CN111407315B - 一种针对超声多普勒胎心信号的质量评估方法 - Google Patents

Abstract

本发明公开了一种针对超声多普勒胎心信号的质量评估方法，该方法通过自相关运算和变异系数计算分别提取出胎心信号的周期性特征与能量分布特征，并基于神经网络建立的特征值‑信号质量关系模型，实现信号质量评估指数的计算。本发明方法简便且易于实现，能够有效评价胎心信号的质量情况，可有效辅助孕妇寻找到合适的胎心检测位置，避免检测到干扰信号的情况，从而提高胎心检测的准确性。

Description

一种针对超声多普勒胎心信号的质量评估方法

技术领域

本发明属于信号质量评估技术领域，具体涉及一种针对超声多普勒胎心信号的质量评估方法。

背景技术

胎心率在一定程度上可以反映胎儿心功能健康状况，胎心率的正常变化能够表征胎儿中枢神经系统、植物神经调节功能正常，胎儿储备功能良好。胎心率监测是围产期健康监护的主要方法之一，可以获取到胎儿发育过程中的异常状态信息，从而提醒孕妇及时治疗，保障孕妇与胎儿的健康。应用胎心监测技术可以减少胎儿宫内窘迫、胎儿脑损害、胎死宫内、新生儿窒息和死亡的发生率，提高围产期的妇幼保健质量。

如今，家用胎心仪已广泛应用，可以在家庭场景下随时实现胎心检测，监测胎儿的发育情况，以降低孕期风险。但目前的家用胎心仪受限于检测灵敏度，通常存在胎心检测范围较小的问题，孕妇在缺乏医学专业知识的情况下，难以找到准确的胎心检测位置，同时还容易检测到与胎心频率相近但存在范围更广的脐带血流声等干扰信号，从而影响胎心率的准确检测，使胎心仪未能发挥应有的效果与作用。

对胎心信号进行信号质量评估，将当前位置所检测到的胎心信号质量信息反馈给孕妇，可以有效帮助孕妇寻找到合适的胎心检测位置，避免检测到干扰信号，提高胎心检测的准确性。同时胎心信号质量评估还可以为胎心率的计算结果提供可信度判断，防止非胎心信号对胎心率计算算法的影响，提高胎心率计算算法的抗干扰能力。因此，对胎心信号进行信号质量评估，可以有效提升胎心仪的检测效果。

申请号为201611229064.4的中国专利提出了一种胎心检测最佳位置的确定方法及系统，其通过历次胎心检测中的最佳位置结合胎儿发育的球体模型来判断本次胎心检测的最佳位置，但该方法将信号强度最大点作为胎心检测的最佳位置，未考虑非胎心信号的影响，容易受到干扰。

申请号为201610069686.9的中国专利提出了确定胎儿监护设备中探头位置的方法及装置，其通过在显示屏上显示胎心信号的波形幅度、不同周期差值与不同周期的相关度来判断探头是否处于最佳胎心位置，但该方法使用信号周期差值的变化趋势作为信号相关度，不适用于低信噪比情况，抗干扰信号能力较差，另外只考虑了信号幅度与信号周期，容易受到同为周期信号的脐带血流声的干扰，影响胎心检测。

上述方法在一定程度上有利于寻找胎心检测的最佳位置，但都容易受到干扰信号的影响，存在一定的局限性。

发明内容

鉴于上述，本发明提供了一种针对超声多普勒胎心信号的质量评估方法，该评估方法在进行胎心检测的过程中，对超声多普勒胎心信号进行评价，将当前位置所检测到的胎心信号质量信息反馈给孕妇，可以有效帮助孕妇寻找到合适的胎心检测位置，避免检测到干扰信号，提高胎心检测的准确性，对提升胎心仪的检测效果有较大帮助。

一种针对超声多普勒胎心信号的质量评估方法，包括如下步骤：

(1)获取大量的胎心信号，人工对这些胎心信号进行质量分级并为每一胎心信号打上等级标签；

(2)计算提取每一胎心信号的周期性特征量；

(3)计算提取每一胎心信号的能量分布特征量；

(4)将胎心信号的等级标签、周期性特征量和能量分布特征量组成作为样本，每一胎心信号即对应一个样本，利用大量样本对BP神经网络进行训练，得到用于超声多普勒胎心信号的质量评估模型；

