CN112971853A - 一种基于人工智能分析电子胎心监测数据的方法及装置 - Google Patents
一种基于人工智能分析电子胎心监测数据的方法及装置 Download PDFInfo
- Publication number
- CN112971853A CN112971853A CN202110084768.1A CN202110084768A CN112971853A CN 112971853 A CN112971853 A CN 112971853A CN 202110084768 A CN202110084768 A CN 202110084768A CN 112971853 A CN112971853 A CN 112971853A
- Authority
- CN
- China
- Prior art keywords
- efm data
- data
- efm
- initial
- model
- 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
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/02—Measuring pulse or heart rate
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/48—Diagnostic techniques
- A61B8/488—Diagnostic techniques involving Doppler signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Cardiology (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种基于人工智能分析电子胎心监测数据的方法及装置,所述方法:根据初始EFM数据进行预处理获得EFM数据,对EFM数据进行特征提取,根据预设的特征筛选方法对初始EFM数据特征进行特征筛选,获取EFM数据特征,根据EFM数据特征建立算法模型,将算法模型进行封装,获得封装模型,将连续采集的EFM数据输入封装模型中训练,输出EFM数据预测结果的概率值,并将该概率值输入预设的回归分析方程进行分析,输出结合患者临床特征后胎儿酸中毒和胎儿窘迫的概率值。通过提取EFM数据的多种特征,降低了由于人工解读胎心监测数据的个体差异而造成错误的临床决策,同时通过人工智能算法挖掘胎心监测数据与胎儿分娩结局的直接联系,提高了临床决策的效率。
Description
技术领域
本发明涉及电子胎心监护技术领域,尤其涉及一种基于人工智能分析电子胎心监测数据的方法及装置。
背景技术
电子胎心监护(electronic fetal monitoring,EFM)是一种广泛应用于临床的评估胎儿宫内状态的医疗设备。应用超声多普勒原理,通过固定在孕妇腹部的胎心信号采集探头及宫缩信号采集探头,分别采集胎儿心率变化(fetal heart rate,FHR)及孕妇子宫收缩压力变化(uterine contraction,UC)。通过连续采集、信号转化后在显示屏上显示为胎心率曲线及子宫收缩压力值曲线。临床医生根据EFM不同波形的表现形式,可大致判断胎儿有无发生宫内缺氧、急性胎儿窘迫、胎儿酸中毒等,从而及时采取相应的进一步救治措施。
由于EFM波形的复杂性及不稳定性,即便是依据指南进行解读,临床医生仍极容易受个人经验影响导致解读错误,解读过程带有严重的主观性及不可重复性,引起个体内及个体间的差异,尤其是在产科资源较为缺乏的基层医院。错误解读EFM继而采取了不恰当的干预措施,增加非自然分娩母婴并发症的发生,徒添医疗负担,无法发挥电子胎心监护设备的最大临床价值。因此,有大量学者致力于开发胎监解读的计算机化,依据指南利用计算机算法识别胎监的特征,按照NST评分、Fischer评分、改良Fischer评分、Kreb’s评分或产时EFM三级评价系统对胎监进行评分和分类,以获取胎儿宫内状态信息。
然而,评分系统得到的胎监分类结果不能完全反应胎儿宫内状态,随着人工智能的发展,为提高电子胎心监护数据评估胎儿宫内状况的价值及准确性,有学者将人工智能算法与胎监分析相结合。但纳入的胎监信息较少,容易造成误差及偏移,分析结果欠佳,并且没有进一步研究这种分类与胎儿宫内状态的关联关系,不能满足临床实践的需求。
发明内容
本发明目的在于,提供一种基于人工智能分析电子胎心监测数据的方法及装置,通过提取电子胎心监测数据的多种类型的特征,减少人工解读导致的个体差异,达到客观、准确、高效的特征提取目的。同时挖掘其他领域特征用于胎监分析,提高胎监数据的可利用性。通过人工智能算法挖掘胎心监测数据与胎儿分娩结局的直接联系,为临床决策提供重要支持,发挥胎心监测数据的最大价值。
为实现上述目的,本发明实施例提供一种基于人工智能分析电子胎心监测数据的方法,包括:
根据电子胎心监护系统输出的初始EFM数据,对所述初始EFM数据进行预处理,获得EFM数据,所述预处理包括时长处理、缺失值处理、异常值处理和平滑滤波降噪处理;
根据预设的特征提取方法对所述EFM数据进行特征提取,剔除共线性及相关性的值大于0.8的特征,获得初始EFM数据特征,所述初始EFM数据特征包括形态学特征、非线性特征、时域特征、频域特征及相应EFM数据的病人的临床特征,所述临床特征包括基础人口学信息、产前产时并发症、分娩过程相关描述特征;
根据预设的特征筛选方法对所述初始EFM数据特征进行特征筛选,获取EFM数据特征;
根据所述EFM数据特征建立算法模型,将所述算法模型进行封装,获得封装模型;
根据连续采集目标数据段的EFM数据,输入所述封装模型中训练,根据所述模型训练输出EFM数据预测胎儿分娩结局的概率值,将所述EFM数据预测结果的概率值输入预设的回归分析方程进行分析,输出结合患者临床特征后胎儿酸中毒和胎儿窘迫的概率值。
优选地,所述根据电子胎心监护系统输出的初始EFM数据,对所述初始EFM数据进行预处理,获得EFM数据,所述预处理包括时长处理、缺失值处理、异常值处理和平滑滤波降噪处理,包括:
