[發明專利]一種粗糙合理粒度驅動的胎兒心電圖異常檢測方法

有效

• 申請號: 202011154195.7
• 申請日: 2020-10-26
• 公開（公告）號: CN112232253B
• 公開（公告）日: 2021-11-09
• 發明（設計）人: 鞠恒榮;孫穎;蔡天使;丁衛平;曹金鑫;黃嘉爽;張毅;馬依婷;牛輔疆
• 申請（專利權）人: 南通大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/00;A61B5/344;A61B5/346
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 王毅

1.一種粗糙合理粒度驅動的胎兒心電圖異常檢測方法，其特征在于，包括如下步驟：

S10從胎兒心電圖CTG中對胎兒心率FHR特征進行測量，獲得所有胎兒心電圖樣本的特征值，并根據所述胎兒心電圖樣本的胎兒狀態構造決策信息表Z；

S20胎兒心電圖樣本粗糙隸屬度的計算：利用局部鄰域決策粗糙集模型并根據每個胎兒心電圖樣本的鄰域中樣本的具體信息，識別異常胎兒心電圖離群樣本和標簽噪聲樣本，并分別定義不同分布情況的胎兒心電圖樣本粗糙隸屬度，為所識別的標簽噪聲樣本提供一組偽類別標記，其中所述具體信息包括鄰域中樣本個數和樣本類別標簽種類數；

S30基于PSO優化算法的合理鄰域選擇：引入合理粒度準則，構造由信息覆蓋性和特殊性融合的評估標準，并通過粒子群算法對其進行優化，得到最優鄰域半徑δ_best；

S40將所述最優鄰域半徑δ_best作為所述步驟S20中局部鄰域決策粗糙集模型的鄰域半徑；并根據偽類別標記對標簽噪聲數據的類別標簽進行修正，對修正后的胎兒心電圖決策信息表的上下近似集進行更新；

所述步驟S20包括如下步驟：

S21對于類別標簽N的樣本，假設類別標簽正常N的胎兒心電圖樣本集合表示為X_N，遍歷所述決策信息表Z中所有類別標簽N的胎兒心電圖樣本x，即根據公式(1)計算每個胎兒心電圖樣本x的鄰域δ(x)：

δ(x)＝{y|dis(x,y)≤δ，δ＞0，x∈X_N} (1)

其中，δ表示鄰域半徑大小，dis(·)表示兩個樣本之間的歐氏距離，y代表所述決策信息表Z中另一個胎兒心電圖樣本；

S22分析每個胎兒心電圖樣本x∈X_N鄰域δ(x)的具體情況，令L_δ(x)＝{N,S,P}表示每個胎兒心電圖樣本x∈X_N鄰域δ(x)中樣本的類別標簽的集合；

S221當待測胎兒心電圖樣本x∈X_N鄰域中樣本的個數滿足|δ(x)|≤M時，認定所述待測胎兒心電圖樣本x為離群樣本，將所述待測胎兒心電圖樣本x加入離群樣本集合O，即O＝O∪{x}，所述待測胎兒心電圖樣本x對類別標簽N的粗糙隸屬度為p(X_N|δ(x))＝e^-5，其中M＝2，|·|表示集合中元素的個數；

S222當待測胎兒心電圖樣本x∈X_N鄰域中樣本的類別標簽均相同時，且與所述待測胎兒心電圖樣本的類別標簽一致，即L_x＝{N}，定義該樣本對類別標簽N的粗糙隸屬度為p(X_N|δ(x))＝min[1,p₀+s×(|δ(x)|-M)]，其中p₀表示初始概率值，M表示鄰域中至少所包含的樣本數，M＝2，s表示搜索的步長；

S223當待測胎兒心電圖樣本x∈X_N鄰域中樣本的類別標簽除所述待測胎兒心電圖樣本外其它樣本的類別標簽均相同，即L_x＝{N}，此時認為所述待測胎兒心電圖樣本為標簽噪聲樣本，將所述待測胎兒心電圖樣本加入標簽噪聲樣本集合Noise，即Noise＝Noise∪{x}，并且給所述待測胎兒心電圖樣本提供偽類別標記定義所述待測胎兒心電圖樣本對類別標簽N的粗糙隸屬度為p(X_N|δ(x))＝0；

