CN113133771A - 基于时频域熵特征的子宫肌电信号分析及早产预测方法 - Google Patents

Abstract

一种基于时频域熵特征的子宫肌电信号分析及早产预测方法，设以频率f_s采集子宫肌电信号，得到时序信号X_i；通过短时傅里叶变换将时序信号X_i分解成不同频率分量y^ω(t)；针对不同频率ω_x的分量信号y^ω(t)计算相应频率下的近似熵特征

和样本熵特征

利用信号的记录时间t_r分别对每个

和

进行改进得到

和

对得到的所有

特征应用主成分分析技术，选择最优数量的主成分得到

特征，选择最优数量的主成分得到

特征；基于新特征

和

使用机器学习模型训练样本；使用训练好的机器学习模型，生成早产预测系统。本发明准确率较高。

Description

基于时频域熵特征的子宫肌电信号分析及早产预测方法

技术领域

本发明涉及一种基于时频域熵特征的子宫肌电信号(EHG)分析及早产预测方法

背景技术

早产(Preterm Birth，怀孕小于37周的新生儿)是全球范围的公共健康问题之一，即使在欧洲和其他一些发达国家，早产约占新生儿7％左右。早产不仅会给家庭带来严重的情感与经济负担，也是社会医疗支付的重要组成部分。虽然围产期和新生儿的护理水平已经有了很大的提高，但早产儿仍然具有很高的发病率和死亡率。据统80％的新生儿死亡病例与早产直接或间接相关。为此，早产诊断与预防方法一直是临床医学的研究热点之一。

引起早产的直接原因是子宫过早地产生强有力的收缩行为。宫缩(uterinecontraction)是整个孕期中的普遍现象，也是孕妇在孕期求医主要原因。然而医生却很难正确判断这些宫缩是否真正会导致分娩的产生：在收治的被诊断为有早产风险的孕妇中，有近50％没有出现真正的分娩症状，直接的结果是被误诊为早产的胎儿接受了不必要的医学干预；而临床诊断为没有早产风险的孕妇中，却有近20％出现了早产。有效地诊断早产并进行相应治疗不仅能够降低早产儿的死亡率，而还有助于加快相关药物的研发。现有诊断早产的常规方法包括：子宫分娩力计(Tocodynamometry),宫内压力计(Intra-uterinepressure catheter)，胎儿纤连蛋白(fetal fibronectin),宫颈长度测量(cervicallength measurement)等，但这些方法都存在一定缺陷，或无法获得可靠的预测效果。

不管是早产还是非早产，宫缩都是伴随着子宫肌细胞中动作电位(ActionPotential)的产生与传播而产生的。随着怀孕过程的进行，肌细胞的可激发性(excitability)变强，细胞间的电耦合作用也加大，使得动作电位在整个子宫内传播，从而产生强有力的收缩力将胎儿压出体外。子宫壁上的动作电位及其传播可以通过置于孕妇腹部的电极进行采集，得到子宫肌电信号(electrohysterogram,EHG)。

子宫肌电信号(EHG)分析，是一种潜在有效的早产预测方法。准确的早产预测方法，可以使有可能发生早产的孕妇得到及时的医学治疗，避免给整个家庭带来巨大的经济及精神负担，具有良好的应用前景。早产预测大都采用基于机器学习的分类方法，因此样本数据获取是决定性因素之一。医疗行业的数据分析是前景广阔的研究和发展领域。医疗数据分析的核心是数据。为了推进全世界范围内基于医疗数据的研究和疾病诊断方法研究，已经建立起了开源的生理信号数据库PhysioBank。其中关于孕期子宫EHG信号的数据库有两个：TPEHG数据库(THE TERM-PRETERM EHG DATABASE)和冰16电极子宫肌电信号数据库(ICELANDIC 16-ELECTRODE ELECTROHYSTEROGRAM DATABASE)。TPEHG数据库包含了300位孕妇在怀孕中期(20-30周)记录的子宫EHG信号，其中38位最后出现早产，剩下的262位正常分娩。区别于TPEHG数据，冰岛16电极EHG数据库记录45位孕妇在整个孕期多次采集的子宫肌电信号。这些开源数据促进了基于子宫EHG信号的早产预测方法研究，并取了一系列成果。

除了数据样本之外，如何从样本数据中选取有效特征是决定早产预测效果的另一关键因素。EHG信号特征可以分为三类：时间特征(Timing-related),幅度特征(Amplitude-related)和频率特征(Frequency-related)。考虑到子宫收缩力与爆发性动作电位(Bursts)密切相关，时间特征主要指爆发性动作电位持续时间(interburst duration),周期，标准差等。基于这些特征的早产预测结果差异性大：有文献指出即使分娩前后7天的EHG信号也没有表现出明显的差别；而又有文献则指出临产前期爆发性动作电位持续时间及频率要明显增加。幅度特征通常以EHG信号的RMS或者其功率的峰值强度来表示，表征的是采集到的子宫EHG信号的强弱。由于信号采集过程中易受到外部因素影响(脂肪厚度、皮肤电导率等)，幅度特征的早产症状表征功能不强。常用的频率特征有：峰值频率(peakfrequency)，中值频率(median frequency)和均值功率频率(mean power frequency)等。由于子宫EHG信号是非稳态的，单纯的频谱分析并不能反映怀孕不断发展的过程。为了表征这种随时间不断变化的性质，结合时间频率特性的特征提取(小波分析)方法受到重视，并被广泛应用。为了进一步提高预测结果的正确性，新的特征不断被加入，如近似熵(Approximate Entropy)，采样熵(Sample Entropy)等，然而这些特征并没有很明显的区分性。

