CN113876354A - 胎心率信号的处理方法、装置、电子设备及存储介质 - Google Patents

胎心率信号的处理方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113876354A
CN113876354A CN202111166645.9A CN202111166645A CN113876354A CN 113876354 A CN113876354 A CN 113876354A CN 202111166645 A CN202111166645 A CN 202111166645A CN 113876354 A CN113876354 A CN 113876354A
Authority
CN
China
Prior art keywords
heart rate
fetal heart
rate signal
matrix
extracting
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
CN202111166645.9A
Other languages
English (en)
Other versions
CN113876354B (zh
Inventor
马超
谭旭
于美娜
于成龙
关键
湛邵斌
韩丽屏
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.)
Shenzhen Institute of Information Technology
Original Assignee
Shenzhen Institute of Information Technology
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 Shenzhen Institute of Information Technology filed Critical Shenzhen Institute of Information Technology
Priority to CN202111166645.9A priority Critical patent/CN113876354B/zh
Publication of CN113876354A publication Critical patent/CN113876354A/zh
Application granted granted Critical
Publication of CN113876354B publication Critical patent/CN113876354B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02411—Detecting, measuring or recording pulse rate or heart rate of foetuses
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Psychiatry (AREA)
  • Cardiology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Gynecology & Obstetrics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Pregnancy & Childbirth (AREA)
  • Power Engineering (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本申请适用于信号处理领域，提供了胎心率信号的处理方法、装置、电子设备及存储介质。胎心率信号的处理方法包括获取胎心率信号，对胎心率信号进行特征提取，对提取的特征进行拼接，得到胎心率信号的嵌入矩阵，提取嵌入矩阵的长期依赖特征，得到胎心率信号的表征矩阵，将表征矩阵输入分类器，获取分类器输出的分类结果，提高了得到的分类结果的准确度。

Description

胎心率信号的处理方法、装置、电子设备及存储介质
技术领域
本申请属于信号处理领域，尤其涉及胎心率信号的处理方法、装置、电子设备及存储介质。
背景技术
胎儿心率监护是判断胎儿在母体内是否健康的一项重要技术指标。获得胎儿心音信号的方法有多种，超声多普勒法因其高灵敏性、无损伤性、方向性强、适用周期长和操作简单等优点得到了广泛应用。然而在超声多普勒回波信号的采集过程中，由于其是通过母体进行胎儿心音信号采集，而非直接对胎儿本体进行心音信号采集，因此在所采集到的信号中不仅会存在电磁噪声，还会存在由于胎儿在母体内运动造成的心音信号丢失的问题，因此，根据采集的胎心率信号无法获得准确的评估结果。
发明内容
有鉴于此，本申请实施例提供了胎心率信号的处理方法、装置、电子设备及存储介质，根据处理后的胎心率信号可以获取准确的分类结果。
本申请实施例的第一方面提供了一种胎心率信号的处理方法，包括：
获取胎心率信号；
对所述胎心率信号进行特征提取，对提取的特征进行拼接，得到所述胎心率信号的嵌入矩阵；
提取所述嵌入矩阵的长期依赖特征，得到所述胎心率信号的表征矩阵；
将所述表征矩阵输入分类器，获取所述分类器输出的分类结果。