所述缺失值处理包括缺失值检测,若检测到目标EFM数据段缺失值大于该段EFM数据总数的20%,则不纳入分析,若检测到目标EFM数据段缺失值小于该段EFM数据总数的20%,则进行三次样条插值填补该目标EFM数据段的缺失值。
优选地,所述根据电子胎心监护系统输出的初始EFM数据,对所述初始EFM数据进行预处理,获得EFM数据,所述预处理包括时长处理、缺失值处理、异常值处理和平滑滤波降噪处理,还包括:
所述初始EFM数据在获取的过程中受到其他设备超声波的干扰,将在所述初始EFM数据目标段的干扰信号定义为波动点Xi,所述波动点满足Xi-Xi-1≥25bpm及Xi-Xi+1≥25bpm,在所述波动点Xi前和所述波动点Xi后的稳定序列之间进行样条插值替换。
优选地,所述根据所述EFM数据特征建立算法模型,将所述算法模型进行封装,获得封装模型,包括:
采用随机森林方法为核心算法进行算法模型训练,得到最佳模型参数,将所述最佳模型参数以及算法模型进行封装,获得封装模型。
本发明实施例提供还提供一种基于人工智能分析电子胎心监测数据的装置,包括:
预处理模块,用于根据电子胎心监护系统输出的初始EFM数据,对所述初始EFM数据进行预处理,获得EFM数据,所述预处理包括时长处理、缺失值处理、异常值处理和平滑滤波降噪处理;
特征提取模块,用于根据预设的特征提取方法对所述EFM数据进行特征提取,剔除共线性及相关性的值大于0.8的特征,获得初始EFM数据特征,所述初始EFM数据特征包括形态学特征、非线性特征、时域特征、频域特征及相应EFM数据的病人的临床特征,所述临床特征包括基础人口学信息、产前产时并发症、分娩过程相关描述特征;
特征筛选模块,用于根据预设的特征筛选方法对所述初始EFM数据特征进行特征筛选,获取EFM数据特征;
模型构建模块,用于根据所述EFM数据特征建立算法模型,将所述算法模型进行封装,获得封装模型;
输出模块,用于根据连续采集目标数据段的EFM数据,输入所述封装模型中训练,根据所述模型训练输出EFM数据预测胎儿分娩结局的概率值,将所述EFM数据预测结果的概率值输入预设的回归分析方程进行分析,输出结合患者临床特征后胎儿酸中毒和胎儿窘迫的概率值。
优选地,所述预处理模块,还用于:
所述缺失值处理包括缺失值检测,若检测到目标EFM数据段缺失值大于该段EFM数据总数的20%,则不纳入分析,若检测到目标EFM数据段缺失值小于该段EFM数据总数的20%,则进行三次样条插值填补该目标EFM数据段的缺失值。
优选地,所述预处理模块,还用于:
所述初始EFM数据在获取的过程中受到其他设备超声波的干扰,将在所述初始EFM数据目标段的干扰信号定义为波动点Xi,所述波动点满足Xi-Xi-1≥25bpm及Xi-Xi+1≥25bpm,在所述波动点Xi前和所述波动点Xi后的稳定序列之间进行样条插值替换。
优选地,所述模型构建模块,还用于:
采用随机森林方法为核心算法进行算法模型训练,得到最佳模型参数,将所述最佳模型参数以及算法模型进行封装,获得封装模型
本发明实施例还提供一种计算机终端设备,包括一个或多个处理器和存储器。存储器与所述处理器耦接,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述任一实施例所述的基于人工智能分析电子胎心监测数据的方法。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上述任一实施例所述的基于人工智能分析电子胎心监测数据的方法。
本发明实施例中,通过提取胎心监测数据的多种类型特征,免除临床医生人工解读胎监的步骤,在保证特征数据能够按照统一标准进行科学提取的前提上,还额外增加了许多胎心监测数据中潜在的能反映胎儿状态的但无法通过人工解读得到的特征,丰富胎心监测数据可提供的信息量。此外,可减少医生工作量,提高临床工作中的解读效率,减少由于人工解读导致的判断结果个体差异,达到科学客观、准确高效的特征提取目的。辅助大数据及人工智能的优势,通过人工智能算法挖掘电子胎心监测数据与胎儿分娩结局的直接联系,通过综合分析预测胎儿分娩结局,为临床决策提供更加有力的直接证据支持,发挥胎心监测的最大价值,能够更好的辅助临床医生的诊疗措施制定,所构建的模型算法得到更多数据的训练及验证,模型预测的准确率可在训练过程中逐步提高,具有稳定、可持续发展的临床应用价值。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施方式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方式,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是本发明某一实施例提供的一种基于人工智能分析电子胎心监测数据的方法的流程示意图;
图2是本发明某一实施例提供的一种基于人工智能分析电子胎心监测数据的装置的结构示意图;
图3是本发明另一实施例提供的一种基于人工智能分析电子胎心监测数据的装置的结构示意图。
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,本领域普通技术人员在没有作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。
应当理解,文中所使用的步骤编号仅是为了方便描述,不对作为对步骤执行先后顺序的限定。
应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1,本发明实施例提供一种基于人工智能分析电子胎心监测数据的方法,包括:
S101、根据电子胎心监护系统输出的初始EFM数据,对所述初始EFM数据进行预处理,获得EFM数据,所述预处理包括时长处理、缺失值处理、异常值处理和平滑滤波降噪处理。
具体的,电子胎心监护数据一般来说包括胎心率数据及宫缩数据,包括但不限于,使用胎心率数据及宫缩数据两种同时进行分析、单独使用胎心率数据进行分析、使用胎心率数据+胎儿心电图数据进行分析、使用胎心率数据+胎儿血样数据进行分析。
根据电子胎心监护系统输出的初始EFM数据进行预处理,包括:
1)初始EFM数据的采集,设定每次纳入分析的初始EFM数据时间长度为20分钟,按照时间发展顺序,预设分析窗口宽度为20分钟,窗口每递进30秒开始重复自动分析一次,保证分析结果随动态记录过程实时更新。
