎心率从胎心音信号中提取，是反应人体健康状况的重要指标之一。胎心率是指正常情况下是一分钟内心脏跳动的次数，范围为120～160。理论上，一个完整的胎心音由四部分组成，按照一到四排序，即第一胎心音(S1)、第二胎心音(S2)、第三胎心音(S3)、第四胎心音(S4)。一般来讲，第三第四胎心音信号非常弱，导致其无法被检测到，所以医学上一般说胎心音都是指第一第二胎心音。第一胎心音(S1)是一个振动周期的开始，总体是由心脏压缩产生的。心脏压缩完成之后，进入舒张期，即第二胎心音(S2)开始的标志。

目前，最接近的现有技术：江苏鹿得医疗电子股份有限公司申请的专利文献“基于心音的心率计算方法”(专利申请号：201811056774.0，申请公布号CN 109009059 A)中公开了一种心率计算方法。该方法以可计算特征波形中每一波形的波峰为一个节拍，依次按照每连续五个节拍计算出瞬时心率值的算术平均值，经过进一步估计处理得出实时心率值。该方法的优点是，速率快效率高。存在的不足之处是：在波峰检测时，会出现波峰漏检和错捡的情况，且波峰位置会因为噪声发生左右偏移，影响心率的准确性和稳定性。

论文《Dual transmission model and related spectral content of thefetal heart sounds》以胎心率提取为例，提出了时间加窗的思想。设置固定长度的时间窗，计算出窗内的波峰个数，然后用一分钟内包含时间窗的个数乘以窗内包含的波峰数代表胎心率。这种方法在一定程度上削弱了噪声的影响，但使得胎心率最小变化单位不为1。例如窗的长度为10秒，则胎心率变化的最小单位为60÷10＝6。不满足实时输出的要求。

综上所述，现有技术存在的问题是：由于个体的差异以及外界干扰等因素，采集到的胎心音信号不稳定；每次心跳所产的波峰幅值存在差异，在胎心率提取时，出现波峰漏检和错捡的情况，提取到的胎心率数据出现较大的波动。另外，加窗的思想有利于弱化噪声的干扰，但同时影响了胎心率变化的最小单位。

解决上述技术问题的难度：

解决上述问题的难度在于，要在保证速率的同时，降低噪声的干扰，消除波峰错检和漏检带来的干扰的同时，保证胎心率数据最小变化单位为1。这样，提取到的胎心率数据具有更加稳定和准确的特点，且满足实时输出的要求。

