CN112232253B - 一种粗糙合理粒度驱动的胎儿心电图异常检测方法 - Google Patents
一种粗糙合理粒度驱动的胎儿心电图异常检测方法 Download PDFInfo
- Publication number
- CN112232253B CN112232253B CN202011154195.7A CN202011154195A CN112232253B CN 112232253 B CN112232253 B CN 112232253B CN 202011154195 A CN202011154195 A CN 202011154195A CN 112232253 B CN112232253 B CN 112232253B
- Authority
- CN
- China
- Prior art keywords
- fetal electrocardiogram
- sample
- samples
- fetal
- neighborhood
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Computational Linguistics (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供了一种粗糙合理粒度驱动的胎儿心电图异常检测方法,包括如下步骤:S10获得所有胎儿心电图样本的特征值及胎儿状态构造决策信息表;S20利用局部邻域决策粗糙集模型对胎儿心电图样本的粗糙隶属度进行计算;S30基于PSO优化算法的合理邻域选择;S40将步骤S30中所求最优邻域半径作为所述步骤S20中局部邻域决策粗糙集模型的邻域半径,更新近似集。本发明的一种粗糙合理粒度驱动的胎儿心电图异常检测方法,根据邻域信息识别异常样本,分别给出不同分布情况下样本的粗糙隶属度,为标签噪声样本提供一组伪类别标记;引入合理粒度准则,利用粒子群优化算法选择最优邻域半径,对根据伪类别标记修正后的信息表进行上下近似集的更新。
Description
技术领域
本发明涉及胎儿心电图检测技术领域,具体涉及一种粗糙合理粒度驱动的胎儿心电图异常检测方法。
背景技术
妊娠期间胎儿发育是否正常目前仍主要依赖于超声检查,B超通过对声纳的回放,来判断胎儿形态,但胎儿形态并不能反映整体发育情况。随着科技发展,胎儿心电图顺势而生,胎儿心电图可以通过体表捕捉胎儿的心电活动,判断胎儿发育状况是否正常,是否有胎儿窘迫可能性,可对胎儿健康起到一定指导作用。根据胎儿心电图的信息可以有效判断胎儿在子宫内发育的健康状况,医生人工分析胎儿心电图反馈信息存在时间长,效率低,并且容易受到医生的自身经验不足而影响其正确性,而本发明专利可以智能辅助医生识别异常样本数据,对正确判断胎儿的健康状态具有一定的价值和意义。
发明内容
为了解决上述问题,本发明提供一种粗糙合理粒度驱动的胎儿心电图异常检测方法,根据邻域信息识别异常样本,分别给出不同分布情况下样本的粗糙隶属度,为标签噪声样本提供一组伪类别标记;引入合理粒度准则,利用粒子群优化算法选择最优邻域半径,对根据伪类别标记修正后的信息表进行上下近似集的更新。
为了实现以上目的,本发明采取的一种技术方案是:
一种粗糙合理粒度驱动的胎儿心电图异常检测方法,包括如下步骤:S10从胎儿心电图CTG中对胎儿心率FHR特征进行测量,获得所有胎儿心电图样本的特征值,并根据所述胎儿心电图样本的胎儿状态构造决策信息表Z;S20胎儿心电图样本粗糙隶属度的计算:利用局部邻域决策粗糙集模型并根据每个胎儿心电图样本邻域粒中样本的具体信息,识别异常胎儿心电图离群样本和标签噪声样本,并分别定义不同分布情况的胎儿心电图样本粗糙隶属度,为所识别的标签噪声样本提供一组伪类别标记,其中所述具体信息包括邻域中样本个数和样本类别标签种类数;S30基于PSO优化算法的合理邻域选择:引入合理粒度准则,构造由信息覆盖性和特殊性融合的评估标准,并通过粒子群算法对其进行优化,得到最优邻域半径δbest;S40将所述最优邻域半径δbest作为所述步骤S20中局部邻域决策粗糙集模型的邻域半径;并根据伪类别标记对标签噪声数据的类别标签进行修正,对修正后的胎儿心电图决策信息表的上下近似集进行更新。
进一步地,所述步骤S10中,从胎儿心电图CTG中对胎儿心率FHR特征进行测量,构造决策信息表Z,所述决策信息表Z由一个四元组表示Z=(U,AT=C∪D,V,f),其中U={x1,x2,...,xn}表示论域,为所有胎儿心电图样本集合;n表示胎儿心电图样本的个数;C={c1,c2,...,ck}表示胎儿心电图中胎儿心率的特征属性;k表示特征属性的个数;D={d}表示胎儿状态的类别标签,其中d的取值为N表示正常,d的取值为S表示可疑,d的取值为P表示病理;V=∪a∈ATVa表示所有属性的值域;f:U×AT→V表示信息函数,x∈U,f(x,a)=Va。
