CN113192629A - 用于自动胎心判读的方法和装置 - Google Patents

用于自动胎心判读的方法和装置 Download PDF

Info

Publication number
CN113192629A
CN113192629A CN202110501350.6A CN202110501350A CN113192629A CN 113192629 A CN113192629 A CN 113192629A CN 202110501350 A CN202110501350 A CN 202110501350A CN 113192629 A CN113192629 A CN 113192629A
Authority
CN
China
Prior art keywords
fetal heart
heart evaluation
probability
evaluation
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
Application number
CN202110501350.6A
Other languages
English (en)
Other versions
CN113192629B (zh
Inventor
许斌
孔彦
赵博文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN202110501350.6A priority Critical patent/CN113192629B/zh
Publication of CN113192629A publication Critical patent/CN113192629A/zh
Application granted granted Critical
Publication of CN113192629B publication Critical patent/CN113192629B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Primary Health Care (AREA)
  • General Engineering & Computer Science (AREA)
  • Epidemiology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明提供一种用于自动胎心判读的方法和装置，其中，方法包括：对输入的胎心评价数据进行特征抽取，生成多个胎心评价特征；将胎心评价特征组输入至类型分析模型中，输出每个胎心评价特征组对应的概率密度；其中，类型分析模型为基于胎心评价样本特征及其对应的类型进行训练得到；基于每个胎心评价特征的权重值和概率密度，确定胎心评价特征组属于各个类型的概率分布；将胎心评价数据的概率分布进行线性回归处理，得到预测结果。本发明通过对每个特征的权重进行分析处理，并采用分析类型模式的方法，允许部分特征缺失提高了信息增益和采用对数据进行综合评分的处理方式，具有比传统的深度学习方法有更好的鲁棒性并且过拟合程度低。