(5)对于待评估的胎心信号，计算其周期性特征量和能量分布特征量，进而将这两组特征输入至质量评估模型中即可输出得到该胎心信号对于各质量等级的置信度结果，取对应置信度最高的等级作为胎心信号的质量评估结果。

进一步地，所述步骤(2)的具体实现过程如下：

2.1对胎心信号进行预处理，包括全波整流、带通滤波以及归一化处理；

2.2计算预处理后胎心信号的自相关函数；

2.3提取自相关函数的最大值S_max、最小值S_min和平均值S_aver，进而根据以下公式计算出胎心信号的周期性特征量S；

进一步地，所述步骤2.2中通过以下公式计算预处理后胎心信号的自相关函数；

其中：R_xx(m)为第m时刻胎心信号的自相关函数值，N为胎心信号的长度，x(n)为第n时刻的胎心信号幅值，x(n+m)为第n+m时刻的胎心信号幅值。

进一步地，所述步骤2.2中采用快速傅里叶变换计算预处理后胎心信号的自相关函数，具体公式如下：

其中：R_xx(m)为第m时刻胎心信号的自相关函数值，N为胎心信号的长度，X(k)为胎心信号的离散傅里叶变换结果即第k个频率点的幅值，j为虚数单位。

进一步地，所述步骤(3)的具体实现过程如下：

3.1计算确定胎心信号的变异系数曲线；

3.2对所述变异系数曲线进行归一化处理；

3.3在归一化后变异系数曲线的取值范围分成K个区间带，进而统计曲线的直方图，将各区间带的频数作为胎心信号的能量分布特征量，K为大于1的自然数。

进一步地，所述步骤3.1中通过以下公式计算确定胎心信号的变异系数曲线；

其中：Cv(n)为第n时刻的胎心信号变异系数，σ(n)为第n个滑动窗内的胎心信号标准差，μ(n)为第n个滑动窗内的胎心信号平均幅值，所有滑动窗的设定长度均相同且小于N，第n个滑动窗即以第n时刻为截止时刻，n为自然数且0≤n≤N-1，N为胎心信号的长度。

进一步地，所述步骤3.2中通过以下公式对变异系数曲线进行归一化处理；

其中：Cv(n)为第n时刻的胎心信号变异系数，Cv_norm(n)为第n时刻归一化后的胎心信号变异系数，Cv_min为胎心信号变异系数曲线的最小值，Cv_max为胎心信号变异系数曲线的最大值。

进一步地，所述步骤(4)中将所有样本分为训练集和测试集且训练集大于测试集，其中训练集用于对BP神经网络进行训练，测试集用于对训练得到的模型进行测试，并根据测试结果对模型参数进行微调以确立最终的质量评估模型。

进一步地，所述步骤(4)中对BP神经网络进行训练的具体过程如下：

4.1初始化构建一个由输入层、隐藏层和输出层组成的BP神经网络；

4.2从训练集中任取一样本代入上述神经网络计算得到对应关于胎心信号质量的输出结果，计算该输出结果与样本中等级标签对应真值之间的误差；

4.3根据该误差通过梯度下降法对BP神经网络中输入层与隐藏层之间以及隐藏层与输出层之间的权重进行修正，进而从训练集中任取下一样本代入修正后的神经网络；

4.4根据步骤4.2和4.3遍历训练集中的所有样本，取误差最小时所对应的神经网络为质量评估模型。

在进行胎心检测的过程中，对超声多普勒胎心信号进行评价，将当前位置所检测到的胎心信号质量信息反馈给孕妇，可以有效孕妇寻找到合适的胎心检测位置，避免检测到干扰信号，提高胎心检测的准确性，同时胎心信号质量评估还可以为胎心率的计算结果提供可信度判断，防止非胎心信号对胎心率计算算法的影响，提高胎心率计算算法的抗干扰能力。

本发明通过自相关运算和变异系数计算分别提取出胎心信号的周期性特征与能量分布特征，并基于神经网络建立的特征值-信号质量关系模型，实现信号质量评估指数的计算。本发明方法简便且易于实现，能够有效评价胎心信号的质量情况，可有效辅助孕妇寻找到合适的胎心检测位置，避免检测到干扰信号的情况，从而提高胎心检测的准确性。