在一种可能的实现方式中，对所述胎心率信号进行特征提取，对提取的特征进行拼接，得到所述胎心率信号的嵌入矩阵，包括：
对所述胎心率信号进行平滑处理，得到平滑处理后的胎心率信号；
提取所述平滑处理后的胎心率信号的频率特征以及相位角特征；
拼接所述胎心率信号对应的矩阵、所述平滑处理后的胎心率信号对应的矩阵、所述频率特征、所述相位角特征，得到所述胎心率信号的嵌入矩阵。
在一种可能的实现方式中，对所述胎心率信号进行平滑处理，得到平滑处理后的胎心率信号，包括：
采用二次双线性插值算法对所述胎心率信号进行插值处理，将插值处理后的胎心率信号作为平滑处理后的胎心率信号。
在一种可能的实现方式中，提取所述平滑处理后的胎心率信号的频率特征以及相位角特征，包括：
对所述平滑处理后的胎心率信号进行快速傅里叶变换以及相位角运算，得到所述频率特征以及所述相位角特征。
在一种可能的实现方式中，提取所述嵌入矩阵的长期依赖特征，得到所述胎心率信号的表征矩阵，包括：
采用多层注意力模型提取所述嵌入矩阵的长期依赖特征，得到所述胎心率信号的表征矩阵。
在一种可能的实现方式中，所述采用多层注意力模型提取所述嵌入矩阵中的长期依赖特征，得到所述胎心率信号的表征矩阵，包括：
根据公式
Figure BDA0003291583350000021
以及公式
Figure BDA0003291583350000022
得到所述胎心率信号的表征矩阵；其中，x表示胎心率信号的表征矩阵，X(n)表示多层注意力模型的最后一层注意力结构所输出的特征矩阵，X(m)表示多层注意力模型的第m层注意力结构所输出的特征矩阵，X(m-1)表示多层注意力模型的第m-1层注意力结构所输出的特征矩阵1≤m≤n，Wo表示权重映射矩阵，
Figure BDA0003291583350000023
均为第m-1层注意力结构的模型参数，X(0)为嵌入矩阵，c表示常数，“T”表示转置运算，softmax表示归一化指数函数。
在一种可能的实现方式中，在所述获取胎心率信号之前，所述方法还包括：
采用交叉熵损失函数训练分类模型，得到所述分类器。
本申请实施例的第二方面提供了一种胎心率信号的处理装置，包括：
获取模块，用于获取胎心率信号；
拼接模块，用于对所述胎心率信号进行特征提取，对提取的特征进行拼接，得到所述胎心率信号的嵌入矩阵；
提取模块，用于提取所述嵌入矩阵的长期依赖特征，得到所述胎心率信号的表征矩阵；
分类模块，用于将所述表征矩阵输入分类器，获取所述分类器输出的分类结果。
本申请实施例的第三方面提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的胎心率信号的处理方法。
本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的胎心率信号的处理方法。
本申请实施例的第五方面提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行上述第一方面中任一项所述的胎心率信号的处理方法。
本申请实施例与现有技术相比存在的有益效果是：通过获取胎心率信号，对胎心率信号进行特征提取，对提取的特征进行拼接，拼接后得到胎心率信号的嵌入矩阵可以反映胎心率信号更全面的信号特征，从而降低了噪声干扰以及信号缺失对信号分析的影响。再对嵌入处理所得到的嵌入矩阵进行长期依赖特征的提取，得到的胎心率信号的表征矩阵可以表示嵌入矩阵的时序特征。因此，表征矩阵可以表示全面的胎心率信号特征的时序特征，将表征矩阵输入分类器，得到分类器输出的分类结果，提高了得到的分类结果的准确度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1是本申请一实施例提供的胎心率信号的处理方法的实现流程示意图；
图2是本申请实施例提供的嵌入矩阵的计算流程图；
图3是本申请实施例提供的胎心率信号的处理装置示意图；
图4是本申请实施例提供的电子设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”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。
还应当理解，在此本申请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申请。如在本申请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。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“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。
现有技术中，通过超声多普勒法采集的胎心率信号存在噪声干扰和信号丢失的问题，因此，根据采集的胎心率信号无法获得准确的评估结果。
为此，本申请提供一种胎心率信号的处理方法，通过获取胎心率信号，对胎心率信号进行嵌入处理，可以去除胎心率信号中的噪声，并补充丢失信号。再对嵌入处理所得到的嵌入矩阵进行长期依赖特征的提取，可以提取嵌入矩阵的时序特征。即提取嵌入矩阵的长期依赖特征得到的胎心率信号的表征矩阵，是去除噪声的完整胎心率信号的时序特征，该表征矩阵可以反映胎心率信号的真实变化特征。再将表征矩阵输入分类器，得到分类器输出的分类结果，提高了得到的分类结果的准确度。