Description

用于自动胎心判读的方法和装置
技术领域
本发明涉及数据处理技术领域，尤其涉及一种用于自动胎心判读的方法和装置。
背景技术
胎心监护技术是在产科广泛使用的，通过检测胎儿心率信号来判断胎儿的窘迫程度，以便医生规划干预措施的辅助诊断技术。
在实际应用中，胎监的判读工作一般由医生完成，此外也有一些半自动的辅助软件可以自动识别出胎心的一些特征，来提高人类的判读效率。
目前的自动的胎心判读方法多数都处于研究阶段，技术路线也各不相同。一类比较经典的研究路线是根据胎心数据计算一些设计好的指标，并采集一些数据进行统计分析，然后在判读时，通过贝叶斯公式计算后验概率来获得结果，更高端的研究会使用一些数据挖掘或深度学习的方法。在此路线上，已经有十多个在临床上得到承认的评分系统，比如NST标准、Fischer标准、Krebs标准等。现有的很多胎监产品已经附带软件实现的标准评分功能。
还有一类新兴的研究路线是先将胎监数据中的信息进行延伸，衍生出大量新的数据，然后使用深度学习类方法进行胎监结果的判读。衍生数据的方法有频域分析，主要方式为傅里叶分析。此外也有近年来在研究领域崭露头角的时频域分析方法，即根据原始胎心信号生成时频域信息图谱，方式有短时傅里叶变换、连续小波变换等。在判读的模型上，则有支持向量机、人工神经网络、卷积神经网络等方法。
在第一类经典技术中，被临床所承认的十数种系统各有问题，对同一个数据经常给出高低不一的评分，往往难以作为统一参考。而研究者的工作对于指标的使用经常多种多样，很多不被临床上接受。此外，以这些指标的作为样本特征而提出的数据挖掘算法或深度学习模型，常常无法处理信息重叠的问题，于是需要经过筛选舍弃大量信息增益较低的特征而换取判读准确率的提升。但也因此，这些方法常常过于依赖特定指标，往往这些指标一旦略微越过临界值，就会反转判读结果，因此有严重的错误判读的安全隐患。另一方面，这类方法因为方法的设计缺陷，通常只能给出一个分类结果，而没有对胎心进行综合评分的能力。
而第二类技术则很难在现实中应用，一是傅里叶分析及小波变换分析等方法原本或用来信号处理，或用来作为数据挖掘上的研究手段，并不被医学界认可。二是近年来在研究领域渐露锋芒的时频域分析加卷积神经网络的方法仅在实验环境下取得了一定成绩，但是并不能解决实际问题。尽管研究者自称卷积神经网络鲁棒性好，但这仅仅是因其结构复杂而在实验中错误较少，并非其具备了足够的处理能力。目前最先进的卷积神经网络模型所擅长的任务多为场景分类、物体识别等。但胎心判读这种复杂任务需要对于胎儿生理指标的综合理解，要求对于数量、长度、高度、面积、信号稳定性、关键图形的一致性等重要指标有灵敏的分析判断与掌控能力。而卷积神经网络还不够具备这种能力，因此存在较大的应用风险。
发明内容
本发明提供一种用于自动胎心判读的方法和装置，用以解决现有技术中没有对胎心进行综合评分的能力的缺陷，实现分析类型模式的方法，并与胎心评价特征的权重相结合，对数据进行综合评分的处理方式，体现客观上的信息增益，具有比传统的深度学习方法有更好的鲁棒性并且过拟合程度低。
第一方面，本发明实施例提供一种用于自动胎心判读的方法，包括：
对输入的胎心评价数据进行特征抽取，生成胎心评价特征组，其中，所述胎心评价特征组包括多个胎心评价特征；
将所述胎心评价特征组输入至类型分析模型中，输出所述胎心评价特征组对应的概率密度；其中，所述类型分析模型为基于胎心评价样本特征及其对应的类型进行训练得到；
基于每个所述胎心评价特征的权重值和概率密度，确定所述胎心评价特征组属于各个类型的概率分布；
将所述胎心评价数据的概率分布进行线性回归处理，得到预测结果。
进一步，根据本发明提供的用于自动胎心判读的方法，其中，所述类型分析模型包括多个子模型，每个子模型对应一个类型；
将所述胎心评价特征组输入至类型分析模型中，输出所述胎心评价特征组对应的概率密度，包括：
将多个所述胎心评价特征分别输入至每个子模型中，输出多个所述胎心评价特征相对于每个子模型的相对概率。
进一步，根据本发明提供的用于自动胎心判读的方法，其中，将多个所述胎心评价特征分别输入至每个子模型中，输出多个所述胎心评价特征相对于每个子模型的相对概率，通过以下公式实现：
Figure BDA0003056456560000031
其中，d表示特征数据向量d＝(v1,v2,…,vP)，P表示特征数据向量d的维度,i为自然数；σi表示期望值，μi表示标准差；M(t)表示第t个多维高斯分布模型。
进一步，根据本发明提供的用于自动胎心判读的方法，其中，基于每个所述胎心评价特征的权重值和概率密度，确定所述胎心评价特征组属于各个类型的概率分布，包括：
确定每个子模型的先验概率；
基于每个子模型的先验概率、每个所述胎心评价特征的权重值和概率密度，确定修正后的多个所述胎心评价特征相对于每个子模型的相对概率；
将修正后的相对概率进行归一化处理，得到所述多个胎心评价特征属于各个类型的概率分布。
进一步，根据本发明提供的用于自动胎心判读的方法，其中，基于每个子模型的先验概率、每个所述胎心评价特征的权重值和概率密度，确定修正后的多个所述胎心评价特征相对于每个子模型的相对概率，通过以下公式实现：
Figure BDA0003056456560000041
其中，wi是第i个特征的权重，p(t)是第t个多维高斯分布模型的先验概率。
