【技术实现步骤摘要】
本专利技术涉及生物医学信号处理，具体涉及一种基于emau-net网络的胎心率信号特征提取算法。
技术介绍
1、胎心宫缩图(ctg)自动特征分析与专家共识的差异主要原因为胎心率基线计算的结果与专家之间的判读不一致，胎心率基线是ctg自动特征分析的首要指标，直接关系到加速、减速的准确判读。因此，如果基线计算的结果出现错误，往往会造成后续一系列参数分析错误。目前，主流的基线自动计算策略采用滤波方法或渐进式修整方法实现加速、减速的定位以推导基线。
2、滤波能够消除了基线周围的信号变异性。此外，由于加速和减速比信号基线变化更快，滤波可以去除大部分加速和减速，因此通过滤波的方法就可以获取基线。例如：低通滤波(例如，cazares、jimenez、mantel、pardey、taylor)、中值滤波(例如，boudet)和其他滑动滤波(例如，campos、madea、mongelli)。但是滤波方法存在一些问题：由于突发加速/减速和低的胎心率值，低通滤波存在边界振荡和加速/减速拖尾的问题，难以完全滤除加速/减速。在使用中值滤波和其他滑动滤波时，很容易忽略不显著的加速/减速(例如，长时间的减速，稳定加速/减速期比基线期长等)。对于复杂的情况，当加速/减速和基线交替时，滤波确定基线是fhr信号的中间值或有限窗口大小内的最大频率值，这可能会误导后续的基线分析。
3、渐进式修整方法可以通过多次修整检测尽可能多的加速/减速，从而更加准确的计算基线。但该方法受限于首次估计的基线值。在加速/减速较少、时间较短的情况下，如果第一个计算
4、如上所述，这些方法高度依赖于有限的滤波性能以至于无法适用于带有随机特性的临床fhr信号。不同于自动计算方法，临床医生在定位加速/减速时还会结合当前信号的形态学和长短时期关联性，这也是当前计算机自动分析计算结果与专家评判之间产生了巨大的差异的原因之一。
技术实现思路
1、本专利技术的目的是为了解决现有技术中的上述缺陷，提供一种基于emau-net网络的胎心率信号特征提取算法。
2、本专利技术的目的可以通过采取如下技术方案达到：
3、一种基于emau-net网络的胎心率信号特征提取算法，其特征在于，所述的胎心率信号特征提取算法包括下列步骤：
4、s1、fhr信号预处理，包括去噪和数据增强；
5、s2、经所述的步骤s1处理获得的fhr信号子段作为输入，并利用emau-net网络预测这些子段的加速/减速，对所有预测的子片段进行拼接，得到整个fhr信号的预测标签；
6、s3、基于长短期滤波器的基线计算策略，处理经所述的步骤s2处理获得的fhr信号，最终得到fhr信号的基线、加速、减速。
7、进一步地，所述的emau-net由4个含有多注意力机制的u-nets(mau-nets)组成，其卷积核大小(kernel size，ks)分别为21、31、61和81，通过使用“或”操作将所述的四个mau-nets预测的结果进行集成，可以检测到信号子段的潜在加速/减速点区域；
8、所述的mau-net是基于u-net结构，其中u-net结构由编码器、解码器、跳跃连接组成，编码器包括两个重复使用的1×ks的卷积，每个卷积后面接着一个批归一化层(bn)、校正线性单元(relu)和1×2最大池化操作(maxpooling 2)，步幅2进行下采样；解码器中的每一步都包括特征图(feature map)的上采样，然后是1×2的卷积(“上卷积”)，将特征通道的数量减半，与编码器相应的特征图进行跳跃连接，以及两个1×ks的卷积，每个卷积后接一个bn和一个relu；在最后一层，使用1×1的卷积将8通道的特征向量映射到所需的3个类；除了u-net结构外，高效的通道注意力模块(eca)和非局部注意模块(nla)被添加在mau-net结构的编码器中；
9、所述的高效的通道注意力模块(eca)，在输入一个h×c的信号特征图时，其中c和h分别为通道维度和信号长度，使用全局平均池化(gap)获取聚合特征，通过执行卷积核大小为k的快速一维卷积和sigmoid函数α来生成通道权重，得到了每一个特征通道的权重之后，就将该权重应用于原来的每个特征通道，就可以学习到不同通道的重要性，其中卷积核大小k代表局部跨通道交互的覆盖范围，即有多少临近通道参与了一个通道的注意力预测，k是通过通道维度c自适应地确定的，其公式如下：