下面对本申请提供的胎心率信号的处理方法进行示例性说明。
请参阅附图1，本申请一实施例提供的胎心率信号的处理方法包括：
S101：获取胎心率信号。
具体地，胎心率信号是对多普勒胎心监测仪所监测到的回波信号进行处理后得到的，胎心率信号是数字信号。
在一种可能的实现方式中，对多普勒胎心监测仪所监测到的回波信号进行处理，得到初始信号，去除初始信号中的异常值，得到胎心率信号。例如，在获取初始信号后，将初始信号中，位于预设心率范围之外的值作为异常值，从初始信号中去除异常值，从而可以得到更准确的胎心率信号。
S102：对所述胎心率信号进行特征提取，对提取的特征进行拼接，得到所述胎心率信号的嵌入矩阵。
具体地，提取的胎心率信号的特征可以是胎心率信号的频率特征、时间特征、相位角特征、幅度特征等。对提取的特征进行拼接，可以使得拼接后得到的嵌入矩阵反映胎心率信号更全面的信号特征，降低由于信号缺失或者噪声干扰对信号分析的影响程度。
如图2所示，在一种可能的实现方式中，S102具体包括以下步骤。
S201：对所述胎心率信号进行平滑处理，得到平滑处理后的胎心率信号。
其中，可以采用滤波、取平均值或者插值处理的方法对胎心率信号进行平滑处理。
在一种可能的实现方式中，采用二次双线性插值算法对所述胎心率信号进行插值处理，将插值处理后的胎心率信号作为平滑处理后的胎心率信号。通过二次双线性插值算法对胎心率信号进行插值处理，可以消除胎心率信号采集过程中由于仪器所放位置不准确，或者由于胎动造成的信号突变、缺失问题，使得信号更加平滑。同时，通过二次双线性插值算法恢复出的信号，在一定程度上消除了信号的干扰因素，实现了胎心率信号的初步提纯。
在另一种可能的实现方式中，也可以对胎心率信号依次进行放大和滤波处理，得到滤波后的胎心率信号，将滤波后的胎心率信号作为平滑处理后的胎心率信号。
S202：提取所述平滑处理后的胎心率信号的频率特征以及相位角特征。
在一种可能的实现方式中，对所述平滑处理后的胎心率信号进行快速傅里叶变换以及相位角运算，得到所述频率特征以及所述相位角特征。
具体地，根据公式xf＝|fft(xb)|计算胎心率信号的频率特征，其中，fft(·)表示快速傅里叶变换，|·|表示绝对值运算，xb表示平滑处理后的胎心率信号对应的矩阵，平滑处理后的胎心率信号对应的矩阵是平滑处理后的胎心率信号的矩阵表示，xf表示胎心率信号的频率特征。
根据公式xa＝angle(fft(xb))计算胎心率信号的相位角特征，其中，angle(·)表示相位角运算，xa表示胎心率信号的相位角特征。
S203：拼接所述胎心率信号对应的矩阵、所述平滑处理后的胎心率信号对应的矩阵、所述频率特征、所述相位角特征，得到所述胎心率信号的嵌入矩阵。
具体地，按照胎心率信号对应的矩阵、平滑处理后的胎心率信号对应的矩阵、频率特征、相位角特征的顺序进行拼接，得到嵌入矩阵，则嵌入矩阵Y可以表示为Y＝[xr；xb；xf；xa]。其中，xr表示胎心率信号对应的矩阵，胎心率信号对应的矩阵是胎心率信号的矩阵表示。信号的矩阵表示可以是对信号进行傅里叶变换后得到的。由于按照胎心率信号对应的矩阵、平滑处理后的胎心率信号对应的矩阵表示胎心率信号的时域特征，频率特征、相位角特征表示胎心率信号的频域特征，因此，嵌入矩阵可以表示胎心率信号的时域特征和频域特征。
胎心率信号对应的矩阵、平滑处理后的胎心率信号对应的矩阵、频率特征、相位角特征的维度不同，在拼接之前，对胎心率信号对应的矩阵、平滑处理后的胎心率信号对应的矩阵、频率特征、相位角特征进行补零操作，使得各特征的维度相同。具体地，对胎心率信号对应的矩阵、频率特征、相位角特征进行补零，得到与平滑处理后的胎心率信号对应的矩阵同样的长度。
S103：提取所述嵌入矩阵的长期依赖特征，得到所述胎心率信号的表征矩阵。
具体地，将嵌入矩阵输入长期依赖特征提取结构中，提取嵌入矩阵的长期依赖特征，对长期依赖特征进行特征融合处理，得到胎心率信号的表征矩阵。其中，长期依赖特征是信号在时间序列上的特征。
在一种可能的实现方式中，长期依赖特征提取结构是多层注意力模型。采用预先训练得到的多层注意力模型提取嵌入矩阵的长期依赖特征，得到胎心率信号的表征矩阵。
具体地，根据公式
Figure BDA0003291583350000071
以及公式
Figure BDA0003291583350000072
得到所述胎心率信号的表征矩阵；其中，x表示胎心率信号的表征矩阵，X(n)表示多层注意力模型的最后一层注意力结构所输出的特征矩阵，x(m)表示多层注意力模型的第m层注意力结构所输出的特征矩阵，x(m-1)表示多层注意力模型的第m-1层注意力结构所输出的特征矩阵1≤m≤n，Wo表示权重映射矩阵，c表示常数，“T”表示转置运算，softmax表示归一化指数函数。当m＝1时，X(0)、W1 (0)、W2 (0)、W3 (0)为输入参数，X(0)为嵌入矩阵，即X(0)＝Y，
Figure BDA0003291583350000081
均为第m-1层注意力结构的模型参数，各层注意力结构的模型参数是预先训练得到的。例如，各层注意力结构的模型参数可以是对胎心率信号对应的嵌入矩阵以及对应的分类结果组成的训练样本进行训练后得到的。
其中，
Figure BDA0003291583350000082