附图说明

图1为本发明胎心信号质量评估方法的步骤流程示意图。

图2(a)为强胎心信号的波形示意图。

图2(b)为强胎心信号的自相关曲线示意图。

图2(c)为弱胎心信号的波形示意图。

图2(d)为弱胎心信号的自相关曲线示意图。

图3(a)为强胎心信号的变异系数曲线示意图。

图3(b)为弱胎心信号的变异系数曲线示意图。

图4为归一化变异系数纵轴映射示意图。

图5(a)为强胎心信号的归一化变异系数纵轴离散映射示意图。

图5(b)为弱胎心信号的归一化变异系数纵轴离散映射示意图。

图6为BP神经网络模型示意图。

具体实施方式

为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明

如图1所示，本发明针对超声多普勒胎心仪的胎心信号质量评估方法，包括如下步骤：

(1)提取胎心信号的周期性特征量。

本步骤中需要对超声多普勒胎心信号进行信号周期性特征量的提取，周期性是胎心信号的一个重要特点，胎心仪的基本工作原理就是提取胎心信号的周期，从而实现胎心率的计算，同时胎心干扰信号为非周期信号或周期与胎心信号不一致，对胎心信号进行周期性特征提取，可有效抑制干扰信号的影响，因此本发明将信号的周期性特征作为特征量，建立特征量-信号质量的关系模型。

自相关是指是一个信号与其自身在不同时间点的互相关，即信号在某一时刻的瞬时值与另一时刻的瞬时值之间的依赖关系。通过自相关技术，可获取到一个信号经过一段延时后与自身的相似性，因此可利用自相关函数实现信号周期的提取，同时自相关函数的抗干扰性较强，在信号信噪比不佳的情况下也能获取信号的周期。

获取信号周期性特征量的过程如下：

1.1使用超声多普勒胎心仪获取胎心信号，为提高算法适应性，避免干扰信号与信号幅值差异对算法结果的影响，本发明先对超声多普勒胎心信号进行预处理，包括全波整流、带通滤波、归一化处理等。

1.2对预处理后的胎心信号进行自相关运算，长度为N的数字信号x(n)在m时刻的自相关函数定义如下：

自相关函数的运算有直接方式法、矩阵原位算法、基于快速傅里叶变换的快速计算法等实现算法，算法的实现性能很大程度影响了系统的实时性。出于提高运算效率和减小内存开销的考虑，本发明采用基于快速傅里叶变换的自相关函数实现算法，该实现算法利用快速傅里叶变换算法提高计算效率，长度为N的序列x(n)的自相关函数计算公式可转换为：

其中：X(k)为x(n)的离散傅里叶变换结果。

1.3由胎心信号的自相关运算结果计算信号的周期性特征量，如图2(a)～图2(d)所示，胎心信号的自相关计算结果也为周期信号，提取自相关曲线中两个峰值之间的距离就可简单获取到胎心信号的周期，从而实现胎心信号周期的检查；若信号周期不在合理范围内，则使信号的周期性特征值为零或负数，便于后续处理。信号的自相关曲线峰值体现了信号与延时后自身信号的相似性，自相关曲线峰值越大，信号的周期性越明显。因此本发明从自相关曲线峰值中提取信号信息，作为信号的周期性特征量，对胎心信号的自相关运算结果去除前一段数据后求取最大值S_max、最小值S_min与平均值S_aver，以计算信号周期性特征量S。信号周期性特征量的计算公式为：

(2)提取胎心信号的能量分布特征量。

本步骤中需要对胎心信号进行能量分布特征量提取，胎心信号有一定规律，同时存在明显的强弱分布特点，例如第一心音S1与第二心音S2信号幅度明显大于其它区域。胎心信号的能量主要集中在S1与S2区域，其他区域能量较小，因此胎心信号的能量分布具有以下特点为：(1)存在能量峰值且峰值时间较短；(2)大部分时间段信号能量较小；胎心信号的能量分布特点与干扰信号的能量分布特点存在差异，因此本发明将信号的能量分布特征作为特征量，建立特征量-信号质量的关系模型。

