一种基于全通道特征的胎心电识别方法技术

本发明专利技术公开了一种基于全通道特征的胎心电识别方法，该方法可从盲源分离法的多通道输出中选出胎心电信号，属于胎心电识别方法技术领域，包括以下步骤：信号预处理：将多通道的心电数据进行归一化；胎心电识别：采用跨域一致性卷积神经网络对胎心电进行识别；输出结果：根据识别结果在原信号中选出胎心电

【技术实现步骤摘要】
一种基于全通道特征的胎心电识别方法


[0001]本专利技术涉及一种胎心电识别方法，特别是涉及一种基于全通道特征的胎心电识别方法，该方法可从盲源分离法的多通道输出中选出胎心电信号，属于胎心电识别方法

。

技术介绍

[0002]作为一种非侵入式的监测方式，胎心电不仅可用于计算胎心率，还可提供与生理状态相关的信息，因此在胎心监护领域内受到了越来越多的关注
。
[0003]在信号采集过程中，将电极放置在孕妇的腹壁可非侵入式地获取含有胎心电信号的腹部混合心电信号
。
[0004]需要注意的是，在腹部心电中胎心电信号受到母体心电和噪声等成分的干扰，因此，为了获取胎儿的健康信息，首先需要从腹部心电中提取出胎心电
。
[0005]盲源分离法是胎心电提取的常用算法，该算法以多通道腹部心电为输入，将其分解输出为母体心电
、
胎心电和噪声等成分，一个成分占据多通道输出中的一个通道
。
但是各个成分在盲源分离法多通道输出中的通道位置
、
幅值大小和正负信息都是不确定的，需要人工对胎心电成分进行选择，例如在现有技术中公开号为
CN112971799A
公开的基于机器学习的无刺激胎心监护分类方法，只有选择盲源分离法输出信号中的一路作为分离得到的胎儿心电信号之后，才能进行胎心监护类型分类，获取胎儿
NST
类型
。
[0006]为此在本专利技术中设计一种基于全通道特征的胎心电识别方法来解决上述问题
。

