[發明專利]基于脈搏波的懷孕女性篩查方法

有效

• 申請號: 201710917138.1
• 申請日: 2017-09-30
• 公開（公告）號: CN107595249B
• 公開（公告）日: 2021-03-23
• 發明（設計）人: 林祝發
• 申請（專利權）人: 深圳前海全民健康科技有限公司
• 主分類號: A61B5/00
• 分類號: A61B5/00;A61B5/02
• 代理公司: 南京科闊知識產權代理事務所(普通合伙) 32400
• 代理人: 蘇興建

1.一種基于脈搏波的懷孕女性篩查方法，其特征是包括步驟：

1)采集到脈搏波；

2)獲取脈搏波參數，參數包括脈搏波脈搏周期總時間、脈搏波傳導時間；

3)通過特征工程將脈搏波參數轉化為建模指標，通過該建模指標進行判定；

所述步驟2)中，

步驟201是脈搏波信號的合法性檢測：對脈搏波信號進行運算檢測，判定此脈搏波是否合法；

步驟202是脈搏波的去噪與變換：對脈搏波進行變換去噪；

步驟203是脈搏波參數的計算：對脈搏波處理得到所需脈搏波參數，通過特征工程將脈搏波參數轉變為懷孕判別指標，并輸出至懷孕女性樣本數據庫，為步驟3)的模型構建提供樣本數據支撐，同時輸出至懷孕女性分類預測模型進行判定；

所述步驟3)中，懷孕女性分類預測模型的構建及使用，根據步驟203生成的懷孕女性樣本數據庫構建模型并使用懷孕女性分類預測模型判定被測人員是否懷孕；

所述步驟201中：

首先載入脈搏波信號，對脈搏波信號長度進行計數，判斷其長度是否滿足最低要求，若不滿足要求，則該信號不合法，具體為：對信號進行長度為2048個點，步長為300個點的切割，分別然后計算信號0值長度，若長度不在目標范圍，則該信號不合法；

再對上一步的合法信號進行快速傅里葉變換，計算頻譜的極大值是否在目標范圍內，若不在目標范圍，則舍棄該信號；

最后計算波形極差，若極差在目標范圍內，輸出相應信號；

所述步驟202中：

對步驟201得到信號進行長度為2048個點，步長為300個點的切割，分別進行平滑濾波、中值濾波，然后進行小波分解，小波分解公式為：

其中，X為變換后的信號，a為時間，b為尺度，x(t)為原信號，ψ為小波母函數，t為時間自變量；

使用sym8小波將信號分解為高頻，中頻，低頻三部分；使用分解的小波系數分別重建三部分信號，低于閾值的信號進行舍棄；濾波結果進行重組，得到有效信號；

所述步驟203中：

脈搏波傳導時間PWTT計算方法為：

PWTT＝abs(x1-x2)

其中x1為定位的反射點對應的表示時間點的位置，x2為定位的脈搏波加速度最大點對應的表示時間點的位置；

首先，載入處理后的脈搏波信號；

然后，對上述信號進行二次微分，定位第一個和第二個波峰，第一個波峰對應x2，第二個波峰對應x1，完成x1和x2特征點的定位；

最后通過上述x1和x2所在位置的差的絕對值計算得出脈搏波時域類參數PWTT；

將計算出的脈搏波參數輸出至懷孕女性樣本數據庫，為模型構建提供樣本支撐，同時輸出至懷孕女性分類預測模型進行判定；

脈搏波脈搏周期總時間t的計算方法為：

t＝x3-x0

其中，x3為脈搏波最終波谷位置，x0為脈搏波起始波谷位置；

首先，載入處理后的脈搏波信號；

然后，對脈搏波采樣序列進行排序處理，定位脈搏波起始波谷和最終波谷；

最后通過脈搏波最終波谷x3和起始波谷x0的表示時間點的位置差得出脈搏波時域類參數t；

脈搏波每分鐘搏動次數rate的計算方法為：

rate＝Minute/t

其中，Minute為一分鐘的時間長度常量，t為脈搏波脈搏周期總時間；將上述流程計算出的脈搏波時域類參數t與一分鐘的時間長度常量求比值得到脈搏波每分鐘搏動次數rate；

全部脈搏周期的標準差SDNN計算方法為：

SDNN＝std(RR)

其中：RR為全部脈搏周期序列，具體為一段脈搏波的脈搏波時域類參數t組成的序列，std為計算標準差公式；

脈搏波上升斜率slopeu的計算方法為：

Slopeu＝a/(x5-x0)

其中：a為未微分脈搏波最大點的幅度，x5為未微分脈搏波最大點對應的表示時間點的位置，x0為脈搏波起始波谷位置；

首先，載入處理后的脈搏波信號；

然后，對脈搏波采樣序列進行排序處理，定位脈搏波最大點和起始波谷；

最后通過脈搏波最大點幅度a和脈搏波最終波谷x5和起始波谷x0的表示時間點的位置差的比值得到脈搏波上升斜率slopeu；

所述步驟3)中，懷孕女性分類預測模型的構建和使用方法為：

第一步，懷孕數據預處理：

對數值指標歸一化，對類別指標因子化，對目標變量因子化；生理特征指標為脈搏波傳導時間PWTT，脈搏波每分鐘搏動次數rate，身高height，體重weight，年齡age，脈搏波上升斜率slopeu，全部脈搏周期的標準差SDNN；目標變量為huaiyun，表示是否懷孕；

第二步，懷孕特征工程：

采用lasso邏輯回歸篩選生理特征指標，剔除指標rate和SDNN；

第三步，第一次懷孕分類器構建：

在訓練集通過交叉驗證構建神經網絡，采取梯度下降策略更新神經網絡參數，形成分類器A；

第四步，第一次懷孕分類器A評估：

在測試集上驗證分類器A分類效果，發現預測的準確率為64％，召回率為58％，模型質量較差，返回第二步；

第五步，第二次特征工程和懷孕分類器構建：

由于神經網絡預測效果差，選擇支持向量機分類器；在訓練集通過交叉驗證計算得到支持向量機的核函數、懲罰參數以及支持向量，形成分類器B；

第六步，第二次懷孕分類器B評估：

在測試集上驗證支持向量機分類效果，發現預測的準確率為94％，召回率為93％，模型質量較高，不需重新建模，保留分類器B；

第七步，模型的確定和使用；

將第二次構建的懷孕分類器B作為懷孕女性分類預測模型，對該模型進行有效存儲并使用該模型對新的被測人員是否懷孕進行判定。