进一步地,所述步骤S20包括如下步骤:S21对于类别标签N的样本,假设类别标签为正常N的胎儿心电图样本集合表示为XN,遍历所述决策信息表Z中所有类别标签N的胎儿心电图样本x,即根据公式(1)计算每个胎儿心电图样本x的邻域δ(x):
δ(x)={y|dis(x,y)≤δ,δ>0,x∈XN} (1)
其中,δ表示邻域半径大小,dis(·)表示两个样本之间的欧氏距离,y代表所述决策信息表Z中另一个胎儿心电图样本;S22分析每个胎儿心电图样本x∈XN邻域δ(x)的具体情况,令Lδ(x)={N,S,P}表示每个胎儿心电图样本x∈XN邻域δ(x)中样本的类别标签的集合;S221当待测胎儿心电图样本x∈XN邻域中样本的个数满足|δ(x)|<M时,认定所述待测胎儿心电图样本x为离群样本,将所述待测胎儿心电图样本x加入离群样本集合O,即O=O∪{x},所述待测胎儿心电图样本x对类别标签N的粗糙隶属度为p(XN|δ(x))=e-5,其中M=2,|·|表示集合中元素的个数;S222当待测胎儿心电图样本x∈XN邻域中样本的类别标签均相同时,且与所述待测胎儿心电图样本的类别标签一致,即Lx={N}, 定义该样本对类别标签N的粗糙隶属度为p(XN|δ(x))=min[1,p0+s×(|δ(x)|-M)],其中p0表示初始概率值,M表示邻域中至少所包含的样本数,M=2,s表示搜索的步长;S223当待测胎儿心电图样本x∈XN邻域中样本的类别标签除所述待测胎儿心电图样本外其它样本的类别标签均相同,即Lx={N},此时认为所述待测胎儿心电图样本为标签噪声样本,将所述待测胎儿心电图样本加入标签噪声样本集合Noise,即Noise=Noise∪{x},并且给所述待测胎儿心电图样本提供伪类别标记定义所述待测胎儿心电图样本对类别标签N的粗糙隶属度为p(XN|δ(x))=0;S224当待测胎儿心电图样本x∈XN邻域中样本的类别标签种类数|Lδ(x)|>1,则定义所述待测胎儿心电图样本对类别标签N的粗糙隶属度为S23根据代价矩阵其中λPP,λBP,λNP分别表示胎儿心电图样本属于XN时,采取决策行动aP,aB和aN所产生的代价;λPN,λBN,λNN分别表示胎儿心电图样本不属于XN时,采取决策行动aP,aB和aN所产生代价,通过代价风险分析,给出阈值对(α,β)的求解公式如下:
S24当待测胎儿心电图样本对类别标签N的粗糙隶属度p(XN|δ(x))>β时,根据公式(4)对类别标签N的上近似定义可知,所述待测胎儿心电图样本属于类别标签N的上近似中;当所述待测胎儿心电图样本对类别标签N的粗糙隶属度p(XN|δ(x))≥α时,根据公式(5)对类别标签N的下近似δ(XN)定义可知,所述待测胎儿心电图样本属于N类别的下近似δ(XN)中,并根据公式(6)、(7)和(8)计算类别标签N的正域POS(XN)、负域NEG(XN)和边界域BND(XN);
δ(XN)={x∈XN|P(XN|δ(x))≥α} (5)
POS(XN)=δ(XN)={x∈XN|P(XN|δ(X))≥α} (6)
NEG(XN)=U-δ(XN)={x∈XN|P(XN|δ(x))≤β} (7)
S25接着考虑类别标签S和P的胎儿心电图样本,重复步骤S21—步骤S24,求得待测胎儿心电图样本属于类别标签S和P的上下近似,以及正域、负域和边界域,最后计算各个类别的上近似集的并集作为整个决策信息表的上近似集计算各个类别的下近似集的并集作为整个决策信息表的下近似集δ。
进一步地,所述步骤S30包括:S31初始化种群的规模为m,最大的迭代次数Tmax,学习因子c1,c2,粒子的飞行的最大速度为vmax,粒子的位置范围为[Locationmin,Locationmax],初始化粒子的飞行速度v和允许误差error;S32定义适应度函数,根据决策属性对所述所有胎儿心电图样本进行划分U/D={XN,XS,XP},引入合理粒度的原则,先考虑类别标签N的胎儿心电图样本,定义如下适应度函数:
Q=QN+QS+QP (9)
其中,QN、QS和Qp分别对应每个决策类的优化值。Q值的具体计算如下:
Q=cov(δ)×sp(δ) (10)
其中,cov用于评估信息粒度中覆盖的数据量,sp用于评估信息粒度的特殊性,其计算公式如下:
cov(δ)=max[0,F1+F2] (11)
sp(δ)=1-δ (12)
其中
S33当前迭代次数k<Tmax时,则使用线性微分递减惯性权重对第k次的权重进行更新:
其中,wstart表示初始惯性权重,wend表示终止惯性权重,k表示当前迭代次数,Tmax表示最大的迭代次数,一般设置初始权值wstart=0.9,终止权重wend=0.4;S34利用步骤S32中构造的适应性函数计算粒子的适应度,遍历种群中的粒子,计算第i个粒子的适应性函数fitnessi,根据公式(16)更新粒子i的速度,并判断是否超出粒子所限定的速度范围,当第k次迭代的第i个粒子速度则当第k次迭代的第i个粒子速度则根据公式(17)更新粒子i的位置,并判断是否超出粒子所限定的位置范围,当第k次迭代的第i个粒子位置则当第k次迭代的第i个粒子位置则
S35遍历种群中的粒子,当第i个粒子适应度fitnessi大于个体最佳适应度personalbesti时,则对粒子的最佳适应度进行更新,personalbesti=fitnessi;当大于集体最佳适应度globalbesti时,对群体的最佳适应度进行更新,globalbesti=fitnessi,此时最优邻域半径δbest为群体最佳适应度globalbesti对应的最佳位置locationi;S36当abs(globalbest)<error时,则提前结束此次遍历,进行下次迭代,即k=k+1,重复S31~S35步骤,直到达到最大迭代次数,得到最优邻域半径δbest。
进一步地,所述步骤S40包括:S41将步骤S30中所得到的最优邻域半径δbest作为邻域半径,利用步骤S20中对胎儿心电图样本的粗糙隶属度计算方式,求得局部邻域决策粗糙集模型的上下近似集、离群样本集合、标签噪声样本集合及其标签噪声样本的伪类别标记;S42利用步骤S20中所获得的伪类别标记对标签噪声样本的类别标签进行更正,更新胎儿心电图决策信息表,再次根据步骤S20中对胎儿心电图样本的粗糙隶属度计算方式,求得局部邻域决策粗糙集模型的上下近似集。
本发明的上述技术方案相比现有技术具有以下优点:
本发明的一种粗糙合理粒度驱动的胎儿心电图异常检测方法,首先通过邻域信息,对离群样本和标签噪声样本等异常样本进行识别,并为标签噪声样本提供一组伪类别标记,分别给出不同分布情况下样本的粗糙隶属度计算公式;其次引入合理粒度准则,构造由信息覆盖性和特异性融合的评估标准,并采用粒子群优化算法获取最优邻域半径;最后利用伪类别标记对标签噪声样本的胎儿状态类别标签进行更新,利用所得的最优邻域半径,对决策信息表的近似集进行更新,较好地克服胎儿心电图中噪声和离群样本的干扰,能够较好地实现对胎儿状态进行监测。
附图说明
下面结合附图,通过对本发明的具体实施方式详细描述,将使本发明的技术方案及其有益效果显而易见。
图1所示为本发明一实施例的粗糙合理粒度驱动的胎儿心电图异常检测方法流程图;
图2所示为本发明一实施例的S20步骤的流程简图;
图3所示为本发明一实施例的基于PSO优化算法的合理邻域选择流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本实施例提供了一种粗糙合理粒度驱动的胎儿心电图异常检测方法,如图1所示,包括如下步骤:
S10从胎儿心电图CTG中对胎儿心率FHR特征进行测量,获得所有胎儿心电图样本的特征值,并根据所述胎儿心电图样本的胎儿状态构造决策信息表Z。S20胎儿心电图样本粗糙隶属度的计算:利用局部邻域决策粗糙集模型并根据每个胎儿心电图样本邻域粒中样本的具体信息,识别异常胎儿心电图离群样本和标签噪声样本,并分别定义不同分布情况的胎儿心电图样本粗糙隶属度,为所识别的标签噪声样本提供一组伪类别标记,其中所述具体信息包括邻域中样本个数和样本类别标签种类数。S30基于PSO优化算法的合理邻域选择:引入合理粒度准则,构造由信息覆盖性和特殊性融合的评估标准,并通过粒子群算法对其进行优化,得到最优邻域半径δbest。S40将所述最优邻域半径δbest作为所述步骤S20中局部邻域决策粗糙集模型的邻域半径;并根据伪类别标记对标签噪声数据的类别标签进行修正,对修正后的胎儿心电图决策信息表的上下近似集进行更新。
所述步骤S10中,从胎儿心电图CTG中对胎儿心率FHR特征进行测量,构造决策信息表Z,所述决策信息表Z由一个四元组表示Z=(U,AT=C∪D,V,f),其中U={x1,x2,...,xn}表示论域,为所有胎儿心电图样本集合;n表示胎儿心电图样本的个数;C={c1,c2,...,ck}表示胎儿心电图中胎儿心率的特征属性;k表示特征属性的个数;D={d}表示胎儿状态的类别标签,其中d的取值为N表示正常,d的取值为S表示可疑,d的取值为P表示病理;V=∪a∈ATVa表示所有属性的值域;f:U×AT→V表示信息函数,x∈U,f(x,a)=Va。
