[發(fā)明專利]一種基于深度學(xué)習(xí)和特異性矯正在FECG上胎兒心率檢測系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202110005160.5
• 申請日: 2021-01-05
• 公開（公告）號: CN112826513B
• 公開（公告）日: 2022-02-18
• 發(fā)明（設(shè)計）人: 袁燁;薛博陽;程騁;黃程;朱紅玲;楊曉云;張永;艾晨芳
• 申請（專利權(quán)）人: 華中科技大學(xué)
• 主分類號: A61B5/344
• 分類號: A61B5/344;A61B5/349
• 代理公司: 華中科技大學(xué)專利中心 42201
• 代理人: 胡秋萍;李智

本發(fā)明公開了一種基于深度學(xué)習(xí)和特異性矯正在FECG上胎兒心率檢測系統(tǒng)，屬于胎心心電圖上的胎兒心率檢測領(lǐng)域。本發(fā)明通過獨立成分分析、深度神經(jīng)網(wǎng)絡(luò)、一維目標(biāo)檢測、特異性模型診斷等方法，由于卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)在處理一維信號方面性能優(yōu)越，本發(fā)明將當(dāng)下熱門的目標(biāo)檢測技術(shù)遷移到一維信號上搭建出一個全部基于深度學(xué)習(xí)的針對胎心心電圖的完整檢測框架，同時又使用一個特異性矯正模型消除個體差異從而解決機(jī)器學(xué)習(xí)應(yīng)用到醫(yī)學(xué)問題上經(jīng)常出現(xiàn)的因病人個體差異導(dǎo)致的模型泛化能力差的問題，從而實現(xiàn)了基于胎心心電圖的胎兒心率準(zhǔn)確監(jiān)測，可用于臨床診斷。

技術(shù)領(lǐng)域

本發(fā)明屬于胎心心電圖上的胎兒心率檢測領(lǐng)域，更具體地，涉及一種基于深度學(xué)習(xí)和特異性矯正在FECG上胎兒心率檢測系統(tǒng)。

背景技術(shù)

胎兒心電圖(Fetal Electrocardiogram,FECG)是對胎兒心臟活動電信號的記錄。與成人心電信號類似，QRS波是胎兒心拍(Fetal Heartbeat)的主要特征，其中胎心心率(Fetal Heart Rate,FHR)是胎兒產(chǎn)前健康狀況的一個重要檢測指標(biāo)，通過胎心心率能夠知道胎兒是否出現(xiàn)心律不齊、呼吸困難等情況，進(jìn)一步診斷出胎兒心臟病，發(fā)現(xiàn)問題后醫(yī)生可及時采取醫(yī)療措施預(yù)防新生兒疾病從而降低胎兒死亡率，對于胎兒的產(chǎn)前診斷有重要作用。獲取胎兒心拍最直接的方法就是檢測胎兒心電的QRS波，一般情況下采用非侵入式方法進(jìn)行胎兒心電信號測量，這種方法安全性高，屬于無創(chuàng)監(jiān)測，但只能獲得疊加在母體心電和一系列噪聲上的極其微弱的胎兒心電信號，因此如何識別胎兒QRS波就成為了獲取胎心心率的關(guān)鍵。常人心電信號能量遠(yuǎn)遠(yuǎn)高于其他干擾信號，用肉眼即可觀察出QRS波，但是胎兒心電信號極其微弱，需要去除母體心電信號(Maternal Electrocardiogram,MECG)，工頻干擾等一系列噪聲后才有可能觀察到清晰的胎兒心電，這對算法的魯棒性提出很高要求。

傳統(tǒng)方法大都借助于信號處理，如小波變換(Wavelet Transformer)，自適應(yīng)噪聲抵消(Adaptive Noise Cancellation)，盲源分離(Blind Source Separation)等。但是大部分消除工頻噪聲(Power Line Interference)的濾波器都不可避免帶來信號的失真；而胎兒心電的成分又過于復(fù)雜，觀測噪聲并非均滿足高斯分布，卡爾曼濾波(Kalman Filter)等算法難以應(yīng)用；母體和胎兒心電信號在時頻域上相近，小波變換并不足以完全區(qū)分；而自適應(yīng)噪聲抵消和盲源分離等方法均需給出較為準(zhǔn)確的參考信號和多通道觀測信號，在實際應(yīng)用場景中易受到限制。大部分傳統(tǒng)方法即使能很好地解決一種干擾源，但是面對多種雜波其性能勢必有所下降，因此急需一種關(guān)注整體，而非通過單獨消除各種噪聲達(dá)到檢測效果的方法。

近年來隨著深度學(xué)習(xí)的發(fā)展，在生物醫(yī)療領(lǐng)域應(yīng)用深度學(xué)習(xí)已逐漸成為一種趨勢，尤其在生物圖像信號方面有著廣泛的應(yīng)用，卷積神經(jīng)網(wǎng)絡(luò)(Convolutional NeuralNetwork)和循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network)，在心電信號處理、檢測心律不齊以及心拍分類等已經(jīng)超過了人類心血管疾病專家的水準(zhǔn)，但是使用深度學(xué)習(xí)處理胎兒心電信號的方法相對較少；同時使用深度學(xué)習(xí)方法處理醫(yī)療信號時，訓(xùn)練數(shù)據(jù)往往來自不同的人，這種方法訓(xùn)練出的模型除了受所需要檢測的醫(yī)學(xué)指標(biāo)影響，也會受自身個體差異影響，但在實際應(yīng)用時往往只關(guān)注醫(yī)學(xué)特征而忽略個體差異性，那么這種個體差異就會導(dǎo)致算法泛化能力惡化從而產(chǎn)生偏差。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)的缺陷和改進(jìn)需求，本發(fā)明提供了一種基于深度學(xué)習(xí)和特異性矯正在FECG上胎兒心率檢測系統(tǒng)，其目的在于克服傳統(tǒng)信號處理方法魯棒性不足的缺點，并增加特異性檢測環(huán)節(jié)，以提高臨床診斷的準(zhǔn)確性。

為實現(xiàn)上述目的，按照本發(fā)明的一個方面，提供了一種基于深度學(xué)習(xí)和特異性矯正在FECG上胎兒心率檢測系統(tǒng)，所述系統(tǒng)包括：

預(yù)處理模塊，用于從胎兒心電圖對應(yīng)的原始心電信號消除部分母體心電信號，使得胎兒QRS波不被淹沒在母體QRS波，得到預(yù)處理后心電信號；