一种基于深度学习的胎心监护异常图形识别系统的制作方法
本发明涉及胎心监护,具体是指一种基于深度学习的胎心监护异常图形识别系统。
背景技术:
1、胎心监护(cardiotocography,ctg)是产科临床中评估胎儿宫内状态的核心手段,通过同步记录胎心率(fetal heart rate,fhr)和宫缩压力(uterine contraction,uc)随时间变化的波形,为胎儿窘迫、缺氧等异常状态的早期发现提供依据。临床判读主要依据fhr基线水平、基线变异、加速、减速以及正弦波等图形特征,这些特征的识别高度依赖医生的经验和注意力。由于ctg判读的主观性强,不同医生之间的判读一致性较低,尤其是在夜间急诊或监护时长较长的场景下,漏诊和误诊的风险显著增加。
2、近年来,深度学习技术在医疗信号分析领域取得了显著进展,部分研究尝试将卷积神经网络应用于胎心监护图形的自动分析。中国发明专利cn118196520b公开了一种基于神经网络的产时胎心监护图加减速识别方法及系统,该方法将ctg图像输入卷积神经网络,识别监护图中的加速和减速事件。中国发明专利cn119559451b公开了一种基于神经网络的胎心监护图像分类方法及系统,将ctg截图作为神经网络的输入,对监护图像进行分类。上述方案均将ctg转换为二维图像进行处理,这一处理方式在图像数字化过程中不可避免地丢失了原始时序信号的精细结构,例如基线变异幅度的微小变化和减速波形中持续时间的精确度量。此外,上述方案采用单一路径的卷积网络结构,难以同时兼顾长时间的基线趋势特征和短时间的瞬态波动特征,识别范围也局限于加减速等单一类型事件,无法覆盖基线异常、变异异常、正弦波等更广泛的异常图形类别。
3、针对上述问题,需要一种能够直接处理原始胎心监护时序信号、同时捕获全局基线趋势和局部瞬态波动特征、并覆盖多种异常图形类别的识别系统。
技术实现思路
1、本发明要解决的技术问题是:现有胎心监护异常图形识别技术中,单一尺度的特征提取方式无法兼顾长时间的基线趋势特征与短时间的瞬态波动特征,导致异常图形识别覆盖类型不全、准确率受限,现有方法在处理胎心率时序信号时,采用过长的分析窗口会导致局部减速事件被平滑掩盖,采用过短的分析窗口则会丢失基线趋势的上下文信息,两种情形均不利于异常图形的准确判读。
2、为了解决上述技术问题,本发明提供一种基于深度学习的胎心监护异常图形识别系统,包括计算机设备以及运行在所述计算机设备上的信号采集模块、信号预处理模块、多尺度时序特征提取模块、异常图形分类模块以及识别结果输出模块;其特征在于,所述信号采集模块与所述信号预处理模块之间建立单向串行数据通道,所述信号采集模块向所述信号预处理模块传输胎心率时序信号和宫缩压力时序信号;所述信号预处理模块与所述多尺度时序特征提取模块之间建立单向串行数据通道,所述信号预处理模块向所述多尺度时序特征提取模块传输经过噪声抑制和伪差标记处理后的时序信号;所述多尺度时序特征提取模块与所述异常图形分类模块之间建立单向串行数据通道,所述多尺度时序特征提取模块向所述异常图形分类模块传输由双路径深度卷积网络结构从所述经过噪声抑制和伪差标记处理后的时序信号中提取的融合特征向量;所述异常图形分类模块与所述识别结果输出模块之间建立单向串行数据通道,所述异常图形分类模块向所述识别结果输出模块传输各类异常图形类别的分类置信度向量。
3、进一步地,信号采集模块包括胎心率传感器接口、宫缩压力传感器接口和时钟同步器;所述胎心率传感器接口与外部胎心率探头建立数据通信并从所述外部胎心率探头接收所述胎心率时序信号;所述宫缩压力传感器接口与外部宫缩压力探头建立数据通信并从所述外部宫缩压力探头接收所述宫缩压力时序信号;所述时钟同步器接收所述胎心率时序信号的时间戳序列和所述宫缩压力时序信号的时间戳序列,将两组时间戳序列按照系统内部时钟基准进行对齐处理并以预设采样频率对两组时序信号执行重采样后输出同步时序信号,所述预设采样频率大于所述胎心率时序信号和所述宫缩压力时序信号原始采样频率中的最大值。
4、进一步地,信号预处理模块包括带通滤波器组、小波变换器和伪差检测器;所述带通滤波器组对所述胎心率时序信号和所述宫缩压力时序信号分别执行通带频率覆盖胎心率信号频段的第一带通滤波和通带频率覆盖宫缩压力信号频段的第二带通滤波;所述小波变换器对所述第一带通滤波后的所述胎心率时序信号执行三层离散小波分解,将各层细节系数中绝对值小于该层预设阈值参数的系数分量置零后通过逆小波变换输出重构胎心率信号,各层所述预设阈值参数独立设定;所述伪差检测器计算所述重构胎心率信号与所述第一带通滤波后的所述胎心率时序信号之间的逐点差值序列,将所述逐点差值序列中连续超过差值阈值参数且持续长度超过持续长度阈值参数的时段标记为伪差时段,将所述伪差时段对应的胎心率采样点标记为无效数据点并将所述无效数据点对应的信号幅值替换为前一有效数据点的幅值,当不存在所述前一有效数据点时替换为后一有效数据点的幅值。