如图2所示,所述步骤S20包括如下步骤:
δ(x)={y|dis(x,y)≤δ,δ>0,x∈XN} (1)
其中,δ表示邻域半径大小,dis(·)表示两个样本之间的欧氏距离,y代表所述决策信息表Z中另一个胎儿心电图样本;
S22分析每个胎儿心电图样本x∈XN邻域δ(x)的具体情况,令Lδ(x)={N,S,P}表示每个胎儿心电图样本x∈XN邻域δ(x)中样本的类别标签的集合;
S221当待测胎儿心电图样本x∈XN邻域中样本的个数满足|δ(x)|<M时,认定所述待测胎儿心电图样本x为离群样本,将所述待测胎儿心电图样本x加入离群样本集合O,即O=O∪{x},所述待测胎儿心电图样本x对类别标签N的粗糙隶属度为p(XN|δ(x))=e-5,其中M=2,|·|表示集合中元素的个数;
S222当待测胎儿心电图样本x∈XN邻域中样本的类别标签均相同时,且与所述待测胎儿心电图样本的类别标签一致,即Lx={N},定义该样本对类别标签N的粗糙隶属度为p(XN|δ(x))=min[1,p0+s×(|δ(x)|-M)],其中p0表示初始概率值,M表示邻域中至少所包含的样本数,M=2,s表示搜索的步长;
S223当待测胎儿心电图样本x∈XN邻域中样本的类别标签除所述待测胎儿心电图样本外其它样本的类别标签均相同,即Lx={N},此时认为所述待测胎儿心电图样本为标签噪声样本,将所述待测胎儿心电图样本加入标签噪声样本集合Noise,即Noise=Noise∪{x},并且给所述待测胎儿心电图样本提供伪类别标记定义所述待测胎儿心电图样本对类别标签N的粗糙隶属度为p(XN|δ(x))=0;
S23根据代价矩阵其中λPP,λBP,λNP分别表示胎儿心电图样本属于XN时,采取决策行动aP,aB和aN所产生的代价;λPN,λBN,λNN分别表示胎儿心电图样本不属于XN时,采取决策行动aP,aB和aN所产生代价,通过代价风险分析,给出阈值对(α,β)的求解公式如下:
S24当待测胎儿心电图样本对类别标签N的粗糙隶属度p(XN|δ(x))>β时,根据公式(4)对类别标签N的上近似定义可知,所述待测胎儿心电图样本属于类别标签N的上近似中;当所述待测胎儿心电图样本对类别标签N的粗糙隶属度p(XN|δ(x))≥α时,根据公式(5)对类别标签N的下近似δ(XN)定义可知,所述待测胎儿心电图样本属于N类别的下近似δ(XN)中,并根据公式(6)、(7)和(8)计算类别标签N的正域POS(XN)、负域NEG(XN)和边界域BND(XN);
δ(XN)={x∈XN|P(XN|δ(x))≥α} (5)
POS(XN)=δ(XN)={x∈XN|P(XN|δ(X))≥α} (6)
NEG(XN)=U-δ(XN)={x∈XN|P(XN|δ(x))≤β} (7)
S25接着考虑类别标签S和P的胎儿心电图样本,重复步骤S21—步骤S24,求得待测胎儿心电图样本属于类别标签S和P的上、下近似,以及正域、负域和边界域,最后计算各个类别的上近似集的并集作为整个决策信息表的上近似集计算各个类别的下近似集的并集作为整个决策信息表的下近似集δ。
如图3所示,所述步骤S30包括:S31初始化种群的规模为m,最大的迭代次数Tmax,学习因子c1,c2,粒子的飞行的最大速度为vmax,粒子的位置范围为[Locationmin,Locationmax],初始化粒子的飞行速度v和允许误差error。S32定义适应度函数,根据决策属性对所述所有胎儿心电图样本进行划分U/D={XN,XS,XP},引入合理粒度的原则,先考虑类别标签N的胎儿心电图样本,定义如下适应度函数:
Q=QN+QS+QP
(9)其中,QN、QS和Qp分别对应每个决策类的优化值。Q值的具体计算如下:
Q=cov(δ)×sp(δ) (10)
其中,cov用于评估信息粒度中覆盖的数据量,sp用于评估信息粒度的特殊性,其计算公式如下:
cov(δ)=max[0,F1+F2] (11)
sp(δ)=1-δ (12)
其中
S33当前迭代次数k<Tmax时,则使用线性微分递减惯性权重对第k次的权重进行更新:
其中,wstart表示初始惯性权重,wend表示终止惯性权重,k表示当前迭代次数,Tmax表示最大的迭代次数,一般设置初始权值wstart=0.9,终止权重wend=0.4;
S34利用步骤S32中构造的适应性函数计算粒子的适应度,遍历种群中的粒子,计算第i个粒子的适应性函数fitnessi,根据公式(16)更新粒子i的速度,并判断是否超出粒子所限定的速度范围,当第k次迭代的第i个粒子速度则当第k次迭代的第i个粒子速度则根据公式(17)更新粒子i的位置,并判断是否超出粒子所限定的位置范围,当第k次迭代的第i个粒子位置则当第k次迭代的第i个粒子位置则