2)从电子胎心监护系统中按照采样频率输出初始EFM数据,包括采样时间点、胎心率波形、宫缩波形数据,存储形式包含但不限于CSV、EXCEL、TEXT、XML、JSON。
3)缺失值的检测与处理:EFM数据中缺失部分定义为缺失值,由于缺失值会影响算法模型分析的准确性,因此需要对分析窗口内的数据进行缺失值检测。若某段EFM数据缺失值大于该段数据总数的20%,则不纳入分析,直接跳至输出模块,该段数据分析结果输出为“NA”。若缺失值比值小于该段数据总数的20%,则进行三次样条插值填补缺失值。
4)异常值处理:由于EFM数据采集过程受到探头摆放位置,孕妇体位改变,环境等多因素的干扰,所采集的数据会产生伪影,则定义为异常值Yi,满足Yi≥200bpm或Yi≤50bpm,直接剔除后使用三次样条插值填补。
5)由于EFM数据采集过程中可能受到其它设备超声波的干扰,导致记录的数据点发生瞬变,该信号点无临床意义,将在初始EFM数据目标段的干扰信号定义为波动点Xi,波动点满足Xi-Xi-1≥25bpm及Xi-Xi+1≥25bpm。该波动点Xi使用其前后的稳定序列之间进行样条插值替换,该序列为连续5个信号点均无波动点出现的序列。
6)平滑滤波降噪处理:对数据进行有关变异程度特征的提取后,对胎儿胎心率进行平滑滤波降噪处理,平滑滤波是低频增强的空间域滤波技术。空间域的平滑滤波采用简单平均法进行,通过求邻近像元点的平均亮度值。邻域的大小与平滑的效果直接相关,邻域越大平滑的效果越好,但邻域过大,平滑会使边缘信息损失的越大,从而使输出的图像变得模糊,因此需合理选择邻域的大小。
其中,步骤1~6为一个完整的处理过程,在实际的处理中,可采取其中1~2个步骤可代替。
S102、根据预设的特征提取方法对所述EFM数据进行特征提取,剔除共线性及相关性的值大于0.8的特征,获得初始EFM数据特征,所述初始EFM数据特征包括形态学特征、非线性特征、时域特征、频域特征及相应EFM数据的病人的临床特征,所述临床特征包括基础人口学信息、产前产时并发症、分娩过程相关描述特征。
根据步骤S101经过时长处理、缺失值处理、异常值处理和平滑滤波降噪处理后的EFM数据,对EFM数据进行特征提取,包括形态学特征、非线性特征、时域特征、频域特征及匹配临床背景信息数据特征。
预设的特征提取方法包括但不限于以下下方式:
形态学特征的提取:包括但不限于以下方式:
a、计算胎心率基线长期变异(baseline long term variability,LTV)均值及异常比率:计算窗口内多个胎心率基线长期变异均值(mean baseline long termvariability,MLTV)、LTV<5bpm所占的比例(abnormal baseline long term variability,ALTV)。
b、计算胎心率基线短期变异(baseline short term variability,STV)均值及异常比率:计算窗口内多个STV的均值(mean baseline short term variability,MSTV)、STV<1bpm所占的比例(abnormal baseline short term variability,ASTV)。
c、计算胎心率基线均值、胎心率基线过高比率、胎心率基线过低比率:计算胎心率基线(baseline,BL),BL>155bpm所占的比例(high baseline,HBL),BL<105bpm所占的比例(low baseline,LBL)。
d、计算胎心率加速(acceleration,Acc)个数。
e、计算胎心率减速(deceleration,Dec)个数及胎心率减速分类:根据减速的形态及减速与宫缩的相对位置计算早期减速(early deceleration,ED)、晚期减速(latedeceleration,LD)、变异减速(variable deceleration,VD)、延长减速(prolongdeceleration,PD)个数。
f、胎心率减速面积(area of deceleration,Dec_area):计算每类减速与基线之间的曲线下面积及总的曲线下面积。
g、胎心率减速总时长(total time of deceleration,Dec_time):计算标记为减速的数据的总时长。
a、获取心动间期序列(RR)的均值meanRR、最大值maxRR、最小值minRR、中位数medianRR。
b、正常心动间期序列(NN)的标准差(standard deviation of the NN,SDNN)、算术平方根(the root of the mean squared differences,RMSSD)。
c、正常心动间期序列(NN)>50ms的数量NN50、比值(the percentage of NN50 tothe total number of beats,PNN50)。
d、区间指数。
非线性特征包括但不限于,复杂度、近似熵、样本熵、平均加速量和平均减速量。
频域特征:使用连续小波变换方法将RR序列划分为4种频率信号并得到相应的频率值,包括但不限于,极低频率区(0-0.03Hz)、低频率区(0.03-0.15Hz):反映心电活动,如胎儿交感神经系统兴奋活动、运动频率区(0.15-0.50Hz):反映身体活动,如胎动或孕妇呼吸运动、高频率区(0.50-1Hz):反映胎儿呼吸运动和频率分区比值:反映交感神经与副交感神经的平衡性。
匹配临床背景信息数据特征:包含但不限于:年龄、分娩孕周、产次、产科并发症情况、羊水情况和产程进展情况。
S103、根据预设的特征筛选方法对所述初始EFM数据特征进行特征筛选,获取EFM数据特征。
具体的,经步骤S102剔除共线性及相关性的值大于0.8的特征,剩下的特征进行特征筛选以降低特征数据维度,防止冗余特征数据干扰导致出现过拟合的现象。在训练集中,利用收集的胎监样本数据进行训练,按照胎儿分娩后立即测定的脐动脉血pH值(pHa)是否大于7.20进行分组,pHa≥7.20为正常组,pHa<7.20为胎儿酸中毒/胎儿窘迫组。包括但不限于如下方法进行特征筛选:
a、使用t-检验、F检验等统计学方法检验两类别组间各个特征变量的差异有无统计学意义,统计检验p值<0.05认为该特征有意义,保留为特征集,否则舍去该特征。