表示对最后一层注意力结构所输出的特征矩阵进行特征融合处理的过程。由于多层注意力模型可以提取信号的时间序列特征，而胎心率信号是时序信号，通过计算多层注意力模型的最后一层注意力结构所输出的特征矩阵，再对最后一层注意力结构所输出的特征矩阵进行特征融合处理，使得到胎心率信号的表征矩阵包含嵌入矩阵的时间特征。
在其他可能的实现方式中，也可以采用单层注意力模型提取嵌入矩阵的长期依赖特征。
S104：将所述表征矩阵输入分类器，获取所述分类器输出的分类结果。
具体地，根据公式
Figure BDA0003291583350000083
得到分类结果。其中，Y′表示分类结果，x表示胎心率信号的表征矩阵，Wc和bc是分类器的模型参数。
其中，分类器输出的分类结果可以是胎心率信号是否异常的结果，也可以是胎心率信号的等级或得分，也可以是胎心率信号的异常信息。
分类器是基于全连接神经网络的分类器，是预先对初始的分类模型进行训练后得到的。具体地，预先采集胎心率信号，确定胎心率信号对应的表征矩阵及对应的分类信息，将胎心率信号对应的表征矩阵及对应的分类信息作为训练样本，对初始的分类模型进行训练，以优化分类模型的模型参数，直到得到最优的模型参数，根据最优的模型参数生成分类器。
在一种可能的实现方式中，对分类器进行训练的过程中，采用的损失函数是交叉熵损失函数，即：Lc＝CrossEntrophy(Y′,y)，其中CrossEntrophy(·)表示交叉熵损失函数，Y′表示分类结果，y表示训练样本中的分类信息。
在一种可能的实现方式中，对分类模型进行训练时，训练样本是胎心率信号对应的表征矩阵、胎动信息及对应的分类信息，根据训练样本对分类模型进行训练，得到分类器。其中，胎动信息包括胎动的时间以及胎动的频率。对应地，在得到胎心率信号的表征矩阵后，将表征矩阵以及对应的胎动信息输入分类器，得到分类器输出的分类结果。通过结合胎动信息确定胎心率信号对应的分类结果，进一步提高了得到的分类结果的准确度。
上述实施例中，通过获取胎心率信号，对胎心率信号进行特征提取，对提取的特征进行拼接，拼接后得到胎心率信号的嵌入矩阵可以反映胎心率信号更全面的信号特征，从而降低了噪声干扰以及信号缺失对信号分析的影响。再对嵌入处理所得到的嵌入矩阵进行长期依赖特征的提取，得到的胎心率信号的表征矩阵可以表示嵌入矩阵的时序特征。因此，表征矩阵可以表示全面的胎心率信号特征的时序特征，将表征矩阵输入分类器，得到分类器输出的分类结果，提高了得到的分类结果的准确度。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的胎心率信号的处理方法，图3示出了本申请实施例提供的胎心率信号的处理装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
如图3所示，胎心率信号的处理装置包括，
获取模块10，用于获取胎心率信号；
拼接模块20，用于对所述胎心率信号进行特征提取，对提取的特征进行拼接，得到所述胎心率信号的嵌入矩阵；
提取模块30，用于提取所述嵌入矩阵的长期依赖特征，得到所述胎心率信号的表征矩阵；
分类模块40，用于将所述表征矩阵输入分类器，获取所述分类器输出的分类结果。
在一种可能的实现方式中，拼接模块20具体用于：
对所述胎心率信号进行平滑处理，得到平滑处理后的胎心率信号；
提取所述平滑处理后的胎心率信号的频率特征以及相位角特征；
拼接所述胎心率信号对应的矩阵、所述平滑处理后的胎心率信号对应的矩阵、所述频率特征、所述相位角特征，得到所述胎心率信号的嵌入矩阵。
在一种可能的实现方式中，拼接模块20具体还用于：
采用二次双线性插值算法对所述胎心率信号进行插值处理，将插值处理后的胎心率信号作为平滑处理后的胎心率信号。
在一种可能的实现方式中，拼接模块20具体还用于：
对所述平滑处理后的胎心率信号进行快速傅里叶变换以及相位角运算，得到所述频率特征以及所述相位角特征。
在一种可能的实现方式中，提取模块30具体用于：
采用多层注意力模型提取所述嵌入矩阵的长期依赖特征，得到所述胎心率信号的表征矩阵。
在一种可能的实现方式中，提取模块30具体还用于：
根据公式
Figure BDA0003291583350000101
以及公式
Figure BDA0003291583350000102
得到所述胎心率信号的表征矩阵；其中，x表示胎心率信号的表征矩阵，X(n)表示多层注意力模型的最后一层注意力结构所输出的特征矩阵，X(m)表示多层注意力模型的第m层注意力结构所输出的特征矩阵，X(m-1)表示多层注意力模型的第m-1层注意力结构所输出的特征矩阵1≤m≤n，Wo表示权重映射矩阵，
Figure BDA0003291583350000103
均为第m-1层注意力结构的模型参数，X(0)为嵌入矩阵，c表示常数，“T”表示转置运算，softmax表示归一化指数函数。
在一种可能的实现方式中，分类模块40还用于：
采用交叉熵损失函数训练分类模型，得到所述分类器。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
图4是本申请实施例提供的电子设备的结构示意图。所述电子设备可以是桌上型计算机、笔记本、掌上电脑、胎心率监测仪等计算设备。