本发明使用变异系数计算信号能量，得到胎心信号能量的时域分布情况。信号能量的时域分布曲线数据量较大，为减少数据量并保留能量信息，本发明将能量-时域曲线纵轴映射，即统计每个能量值出现的次数，得到每个能量值的时间占比；为进一步减少数据量，将纵轴映射曲线离散化，得到信号的能量分布特征。

获取信号能量分布特征量的过程如下：

2.1计算当前胎心信号的变异系数。

变异系数在数学中为标准差与平均值之比(平均值不为0)，其计算公式如下：

其中：σ为信号的标准差，μ为信号的平均值。

变异系数是概率分布离散程度的一个归一化量度，观察强弱胎心信号的变异系数曲线图3(a)～图3(b)可发现，当信号能量小时，信号幅度变化较小，信号的标准差偏小，而当信号能量大时，信号幅值变化明显时，此时信号的标准差偏大，因此变异系数可以在一定程度上反应信号能量的集中程度；同时变异系数具有归一化特性，减小了数据取值范围差异带来的干扰，扩展了该方式的适用范围。

可将变异系数的计算结果近似认为信号的能量，本发明主要考虑信号能量的分布关系，可将变异系数运算结果进行归一化，实现对不同幅值信号的适应，归一化公式为：

其中：

为t_i时刻变异系数的归一化结果，

为t_i时刻变异系数计算值，Cv_min为计算时间窗内变异系数的最小值，Cv_max为计算时间窗内变异系数的最大值。

2.2将归一化变异系数曲线进行纵轴映射。信号能量的时域分布曲线数据量较大，为减少数据量并保留能量信息，统计变异系数每个结果出现的次数，可得到信号的能量分布曲线，如图4所示。

2.3将能量分布曲线离散化得到能量分布特征量。

归一化后的变异系数纵轴映射曲线虽能反映胎心信号的能量分布情况，但数据量仍较大，不利于后续处理。为减少数据处理量，本发明将连续的能量分布曲线聚合为N个区间带，即将归一化变异系数按幅度分N个区间，将每个区间的变异系数信号出现次数作为能量分布特征；经过调试验证，本实施例将N取为5。通过对比图5(a)～图5(b)可发现，归一化变异系数进行纵轴离散映射后，能明显反映出不同胎心信号的能量分布特点；离散映射方法不仅简化了映射过程，而且有效降低了数据处理量，便于后续处理。

(3)将周期性特征量与能量分布特征量输入通过已训练完成的神经网络中，计算当前信号的质量评估指数。

本步骤中需要基于神经网络建立特征量与信号质量的关系模型。BP神经网络是一种多层的前馈神经网络，其主要的特点是：信号是前向传播的，而误差是反向传播的，是目前广泛应用的神经网络之一；BP神经网络采用有监督的学习方式，通过学习计算得到输入-输出映射关系的函数方程，基本思想是梯度下降法，利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差均方差为最小。BP神经网络主要应用于函数逼近、模式识别、分类、数据压缩等方面，本发明基于BP神经网络算法，构造训练集与测试集，训练建立特征值与信号质量的关系模型，实现胎心信号质量的分类。

BP神经网络模型包括输入层、隐藏层及输出层。本发明将上述周期性特征值与能量分布特征值共6个特征值作为输入层参数，即输入层神经元个数为6；将胎心信号质量分类为优、良、中、差四个等级，即输出层神经元个数为4；结合经验与调试效果，将隐藏层的神经元个数设置为合适的数值，输入层与隐藏层通过log-sigmoid函数连接，隐藏层与输出层通过线性传递函数连接，模型结构如图6所示。

BP神经网络算法学习过程如下：

3.1初始化，随机给定各神经元连接权重；

3.2给定输入输出样本对，计算隐藏层与输出层各单元的输出；

3.3利用梯度下降法反向计算新的连接权重；

3.4选取下一个输入样本再次反复训练直到网络输出误差达到要求。

根据神经网络的训练结果，可建立特征值与信号质量的关系模型，得到胎心信号的四个等级分类结果，将四个等级结果加权相加后可得到0～1范围的信号质量评估指数。

(4)结合前序计算得到最终结果，根据胎心信号的延续性，与之前时刻的计算结果动态加权相加，实现胎心信号质量评估的连续运算，从而进一步提高算法的稳定性与可靠性。

(5)重复步骤(1)～(4)对下一个时间窗信号进行质量评估计算，实现胎心信号质量评估指数的实时计算，辅助孕妇查找到合适的胎心测量位置，提高胎心检测准确性。

以下我们利用超声多普勒胎心仪对不同孕期的孕妇进行实测获取胎心信号，采集不同位置胎心信号的波形，以便分析本发明提出的胎心信号质量评估算法的效果。在测试过程中，首先寻找最强胎心位置，作为中心点并获得此位置的信号波形数据，接着以此位置为基准，不断向周围扩展，以1cm为间隔分别采集胎心数据，进行信号质量评估，结果如表1所示：

