一种胎心监护图像分类方法

1.本发明属于胎心监护图像分类技术领域，具体涉及一种胎心监护图像分类方法。


背景技术：

2.胎心监护是一种广泛使用的监测胎儿状态的设备。通过胎心监护，医生可以获取孕妇的宫缩、胎儿的心率、胎动变化的情况。目前将人工智能技术与胎心监护图像识别结合起来，以辅助胎心监护图像分类的研究越来越多，也取得了不错的结果，一方面改善了胎心监护判读主观性强的问题，另一方面也可以将其应用于远程胎心监护，给孕妇带来便利。但由于目前直接对数据进行分析，没有结合先验的临床医学知识，使所训练的算法模型，不具备很好的泛化能力。另外直接使用机器学习的一些算法进行模型的训练，在胎心监护信号数据集上，不区分场景建立算法模型，使所得模型或者分类的准确度不够高，泛化能力不够强。
3.因此现如今缺少一种设计合理的胎心监护图像分类方法，结合历史胎心监护数据，且对不同异常场景建立不同的训练模型，能利用拉依达准则、支持向量机模型和卷积神经网络模型应用于不同异常场景的训练，使分类结果的准确率更高，同时也优化了泛化能力。


技术实现要素：

4.本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种胎心监护图像分类方法，其结合历史胎心监护数据，且对不同异常场景建立不同的训练模型，能利用拉依达准则、支持向量机模型和卷积神经网络模型应用于不同异常场景的训练，使分类结果的准确率更高，同时也优化了泛化能力。
5.为解决上述技术问题，本发明采用的技术方案是：一种胎心监护图像分类方法，其特征在于，该方法包括以下步骤：
6.步骤一、胎心监护图像历史数据的获取：
7.步骤101、对胎心监护设备已采集到的历史胎心监护数据进行存储，得到m个胎心胎动宫缩图；其中，每个所述胎心胎动宫缩图均包括胎心率曲线、宫缩曲线、胎动曲线；
8.步骤102、人为将m个胎心胎动宫缩图分类标记，得到m1个基线异常胎心胎动宫缩图、m2个加速变异胎心胎动宫缩图、m3个减速变异胎心胎动宫缩图、m4个微小变异胎心胎动宫缩图和n个正常胎心胎动宫缩图；其中，m、m1、m2、m3、m4和n均为正整数；
9.步骤二、基线异常检测模块的训练：
10.步骤201、将第m1个基线异常胎心胎动宫缩图中胎心率曲线记作第m1个基线异常胎心率曲线；
11.步骤202、对第m1个基线异常胎心率曲线滑动计算上限和下限异常点占比，并分别取各个滑动窗口中上限和下限异常点占比最大值为上限异常占点比最大值和下限异常点占比最大值；
12.步骤203、多次重复步骤202，完成m1个基线异常胎心胎动宫缩图中m1个基线异常胎心率曲线的判断，得到m1个上限异常占点比最大值以及m1个下限异常点占比最大值；其中，m1和m1为正整数，且1≤m1≤m1；
13.步骤204、采用计算机对m1个上限异常占点比最大值进行平均值及标准差处理，得到上限异常均值及上限标准差σs；采用计算机对m1个下限异常点占比最大值进行平均值及标准差处理，得到下限异常均值及下限标准差σd；
14.步骤205、根据步骤204得到训练好的基线异常检测模块；其中，训练好的基线异常检测模块中上限异常点占比阈值范围为下限异常点占比阈值范围为如果满足上限异常点占比阈值范围或者下限异常点占比阈值范围，则分类为基线正常；否则，分类为基线异常；
15.步骤三、微小变异检测模块的训练：
16.步骤301、采用计算机将第m4个微小变异胎心胎动宫缩图中胎心率曲线记作第m4个微小变异胎心率曲线；并将第m4个微小变异胎心率曲中波峰波谷处的信号幅值保留原值，其它位置幅值置为0，则得到第m4个波峰波谷曲线；其中，m4和m4为正整数，且1≤m4≤m4；
17.步骤302、对第m4个波峰波谷曲线滑动计算得到第m4个微小变异胎心率曲线的最小正常变异占比
18.步骤303、采用计算机从第m4个微小变异胎心率曲线中获取最小正常变异占比所处波峰波谷信号区域段对应的原始信号段，获取该原始信号段的方差以及均值，且分别记作第m4个微小变异胎心率曲线的方差和均值
19.步骤304、采用计算机将第m4个微小变异胎心率曲线的最小正常变异占比第m4个微小变异胎心率曲线的方差和均值作为第m4个三维特征向量；