进一步，根据本发明提供的用于自动胎心判读的方法，其中，将所述胎心评价数据的概率分布进行线性回归处理，得到预测结果，包括：
将所述多个胎心评价特征属于各个类型的概率分布与预设的分值向量进行卷积处理，得到预测结果。
进一步，根据本发明提供的用于自动胎心判读的方法，其中，将所述多个胎心评价特征属于各个类型的概率分布与预设的分值向量进行卷积处理，得到预测结果，通过以下公式实现：
R(d)＝∫PD(d)*W1
其中，W1为T维的分值向量，PD(d)是高阶特征向量，是与每个多维高斯分布模型相对应的h′(d,M(t))进行归一化形成的概率分布向量。
第二方面，本发明提供一种用于自动胎心判读的装置，包括：
第一处理模块，用于对输入的胎心评价数据进行特征抽取，生成胎心评价特征组，其中，所述胎心评价特征组包括多个胎心评价特征；
第二处理模块，用于将所述胎心评价特征组输入至类型分析模型中，输出所述胎心评价特征组对应的概率密度；其中，所述类型分析模型为基于胎心评价样本特征及其对应的类型进行训练得到；
第三处理模块，用于基于每个所述胎心评价特征的权重值和概率密度，确定所述胎心评价特征组属于各个类型的概率分布；
第四处理模块，用于将所述胎心评价数据的概率分布进行线性回归处理，得到预测结果。
第三方面，本发明提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述所述用于自动胎心判读的方法的步骤。
第四发明，本发明提供一种非暂态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上述所述用于自动胎心判读的方法的步骤。
本发明提供的用于自动胎心判读的方法和装置，通过对输入的胎心评价数据进行特征抽取，生成胎心评价特征组，其中，所述胎心评价特征组包括多个胎心评价特征；将所述胎心评价特征组输入至类型分析模型中，输出所述胎心评价特征组对应的概率密度；其中，所述类型分析模型为基于胎心评价样本特征及其对应的类型进行训练得到；基于每个所述胎心评价特征的权重值和概率密度，确定所述胎心评价特征组属于各个类型的概率分布，即得到修正后的概率密度；将所述修正后的胎心评价数据的概率分布进行线性回归处理，得到预测结果。本发明采用分析类型模式的方法，并与胎心评价特征的权重相结合，对数据进行综合评分的处理方式，体现客观上的信息增益，具有比传统的深度学习方法有更好的鲁棒性并且过拟合程度低。同时，对高阶特征向量进行线性回归，得到对胎心健康状况的评价等级，具有简便应用的特点。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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是本发明提供的用于自动胎心判读的方法的流程示意图；
图2是本发明提供的用于自动胎心判读的装置的结构示意图；
图3是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
下面结合图1描述本发明实施例提供的用于自动胎心判读的方法，包括：
步骤100：对输入的胎心评价数据进行特征抽取，生成胎心评价特征组，其中，所述胎心评价特征组包括多个胎心评价特征；
步骤200：将所述胎心评价特征组输入至类型分析模型中，输出所述胎心评价特征组对应的概率密度；其中，所述类型分析模型为基于胎心评价样本特征及其对应的类型进行训练得到；
步骤300：基于每个所述胎心评价特征的权重值和概率密度，确定所述胎心评价特征组属于各个类型的概率分布；
步骤400：将所述胎心评价数据的概率分布进行线性回归处理，得到预测结果。
具体地，现有技术中的数据挖掘算法或深度学习模型，常常无法处理信息重叠的问题，于是需要经过筛选舍弃大量信息增益较低的特征而换取判读准确率的提升。但也因此，这些方法常常过于依赖特定指标，往往这些指标一旦略微越过临界值，就会反转判读结果，因此有严重的错误判读的安全隐患。另一方面，这类方法因为方法的设计缺陷，通常只能给出一个分类结果，而没有对胎心进行综合评分的能力。
在本发明实施例中，步骤100中通过获取胎心评价数据，其中胎心评价数据是指对胎儿胎心的评价存在影响的数据，包括胎心数据和附带的孕妇的一些生理数据。继而对胎监数据进行特征抽取，得到胎心评价特征包括胎心特征和孕妇的生理特征，由于胎心判读这种复杂任务需要对于胎儿生理指标的综合理解，要求对于数量、长度、高度、面积、信号稳定性、关键图形的一致性等重要指标有灵敏的分析判断与掌控能力，因此，在这一步骤中对胎监数据进行特征抽取时，需要结合实际的需要即结合实际对胎心的健康状态有影响的指标进行特征提取。
具体地，本发明中抽取了多种胎心特征，并附加孕妇的一些生理特征。具体特征如下：
综合特征：使用原始胎心、局部线性回归梯度、局部线性拟合优度三个信号，对每个信号分析均值、平方均值、方差。还计算了信号时长，信号质量。信号质量的定义为1减去信号在欧式几何空间上的缺失率。
基线：识别胎心基线是否存在，以及平均基线值作为特征。同时判断是否有心动过速或心动过缓，提取指定特征的面积、持续时间以及平均值。
加速和减速：识别加速度第一大和第二大的加速和减速，取指定形状的面积、持续时间、峰值和等级。对于所有的加速，或所有的减速，进行总体的统计，包括面积、持续时间、峰值、等级、数量以及子类型数量，还有参考系数。