b、使用支持向量机特征重要性方法进行特征筛选,重要性排名位于所有特征总数前50%的特征认为有意义,保留为特征集,否则舍去该特征。
c、使用回归算法中的逐步后退消除法进行特征筛选,筛选后最终保留在公式中的变量认为有意义,保留为特征集,否则舍去该特征。
S104、根据所述EFM数据特征建立算法模型,将所述算法模型进行封装,获得封装模型。
具体的,将EFM数据特征按照胎儿出生后脐动脉pH值进行分类标记标签。标签划分依据:出生后脐动脉pH值≥7.20的胎儿分娩结局为正常组,反之为胎儿酸中毒/胎儿窘迫组,在实际应用中,凡包含胎儿出生后脐动静脉pH值、出生后Apgar评分两类指标的各种组合都可以替代。标签划分依据包含但不限于:
①出生后脐动脉pH值≥7.20的胎儿分娩结局为正常,反之为胎儿酸中毒/胎儿窘迫。
②出生后1分钟Apgar评分≥7分的胎儿分娩结局为正常,反之为胎儿酸中毒/胎儿窘迫。
③出生后脐动脉pH值≥7.20且出生后1分钟Apgar评分≥7分的胎儿分娩结局为正常,反之为胎儿酸中毒/胎儿窘迫。
随机将EFM特征数据划分入训练集与测试集,保证两个集合中EFM特征数据不重复,以随机森林方法为核心算法进行模型训练。随机森林是一个包含多个决策树的分类器。在随机森林算法中,训练集样本被多次有放回抽样,形成训练集中的训练数据及验证数据。通过训练数据训练模型学习两类样本特征,通过验证数据检验模型预测效果,反复迭代,根据预测值及标签值的误差检验、矫正、调整模型参数,最终得到预测值与标签值间误差最小的模型参数,训练后得到最佳模型参数,记录并封装该模型算法及模型参数。在实际应用中,所采用的训练方法包括但不限于一种或多种机器学习算法中的支持向量机、随机森林、朴素贝叶斯、决策树、多层感知机、自适应算法以及深度学习算法中的卷积神经网络和残差神经网络。
S105、根据连续采集目标数据段的EFM数据,输入所述封装模型中训练,根据所述模型训练输出EFM数据预测胎儿分娩结局的概率值,将所述EFM数据预测结果的概率值输入预设的回归分析方程进行分析,输出结合患者临床特征后胎儿酸中毒和胎儿窘迫的概率值。
具体的,使用封装后的模型动态分析连续采集的EFM数据,结果输出为该例EFM数据背景下发生胎儿酸中毒/胎儿窘迫的概率值(0-100%)及胎儿正常的概率值(0-100%)。选取5-60分钟期间的一个时间段为一个分析单位,本实施例以20分钟长度的EFM数据为一个分析单位,间隔30秒分析一次,输出该20分钟EFM数据下胎儿分娩结局的概率值。每30秒更新一次输出值,除单独输出该段EFM数据的预测结果外,还同时对既往多段EFM数据的预测结果进行概率整合计算,一并输出该名胎儿发生酸中毒/宫内窘迫的总概率值(0-100%)。将EFM数据预测结果的概率值输入预先构建好的logistics回归分析方程,最终输出结合患者临床特征后酸中毒/宫内窘迫的概率值(每30秒更新一次),供临床医生进行参考。在实际应用中,输出的结果包括但不限于概率值、二分类值、三分类值、风险比。
在本实施例中,通过提取胎心监测数据的多种特征,免除临床医生人工解读胎监的步骤,在保证特征数据能够按照统一标准进行科学提取的前提上,还额外增加了许多胎心监测数据中潜在的能反映胎儿状态的但无法通过人工解读得到的特征,丰富胎心监测数据可提供的信息量。此外,可减少医生工作量,提高临床工作中的解读效率,减少由于人工解读导致的判断结果个体差异,达到科学客观、准确高效的特征提取目的。辅助大数据及人工智能的优势,通过人工智能算法挖掘电子胎心监测数据与胎儿分娩结局的直接联系,通过综合分析预测胎儿分娩结局,能够更好的辅助临床医生的诊疗措施制定,所构建的模型算法得到更多数据的训练及验证,模型预测的准确率可在训练过程中逐步提高,具有稳定、可持续发展的临床应用价值。
请参阅图2和图3,本发明实施例提供一种基于人工智能分析电子胎心监测数据的装置,应用于上述任意一个实施例中的基于人工智能分析电子胎心监测数据的方法,包括:
预处理模块11,用于根据电子胎心监护系统输出的初始EFM数据,对所述初始EFM数据进行预处理,获得EFM数据,所述预处理包括时长处理、缺失值处理、异常值处理和平滑滤波降噪处理;
特征提取模块12,用于根据预设的特征提取方法对所述EFM数据进行特征提取,剔除共线性及相关性的值大于0.8的特征,获得初始EFM数据特征,所述初始EFM数据特征包括形态学特征、非线性特征、时域特征、频域特征及相应EFM数据的病人的临床特征,所述临床特征包括基础人口学信息、产前产时并发症、分娩过程相关描述特征;
特征筛选模块13,用于根据预设的特征筛选方法对所述初始EFM数据特征进行特征筛选,获取EFM数据特征;
模型构建模块14,用于根据所述EFM数据特征建立算法模型,将所述算法模型进行封装,获得封装模型;
输出模块15,用于根据连续采集目标数据段的EFM数据,输入所述封装模型中训练,根据所述模型训练输出EFM数据预测胎儿分娩结局的概率值,将所述EFM数据预测结果的概率值输入预设的回归分析方程进行分析,输出结合患者临床特征后胎儿酸中毒和胎儿窘迫的概率值。
关于基于人工智能分析电子胎心监测数据的装置的具体限定可以参见上文中对于的限定,在此不再赘述。上述基于人工智能分析电子胎心监测数据的装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
本发明实施例提供一种计算机终端设备,包括一个或多个处理器和存储器。存储器与所述处理器耦接,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述任意一个实施例中的基于人工智能分析电子胎心监测数据的方法。
处理器用于控制该计算机终端设备的整体操作,以完成上述的一种基于人工智能分析电子胎心监测数据的方法的全部或部分步骤。存储器用于存储各种类型的数据以支持在该计算机终端设备的操作,这些数据例如可以包括用于在该计算机终端设备上操作的任何应用程序或方法的指令,以及应用程序相关的数据。该存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static RandomAccess Memory,简称SRAM),电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