发明内容

针对现有技术存在的问题，本发明提供了一种基于窗内自动加权平均算法的胎心率提取方法及系统。

本发明是这样实现的，一种基于窗内自动加权平均算法的胎心率提取方法，所述基于窗内自动加权平均算法的胎心率提取方法包括：

步骤一，使用传感器采集原始胎心音信号；

步骤二，对传感器采集到的胎心音信号进行去均值操作；去均值后的胎心音信号进行归一化操作；

步骤三，对预处理后的胎心音信号进行降噪处理；

步骤四，对胎心音数据进行降采样；

步骤五，在窗内对降采样后的胎心音信号使用自动加权平均算法提取胎心率；在窗外使用指数加权平均算法进一步对窗内自动加权平均算法提取到的胎心率数据加以修正。

进一步，所述步骤二对传感器采集到的胎心音信号进行去均值操作；去均值后的胎心音信号进行归一化操作具体包括：

第一步，对传感器采集到的胎心音信号进行去均值操作；

第二步，对去均值后的胎心音信号进行归一化操作：

其中，x'表示归一化后的数据，x表示原始数据，X_min表示原始数据的最小值，X_max表示原始数据的最大值。

进一步，所述步骤五在窗内对降采样后的胎心音信号使用自动加权平均算法提取胎心率，具体步骤包括：

第一步，输入长度为T秒的胎心音数据D，存放波峰间隔矩阵H，阈值ψ，设定窗的宽度为w＝4，初始时刻t＝0；

第二步，取D中第t到t+w秒的胎心音数据，找到m个波峰所对应的位置；

第三步，计算得出m-1个波峰间隔，并从小到大排序得到矩阵P；

第四步，计算得出m-2个波峰间隔时间差，得到矩阵E；

第五步，找到E中最小值所对应的索引i，设置E(i)＝+∞，将P(i)、P(i+1)存入矩阵H；

第六步，重复操作步骤五，直到e(i)≥ψ或者min(E(i))＝∞退出循环；

第七步，计算间隔矩阵H元素的平均值：A_t＝mean(H)；

第八步，计算窗内胎心率：f_t＝60/A_t；

第九步，窗向后滑动：t＝t+1；

第十步，重复步骤二到步骤九，直到t+w＞T时结束循环；

第十一步，输出计算结果：f₀,f₁,…,f_t-1。

进一步，所述步骤五在窗外使用指数加权平均算法进一步对窗内自动加权平均算法提取到的胎心率数据加以修正，具体步骤包括：

第一步：输入窗内自动加权平均算法提取到的胎心率数据：f₀,f₁,…,f_t-1；

第二步：按照下式，计算修正后的胎心率数据：

其中，f_t为t时刻窗内自动加权平均算法计算得出的胎心率，F_t为t时刻使用指数加权平均修正后的胎心率，F_-1＝0，β是长度因子，大于0小于1；

第三步：输出指数加权平均算法修正后的胎心率：F₀,F₁,…,F_t-1。

本发明的另一目的在于提供一种实现所述基于窗内自动加权平均算法的胎心率提取方法的基于窗内自动加权平均算法的胎心率提取系统，所述基于窗内自动加权平均算法的胎心率提取系统包括：

胎心音信号获取模块，用于使用传感器采集原始胎心音信号；

预处理模块，用于实现对传感器采集到的胎心音信号进行去均值操作；对去均值后的胎心音信号进行归一化操作。

降噪模块，用于对预处理后的胎心音信号进行降噪处理；

降采样模块，用于对胎心音数据进行降采样；

胎心率提取模块，用于在窗内对降采样后的胎心音信号使用自动加权平均算法提胎取心率；在窗外使用指数加权平均算法进一步对窗内自动加权平均算法提取到的胎心率数据加以修正。

本发明的另一目的在于提供一种应用所述基于窗内自动加权平均算法的胎心率提取方法的胎心音信号提取终端。

综上所述，本发明的优点及积极效果为：本发明在计算胎心率之前，对胎心音数据进行降采样操作。降采样是为了在不影响胎心率准确性的同时，减少了参与运算的数据量。与没有降采样步骤的胎心率提取方法对比，降采样过程提升了算法整体的运行效率，更加满足实时性的要求。

本发明利用加窗方法，采用平均的思路弱化噪声的影响，提出窗内指数加权平均的算法，克服了胎心音数据出现波峰错检和漏检情况时对胎心率数据存在干扰的不足，使得窗内算法计算得出的胎心率数据更加准确。

本发明在窗外使用指数加权平均算法进一步对窗内自动加权平均算法提取到的胎心率数据加以修正，克服了窗内计算得出的胎心率数据出现跳变的不足，使得其更加稳定，满足实时输出的要求。

附图说明

图1是本发明实施例提供的基于窗内自动加权平均算法的胎心率提取方法流程图。

图2是本发明实施例提供的基于窗内自动加权平均算法的胎心率提取方法实现流程图。

图3是本发明实施例提供的窗内自动加权平均实例图。

图4是本发明实施例提供的使用指数加权平均算法之前和之后的胎心率数据示意图。

图5是本发明实施例提供的胎心率提取的三种算法的对比图。

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。

针对现有胎心率计算方法中波峰出现错检和漏检时使得计算得出的胎心率数据出现不稳定的情况的问题。本发明借鉴了加窗的思想，提出了窗内自动加权平均的算法提取胎心率数据。同时，在窗外使用指数加权平均算法进一步对窗内自动加权平均算法提取到的胎心率数据进行偏差修正，使得最终得到的胎心率数据更加准确和稳定。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例提供的基于窗内自动加权平均算法的胎心率提取方法包括以下步骤：