变异：识别胎心的长变异、短变异、基线变异、基线变异类型。正弦波：识别胎心是否是正弦波形，以及正弦波形的持续时间。
生理特征：怀孕时间，孕妇有无异常。特征的具体获取方法为：
A、计算局部线性回归以及拟合优度的方法
对于长为N的2-D数据pi＝(xi,yi),i＝1,线性回。对于指定的范围参数r，定义求和记号Si(f)＝∑jf(j),(|xj-xi|≤定)，代表在点pi附近的点上对函数f求和，其中的函数f可以为下标运算。例如Si(xy)＝∑jxjyj,(|xj-xi|≤y)。特别地，定义符号n代表Si(1)，表示点pi附近的点数。则点pi附近的局部线性回归函数为
Figure BDA0003056456560000081
求解公式为下式(1)：
Figure BDA0003056456560000082
局部拟合优度，也叫决定系数，定义为R2＝1-残差平方和/总平方和，可推导为公式(2)：
Figure BDA0003056456560000083
Figure BDA0003056456560000091
套用该公式，可以用线性时间对变量S(1),S(x),S(y),S(x2),S(xy),S(y2)进行迭代，从而以线性时空复杂度完成全部需要的计算。
B、计算基线的方法
算法动态确认基线。算法首先识别出平和稳定的位置，并确认其中为基线的部分。之后使用S型的5次多项式函数将分开的基线连接。
C、计算加速和减速的方法
加速和减速的定义即位于基线以上或基线以下的连续图形。持续时间为单个加速或减速从开始到结束的时间，峰值为最高点或最低点到基线的插值，面积为该加速或减速相对于基线的积分，等级的定义由下表1产生的平均值得到，参考系数＝等级/10的(1-缺失率)。
表1
Figure BDA0003056456560000092
D、计算变异的方法
长变异、短变异分别为以不同周期进行极差分析的结果。而基线变异则是在稳定极限出的极差分析结果。基线变异类型按照专家共识定义，分为变异缺失、极小变异、正常变异、显著变异四个等级。
E、计算正弦波的方法
本发明提出了简单有效的正弦波形拟合方法。首先将胎心信号拆分为60秒长，起始位置间隔30秒的重叠片段。在每个片段上，求这个片段的正弦拟合函数。拟合的方法为，首先用水平中线将函数分为上下若干部分，然后确认每一部分的极点，之后以这些极点的坐标拟合出具有最小二乘误差的正弦函数极点，以相应的正弦函数作为拟合结果。然后计算原始信号与拟合函数的均方误差，若均方误差小于振幅的0.2倍，则视为一段正弦波形，若出现连续的正弦波形累计达到10个正弦周期，则认为胎心是正弦波形。
步骤200是在步骤100的基础上，将步骤100中抽取的胎心评价特征形成的特征集合输入至深度学习网络模型中，由于本发明的深度学习网络中包含混合高斯模型，其中混合高斯模型中包含多个子模型即多个多维高斯分布模型。而每个多维高斯分布模型作为一个单独的类型。因此，通过深度学习网络模型，可以获得胎心评价特征集合的特征的每一个类型的分布模式即概率密度。
在本步骤中的采用的有监督的深度学习神经网络模型，通过输入已获取的胎心评价特征集，以及相对应的类型分布情况对模型进行训练。虽然本发明中的混合高斯模型方法实际学习的类型理论上超过需要区分的类型，但并不影响进行需要的分类操作或回归操作。并且，为了具备最普遍的效果，本发明对每个特征设置了一定的缺失率，即让特征以一定概率被丢弃。在训练模型时，使用模拟退火方法，其中，模拟退火算法是基于Monte-Carlo迭代求解策略的一种随机寻优算法，其出发点是基于物理中固体物质的退火过程与一般组合优化问题之间的相似性。模拟退火算法从某一较高初温出发，伴随温度参数的不断下降，结合概率突跳特性在解空间中随机寻找目标函数的全局最优解，即在局部最优解能概率性地跳出并最终趋于全局最优。模拟退火算法是一种通用的优化算法，理论上算法具有概率的全局优化性能,目前已在工程中得到了广泛应用，诸如VLSI、生产调度、控制工程、机器学习、神经网络、信号处理等领域。模拟退火算法是通过赋予搜索过程一种时变且最终趋于零的概率突跳性，从而可有效避免陷入局部极小并最终趋于全局最优的串行结构的优化算法。随着训练次数增多，逐步减少学习速率，同时减少特征的缺失率。终止条件为学习结果达到稳定不再提升。最后，模型能够得到鲁棒的分布模式。
步骤300中，通过对步骤200中的特征的概率密度判断胎心特征的概率分布以及不同特征的在进行胎心判断中的权重，来推断实际属于每一类型的概率分布，同时由于引入了特征的权重这一因素，使得步骤200中的概率分布得以修正。
在步骤400通过将步骤300中修正后的特征的概率分布进行线性回归处理，得到对胎心数据的评价结果。
本发明实施例提供的用于自动胎心判读的方法，通过对输入的胎心评价数据进行特征抽取，生成胎心评价特征组，其中，所述胎心评价特征组包括多个胎心评价特征；将所述胎心评价特征组输入至类型分析模型中，输出所述胎心评价特征组对应的概率密度；其中，所述类型分析模型为基于胎心评价样本特征及其对应的类型进行训练得到；基于每个所述胎心评价特征的权重值和概率密度，确定所述胎心评价特征组属于各个类型的概率分布，即得到修正后的概率密度；将所述修正后的胎心评价数据的概率分布进行线性回归处理，得到预测结果。本发明采用分析类型模式的方法，并与胎心评价特征的权重相结合，对数据进行综合评分的处理方式，体现客观上的信息增益，具有比传统的深度学习方法有更好的鲁棒性并且过拟合程度低。同时，对高阶特征向量进行线性回归，得到对胎心健康状况的评价等级，具有简便应用的特点。