在一示例性实施例中,计算机终端设备可以被一个或多个应用专用集成电路(Application Specific 1ntegrated Circuit,简称AS1C)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的一种基于人工智能分析电子胎心监测数据的方法,并达到如上述方法一致的技术效果。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述任意一个实施例中的一种基于人工智能分析电子胎心监测数据的方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器,上述程序指令可由计算机终端设备的处理器执行以完成上述的一种基于人工智能分析电子胎心监测数据的方法,并达到如上述方法一致的技术效果。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种基于人工智能分析电子胎心监测数据的方法,其特征在于,包括:
根据电子胎心监护系统输出的初始EFM数据,对所述初始EFM数据进行预处理,获得EFM数据,所述预处理包括时长处理、缺失值处理、异常值处理和平滑滤波降噪处理;
根据预设的特征提取方法对所述EFM数据进行特征提取,剔除共线性及相关性的值大于0.8的特征,获得初始EFM数据特征,所述初始EFM数据特征包括形态学特征、非线性特征、时域特征、频域特征及相应EFM数据的病人的临床特征,所述临床特征包括基础人口学信息、产前产时并发症、分娩过程相关描述特征;
根据预设的特征筛选方法对所述初始EFM数据特征进行特征筛选,获取EFM数据特征;
根据所述EFM数据特征建立算法模型,将所述算法模型进行封装,获得封装模型;
根据连续采集目标数据段的EFM数据,输入所述封装模型中训练,根据所述模型训练输出EFM数据预测胎儿分娩结局的概率值,将所述EFM数据预测结果的概率值输入预设的回归分析方程进行分析,输出结合患者临床特征后胎儿酸中毒和胎儿窘迫的概率值。
2.根据权利要求1所述的基于人工智能分析电子胎心监测数据的方法,其特征在于,所述根据电子胎心监护系统输出的初始EFM数据,对所述初始EFM数据进行预处理,获得EFM数据,所述预处理包括时长处理、缺失值处理、异常值处理和平滑滤波降噪处理,包括:
所述缺失值处理包括缺失值检测,若检测到目标EFM数据段缺失值大于该段EFM数据总数的20%,则不纳入分析,若检测到目标EFM数据段缺失值小于该段EFM数据总数的20%,则进行三次样条插值填补该目标EFM数据段的缺失值。
3.根据权利要求2所述的基于人工智能分析电子胎心监测数据的方法,其特征在于,所述根据电子胎心监护系统输出的初始EFM数据,对所述初始EFM数据进行预处理,获得EFM数据,所述预处理包括时长处理、缺失值处理、异常值处理和平滑滤波降噪处理,还包括:
所述初始EFM数据在获取的过程中受到其他设备超声波的干扰,将在所述初始EFM数据目标段的干扰信号定义为波动点Xi,所述波动点满足Xi-Xi-1≥25bpm及Xi-Xi+1≥25bpm,在所述波动点Xi前和所述波动点Xi后的稳定序列之间进行样条插值替换。
4.根据权利要求1所述的基于人工智能分析电子胎心监测数据的方法,其特征在于,所述根据所述EFM数据特征建立算法模型,将所述算法模型进行封装,获得封装模型,包括:
采用随机森林方法为核心算法进行算法模型训练,得到最佳模型参数,将所述最佳模型参数以及算法模型进行封装,获得封装模型。
5.一种基于人工智能分析电子胎心监测数据的装置,其特征在于,包括:
预处理模块,用于根据电子胎心监护系统输出的初始EFM数据,对所述初始EFM数据进行预处理,获得EFM数据,所述预处理包括时长处理、缺失值处理、异常值处理和平滑滤波降噪处理;
特征提取模块,用于根据预设的特征提取方法对所述EFM数据进行特征提取,剔除共线性及相关性的值大于0.8的特征,获得初始EFM数据特征,所述初始EFM数据特征包括形态学特征、非线性特征、时域特征、频域特征及相应EFM数据的病人的临床特征,所述临床特征包括基础人口学信息、产前产时并发症、分娩过程相关描述特征;
特征筛选模块,用于根据预设的特征筛选方法对所述初始EFM数据特征进行特征筛选,获取EFM数据特征;
模型构建模块,用于根据所述EFM数据特征建立算法模型,将所述算法模型进行封装,获得封装模型;
输出模块,用于根据连续采集目标数据段的EFM数据,输入所述封装模型中训练,根据所述模型训练输出EFM数据预测胎儿分娩结局的概率值,将所述EFM数据预测结果的概率值输入预设的回归分析方程进行分析,输出结合患者临床特征后胎儿酸中毒和胎儿窘迫的概率值。
6.根据权利要求5所述的基于人工智能分析电子胎心监测数据的装置,其特征在于,所述预处理模块,还用于:
所述缺失值处理包括缺失值检测,若检测到目标EFM数据段缺失值大于该段EFM数据总数的20%,则不纳入分析,若检测到目标EFM数据段缺失值小于该段EFM数据总数的20%,则进行三次样条插值填补该目标EFM数据段的缺失值。
7.根据权利要求6所述的基于人工智能分析电子胎心监测数据的装置,其特征在于,所述预处理模块,还用于:
所述初始EFM数据在获取的过程中受到其他设备超声波的干扰,将在所述初始EFM数据目标段的干扰信号定义为波动点Xi,所述波动点满足Xi-Xi-1≥25bpm及Xi-Xi+1≥25bpm,在所述波动点Xi前和所述波动点Xi后的稳定序列之间进行样条插值替换。
8.根据权利要求5所述的基于人工智能分析电子胎心监测数据的装置,其特征在于,所述模型构建模块,还用于:
采用随机森林方法为核心算法进行算法模型训练,得到最佳模型参数,将所述最佳模型参数以及算法模型进行封装,获得封装模型。
9.一种计算机终端设备,其特征在于,包括:
一个或多个处理器;