如4所示，该实施例的电子设备包括：处理器11、存储器12以及存储在所述存储器12中并可在所述处理器11上运行的计算机程序13。所述处理器11执行所述计算机程序13时实现上述胎心率信号的处理方法实施例中的步骤，例如图1所示的步骤S101至S104。或者，所述处理器11执行所述计算机程序13时实现上述各装置实施例中各模块/单元的功能，例如图3所示获取模块10至分类模块40的功能。
示例性的，所述计算机程序13可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器11执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序13在所述电子设备中的执行过程。
本领域技术人员可以理解，图4仅仅是电子设备的示例，并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器11可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器12可以是所述电子设备的内部存储单元，例如电子设备的硬盘或内存。所述存储器12也可以是所述电子设备的外部存储设备，例如所述电子设备上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器12还可以既包括所述电子设备的内部存储单元也包括外部存储设备。所述存储器12用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器12还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
在本申请所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
集成的模块/单元如果以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，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种胎心率信号的处理方法，其特征在于，包括：
获取胎心率信号；
对所述胎心率信号进行特征提取，对提取的特征进行拼接，得到所述胎心率信号的嵌入矩阵；
提取所述嵌入矩阵的长期依赖特征，得到所述胎心率信号的表征矩阵；
将所述表征矩阵输入分类器，获取所述分类器输出的分类结果。
2.如权利要求1所述的方法，其特征在于，对所述胎心率信号进行特征提取，对提取的特征进行拼接，得到所述胎心率信号的嵌入矩阵，包括：
对所述胎心率信号进行平滑处理，得到平滑处理后的胎心率信号；
提取所述平滑处理后的胎心率信号的频率特征以及相位角特征；
拼接所述胎心率信号对应的矩阵、所述平滑处理后的胎心率信号对应的矩阵、所述频率特征、所述相位角特征，得到所述胎心率信号的嵌入矩阵。
3.如权利要求2所述的方法，其特征在于，对所述胎心率信号进行平滑处理，得到平滑处理后的胎心率信号，包括：
采用二次双线性插值算法对所述胎心率信号进行插值处理，将插值处理后的胎心率信号作为平滑处理后的胎心率信号。
4.如权利要求2所述的方法，其特征在于，提取所述平滑处理后的胎心率信号的频率特征以及相位角特征，包括：
对所述平滑处理后的胎心率信号进行快速傅里叶变换以及相位角运算，得到所述频率特征以及所述相位角特征。
5.如权利要求1所述的方法，其特征在于，提取所述嵌入矩阵的长期依赖特征，得到所述胎心率信号的表征矩阵，包括：
采用多层注意力模型提取所述嵌入矩阵的长期依赖特征，得到所述胎心率信号的表征矩阵。
6.如权利要求5所述的方法，其特征在于，所述采用多层注意力模型提取所述嵌入矩阵中的长期依赖特征，得到所述胎心率信号的表征矩阵，包括：
根据公式
Figure FDA0003291583340000021
以及公式
Figure FDA0003291583340000022
得到所述胎心率信号的表征矩阵；其中，x表示胎心率信号的表征矩阵，X(n)表示多层注意力模型的最后一层注意力结构所输出的特征矩阵，X(m)表示多层注意力模型的第m层注意力结构所输出的特征矩阵，X(m-1)表示多层注意力模型的第m-1层注意力结构所输出的特征矩阵，m和n表示正整数，1≤m≤n，Wo表示权重映射矩阵，
Figure FDA0003291583340000023
均为第m-1层注意力结构的模型参数，X(0)为嵌入矩阵，c表示常数，“T”表示转置运算，softmax表示归一化指数函数。
7.如权利要求1所述的方法，其特征在于，在所述获取胎心率信号之前，所述方法还包括：
采用交叉熵损失函数训练分类模型，得到所述分类器。
8.一种胎心率信号的处理装置，其特征在于，包括：
获取模块，用于获取胎心率信号；
拼接模块，用于对所述胎心率信号进行特征提取，对提取的特征进行拼接，得到所述胎心率信号的嵌入矩阵；
提取模块，用于提取所述嵌入矩阵的长期依赖特征，得到所述胎心率信号的表征矩阵；
分类模块，用于将所述表征矩阵输入分类器，获取所述分类器输出的分类结果。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中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计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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任一项所述的方法。