S101：使用传感器采集原始胎心音信号；

S102：对传感器采集到的胎心音信号进行去均值操作；去均值后的胎心音信号进行归一化操作；

S103：对预处理后的胎心音信号进行降噪处理；

S104：对胎心音数据进行降采样；

S105：在窗内对降采样后的胎心音信号使用自动加权平均算法提取胎心率；在窗外使用指数加权平均算法进一步对窗内自动加权平均算法提取到的胎心率数据加以修正。

下面结合附图对本发明的应用原理作进一步的描述。

如图2所示，本发明实施例提供的基于窗内自动加权平均算法的胎心率提取方法具体包括以下步骤：

步骤一，获取胎心音信号；

使用专用传感器采集胎心音信号。

步骤二，预处理；

第一步，对传感器采集到的胎心音信号进行去均值操作；

第二步，对去均值后的胎心音信号进行归一化操作，如下式所示：

其中，x'表示归一化后的数据，x表示原始数据，X_min表示原始数据的最小值，X_max表示原始数据的最大值。

步骤三，对预处理后的胎心音信号进行降噪处理。

步骤四，降采样；

降采样是为了减小数据量，降低算法耗时，有助于实现实时性。

步骤五，胎心率提取；

在窗内对降采样后的胎心音信号使用自动加权平均算法提取胎心率，具体步骤包括：

第一步，输入长度为T秒的胎心音数据D，存放波峰间隔矩阵H，阈值ψ，设定窗的宽度为w＝4，初始时刻t＝0；

第二步，取D中第t到t+w秒的胎心音数据，找到m个波峰所对应的位置；

第三步，计算得出m-1个波峰间隔，并从小到大排序得到矩阵P；

第四步，计算得出m-2个波峰间隔时间差，得到矩阵E；

第五步，找到E中最小值所对应的索引i，设置E(i)＝+∞，将P(i)、P(i+1)存入矩阵H；

第六步，重复操作步骤五，直到e(i)≥ψ或者min(E(i))＝∞退出循环；

第七步，计算间隔矩阵H元素的平均值：A_t＝mean(H)；

第八步，计算窗内胎心率：f_t＝60/A_t；

第九步，窗向后滑动：t＝t+1；

第十步，重复步骤二到步骤九，直到t+w＞T时结束循环；

第十一步，输出计算结果：f₀,f₁,…,f_t-1。

在窗外使用指数加权平均算法进一步对窗内自动加权平均算法提取到的胎心率数据加以修正，具体步骤包括：

第一步：输入窗内自动加权平均算法提取到的胎心率数据：f₀,f₁,…,f_t-1；

第二步：按照下式，计算修正后的胎心率数据：

其中，f_t为t时刻窗内自动加权平均算法计算得出的胎心率，F_t为t时刻使用指数加权平均修正后的胎心率，F_-1＝0，β是长度因子，大于0小于1；

第三步：输出指数加权平均算法修正后的胎心率：F₀,F₁,…,F_t-1。

如图3所示，本发明的窗内自动加权平均算法如下：

该例中，阈值ψ＝0.1。由图可知，漏检和错检的情况在窗内同时存在，第一个波峰属于上一个周期胎胎心音的第二波峰，属于错检。第四个正常波峰由于幅度偏低未被检测到，属于漏检。很明显，在波峰间隔排序之后，漏检出现在最右端，而错检出现在最左端。由波峰间隔差矩阵E计算波峰间隔矩阵H时，首先找到的是最小值0.003，将其对应的0.7000和0.7030存入矩阵H中，同理处理0.004对应的波峰间隔，将0.0700和0.6960存入矩阵中H。对于0.2740和0.6580，其值超过了阈值ψ，不参与胎心率计算。从最终的矩阵H的元素可以看出，中心数据0.7000在求波峰平均间隔时权重翻倍，边缘数据权值为1保持不变，而其余两个由错检和漏检引起的噪点直接被移除，这就是自动加权平均算法的核心思想。

下面结合仿真对本发明的应用效果作详细的描述。

1.实验条件

本发明的仿真运行系统为Intel(R)Core(TM)i5-6500 CPU 650@3.20GHz，64位Windows操作系统，实验软件采用MATLAB(R2018b)。

2.实验内容与结果分析

图4中有两组数据，一组是窗内使用了自动加权平均算法得出的20个胎儿心率数据，另一组是在窗内算法的基础上使用指数加权平均算法(β＝0.9)后的胎心率数据。

从图4可以看出，在2到12次数据点中，指数加权平均算法消除了自动加权平均算法计算得出的胎心率数据中的轻微的抖动，而在14到20次的数据中，胎心率有上升的趋势。指数加权平均算法削弱了自动加权平均算法这种跳跃式的增长，使得胎心率数据变化过程更加稳定，达到了预期的效果，与实际效果更加一致。