存储器,与所述处理器耦接,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至4任一项所述的一种基于人工智能分析电子胎心监测数据的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的一种基于人工智能分析电子胎心监测数据的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110084768.1A CN112971853B (zh) | 2021-01-21 | 2021-01-21 | 一种基于人工智能分析电子胎心监测数据的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110084768.1A CN112971853B (zh) | 2021-01-21 | 2021-01-21 | 一种基于人工智能分析电子胎心监测数据的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112971853A true CN112971853A (zh) | 2021-06-18 |
CN112971853B CN112971853B (zh) | 2022-08-02 |
Family
ID=76344529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110084768.1A Active CN112971853B (zh) | 2021-01-21 | 2021-01-21 | 一种基于人工智能分析电子胎心监测数据的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112971853B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113611419A (zh) * | 2021-08-09 | 2021-11-05 | 暨南大学 | 基于胎监宫缩图和高危因素的产后出血风险预测方法及预警系统 |
CN114159039A (zh) * | 2021-11-12 | 2022-03-11 | 广州三瑞医疗器械有限公司 | 一种智能产前胎心监护模型 |
CN114724720A (zh) * | 2022-06-10 | 2022-07-08 | 北京大学第三医院(北京大学第三临床医学院) | 一种基于深度学习的产前电子胎心监护自动识别系统 |
EP4174871A1 (en) * | 2021-11-02 | 2023-05-03 | GE Precision Healthcare LLC | Deep learning based fetal heart rate analytics |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001019240A1 (en) * | 1999-09-17 | 2001-03-22 | Rose Biomedical Development Corporation | Fetal outcome predictor and monitoring system |
RU2198594C2 (ru) * | 2000-10-12 | 2003-02-20 | Ростовский НИИ акушерства и педиатрии | Способ прогнозирования родоразрешения путем кесарева сечения |
US20050267377A1 (en) * | 2004-05-28 | 2005-12-01 | Dorothee Marossero | Maternal-fetal monitoring system |
US20060074329A1 (en) * | 2003-02-12 | 2006-04-06 | Ferguson James E Ii | Quantitative fetal heart rate and cardiotocographic monitoring system and related method thereof |
US20100168528A1 (en) * | 2008-12-29 | 2010-07-01 | Mark Evans | Identifying the level of fetal risk during labor |
US20130018273A1 (en) * | 2011-07-15 | 2013-01-17 | Tufts University | Systems and methods for analysis of fetal heart rate data |
US20130281861A1 (en) * | 2012-03-01 | 2013-10-24 | Syracuse University | Enhanced Electronic External Fetal Monitoring System |
CN110167434A (zh) * | 2016-11-21 | 2019-08-23 | 马克伊万斯 | 监测和评估分娩期间胎儿风险水平的系统、装置和方法 |
EP3607878A1 (en) * | 2018-08-06 | 2020-02-12 | Koninklijke Philips N.V. | Cardiotocographic signals classification |
WO2020216754A1 (en) * | 2019-04-24 | 2020-10-29 | Koninklijke Philips N.V. | Fetal ultrasound processing unit for separating heart rate signals |
CN112133451A (zh) * | 2020-08-27 | 2020-12-25 | 杭州和乐科技有限公司 | 缩宫素智能注射方法、装置、设备及存储介质 |
US20210015375A1 (en) * | 2018-03-29 | 2021-01-21 | University Of Ulsan Foundation For Industry Cooperation | Method and apparatus for monitoring fetal heart rate |
-
2021