S35遍历种群中的粒子,当第i个粒子适应度fitnessi大于个体最佳适应度personalbesti时,则对粒子的最佳适应度进行更新,personalbesti=fitnessi;当fitnessi大于集体最佳适应度globalbesti时,对群体的最佳适应度进行更新,globalbesti=fitnessi,此时最优邻域半径δbest为群体最佳适应度globalbesti对应的最佳位置locationi;
S36当abs(globalbest)<error时,则提前结束此次遍历,进行下次迭代,即k=k+1,重复S31~S35步骤,直到达到最大迭代次数,得到最优邻域半径δbest。
所述S40步骤包括:S41将步骤S30中所得到的最优邻域半径δbest作为邻域半径,利用步骤S20中对胎儿心电图样本的粗糙隶属度计算方式,求得局部邻域决策粗糙集模型的上下近似集、离群样本集合、标签噪声样本集合及其标签噪声样本的伪类别标记。S42利用步骤S20中所获得的伪类别标记对标签噪声样本的类别标签进行更正,更新胎儿心电图决策信息表,再次根据步骤S20中对胎儿心电图样本的粗糙隶属度计算方式,求得局部邻域决策粗糙集模型的上下近似集。
以上所述仅为本发明的示例性实施例,并非因此限制本发明专利保护范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (3)
1.一种粗糙合理粒度驱动的胎儿心电图异常检测方法,其特征在于,包括如下步骤:
S10从胎儿心电图CTG中对胎儿心率FHR特征进行测量,获得所有胎儿心电图样本的特征值,并根据所述胎儿心电图样本的胎儿状态构造决策信息表Z;
S20胎儿心电图样本粗糙隶属度的计算:利用局部邻域决策粗糙集模型并根据每个胎儿心电图样本的邻域中样本的具体信息,识别异常胎儿心电图离群样本和标签噪声样本,并分别定义不同分布情况的胎儿心电图样本粗糙隶属度,为所识别的标签噪声样本提供一组伪类别标记,其中所述具体信息包括邻域中样本个数和样本类别标签种类数;
S30基于PSO优化算法的合理邻域选择:引入合理粒度准则,构造由信息覆盖性和特殊性融合的评估标准,并通过粒子群算法对其进行优化,得到最优邻域半径δbest;
S40将所述最优邻域半径δbest作为所述步骤S20中局部邻域决策粗糙集模型的邻域半径;并根据伪类别标记对标签噪声数据的类别标签进行修正,对修正后的胎儿心电图决策信息表的上下近似集进行更新;
所述步骤S20包括如下步骤:
δ(x)={y|dis(x,y)≤δ,δ>0,x∈XN} (1)
其中,δ表示邻域半径大小,dis(·)表示两个样本之间的欧氏距离,y代表所述决策信息表Z中另一个胎儿心电图样本;
S22分析每个胎儿心电图样本x∈XN邻域δ(x)的具体情况,令Lδ(x)={N,S,P}表示每个胎儿心电图样本x∈XN邻域δ(x)中样本的类别标签的集合;
S221当待测胎儿心电图样本x∈XN邻域中样本的个数满足|δ(x)|≤M时,认定所述待测胎儿心电图样本x为离群样本,将所述待测胎儿心电图样本x加入离群样本集合O,即O=O∪{x},所述待测胎儿心电图样本x对类别标签N的粗糙隶属度为p(XN|δ(x))=e-5,其中M=2,|·|表示集合中元素的个数;
S222当待测胎儿心电图样本x∈XN邻域中样本的类别标签均相同时,且与所述待测胎儿心电图样本的类别标签一致,即Lx={N},定义该样本对类别标签N的粗糙隶属度为p(XN|δ(x))=min[1,p0+s×(|δ(x)|-M)],其中p0表示初始概率值,M表示邻域中至少所包含的样本数,M=2,s表示搜索的步长;
S223当待测胎儿心电图样本x∈XN邻域中样本的类别标签除所述待测胎儿心电图样本外其它样本的类别标签均相同,即Lx={N},此时认为所述待测胎儿心电图样本为标签噪声样本,将所述待测胎儿心电图样本加入标签噪声样本集合Noise,即Noise=Noise∪{x},并且给所述待测胎儿心电图样本提供伪类别标记定义所述待测胎儿心电图样本对类别标签N的粗糙隶属度为p(XN|δ(x))=0;
S23根据代价矩阵其中λPP,λBP,λNP分别表示胎儿心电图样本属于XN时,采取决策行动aP,aB和aN所产生的代价;λPN,λBN,λNN分别表示胎儿心电图样本不属于XN时,采取决策行动aP,aB和aN所产生代价,通过代价风险分析,给出阈值对(α,β)的求解公式如下:
S24当待测胎儿心电图样本对类别标签N的粗糙隶属度p(XN|δ(x))>β时,根据公式(4)对类别标签N的上近似定义可知,所述待测胎儿心电图样本属于类别标签N的上近似中;当所述待测胎儿心电图样本对类别标签N的粗糙隶属度p(XN|δ(x))≥α时,根据公式(5)对类别标签N的下近似δ(XN)定义可知,所述待测胎儿心电图样本属于N类别的下近似δ(XN)中,并根据公式(6)、(7)和(8)计算类别标签N的正域POS(XN)、负域NEG(XN)和边界域BND(XN);
δ(XN)={x∈XN|P(XN|δ(x))≥α} (5)
POS(XN)=δ(XN)={x∈XN|P(XN|δ(X))≥α} (6)
NEG(XN)=U-δ(XN)={x∈XN|P(XN|δ(x))≤β} (7)
S25接着考虑类别标签S和P的胎儿心电图样本,重复步骤S21~步骤S24,求得待测胎儿心电图样本属于类别标签S和P的上、下近似,以及正域、负域和边界域,最后计算各个类别的上近似集的并集作为整个决策信息表的上近似集计算各个类别的下近似集的并集作为整个决策信息表的下近似集δ;
所述步骤S30包括:
S31初始化种群的规模为m,最大的迭代次数Tmax,学习因子c1,c2,粒子的飞行的最大速度为vmax,粒子的位置范围为[Locationmin,Locationmax],初始化粒子的飞行速度v和允许误差error;
S32定义适应度函数,根据决策属性对所述所有胎儿心电图样本进行划分U/D={XN,XS,XP},引入合理粒度的原则,先考虑类别标签N的胎儿心电图样本,定义如下适应度函数:
Q=QN+QS+QP (9)
其中,QN、QS和Qp分别对应每个决策类的优化值,Q值的具体计算如下:
Q=cov(δ)×sp(δ) (10)
其中,cov用于评估信息粒度中覆盖的数据量,sp用于评估信息粒度的特殊性,其计算公式如下:
cov(δ)=max[0,F1+F2] (11)
sp(δ)=1-δ (12)
其中
S33当前迭代次数k<Tmax时,则使用线性微分递减惯性权重对第k次的权重进行更新:
其中,wstart表示初始惯性权重,wend表示终止惯性权重,k表示当前迭代次数,Tmax表示最大的迭代次数,设置初始权值wstart=0.9,终止权重wend=0.4;
S34利用步骤S32中构造的适应性函数计算粒子的适应度,遍历种群中的粒子,计算第i个粒子的适应性函数fitnessi,根据公式(16)更新粒子i的速度,并判断是否超出粒子所限定的速度范围,当第k次迭代的第i个粒子速度则当第k次迭代的第i个粒子速度则根据公式(17)更新粒子i的位置,并判断是否超出粒子所限定的位置范围,当第k次迭代的第i个粒子位置则当第k次迭代的第i个粒子位置则
S35遍历种群中的粒子,当第i个粒子适应度fitnessi大于个体最佳适应度personalbesti时,则对粒子的最佳适应度进行更新,personalbesti=fitnessi;当fitnessi大于集体最佳适应度globalbesti时,对群体的最佳适应度进行更新,globalbesti=fitnessi,此时最优邻域半径δbest为群体最佳适应度globalbesti对应的最佳位置locationi;
S36当abs(globalbest)<error时,则提前结束此次遍历,进行下次迭代,即k=k+1,重复S31~S35步骤,直到达到最大迭代次数,得到最优邻域半径δbest。
2.根据权利要求1所述的粗糙合理粒度驱动的胎儿心电图异常检测方法,其特征在于,所述步骤S10中,从胎儿心电图CTG中对胎儿心率FHR特征进行测量,构造决策信息表Z,所述决策信息表Z由一个四元组表示Z=(U,AT=C∪D,V,f),其中U={x1,x2,...,xn}表示论域,为所有胎儿心电图样本集合;n表示胎儿心电图样本的个数;C={c1,c2,...,ck}表示胎儿心电图中胎儿心率的特征属性;k表示特征属性的个数;D={d}表示胎儿状态的类别标签,其中d的取值为N表示正常,d的取值为S表示可疑,d的取值为P表示病理;V=∪a∈ATVa表示所有属性的值域;f:U×AT→V表示信息函数,x∈U,f(x,a)=Va。
3.根据权利要求2所述的粗糙合理粒度驱动的胎儿心电图异常检测方法,其特征在于,所述步骤S40包括:
S41将步骤S30中所得到的最优邻域半径δbest作为邻域半径,利用步骤S20中对胎儿心电图样本的粗糙隶属度计算方式,求得局部邻域决策粗糙集模型的上下近似集、离群样本集合、标签噪声样本集合及其标签噪声样本的伪类别标记;