图5使用三种算法针对同一组信号分别连续计算了20组胎心率数据。其中时间窗长度为4秒，每次向前滑动一秒。

从图5中可以看出，时间加窗法得到的胎心率数据变化的最小单位为15，原因是一分钟内包含了15个时间窗，由于时间窗比较短，导致加窗法效果较差，不过从该计算结果可以看出，20次数据中出现了两次干扰。在第一次噪音出现的时候，算数平均法和自动加权平均算法都表现良好。算数平均法是利用平均效应，弱化了噪声的影响。在第二次噪声期间，算数平均法虽然利用平均的方法衰减噪声的影响，但并没有彻底消除，是因为在噪声过大，连续时间较长时，平均效应会受到局限。而在本文提出的自动加权算法中，自动去除干扰，使得结果更加稳定。

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 (6)

1.一种基于窗内自动加权平均算法的胎心率提取方法，其特征在于，所述基于窗内自动加权平均算法的胎心率提取方法包括：

步骤一，使用传感器采集原始胎心音信号；

步骤二，对传感器采集到的胎心音信号进行去均值操作；去均值后的胎心音信号进行归一化操作；

步骤三，对预处理后的胎心音信号进行降噪处理；

步骤四，对胎心音数据进行降采样；

步骤五，在窗内对降采样后的胎心音信号使用自动加权平均算法提取胎心率；在窗外使用指数加权平均算法进一步对窗内自动加权平均算法提取到的胎心率数据加以修正。

2.如权利要求1所述的基于窗内自动加权平均算法的胎心率提取方法，其特征在于，所述步骤二对传感器采集到的胎心音信号进行去均值操作；去均值后的胎心音信号进行归一化操作具体包括：

第一步，对传感器采集到的胎心音信号进行去均值操作；

第二步，对去均值后的胎心音信号进行归一化操作：

其中，x'表示归一化后的数据，x表示原始数据，X_min表示原始数据的最小值，X_max表示原始数据的最大值。

3.如权利要求1所述的基于窗内自动加权平均算法的胎心率提取方法，其特征在于，所述步骤五在窗内对降采样后的胎心音信号使用自动加权平均算法提取胎心率，具体步骤包括：

第一步，输入长度为T秒的胎心音数据D，存放波峰间隔矩阵H，阈值ψ，设定窗的宽度为w＝4，初始时刻t＝0；

第二步，取D中第t到t+w秒的胎心音数据，找到m个波峰所对应的位置；

第三步，计算得出m-1个波峰间隔，并从小到大排序得到矩阵P；

第四步，计算得出m-2个波峰间隔时间差，得到矩阵E；

第五步，找到E中最小值所对应的索引i，设置E(i)＝+∞，将P(i)、P(i+1)存入矩阵H；

第六步，重复操作步骤五，直到e(i)≥ψ或者min(E(i))＝∞退出循环；

第七步，计算间隔矩阵H元素的平均值：A_t＝mean(H)；

第八步，计算窗内胎胎心率：f_t＝60/A_t；

第九步，窗向后滑动：t＝t+1；

第十步，重复步骤二到步骤九，直到t+w＞T时结束循环；

第十一步，输出计算结果：f₀,f₁,…,f_t-1。

4.如权利要求1所述的基于窗内自动加权平均算法的胎心率提取方法，其特征在于，所述步骤五在窗外使用指数加权平均算法进一步对窗内自动加权平均算法提取到的胎心率数据加以修正，具体步骤包括：

第一步：输入窗内自动加权平均算法提取到的胎心率数据：f₀,f₁,…,f_t-1；

第二步：按照下式，计算修正后的胎心率数据：

其中，f_t为t时刻窗内自动加权平均算法计算得出的胎心率，F_t为t时刻使用指数加权平均修正后的胎心率，F_-1＝0，β是长度因子，大于0小于1；

第三步：输出指数加权平均算法修正后的胎心率：F₀,F₁,…,F_t-1。

5.一种实现权利要求1所述基于窗内自动加权平均算法的胎心率提取方法的基于窗内自动加权平均算法的胎心率提取系统，其特征在于，所述基于窗内自动加权平均算法的胎心率提取系统包括：

胎心音信号获取模块，用于使用传感器采集原始胎心音信号；

预处理模块，用于实现对传感器采集到的胎心音信号进行去均值操作；对去均值后的胎心音信号进行归一化操作；

降噪模块，用于对预处理后的胎心音信号进行降噪处理；

降采样模块，用于对胎心音数据进行降采样；

胎心率提取模块，用于在窗内对降采样后的胎心音信号使用自动加权平均算法提取胎心率；在窗外使用指数加权平均算法进一步对窗内自动加权平均算法提取到的胎心率数据加以修正。

6.一种应用权利要求1～4任意一项所述基于窗内自动加权平均算法的胎心率提取方法的胎心音信号提取终端。