- 2021-01-21 CN CN202110084768.1A patent/CN112971853B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001019240A1 (en) * | 1999-09-17 | 2001-03-22 | Rose Biomedical Development Corporation | Fetal outcome predictor and monitoring system |
US6254537B1 (en) * | 1999-09-17 | 2001-07-03 | Rose Biomedical Development Corporation | Fetal outcome predictor and monitoring system |
RU2198594C2 (ru) * | 2000-10-12 | 2003-02-20 | Ростовский НИИ акушерства и педиатрии | Способ прогнозирования родоразрешения путем кесарева сечения |
US20060074329A1 (en) * | 2003-02-12 | 2006-04-06 | Ferguson James E Ii | Quantitative fetal heart rate and cardiotocographic monitoring system and related method thereof |
US20050267377A1 (en) * | 2004-05-28 | 2005-12-01 | Dorothee Marossero | Maternal-fetal monitoring system |
US20100168528A1 (en) * | 2008-12-29 | 2010-07-01 | Mark Evans | Identifying the level of fetal risk during labor |
US20130018273A1 (en) * | 2011-07-15 | 2013-01-17 | Tufts University | Systems and methods for analysis of fetal heart rate data |
US20130281861A1 (en) * | 2012-03-01 | 2013-10-24 | Syracuse University | Enhanced Electronic External Fetal Monitoring System |
CN110167434A (zh) * | 2016-11-21 | 2019-08-23 | 马克伊万斯 | 监测和评估分娩期间胎儿风险水平的系统、装置和方法 |
US20190274618A1 (en) * | 2016-11-21 | 2019-09-12 | Mark Evans | System, apparatus, and method for monitoring and assessing the level of fetal risk during labor |
US20210015375A1 (en) * | 2018-03-29 | 2021-01-21 | University Of Ulsan Foundation For Industry Cooperation | Method and apparatus for monitoring fetal heart rate |
EP3607878A1 (en) * | 2018-08-06 | 2020-02-12 | Koninklijke Philips N.V. | Cardiotocographic signals classification |
WO2020216754A1 (en) * | 2019-04-24 | 2020-10-29 | Koninklijke Philips N.V. | Fetal ultrasound processing unit for separating heart rate signals |
CN112133451A (zh) * | 2020-08-27 | 2020-12-25 | 杭州和乐科技有限公司 | 缩宫素智能注射方法、装置、设备及存储介质 |
Non-Patent Citations (6)
Title |
---|
HERBERT VALENSISE, ET AL: "The computerized fetal heart rate analysis in post-term pregnancy identifies patients at risk for fetal distress in labour", 《ELSEVIER》 * |
ROBERT D.EDEN,ET AL: "Combined prenatal and postnatal prediction of early neonatal compromise risk", 《THE JOURNAL OF MATERNAL-FETAL&NEONATAL MEDICINE》 * |
张艳等: "非产时完整母胎动态心电图监测对胎儿窘迫的预测价值", 《中国计划生育学杂志》 * |
李蕊等: "产时胎心监护联合脐血pH值及新生儿Apgar评分预测新生儿结局的临床价值", 《中国妇幼保健》 * |
林水华等: "胎心监护联合脐血流S/D测定对高危妊娠新生儿结局的预测", 《现代医用影像学》 * |
范立惠: "电子胎心监护诊断胎儿窘迫的临床研究", 《中国当代医药》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113611419A (zh) * | 2021-08-09 | 2021-11-05 | 暨南大学 | 基于胎监宫缩图和高危因素的产后出血风险预测方法及预警系统 |
EP4174871A1 (en) * | 2021-11-02 | 2023-05-03 | GE Precision Healthcare LLC | Deep learning based fetal heart rate analytics |