5、进一步地,多尺度时序特征提取模块包括长时序编码路径、短时序编码路径和跨路径注意力融合层;所述长时序编码路径对所述经过噪声抑制和伪差标记处理后的时序信号在第一时间窗口长度上执行八层扩张因果卷积运算并输出全局基线特征向量;所述短时序编码路径对所述经过噪声抑制和伪差标记处理后的时序信号在第二时间窗口长度上执行六层门控因果卷积运算并输出局部波动特征向量,其中所述第一时间窗口长度大于所述第二时间窗口长度;所述跨路径注意力融合层接收所述全局基线特征向量和所述局部波动特征向量,将所述全局基线特征向量通过第一线性变换矩阵生成查询矩阵,将所述局部波动特征向量通过第二线性变换矩阵生成键矩阵并通过第三线性变换矩阵生成值矩阵;注意力权重矩阵通过以下公式计算:
6、;
7、其中,为所述查询矩阵中第行向量,为所述键矩阵中第行向量,为所述键矩阵中第行向量,为所述键矩阵的列维度数值,为所述键矩阵的行维度数值,为第个查询位置对第个键位置的注意力权重数值;
8、所述融合特征向量通过以下公式计算:
9、;
10、其中,为所述注意力权重矩阵,其维度为,为所述值矩阵,其维度为,为所述值矩阵的列维度数值,为所述融合特征向量。
11、进一步地,长时序编码路径包括依次连接的八层扩张因果卷积块,每一所述扩张因果卷积块包括扩张因果卷积层、第一批量归一化层和第一线性整流激活层;第层所述扩张因果卷积层的扩张系数为,的取值范围为至;第层所述扩张因果卷积层的扩张系数为,第层所述扩张因果卷积层的扩张系数为;八层所述扩张因果卷积层的累积感受野宽度为个采样点,所述累积感受野宽度大于所述第一时间窗口长度所对应的采样点数。
12、进一步地,短时序编码路径包括依次连接的六层门控因果卷积块,每一所述门控因果卷积块包括标准因果卷积层、第二批量归一化层和门控线性单元激活层;所述门控线性单元激活层将所述标准因果卷积层的输出张量沿通道维度分割为第一张量分片和第二张量分片,所述第一张量分片经过sigmoid函数激活后与所述第二张量分片执行逐元素乘积运算后输出门控激活特征。
13、进一步地,异常图形分类模块包括特征变换全连接层组和归一化指数分类层;所述特征变换全连接层组由三层依次连接的全连接层构成,第一全连接层的输入维度与所述融合特征向量的维度相等,第三全连接层的输出维度与异常图形类别的总数量相等,每层所述全连接层之后连接随机丢弃层,各所述随机丢弃层的丢弃概率参数逐层递减;所述归一化指数分类层将所述特征变换全连接层组输出的特征向量映射为维度等于所述异常图形类别总数量的分类置信度向量;所述异常图形类别包括胎心率基线过高类型、胎心率基线过低类型、基线变异减少类型、基线变异增多类型、早期减速类型、晚期减速类型、变异减速类型、延长减速类型、正弦波类型和加速缺失类型;所述分类置信度向量中第个分量通过以下公式计算:
14、;
15、其中,为特征变换全连接层组输出的特征向量中第个分量的数值,为特征变换全连接层组输出的特征向量中第个分量的数值,为所述异常图形类别的总数量,为输入时序信号属于第类异常图形的置信度数值。
16、进一步地,识别结果输出模块包括图形渲染器和标记叠加器;所述图形渲染器以时间为横坐标,以胎心率数值为第一纵坐标,以宫缩压力数值为第二纵坐标,根据所述胎心率时序信号和所述宫缩压力时序信号绘制胎心监护时间序列图形;所述标记叠加器接收所述异常图形分类模块输出的所述分类置信度向量,确定所述分类置信度向量中最大值对应的异常图形类别索引,根据所述异常图形类别索引从异常图形类别标签表中检索对应的异常图形名称和标记颜色,在所述胎心监护时间序列图形中与所述异常图形类别对应的异常时段上叠加与所述标记颜色对应的背景色带,并在所述图形右上角叠加与所述异常图形名称对应的文字标识,输出带有异常标识的胎心监护输出图形。
17、本发明与现有技术相比的优点在于:
18、本发明通过长时序编码路径和短时序编码路径分别捕获全局基线趋势特征和局部瞬态波动特征,解决了单一尺度特征提取无法兼顾两类特征的问题,使系统能够同时识别基线异常、变异异常、减速事件和正弦波等多种类型的异常图形。
19、本发明通过跨路径交叉注意力融合机制,使长路径输出的全局特征与短路径输出的局部特征之间建立可学习的注意力关联,系统根据基线上下文动态调整对瞬态事件的判读权重,降低了基线漂移和伪差波动对分类结果的干扰。
20、本发明通过小波变换结合差值阈值法的伪差检测预处理流程,在特征提取之前识别并修正信号中的伪差时段,减少了伪差数据对深度学习模型特征提取和分类精度的影响。
21、本发明直接处理原始胎心率时序信号和宫缩压力时序信号,避免了ctg图像数字化过程中的信息损失,保留了基线变异幅值和减速持续时间等精细度量信息,有利于提升异常图形分类的准确率。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com