进一步，根据本发明实施例提供的用于自动胎心判读的方法，其中，所述类型分析模型包括多个子模型，每个子模型对应一个类型；
将所述胎心评价特征组输入至类型分析模型中，输出所述胎心评价特征组对应的概率密度，包括：
将多个所述胎心评价特征分别输入至每个子模型中，输出多个所述胎心评价特征相对于每个子模型的相对概率。
其中，多个所述胎心评价特征分别输入至每个子模型中，输出多个所述胎心评价特征相对于每个子模型的相对概率，通过以下公式(3)实现：
Figure BDA0003056456560000121
其中，d表示特征数据向量d＝(v1,v2,…,vP)，P表示特征数据向量d的维度,i为自然数；σi表示期望值，μi表示标准差；M(t)表示第t个多维高斯分布模型。
在实际计算时，为了避免对于g函数的计算导致指数爆炸，需要直接对指数部分进行运算，即只计算h函数的结果，在最后使用softmax函数得到相对概率。
softmax函数的定义为公式(4)：
Figure BDA0003056456560000122
进一步，根据本发明实施例中提供的用于自动胎心判读的方法，其中，基于每个所述胎心评价特征的权重值和概率密度，确定所述胎心评价特征组属于各个类型的概率分布，包括：
确定每个子模型的先验概率；
基于每个子模型的先验概率、每个所述胎心评价特征的权重值和概率密度，确定修正后的多个所述胎心评价特征相对于每个子模型的相对概率；
将修正后的相对概率进行归一化处理，得到所述多个胎心评价特征属于各个类型的概率分布。
具体地，本发明实施例中每个子模型的先验概率exp(P)＝exp(p(1),…,p(T))。而每一个胎心评价特征的权重可以通过直接设置的方式，也可以听过神经网络模型训练得到，比如tensorflow框架，Adam Optimizer的模型算法获得。
本发明对P个特征分别设置一个非负权重W＝(w1,…,wP)(理想情况下可能存在有效负值，但实际极难存在合理的情况，即使用没有额外信息增益的特征来抵消其他特征的重叠信息)。
权重的使用方法为，直接将wi作为A部分的g(d,M(t))函数中的第i个特征相关概率的指数，也即作为指数的h(d,M(t))函数的加权系数。
则，其中，基于每个子模型的先验概率、每个所述胎心评价特征的权重值和概率密度，确定修正后的多个所述胎心评价特征相对于每个子模型的相对概率，通过以下公式(5)实现：
Figure BDA0003056456560000131
其中，wi是第i个特征的权重，p(t)是第t个多维高斯分布模型的先验概率。
最终的概率分布向量即为公式(6)所示：
PD(d)＝softmax(h′(d,M(1)),…,h′(d,M(T))) (6)
进一步，根据本发明提供的用于自动胎心判读的方法，其中，将所述胎心评价数据的概率分布进行线性回归处理，得到预测结果，包括：
将所述多个胎心评价特征属于各个类型的概率分布与预设的分值向量进行卷积处理，得到预测结果。
具体地，本发明在实际应用中基于灵活性的需要，使用的是评分预测方法。因为类型模式分析方法的能力足够强，本发明在评分预测时使用了线性回归模型，即对于高阶特征向量PD(d)，直接设置一个T维的分值向量W1＝(u(1),…,u(T))与其进行卷积，
进一步，根据本发明实施例提供的用于自动胎心判读的方法，其中，将所述多个胎心评价特征属于各个类型的概率分布与预设的分值向量进行卷积处理，得到预测结果，通过以下公式(7)实现：
R(d)＝∫PD(d)*W1 (7)
其中，W1为T维的分值向量，PD(d)是高阶特征向量，是与每个多维高斯分布模型相对应的h′(d,M(t))进行归一化形成的概率分布向量。
如图2所示，本发明实施例提供一种用于自动胎心判读的装置，包括：
第一处理模块21，用于对输入的胎心评价数据进行特征抽取，生成胎心评价特征组，其中，所述胎心评价特征组包括多个胎心评价特征；
第二处理模块22，用于将所述胎心评价特征组输入至类型分析模型中，输出所述胎心评价特征组对应的概率密度；其中，所述类型分析模型为基于胎心评价样本特征及其对应的类型进行训练得到；
第三处理模块23，用于基于每个所述胎心评价特征的权重值和概率密度，确定所述胎心评价特征组属于各个类型的概率分布；
第四处理模块24，用于将所述胎心评价数据的概率分布进行线性回归处理，得到预测结果。
由于本发明实施例提供的装置，可以用于执行上述实施例所述的方法，其工作原理和有益效果类似，故此处不再详述，具体内容可参见上述实施例的介绍。
进一步，根据本发明实施例提供的用于自动胎心判读的装置，其中，第二处理模块中的所述类型分析模型包括多个子模型，每个子模型对应一个类型；
第二处理模块22，具体用于：
将多个所述胎心评价特征分别输入至每个子模型中，输出多个所述胎心评价特征相对于每个子模型的相对概率。
其中，第二处理模块22将多个所述胎心评价特征分别输入至每个子模型中，输出多个所述胎心评价特征相对于每个子模型的相对概率，通过以下公式(8)实现：(8)