研究人员发现，EHG信号的信噪比低，且其中存在很多不同频率的噪声，例如孕妇呼吸的噪声主要存在于0.2HZ-0.34HZ。EHG信号中存在的噪声，使特征的有效性减弱。Mischi等人对熵特征进行改进，提出了一种基于向量夹角信息的原始距离度量的修改方法，旨在限制大幅度波动和尖峰的影响，对EHG信号中存在的噪声进行处理，提高了熵特征的有效性。但是，EHG信号的幅度信息对于早产分类十分重要，这种改进方法并没有考虑这一点。且单纯的时域分析无法对EHG信号中不同频率的噪声进行很好的处理，对早产分类的效果提升有限。相比于整个怀孕周期，EHG信号的采集时间极短，计算得到的熵特征无法表征怀孕不断发展的过程。为了取得好的早产预测效果，我们对从EHG信号中提取的熵特征进行改进。

发明内容

为了克服现有技术的不足，为解决从EHG信号提取有效熵特征用于早产预测的问题，本发明提出了基于时频域熵特征的子宫肌电信号(EHG)分析及早产预测方法，使用短时傅里叶变换将EHG信号分解成不同频率成分的时序信号，计算不同频率成分的熵特征，并利用信号的记录时间进一步对熵特征进行改进，接着应用主成分分析技术对所有时频域熵特征进行分析，选择前20个主成分作为新提出的熵特征，从而达到去噪的目的。最后基于新提出的熵特征，训练机器学习模型，生成一个高准确率的早产预测系统。

为了解决上述技术问题，本发明采用如下的技术方案：

一种基于时频域熵特征的子宫肌电信号分析及早产预测方法，包括如下步骤：

步骤1，设以频率f_s采集子宫肌电信号(EHG)，得到时序信号X_i(i＝1,2,3,…,N)；

步骤2，通过短时傅里叶变换将时序信号X_i分解成不同频率分量y^ω(t)；

步骤3，针对不同频率ω_x的分量信号y^ω(t)计算相应频率下的近似熵特征

和样本熵特征

步骤4，利用信号的记录时间t_r分别对每个

和

进行改进得到

和

步骤5，对得到的所有

特征应用主成分分析技术，选择最优数量的主成分得到

特征，对得到的所有

特征应用主成分分析技术，选择最优数量的主成分得到

特征，去除EHG信号中噪声的影响；

步骤6，基于新特征

和

选择合适的机器学习模型，使用样本来训练模型，提高模型早产预测的准确率；

步骤7，使用训练好的机器学习模型，构建一个高准确率的早产预测系统。

进一步，所述步骤2中，设以采集频率f_s获得的子宫EHG时序信号X_i(i＝1,2,3,…,N)，引入短时傅里叶变换，将原始EHG信号分解成不同频率时序信号，即：

y^ω(t)＝STFT(X_i,f_s,T₀) (1)其中STFT代表短时傅里叶变换，

f_s＝20Hz，代表EHG时序信号的采样频率，T₀＝10s，是汉明窗的大小，所以频率分辨率是0.1Hz，y^ω(t)是原始时序信号X_i包含的频率为ω的分量，ω表示频率的范围，为0-4Hz。

再进一步，所述步骤3中，针对不同频率ω_x的分量信号y^ω(t)计算相应频率下的熵特征：

式中ApEn表示近似熵的计算，SampEn表示样本熵的计算，

和

分别为基于特征频率ω为信号分量y^ω(t)的近似熵与样本熵，整数m＝2，实数r＝0.2*std，std表示频率分量序列的标准差。

更进一步，所述步骤4中，对EHG信号的不同频率ω分量计算得到41个时频域上的近似熵特征和采样熵特征，根据怀孕过程熵的变化，利用信号的记录时间t_r分别对每个

和

进行改进，如下所示：

式中t_r是EHG信号的记录时间，37周是早产与非早产的分界线，

和

分别表示

和

改进后的熵特征。

本发明的有益效果表现在：本发明将对EHG信号的分析从时域转到时频域，在时频域上进行熵特征的构建，并结合生物演化特性，进一步对时频域上的熵特征进行改进，刻画怀孕过程，应用主成分分析技术对EHG信号中的噪声进行处理，提出的新熵特征早产预测效果显著提高。