S224當待測胎兒心電圖樣本x∈X_N鄰域中樣本的類別標簽種類數|L_δ(x)|＞1，則定義所述待測胎兒心電圖樣本對類別標簽N的粗糙隸屬度為

S23根據代價矩陣其中λ_PP，λ_BP，λ_NP分別表示胎兒心電圖樣本屬于X_N時，采取決策行動a_P，a_B和a_N所產生的代價；λ_PN，λ_BN，λ_NN分別表示胎兒心電圖樣本不屬于X_N時，采取決策行動a_P，a_B和a_N所產生代價，通過代價風險分析，給出閾值對(α,β)的求解公式如下：

S24當待測胎兒心電圖樣本對類別標簽N的粗糙隸屬度p(X_N|δ(x))＞β時，根據公式(4)對類別標簽N的上近似定義可知，所述待測胎兒心電圖樣本屬于類別標簽N的上近似中；當所述待測胎兒心電圖樣本對類別標簽N的粗糙隸屬度p(X_N|δ(x))≥α時，根據公式(5)對類別標簽N的下近似δ(X_N)定義可知，所述待測胎兒心電圖樣本屬于N類別的下近似δ(X_N)中，并根據公式(6)、(7)和(8)計算類別標簽N的正域POS(X_N)、負域NEG(X_N)和邊界域BND(X_N)；

δ(X_N)＝{x∈X_N|P(X_N|δ(x))≥α} (5)

POS(X_N)＝δ(X_N)＝{x∈X_N|P(X_N|δ(X))≥α} (6)

NEG(X_N)＝U-δ(X_N)＝{x∈X_N|P(X_N|δ(x))≤β} (7)

S25接著考慮類別標簽S和P的胎兒心電圖樣本，重復步驟S21～步驟S24，求得待測胎兒心電圖樣本屬于類別標簽S和P的上、下近似，以及正域、負域和邊界域，最后計算各個類別的上近似集的并集作為整個決策信息表的上近似集計算各個類別的下近似集的并集作為整個決策信息表的下近似集δ；

所述步驟S30包括：

S31初始化種群的規模為m，最大的迭代次數T_max，學習因子c₁，c₂，粒子的飛行的最大速度為v_max，粒子的位置范圍為[Location_min,Location_max]，初始化粒子的飛行速度v和允許誤差error；

S32定義適應度函數，根據決策屬性對所述所有胎兒心電圖樣本進行劃分U/D＝{X_N,X_S,X_P}，引入合理粒度的原則，先考慮類別標簽N的胎兒心電圖樣本，定義如下適應度函數：

Q＝Q_N+Q_S+Q_P (9)

其中，Q_N、Q_S和Q_p分別對應每個決策類的優化值，Q值的具體計算如下：

Q＝cov(δ)×sp(δ) (10)

其中，cov用于評估信息粒度中覆蓋的數據量，sp用于評估信息粒度的特殊性，其計算公式如下：

cov(δ)＝max[0,F₁+F₂] (11)

sp(δ)＝1-δ (12)

其中

S33當前迭代次數k＜T_max時，則使用線性微分遞減慣性權重對第k次的權重進行更新：

其中，w_start表示初始慣性權重，w_end表示終止慣性權重，k表示當前迭代次數，T_max表示最大的迭代次數，設置初始權值w_start＝0.9，終止權重w_end＝0.4；

S34利用步驟S32中構造的適應性函數計算粒子的適應度，遍歷種群中的粒子，計算第i個粒子的適應性函數fitness_i，根據公式(16)更新粒子i的速度，并判斷是否超出粒子所限定的速度范圍，當第k次迭代的第i個粒子速度則當第k次迭代的第i個粒子速度則根據公式(17)更新粒子i的位置，并判斷是否超出粒子所限定的位置范圍，當第k次迭代的第i個粒子位置則當第k次迭代的第i個粒子位置則

S35遍歷種群中的粒子，當第i個粒子適應度fitness_i大于個體最佳適應度personalbest_i時，則對粒子的最佳適應度進行更新，personalbest_i＝fitness_i；當fitness_i大于集體最佳適應度globalbest_i時，對群體的最佳適應度進行更新，globalbest_i＝fitness_i，此時最優鄰域半徑δ_best為群體最佳適應度globalbest_i對應的最佳位置location_i；

S36當abs(globalbest)＜error時，則提前結束此次遍歷，進行下次迭代，即k＝k+1，重復S31～S35步驟，直到達到最大迭代次數，得到最優鄰域半徑δ_best。