S42利用步骤S20中所获得的伪类别标记对标签噪声样本的类别标签进行更正,更新胎儿心电图决策信息表,再次根据步骤S20中对胎儿心电图样本的粗糙隶属度计算方式,求得局部邻域决策粗糙集模型的上下近似集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011154195.7A CN112232253B (zh) | 2020-10-26 | 2020-10-26 | 一种粗糙合理粒度驱动的胎儿心电图异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011154195.7A CN112232253B (zh) | 2020-10-26 | 2020-10-26 | 一种粗糙合理粒度驱动的胎儿心电图异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112232253A CN112232253A (zh) | 2021-01-15 |
CN112232253B true CN112232253B (zh) | 2021-11-09 |
Family
ID=74109321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011154195.7A Active CN112232253B (zh) | 2020-10-26 | 2020-10-26 | 一种粗糙合理粒度驱动的胎儿心电图异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112232253B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104102915A (zh) * | 2014-07-01 | 2014-10-15 | 清华大学深圳研究生院 | 一种心电异常状态下基于ecg多模板匹配的身份识别方法 |
CN107145878A (zh) * | 2017-06-01 | 2017-09-08 | 重庆邮电大学 | 基于深度学习的老人异常行为检测方法 |
CN107657318A (zh) * | 2017-11-13 | 2018-02-02 | 成都蓝景信息技术有限公司 | 一种基于深度学习模型的心电图分类方法 |
CN110192853A (zh) * | 2019-04-30 | 2019-09-03 | 杭州电子科技大学 | 一种基于心电熵值图的心电异常评估方法 |
CN110226921A (zh) * | 2019-06-27 | 2019-09-13 | 广州视源电子科技股份有限公司 | 心电信号检测分类方法、装置、电子设备和存储介质 |
CN111488793A (zh) * | 2020-02-21 | 2020-08-04 | 广州视源电子科技股份有限公司 | 心电信号分类方法、装置、电子设备和存储介质 |
CN111481192A (zh) * | 2020-04-22 | 2020-08-04 | 重庆邮电大学 | 一种基于改进U-Net的心电信号R波检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10595788B2 (en) * | 2016-05-31 | 2020-03-24 | Stmicroelectronics S.R.L. | Method for the detecting electrocardiogram anomalies and corresponding system |
-
2020
- 2020-10-26 CN CN202011154195.7A patent/CN112232253B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104102915A (zh) * | 2014-07-01 | 2014-10-15 | 清华大学深圳研究生院 | 一种心电异常状态下基于ecg多模板匹配的身份识别方法 |
CN107145878A (zh) * | 2017-06-01 | 2017-09-08 | 重庆邮电大学 | 基于深度学习的老人异常行为检测方法 |
CN107657318A (zh) * | 2017-11-13 | 2018-02-02 | 成都蓝景信息技术有限公司 | 一种基于深度学习模型的心电图分类方法 |
CN110192853A (zh) * | 2019-04-30 | 2019-09-03 | 杭州电子科技大学 | 一种基于心电熵值图的心电异常评估方法 |
CN110226921A (zh) * | 2019-06-27 | 2019-09-13 | 广州视源电子科技股份有限公司 | 心电信号检测分类方法、装置、电子设备和存储介质 |