CN202111166645.9A 2021-09-30 2021-09-30 胎心率信号的处理方法、装置、电子设备及存储介质 Active CN113876354B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111166645.9A CN113876354B (zh) 2021-09-30 2021-09-30 胎心率信号的处理方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111166645.9A CN113876354B (zh) 2021-09-30 2021-09-30 胎心率信号的处理方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113876354A true CN113876354A (zh) 2022-01-04
CN113876354B CN113876354B (zh) 2023-11-21

Family

ID=79005253

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111166645.9A Active CN113876354B (zh) 2021-09-30 2021-09-30 胎心率信号的处理方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113876354B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116982953A (zh) * 2023-09-27 2023-11-03 包头市中心医院 基于5g技术的孕产妇远程监测系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5388182A (en) * 1993-02-16 1995-02-07 Prometheus, Inc. Nonlinear method and apparatus for coding and decoding acoustic signals with data compression and noise suppression using cochlear filters, wavelet analysis, and irregular sampling reconstruction
CN109522403A (zh) * 2018-11-05 2019-03-26 中山大学 一种基于融合编码的摘要文本生成方法
CN109620205A (zh) * 2018-12-26 2019-04-16 上海联影智能医疗科技有限公司 心电数据分类方法、装置、计算机设备和存储介质
CN109998594A (zh) * 2019-03-29 2019-07-12 深圳市捷美瑞科技有限公司 一种胎心信号处理方法和系统及胎儿心率仪
CN110236515A (zh) * 2019-07-19 2019-09-17 合肥工业大学 一种基于近红外视频的非接触式心率检测方法
CN110363001A (zh) * 2019-07-12 2019-10-22 长沙市智为信息技术有限公司 一种基于Transformer模型的应用层恶意请求检测方法
CN111597276A (zh) * 2020-05-07 2020-08-28 科大讯飞(苏州)科技有限公司 实体对齐方法、装置和设备
CN112766377A (zh) * 2021-01-20 2021-05-07 中国人民解放军总医院 左心室磁共振影像智能分类方法、装置、设备和介质
CN113314150A (zh) * 2021-05-26 2021-08-27 平安普惠企业管理有限公司 基于语音数据的情绪识别方法、装置及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5388182A (en) * 1993-02-16 1995-02-07 Prometheus, Inc. Nonlinear method and apparatus for coding and decoding acoustic signals with data compression and noise suppression using cochlear filters, wavelet analysis, and irregular sampling reconstruction
CN109522403A (zh) * 2018-11-05 2019-03-26 中山大学 一种基于融合编码的摘要文本生成方法
CN109620205A (zh) * 2018-12-26 2019-04-16 上海联影智能医疗科技有限公司 心电数据分类方法、装置、计算机设备和存储介质
CN109998594A (zh) * 2019-03-29 2019-07-12 深圳市捷美瑞科技有限公司 一种胎心信号处理方法和系统及胎儿心率仪