Figure BDA0003056456560000151
其中，d表示特征数据向量d＝(v1,v2,…,vP)，P表示特征数据向量d的维度,i为自然数；σi表示期望值，μi表示标准差；M(t)表示第t个多维高斯分布模型。
在实际计算时，为了避免对于g函数的计算导致指数爆炸，需要直接对指数部分进行运算，即只计算h函数的结果，在最后使用softmax函数得到相对概率。
softmax函数的定义为公式(9)：
Figure BDA0003056456560000152
进一步，根据本发明实施例中提供的用于自动胎心判读的装置，其中，第三处理模块23具体用于：
确定每个子模型的先验概率；
基于每个子模型的先验概率、每个所述胎心评价特征的权重值和概率密度，确定修正后的多个所述胎心评价特征相对于每个子模型的相对概率；
将修正后的相对概率进行归一化处理，得到所述多个胎心评价特征属于各个类型的概率分布。
具体地，本发明实施例中每个子模型的先验概率exp(P)＝exp(p(1),…,p(T))。而每一个胎心评价特征的权重可以通过直接设置的方式，也可以听过神经网络模型训练得到，比如tensorflow框架，Adam Optimizer的模型算法获得。
本发明对P个特征分别设置一个非负权重W＝(w1,…,wP)(理想情况下可能存在有效负值，但实际极难存在合理的情况，即使用没有额外信息增益的特征来抵消其他特征的重叠信息)。
权重的使用方法为，直接将wi作为A部分的g(d,M(t))函数中的第i个特征相关概率的指数，也即作为指数的h(d,M(t))函数的加权系数。
则，其中，基于每个子模型的先验概率、每个所述胎心评价特征的权重值和概率密度，确定修正后的多个所述胎心评价特征相对于每个子模型的相对概率，通过以下公式(10)实现：
Figure BDA0003056456560000161
其中，wi是第i个特征的权重，p(t)是第t个多维高斯分布模型的先验概率。
最终的概率分布向量即为公式(11)所示：
PD(d)＝softmax(h′(d，M(1))，...，h′(d，M(T))) (11)
进一步，根据本发明提供的用于自动胎心判读的装置，其中，第四处理模块24，具体用于：
将所述多个胎心评价特征属于各个类型的概率分布与预设的分值向量进行卷积处理，得到预测结果。
具体地，本发明在实际应用中基于灵活性的需要，使用的是评分预测方法。因为类型模式分析方法的能力足够强，本发明在评分预测时使用了线性回归模型，即对于高阶特征向量PD(d)，直接设置一个T维的分值向量W1＝(u(1),…,u(T))与其进行卷积，
进一步，第四处理模块24将所述多个胎心评价特征属于各个类型的概率分布与预设的分值向量进行卷积处理，得到预测结果，通过以下公式(12)实现：
R(d)＝∫PD(d)*W1 (12)
其中，W1为T维的分值向量，PD(d)是高阶特征向量，是与每个多维高斯分布模型相对应的h′(d,M(t))进行归一化形成的概率分布向量。
本发明实施例提供的用于自动胎心判读的装置，通过对输入的胎心评价数据进行特征抽取，生成胎心评价特征组，其中，所述胎心评价特征组包括多个胎心评价特征；将所述胎心评价特征组输入至类型分析模型中，输出所述胎心评价特征组对应的概率密度；其中，所述类型分析模型为基于胎心评价样本特征及其对应的类型进行训练得到；基于每个所述胎心评价特征的权重值和概率密度，确定所述胎心评价特征组属于各个类型的概率分布，即得到修正后的概率密度；将所述修正后的胎心评价数据的概率分布进行线性回归处理，得到预测结果。本发明实施例采用分析类型模式的方法，并与胎心评价特征的权重相结合，对数据进行综合评分的处理方式，体现客观上的信息增益，具有比传统的深度学习方法有更好的鲁棒性并且过拟合程度低。同时，对高阶特征向量进行线性回归，得到对胎心健康状况的评价等级，具有简便应用的特点。
图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行用于自动胎心判读的方法，该方法包括对输入的胎心评价数据进行特征抽取，生成胎心评价特征组，其中，所述胎心评价特征组包括多个胎心评价特征；将所述胎心评价特征组输入至类型分析模型中，输出所述胎心评价特征组对应的概率密度；其中，所述类型分析模型为基于胎心评价样本特征及其对应的类型进行训练得到；基于每个所述胎心评价特征的权重值和概率密度，确定所述胎心评价特征组属于各个类型的概率分布；将所述胎心评价数据的概率分布进行线性回归处理，得到预测结果。
此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的用于自动胎心判读的方法，该方法包括对输入的胎心评价数据进行特征抽取，生成胎心评价特征组，其中，所述胎心评价特征组包括多个胎心评价特征；将所述胎心评价特征组输入至类型分析模型中，输出所述胎心评价特征组对应的概率密度；其中，所述类型分析模型为基于胎心评价样本特征及其对应的类型进行训练得到；基于每个所述胎心评价特征的权重值和概率密度，确定所述胎心评价特征组属于各个类型的概率分布；将所述胎心评价数据的概率分布进行线性回归处理，得到预测结果。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的用于自动胎心判读的方法，该方法包括对输入的胎心评价数据进行特征抽取，生成胎心评价特征组，其中，所述胎心评价特征组包括多个胎心评价特征；将所述胎心评价特征组输入至类型分析模型中，输出所述胎心评价特征组对应的概率密度；其中，所述类型分析模型为基于胎心评价样本特征及其对应的类型进行训练得到；基于每个所述胎心评价特征的权重值和概率密度，确定所述胎心评价特征组属于各个类型的概率分布；将所述胎心评价数据的概率分布进行线性回归处理，得到预测结果。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种用于自动胎心判读的方法，其特征在于，包括：