表1

通过孕妇实测数据可发现，对于同一孕妇，信号质量评估指数随离中心点距离的加大而减小；对于同一测试位置，信号质量评估指数随着孕周的增加而增大，因此本发明的胎心质量评估算法可以有效评价胎心信号的质量情况。

上述对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。

Claims (2)

1.一种针对超声多普勒胎心信号的质量评估方法，包括如下步骤：

(1)获取大量的胎心信号，人工对这些胎心信号进行质量分级并为每一胎心信号打上等级标签；

(2)计算提取每一胎心信号的周期性特征量，具体实现过程如下：

2.1对胎心信号进行预处理，包括全波整流、带通滤波以及归一化处理；

2.2通过以下公式计算预处理后胎心信号的自相关函数；

或

其中：R_xx(m)为第m时刻胎心信号的自相关函数值，N为胎心信号的长度，x(n)为第n时刻的胎心信号幅值，x(n+m)为第n+m时刻的胎心信号幅值，X(k)为胎心信号的离散傅里叶变换结果即第k个频率点的幅值，j为虚数单位；

2.3提取自相关函数的最大值S_max、最小值S_min和平均值S_aver，进而根据以下公式计算出胎心信号的周期性特征量S；

(3)计算提取每一胎心信号的能量分布特征量，具体实现过程如下：

3.1通过以下公式计算确定胎心信号的变异系数曲线；

其中：Cv(n)为第n时刻的胎心信号变异系数，σ(n)为第n个滑动窗内的胎心信号标准差，μ(n)为第n个滑动窗内的胎心信号平均幅值，所有滑动窗的设定长度均相同且小于N，第n个滑动窗即以第n时刻为截止时刻，n为自然数且0≤n≤N-1；

3.2对所述变异系数曲线进行归一化处理；

3.3在归一化后变异系数曲线的取值范围分成K个区间带，进而统计曲线的直方图，将各区间带的频数作为胎心信号的能量分布特征量，K为大于1的自然数；

(4)将胎心信号的等级标签、周期性特征量和能量分布特征量组成作为样本，每一胎心信号即对应一个样本；将所有样本分为训练集和测试集且训练集大于测试集，其中训练集用于对BP神经网络进行训练，测试集用于对训练得到的模型进行测试，并根据测试结果对模型参数进行微调以确立最终的质量评估模型；

利用训练集样本对BP神经网络进行训练，得到用于超声多普勒胎心信号的质量评估模型，具体训练过程如下：

4.1初始化构建一个由输入层、隐藏层和输出层组成的BP神经网络；

4.2从训练集中任取一样本代入上述神经网络计算得到对应关于胎心信号质量的输出结果，计算该输出结果与样本中等级标签对应真值之间的误差；

4.3根据该误差通过梯度下降法对BP神经网络中输入层与隐藏层之间以及隐藏层与输出层之间的权重进行修正，进而从训练集中任取下一样本代入修正后的神经网络；

4.4根据步骤4.2和4.3遍历训练集中的所有样本，取误差最小时所对应的神经网络为质量评估模型；

(5)对于待评估的胎心信号，计算其周期性特征量和能量分布特征量，进而将这两组特征输入至质量评估模型中即可输出得到该胎心信号对于各质量等级的置信度结果，取对应置信度最高的等级作为胎心信号的质量评估结果。

2.根据权利要求1所述的质量评估方法，其特征在于：所述步骤3.2中通过以下公式对变异系数曲线进行归一化处理；

其中：Cv_norm(n)为第n时刻归一化后的胎心信号变异系数，Cv_min为胎心信号变异系数曲线的最小值，Cv_max为胎心信号变异系数曲线的最大值。

Images