CN110363001A (zh) * 2019-07-12 2019-10-22 长沙市智为信息技术有限公司 一种基于Transformer模型的应用层恶意请求检测方法
CN110236515A (zh) * 2019-07-19 2019-09-17 合肥工业大学 一种基于近红外视频的非接触式心率检测方法
CN111597276A (zh) * 2020-05-07 2020-08-28 科大讯飞(苏州)科技有限公司 实体对齐方法、装置和设备
CN112766377A (zh) * 2021-01-20 2021-05-07 中国人民解放军总医院 左心室磁共振影像智能分类方法、装置、设备和介质
CN113314150A (zh) * 2021-05-26 2021-08-27 平安普惠企业管理有限公司 基于语音数据的情绪识别方法、装置及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
LUCIA BILLECI: ""Heart Rate Variability During a Joint Attention Task in Toddlers With Autism Spectrum Disorders"", 《FRONTIERS IN PHYSIOLOGY》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116982953A (zh) * 2023-09-27 2023-11-03 包头市中心医院 基于5g技术的孕产妇远程监测系统
CN116982953B (zh) * 2023-09-27 2023-12-08 包头市中心医院 基于5g技术的孕产妇远程监测系统

Also Published As

Publication number Publication date
CN113876354B (zh) 2023-11-21

Similar Documents

Publication Publication Date Title
Li et al. Epileptic seizure detection in EEG signals using sparse multiscale radial basis function networks and the Fisher vector approach
CN111091603B (zh) 一种超声成像方法、装置、可读存储介质及终端设备
CN110459205B (zh) 语音识别方法及装置、计算机可存储介质
CN105849804A (zh) 过滤噪声的计算高效方法
Meng et al. Estimation of chirp signals with time-varying amplitudes
CN115795282B (zh) 激波管动态压力重构方法、装置、电子设备及存储介质
CN113876354A (zh) 胎心率信号的处理方法、装置、电子设备及存储介质
CN114782686A (zh) 一种图像分割方法、装置、终端设备及存储介质
CN114259255B (zh) 一种基于频域信号与时域信号的模态融合胎心率分类方法
CN112382302A (zh) 婴儿哭声识别方法及终端设备
CN115359066A (zh) 用于内窥镜的病灶检测方法、装置、电子设备及存储介质
CN113647908A (zh) 波形识别模型的训练、心电波形识别方法、装置及设备
CN107633506B (zh) 一种图像对称性检测方法、装置及终端设备
JP2021071586A (ja) 音抽出システム及び音抽出方法
CN115204222A (zh) 基于同步压缩小波变换的雷电预测方法、装置以及设备
CN111292767B (zh) 一种音频事件检测方法和装置以及设备
CN108198173A (zh) 一种混凝土裂缝区域的在线检测方法、装置及终端设备
CN110930394B (zh) 测量肌肉肌纤维束线斜率和羽状角的方法及终端设备
CN113609445A (zh) 多源异构监测数据处理方法、终端设备及可读存储介质
Shen et al. Automated genomic signal processing for diseased gene identification
CN113792576B (zh) 基于有监督域适应的人体行为识别方法、电子设备
Li et al. An adaptive feature extraction technique for ship-radiated noise based on weighted multiscale mathematical morphological filtering
CN116735702A (zh) 粒子材质识别方法、装置及电子设备
Mopuri et al. Low complexity underdetermined blind source separation system architecture for emerging remote healthcare applications
CN110163848B (zh) 图像生成方法、装置及终端设备

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