技术实现思路

[0007]本专利技术的主要目的是为了提供一种基于全通道特征的胎心电识别方法，该方法可从盲源分离法的多通道输出中选出胎心电信号
。
[0008]本专利技术的目的可以通过采用如下技术方案达到：
[0009]一种基于全通道特征的胎心电识别方法，包括以下步骤：
[0010]步骤
S1
：信号预处理将多通道的心电数据进行归一化；
[0011]步骤
S2
：胎心电识别采用跨域一致性卷积神经网络对胎心电进行识别；
[0012]步骤
S3
：输出结果根据识别结果在原信号中选出胎心电
。
[0013]优选的，在步骤
S1
中，将盲源分离法的多通道输出信号分段为
a
秒，当采样频率为
k Hz
时，则样本长度
m
＝
a*k
，当通道数为
n
时，则样本尺寸为
m*n。
将每个通道的心电数据单独归一化
。
[0014]优选的，在步骤
S2
中，采用分类的方式识别出目标胎心电所在通道位置，该功能由一个跨域一致性卷积神经网络实现
。
[0015]优选的，该网络由
p
个卷积层和
q
个全连接层组成，每个卷积层后利用但不限于
LeakyRelu
函数进行非线性化
。
[0016]优选的，该网络的输入为
n
个通道的心电数据，需要选出其中最符合胎心电特征的
心电数据，该网络的输出为
n
位，采用
one
‑
hot
编码，每一位对应一个通道，胎心电所在位置输出为1，其他位输出为
0。
[0017]优选的，该网络的总损失函数
L
total
包含两部分：基本损失
L
bas
和跨域一致性损失
L
cdc
；
[0018]总损失函数
L
total
的表达式为：
[0019]L
total
＝
L
bas
+
α
*L
cdc
[0020]式中
α
为跨域一致性损失的权重系数
。
[0021]优选的，基本损失
L
bas
，选用分类损失函数，利用但不限于交叉熵函数：
[0022]L
bas
＝
f(Y
，
Y
′
)
；
[0023]式中
Y
为网络的实际输出标签，
Y
’
为目标标签，
f(.)
为选用的分类损失函数；
[0024]基本损失
L
bas
是有监督损失，衡量的是网络的实际输出标签与目标标签之间的距离
。
[0025]优选的，跨域一致性损失
L
cdc
，其表达式为：
[0026]L
cdc
＝
||Y
‑
Y
*
||1；
[0027]式中
Y
*
为网络对变换样本的输出，其中变换样本通过在原样本中添加随机噪声得到；
[0028]跨域一致性损失
L
cdc
是一种无监督损失，衡量的是网络的原样本输出与变换样本输出之间的差距，距离越小，网络的性能越好
。
[0029]优选的，将盲源分离法输出的
n
个通道的心电数据特征同时作为网络的输入
。
[0030]优选的，在步骤
S3
中，根据分类结果，将对原数据中对应通道的心电数据作为目标胎心电，从而实现胎心电的自动识别
。
[0031]本专利技术的有益技术效果：
[0032]本专利技术提供的一种基于全通道特征的胎心电识别方法，该方法可从盲源分离法的多通道输出中选出胎心电信号，该方法将盲源分离法的多通道输出作为输入，通过分类的方法自动识别出胎心电成分所在通道的位置，选出胎心电信号为后续的胎心监护类型分类等任务提供支持
。
附图说明
[0033]图1是本专利技术一种基于全通道特征的胎心电识别方法的步骤流程图；
[0034]图2是本专利技术中待识别的多通道心电数据特征示例图；
[0035]图3是本专利技术中使用的网络模型结构图；
[0036]图4是损失函数示意图
。
具体实施方式
[0037]为使本领域技术人员更加清楚和明确本专利技术的技术方案，下面结合实施例及附图对本专利技术作进一步详细的描述，但本专利技术的实施方式不限于此
。
[0038]如图1‑
图4所示，本实施例提供的一种基于全通道特征的胎心电识别方法，包括以下步骤：
[0039]步骤
S1
：信号预处理将多通道的心电数据进行归一化；
[0040]步骤
S2
：胎心电识别采用跨域一致性卷积神经网络对胎心电进行识别；
[0041]步骤...

【技术保护点】

【技术特征摘要】
1.
一种基于全通道特征的胎心电识别方法，其特征在于：包括以下步骤：步骤
S1
：信号预处理将多通道的心电数据进行归一化；步骤
S2
：胎心电识别采用跨域一致性卷积神经网络对胎心电进行识别；步骤
S3
：输出结果根据识别结果在原信号中选出胎心电
。2.
根据权利要求1所述的一种基于全通道特征的胎心电识别方法，其特征在于：在步骤
S1
中，将盲源分离法的多通道输出信号分段为
a
秒，当采样频率为
k Hz
时，则样本长度
m
＝
a*k
，当通道数为
n
时，则样本尺寸为
m*n
，然后将每个通道的心电数据单独归一化
。3.
根据权利要求1所述的一种基于全通道特征的胎心电识别方法，其特征在于：在步骤
S2
中，采用分类的方式识别出目标胎心电所在通道位置，该功能由一个跨域一致性卷积神经网络实现
。4.
根据权利要求3所述的一种基于全通道特征的胎心电识别方法，其特征在于：该网络由
p
个卷积层和
q
个全连接层组成，每个卷积层后利用但不限于
LeakyRelu
函数进行非线性化
。5.
根据权利要求1所述的一种基于全通道特征的胎心电识别方法，其特征在于：该网络的输入为
n
个通道的心电数据，需要选出其中最符合胎心电特征的心电数据，该网络的输出为
n
位，采用
one
‑
hot
编码，每一位对应一个通道，胎心电所在位置输出为1，其他位输出为
0。6.
根据权利要求3所述的一种基于全通道特征的胎心电识别方法，其特征在于：该网络的总损失函数
L
total
包含两部分：基本损失
L
bas
和跨域一致性损失
L
cdc
...

【专利技术属性】
技术研发人员：钟伟，罗佳惠，
申请(专利权)人：广东警官学院广东省公安司法管理干部学院，
类型：发明
国别省市：