附图说明

图1是(a)EHG信号时域图，(b)EHG信号应用STFT后时频域图和(c)EHG信号的一个特定频率分量。

图2是早产和非早产样本的熵随着妊娠过程变化的示意图

图3是是本发明的流程图

具体实施方式

下面结合附图，进一步说明本发明的技术方案。

参照图1～图3，一种基于时频域熵特征的子宫肌电信号(EHG)分析及早产预测方法，包括如下步骤：

步骤1，孕妇的子宫肌电信号可以通过置放于其腹部的电极收集得到。

步骤2，设以采集频率f_s获得的子宫EHG时序信号X_i(i＝1,2,3,…,N)，因为噪声源的存在，导致表征怀孕演进的某些特征参量(例如某一表征宫缩频率和强度的信号)信噪比过低而无法建立与早产的联系。针对这一问题，本课题引入短时傅里叶变换，将原始EHG信号分解成不同频率时序信号，短时傅里叶变换后的效果如图1所示，即：

y^ω(t)＝STFT(X_i,f_s,T₀) (1)其中STFT代表短时傅里叶变换，

f_s＝20Hz，代表EHG时序信号的采样频率，T₀＝10s，是汉明窗的大小，所以频率分辨率是0.1Hz，y^ω(t)是原始时序信号X_i包含的频率为ω的分量，ω表示频率的范围，为0-4Hz。

步骤3，针对不同频率ω_x的分量信号y^ω(t)计算相应频率下的熵特征：

式中ApEn表示近似熵的计算，SampEn表示样本熵的计算，

和

分别为基于特征频率ω为信号分量y^ω(t)的近似熵与样本熵，整数m＝2，实数r＝0.2*std，stf表示频率分量序列的标准差。

步骤4，对EHG信号的不同频率ω分量计算得到41个时频域上的近似熵特征和采样熵特征，根据怀孕过程熵的变化，如图2所示，利用信号的记录时间t_r分别对每个

和

进行改进，如下所示：

式中t_r是EHG信号的记录时间，37周是早产与非早产的分界线，

和

分别表示

和

改进后的熵特征。

步骤5，对得到的所有

特征应用主成分分析技术，选择最优数量的主成分得到

特征，对得到的所有

特征应用主成分分析技术，选择最优数量的主成分得到

特征。这一步，有助于新特征去除EHG信号中不同频率噪声的影响，同时锁定EHG信号中跟宫缩活动有关的信息。

步骤6，基于新特征

和

选择合适的分类器模型，例如随机森林、朴素贝叶斯等，基于新的熵特征，使用样本训练机器学习模型。

步骤7，使用训练好的机器学习模型，生成一个高准确率的早产预测模型，流程图如图3所示。

本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (4)

1.一种基于时频域熵特征的子宫肌电信号分析及早产预测方法，其特征在于，所述方法包括如下步骤：

步骤1，设以频率f_s采集子宫肌电信号EHG，得到时序信号X_i(i＝1,2,3,…,N)；

步骤2，通过短时傅里叶变换将时序信号X_i分解成不同频率分量y^ω(t)；

步骤3，针对不同频率ω_x的分量信号y^ω(t)计算相应频率下的近似熵特征

和样本熵特征

步骤4，利用信号的记录时间t_r分别对每个

和

进行改进得到

和

步骤5，对得到的所有

特征应用主成分分析技术，选择最优数量的主成分得到

特征，对得到的所有

特征应用主成分分析技术，选择最优数量的主成分得到

特征，去除EHG信号中噪声的影响；

步骤6，基于新特征

和

选择合适的机器学习模型，使用样本来训练模型，提高模型早产预测的准确率；

步骤7，使用训练好的机器学习模型，构建一个高准确率的早产预测系统。

2.如权利要求1所述的基于时频域熵特征的子宫肌电信号分析及早产预测方法，其特征在于，所述步骤2中，设以采集频率f_s获得的子宫EHG时序信号X_i(i＝1,2,3,…,N)，引入短时傅里叶变换，将原始EHG信号分解成不同频率时序信号，即：

y^ω(t)＝STFT(X_i,f_s,T₀) (1)

其中STFT代表短时傅里叶变换，

f_s＝20Hz，代表EHG时序信号的采样频率，T₀＝10s，是汉明窗的大小，所以频率分辨率是0.1Hz，y^ω(t)是原始时序信号X_i包含的频率为ω的分量，ω表示频率的范围，为0-4Hz。

3.如权利要求1或2所述的基于时频域熵特征的子宫肌电信号分析及早产预测方法，其特征在于，所述步骤3中，针对不同频率ω_x的分量信号y^ω(t)计算相应频率下的熵特征：

式中ApEn表示近似熵的计算，SampEn表示样本熵的计算，

和

分别为基于特征频率ω为信号分量y^ω(t)的近似熵与样本熵，整数m＝2，实数r＝0.2*std，std表示频率分量序列的标准差。

4.如权利要求3所述的基于时频域熵特征的子宫肌电信号分析及早产预测方法，其特征在于，所述步骤4中，对EHG信号的不同频率ω分量计算得到41个时频域上的近似熵特征和采样熵特征，根据怀孕过程熵的变化，利用信号的记录时间t_r分别对每个

和

进行改进，如下所示：

式中t_r是EHG信号的记录时间，37周是早产与非早产的分界线，

和

分别表示

和

改进后的熵特征。

Images