CN111488793A (zh) * | 2020-02-21 | 2020-08-04 | 广州视源电子科技股份有限公司 | 心电信号分类方法、装置、电子设备和存储介质 |
CN111481192A (zh) * | 2020-04-22 | 2020-08-04 | 重庆邮电大学 | 一种基于改进U-Net的心电信号R波检测方法 |
Non-Patent Citations (2)
Title |
---|
Anomaly detection in ECG time signals via deep long short-term memory networks;Chauhan S et al;《IEEE International Conference on Data Science and Advanced Analytics》;20151230;全文 * |
基于RNN的心电信号异常检测研究;李锋等;《智慧健康》;20181105;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112232253A (zh) | 2021-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108182445B (zh) | 基于大数据智能核独立元分析的过程故障识别方法 | |
CN112201330B (zh) | 结合DRGs工具和贝叶斯模型的医疗质量监测评估方法 | |
CN111353373A (zh) | 一种相关对齐域适应故障诊断方法 | |
CN113274031B (zh) | 一种基于深度卷积残差网络的心律失常分类方法 | |
CN108009571A (zh) | 一种新的直推式半监督数据分类方法及系统 | |
CN112837799B (zh) | 基于区块链的远程互联网大数据智慧医疗系统 | |
CN103678483A (zh) | 基于自适应概率超图和半监督学习的视频语义分析方法 | |
CN111738997A (zh) | 一种基于深度学习的计算新冠肺炎病变区域占比的方法 | |
CN109241493A (zh) | 基于马尔可夫随机场和em算法的关键性能指标软测量方法 | |
CN112232253B (zh) | 一种粗糙合理粒度驱动的胎儿心电图异常检测方法 | |
CN114983343A (zh) | 睡眠分期方法及其系统、计算机可读存储介质、电子设备 | |
US6941288B2 (en) | Online learning method in a decision system | |
CN113707317A (zh) | 一种基于混合模型的疾病危险因素重要性分析方法 | |
Yang et al. | Unsupervised clustering and analysis of contraction-dependent fetal heart rate segments | |
CN117275515A (zh) | 改进原型网络的训练方法、声音分类方法、装置及设备 | |
CN114970772B (zh) | 用于肺部疾病检测的模型训练方法、设备、装置和介质 | |
CN115153572B (zh) | 一种小样本场景下的心电异常检测与识别方法及系统 | |
CN115223654A (zh) | 检测胎儿染色体非整倍体异常的方法、装置及存储介质 | |
CN113469954B (zh) | 一种肺结节良恶性评价方法及装置 | |
CN115171906A (zh) | 一种基于机器学习的前列腺癌筛查和诊断方法 | |
CN112802040B (zh) | 一种基于边缘感知的x光片气胸分割及评估方法 | |
CN111012306B (zh) | 基于双神经网络的睡眠呼吸声检测方法及系统 | |
Shamsi et al. | Heart sound localization in chest sound using temporal fuzzy c-means classification | |
CN116167957A (zh) | cTTE图像处理方法、计算机设备、系统和存储介质 | |
CN111354458B (zh) | 基于通用绘图任务的触控交互运动用户特征提取方法和辅助疾病检测系统 |
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 |