CN114159039A (zh) * | 2021-11-12 | 2022-03-11 | 广州三瑞医疗器械有限公司 | 一种智能产前胎心监护模型 |
CN114724720A (zh) * | 2022-06-10 | 2022-07-08 | 北京大学第三医院(北京大学第三临床医学院) | 一种基于深度学习的产前电子胎心监护自动识别系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112971853B (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112971853B (zh) | 一种基于人工智能分析电子胎心监测数据的方法及装置 | |
CN108024730B (zh) | 使用数学分析和机器学习来诊断疾病的方法和系统 | |
US10869610B2 (en) | System and method for identifying cardiac arrhythmias with deep neural networks | |
Krupa et al. | Antepartum fetal heart rate feature extraction and classification using empirical mode decomposition and support vector machine | |
Petrozziello et al. | Multimodal convolutional neural networks to detect fetal compromise during labor and delivery | |
Dos Santos et al. | Application of an automatic adaptive filter for heart rate variability analysis | |
CN111275755B (zh) | 基于人工智能的二尖瓣瓣口面积检测方法、系统和设备 | |
Haritopoulos et al. | Survey on cardiotocography feature extraction algorithms for foetal welfare assessment | |
CN109948396A (zh) | 一种心拍分类方法、心拍分类装置及电子设备 | |
Baghel et al. | 1D-FHRNet: automatic diagnosis of fetal acidosis from fetal heart rate signals | |
Altini et al. | Combining electrohysterography and heart rate data to detect labour | |
Spairani et al. | A deep learning mixed-data type approach for the classification of FHR signals | |
Peterek et al. | Human fetus health classification on cardiotocographic data using random forests | |
Liang et al. | Fully automatic classification of cardiotocographic signals with 1D-CNN and bi-directional GRU | |
Illanes et al. | Fetal heart rate feature extraction from cardiotocographic recordings through autoregressive model's power spectral-and pole-based analysis | |
EP4140403A1 (en) | Fetal heart rate signal processing | |
Liu et al. | Baseline/acceleration/deceleration determination of fetal heart rate signals using a novel ensemble LCResU-Net | |
CN113143306B (zh) | 一种用于颅内动脉瘤cfd诊断可视化设备 | |
CN115607166A (zh) | 一种心电信号智能分析方法及系统、智能心电辅助系统 | |
Kieser et al. | Development of a signal processing and feature extraction framework for the safe passage study | |
Liu et al. | Automated fetal heart rate analysis for baseline determination using EMAU-Net | |
Ghimire | Automated Heart Arrhythmia Classification From Electrocardiographic Data Using Deep Neural Networks | |
Chudácčk et al. | Fetal heart rate data pre-processing and annotation | |
Mendis et al. | Rapid detection of fetal compromise using input length invariant deep learning on fetal heart rate signals | |
Soh | An intelligence diagnostic tool for the diagnostic of hypertension |
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 |