对输入的胎心评价数据进行特征抽取，生成胎心评价特征组，其中，所述胎心评价特征组包括多个胎心评价特征；
将所述胎心评价特征组输入至类型分析模型中，输出所述胎心评价特征组对应的概率密度；其中，所述类型分析模型为基于胎心评价样本特征及其对应的类型进行训练得到；
基于每个所述胎心评价特征的权重值和概率密度，确定所述胎心评价特征组属于各个类型的概率分布；
将所述胎心评价数据的概率分布进行线性回归处理，得到预测结果。
2.根据权利要求1所述的用于自动胎心判读的方法，其特征在于，所述类型分析模型包括多个子模型，每个子模型对应一个类型；
将所述胎心评价特征组输入至类型分析模型中，输出所述胎心评价特征组对应的概率密度，包括：
将多个所述胎心评价特征分别输入至每个子模型中，输出多个所述胎心评价特征相对于每个子模型的相对概率。
3.根据权利要求2所述的用于自动胎心判读的方法，其特征在于，将多个所述胎心评价特征分别输入至每个子模型中，输出多个所述胎心评价特征相对于每个子模型的相对概率，通过以下公式实现：
Figure FDA0003056456550000011
其中，d表示特征数据向量d＝(v1,v2,…,vP)，P表示特征数据向量d的维度,i为自然数；σi表示期望值，μi表示标准差；M(t)表示第t个多维高斯分布模型。
4.根据权利要求1所述的用于自动胎心判读的方法，其特征在于，基于每个所述胎心评价特征的权重值和概率密度，确定所述胎心评价特征组属于各个类型的概率分布，包括：
确定每个子模型的先验概率；
基于每个子模型的先验概率、每个所述胎心评价特征的权重值和概率密度，确定修正后的多个所述胎心评价特征相对于每个子模型的相对概率；
将修正后的相对概率进行归一化处理，得到所述多个胎心评价特征属于各个类型的概率分布。
5.根据权利要求4所述的用于自动胎心判读的方法，其特征在于，基于每个子模型的先验概率、每个所述胎心评价特征的权重值和概率密度，确定修正后的多个所述胎心评价特征相对于每个子模型的相对概率，通过以下公式实现：
Figure FDA0003056456550000021
其中，wi是第i个特征的权重，p(t)是第t个多维高斯分布模型的先验概率。
6.根据权利要求4所述的用于自动胎心判读的方法，其特征在于，将所述胎心评价数据的概率分布进行线性回归处理，得到预测结果，包括：
将所述多个胎心评价特征属于各个类型的概率分布与预设的分值向量进行卷积处理，得到预测结果。
7.根据权利要求6所述的用于自动胎心判读的方法，其特征在于，将所述多个胎心评价特征属于各个类型的概率分布与预设的分值向量进行卷积处理，得到预测结果，通过以下公式实现：
R(d)＝∫PD(d)*W1
其中，W1为T维的分值向量，PD(d)是高阶特征向量，是与每个多维高斯分布模型相对应的h′(d,M(t))进行归一化形成的概率分布向量。
8.一种用于自动胎心判读的装置，其特征在于，包括：
第一处理模块，用于对输入的胎心评价数据进行特征抽取，生成胎心评价特征组，其中，所述胎心评价特征组包括多个胎心评价特征；
第二处理模块，用于将所述胎心评价特征组输入至类型分析模型中，输出所述胎心评价特征组对应的概率密度；其中，所述类型分析模型为基于胎心评价样本特征及其对应的类型进行训练得到；
第三处理模块，用于基于每个所述胎心评价特征的权重值和概率密度，确定所述胎心评价特征组属于各个类型的概率分布；
第四处理模块，用于将所述胎心评价数据的概率分布进行线性回归处理，得到预测结果。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述用于自动胎心判读的方法的步骤。
10.一种非暂态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7任一项所述用于自动胎心判读的方法的步骤。
CN202110501350.6A 2021-05-08 2021-05-08 用于自动胎心判读的方法和装置 Active CN113192629B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110501350.6A CN113192629B (zh) 2021-05-08 2021-05-08 用于自动胎心判读的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110501350.6A CN113192629B (zh) 2021-05-08 2021-05-08 用于自动胎心判读的方法和装置