10、
11、其中，|t|odd表示t的最近奇数；γ和b分别设置为2和1；
12、所述的非局部注意力模块(nla)能够通过计算任意两个位置之间的交互直接捕捉远程依赖，而不用局限于相邻点，其相当于构造了一个和特征图谱尺寸一样大的卷积核，从而可以获取更多信息，设x是输入信号特征，z是与x大小相同的输出信号特征，非局部操作可定义为：
13、
14、其中i是z的位置索引，j是遍历x得到的所有可能的位置索引，i,j∈h，wg·xj是计算x在位置j的表示，函数f(xi,xj)是计算xi位置和xj位置的相似性，使用embeddedgaussian函数来表示这种成对关系，c(x)是归一化函数，保证变换前后整体信息不变，其定义为：
15、
16、wu·xi，wv·xj对输入进行线性映射，并通过一种softmax计算从中获得成对关系，通过使用这些关系和x上所有位置的表示，计算位置i的值，该值与输入xi相加得到最终输出zi。
17、进一步地，使用一个混合损失函数，包括cross-entropy(ce)损失函数、generalized-dice(gd)损失函数、kullback–leibler(kl)散度，其公式如下：
18、loss＝0.99gd+0.01ce+0.01kl
19、所述的ce损失是用来评估当前训练得到的概率分布与真实分布之间的差异，而所述的kl用于比较这两个概率分布的接近性，其公式如下：
20、
21、
22、其中h是fhr信号的长度，yn是预测值，an是真实值，p表示真实分布，q表示p的拟合分布；
23、所述的gd损失将多个类别的dice进行整合，使用一个指标对分割结果进行量化，公式如下：
24、
25、其中rln为类别l在第n个时间上的真实值，而pln为相应的预测概率值，wl为每个类别的权重，其公式如下：
26、
27、进一步地，所述的基于长短期滤波器的基线计算策略，过程如本文档来自技高网...
【技术保护点】
1.一种基于EMAU-Net网络的胎心率信号特征提取算法，其特征在于，所述的胎心率信号特征提取算法包括下列步骤：
2.根据权利要求1所述的一种基于EMAU-Net网络的胎心率信号特征提取算法，其特征在于，所述的EMAU-Net由4个含有多注意力机制的U-Nets(MAU-Nets)组成，其卷积核大小(Kernel Size，KS)分别为21、31、61和81，通过使用“或”操作将所述的四个MAU-Nets预测的结果进行集成，可以检测到信号子段的潜在加速/减速点区域；
3.根据权利要求1所述的一种基于EMAU-Net网络的胎心率信号特征提取算法，其特征在于，使用一个混合损失函数，包括Cross-Entropy(CE)损失函数、Generalized-Dice(GD)损失函数、Kullback–Leibler(KL)散度，其公式如下：
4.根据权利要求1所述的一种基于EMAU-Net网络的胎心率信号特征提取算法，其特征在于，所述的基于长短期滤波器的基线计算策略，过程如下：
【技术特征摘要】
1.一种基于emau-net网络的胎心率信号特征提取算法，其特征在于，所述的胎心率信号特征提取算法包括下列步骤：
2.根据权利要求1所述的一种基于emau-net网络的胎心率信号特征提取算法，其特征在于，所述的emau-net由4个含有多注意力机制的u-nets(mau-nets)组成，其卷积核大小(kernel size，ks)分别为21、31、61和81，通过使用“或”操作将所述的四个mau-nets预测的结果进行集成，可以检测到信号子段...
【专利技术属性】
技术研发人员：谢渊，陆尧胜，吴清见，陆晓星，容敬波，
申请(专利权)人：广州莲印医疗科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。