Publications (2)

Publication Number Publication Date
CN113192629A true CN113192629A (zh) 2021-07-30
CN113192629B CN113192629B (zh) 2022-04-29

Family

ID=76984481

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110501350.6A Active CN113192629B (zh) 2021-05-08 2021-05-08 用于自动胎心判读的方法和装置

Country Status (1)

Country Link
CN (1) CN113192629B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114783605A (zh) * 2022-04-24 2022-07-22 南京审计大学 一种基于行为决策和三支决策的胎心监护系统及方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5524631A (en) * 1994-10-13 1996-06-11 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Passive fetal heart rate monitoring apparatus and method with enhanced fetal heart beat discrimination
US20030187364A1 (en) * 2002-04-01 2003-10-02 Hamilton Emily F. Method and apparatus for monitoring the condition of a fetus
CN1520272A (zh) * 2001-05-29 2004-08-11 ���ֳ� 用于检测和分析产妇子宫,及产妇和胎儿心脏与胎儿脑活动的系统
CN104382618A (zh) * 2014-11-13 2015-03-04 深圳市理邦精密仪器股份有限公司 基于胎心率检测的去噪方法和胎心率检测仪
CN104887220A (zh) * 2015-06-18 2015-09-09 山东大学 一种由腹壁心电信号提取胎儿心电信号的方法及系统
CN106491085A (zh) * 2016-10-31 2017-03-15 广东工业大学 一种胎儿心音瞬时心率检测识别方法及装置
CN108261176A (zh) * 2017-12-28 2018-07-10 深圳京柏医疗科技股份有限公司 胎心监护数据处理方法、装置、系统、存储介质和计算机设备
CN109662727A (zh) * 2019-01-29 2019-04-23 广东工业大学 基于模糊聚类算法的胎儿心率检测方法与系统
CN111265239A (zh) * 2020-02-21 2020-06-12 孙磊 基于邻近计算的胎心检测信号处理及信息提取系统及方法
CN111407315A (zh) * 2020-03-24 2020-07-14 浙江大学温州研究院 一种针对超声多普勒胎心信号的质量评估方法
CN111696670A (zh) * 2020-06-16 2020-09-22 广州三瑞医疗器械有限公司 一种基于深度森林的产前胎儿监护智能判读方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5524631A (en) * 1994-10-13 1996-06-11 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Passive fetal heart rate monitoring apparatus and method with enhanced fetal heart beat discrimination
CN1520272A (zh) * 2001-05-29 2004-08-11 ���ֳ� 用于检测和分析产妇子宫,及产妇和胎儿心脏与胎儿脑活动的系统
US20030187364A1 (en) * 2002-04-01 2003-10-02 Hamilton Emily F. Method and apparatus for monitoring the condition of a fetus
CN104382618A (zh) * 2014-11-13 2015-03-04 深圳市理邦精密仪器股份有限公司 基于胎心率检测的去噪方法和胎心率检测仪
CN104887220A (zh) * 2015-06-18 2015-09-09 山东大学 一种由腹壁心电信号提取胎儿心电信号的方法及系统
CN106491085A (zh) * 2016-10-31 2017-03-15 广东工业大学 一种胎儿心音瞬时心率检测识别方法及装置
CN108261176A (zh) * 2017-12-28 2018-07-10 深圳京柏医疗科技股份有限公司 胎心监护数据处理方法、装置、系统、存储介质和计算机设备
CN109662727A (zh) * 2019-01-29 2019-04-23 广东工业大学 基于模糊聚类算法的胎儿心率检测方法与系统
CN111265239A (zh) * 2020-02-21 2020-06-12 孙磊 基于邻近计算的胎心检测信号处理及信息提取系统及方法
CN111407315A (zh) * 2020-03-24 2020-07-14 浙江大学温州研究院 一种针对超声多普勒胎心信号的质量评估方法
CN111696670A (zh) * 2020-06-16 2020-09-22 广州三瑞医疗器械有限公司 一种基于深度森林的产前胎儿监护智能判读方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
AULNOIT, AH ET AL.: "Automated fetal heart rate analysis for baseline determination and acceleration/deceleration detection: A comparison of 11 methods versus expert consensus", 《BIOMEDICAL SIGNAL PROCESSING AND CONTROL》 *
GEORGOULAS, G ET AL.: "Investigating pH based evaluation of fetal heart rate (FHR) recordings", 《HEALTH AND TECHNOLOGY》 *
GUANCHAO FENG ET AL.: "Supervised and Unsupervised Learning of Fetal Heart Rate Tracings with Deep Gaussian Processes", 《2018 14TH SYMPOSIUM ON NEURAL NETWORKS AND APPLICATIONS (NEUREL)》 *
张艳等: "胎儿心脏超声智能导航技术在获取胎儿超声心动图快速筛查切面主要诊断要素中的应用价值", 《中华医学超声杂质（电子版）》 *
徐伟: "基于卷积神经网络的胎心率被动检测方法研究", 《中国优秀硕士学位论文全文数据库》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114783605A (zh) * 2022-04-24 2022-07-22 南京审计大学 一种基于行为决策和三支决策的胎心监护系统及方法
CN114783605B (zh) * 2022-04-24 2024-03-15 南京审计大学 一种基于行为决策和三支决策的胎心监护系统及方法

Also Published As

Publication number Publication date
CN113192629B (zh) 2022-04-29

Similar Documents

Publication Publication Date Title
Cömert et al. A study of artificial neural network training algorithms for classification of cardiotocography signals
Übeyli ECG beats classification using multiclass support vector machines with error correcting output codes
Bhaskar Performance analysis of support vector machine and neural networks in detection of myocardial infarction
CN109645990B (zh) 一种癫痫患者脑电信号的计算机模式识别方法
CN116861354A (zh) 电力变压器监测数据的异常识别及模式区分方法及系统
CN111000553B (zh) 一种基于投票集成学习的心电数据智能分类方法
CN109864736A (zh) 心电信号的处理方法、装置、终端设备及介质
CN112686775A (zh) 基于孤立森林算法的电力网络攻击检测方法及系统
Nejad et al. A new enhanced learning approach to automatic image classification based on Salp Swarm Algorithm
CN108647707B (zh) 概率神经网络创建方法、故障诊断方法及装置、存储介质
Naga Srinivasu et al. A comparative review of optimisation techniques in segmentation of brain MR images
CN109273097B (zh) 一种药物适应症的自动生成方法、装置、设备及存储介质
CN113192629B (zh) 用于自动胎心判读的方法和装置
JP2020501289A (ja) 一連のエコー画像における神経の検出方法
CN113288157A (zh) 基于深度可分离卷积和改进损失函数的心律失常分类方法
Cömert et al. The influences of different window functions and lengths on image-based time-frequency features of fetal heart rate signals
CN114443338A (zh) 面向稀疏负样本的异常检测方法、模型构建方法及装置
Yildirim et al. Heartbeat type classification with optimized feature vectors
CN111582440A (zh) 一种基于深度学习的数据处理方法
CN114004258B (zh) 一种半监督的心电异常检测方法
Sun et al. Undersampling method based on minority class density for imbalanced data
CN113362920B (zh) 基于临床数据的特征选择方法及装置
CN114896228A (zh) 基于过滤规则多级组合优化的工业数据流清洗模型和方法
CN111449647B (zh) 一种心电图识别方法、装置、存储介质及电子设备
CN114757260A (zh) 生理学电信号分类方法、装置、电子设备及存储介质

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