20.步骤305、按照步骤301至步骤304所述的方法，对m4个微小变异胎心胎动宫缩图和n个正常胎心胎动宫缩图进行处理，得到各个对应的三维特征向量；
21.步骤306、采用计算机使用支持向量机，输入步骤305中的各个三维特征向量进行训练分类，得到训练好的支持向量机分类模型，并将其记作微小变异检测模块；其中，训练好的支持向量机分类模型输出分类为微小变异异常和微小变异正常；
22.步骤四、加速异常检测模块的训练：
23.步骤401、将第m2个加速变异胎心胎动宫缩图中胎心率曲线记作第m2个加速异常胎心率曲线，第m2个加速变异胎心胎动宫缩图中胎动曲线记作第m2个加速异常胎动曲线；其中，m2和m2均为正整数，且1≤m2≤m2；
24.步骤402、采用计算机对第m2个加速异常胎心率曲线和第m2个加速异常胎动曲线进行平滑、偏移处理，得到第m2个胎心率胎动曲线训练图；
25.步骤403、按照步骤401至步骤402所述的方法，对m2个加速变异胎心胎动宫缩图和n个正常胎心胎动宫缩图进行处理处理，得到m2个胎心率胎动曲线训练图和n个胎心率胎动曲线训练图；
26.步骤404、采用计算机使用cnn卷积神经网络模型，输入步骤405中的曲线训练图进行训练，得到训练好的第一卷积神经网络模型，并将训练好的第一卷积神经网络模型记作
加速异常检测模块；其中，训练好的第一卷积神经网络模型输出分类为加速正常和加速异常；
27.步骤五、减速异常检测模块的训练：
28.步骤501、将第m3个减速异常胎心宫缩图中胎心率曲线记作第m3个减速异常胎心率曲线，第m3个减速异常胎心宫缩图中宫缩曲线记作第m3个减速异常宫缩曲线；
29.步骤502、采用计算机利用时间分数扩散方程对第m3个减速异常胎心率曲线和第m3个减速异常宫缩曲线进行平滑处理，得到第m3个减速异常胎心率平滑后曲线和第m3个减速宫缩平滑后曲线；其中，m3和m3均为正整数，且1≤m3≤m3；
30.步骤503、采用计算机将第m3个减速异常胎心率平滑后曲线和第m3个减速宫缩平滑后曲线组合形成胎心率宫缩曲线训练图；
31.步骤504、按照步骤501至步骤503所述的方法，对m3个减速异常胎心宫缩图和n个正常胎心宫缩图进行平滑处理，得到m3个胎心率宫缩曲线训练图和n个胎心率宫缩曲线训练图；
32.步骤505、采用计算机使用cnn卷积神经网络模型，输入步骤504中的曲线训练图进行训练，得到训练好的第二卷积神经网络模型，并将训练好的第二卷积神经网络模型记作减速异常检测模块；其中，训练好的第二卷积神经网络模型输出两类为减速异常和减速正常；
33.步骤六、待采集胎心监护图像的分类：
34.采用胎心监护设备获取待采集胎心胎动宫缩图，并将待采集胎心胎动宫缩图送至基线异常检测模块、微小变异检测模块、加速异常检测模块、减速异常检测模块进行分类。
35.上述的一种胎心监护图像分类方法，其特征在于：步骤202中对第m1个基线异常胎心率曲线滑动计算上限和下限异常点占比，并分别取各个滑动窗口中上限和下限异常点占比最大值为上限异常占点比最大值和下限异常点占比最大值，具体过程如下：
36.步骤2021、设定第一滑动窗口的长度为l，第一滑动窗口的步长为s；
37.步骤2022、采用计算机根据步骤2021将第m1个基线异常胎心率曲线划分为a个滑动窗口，且按照采样的先后顺序将第a个滑动窗口中第j1个胎心率检测点记作其中，j1和l为正整数，1≤j1≤l；a和a为正整数，1≤a≤a；
38.步骤2023、设定胎心率上限值fhr
max
和胎心率下限值fhr
min
；其中，胎心率上限值fhr
max
的取值为160次/min，胎心率下限值fhr
min
的取值为110次/min；
39.步骤2024、采用计算机将与fhr
max
和fhr
min
进行判断，当大于fhr
max
时，计算机标记第j1个胎心率检测点为上限异常点，上限异常点数加1；其中，上限异常点数的初始值为零；
40.当小于fhr
min
时，计算机标记第j1个胎心率检测点为下限异常点，下限异常点数加1；其中，下限异常点数的初始值为零；
41.步骤2025、按照步骤2024所述的方法，直至当j1＝l时，完成一个滑动窗口检测点的判断，得到第a个滑动窗口中上限异常点数和下限异常点数
42.步骤2026、采用计算机根据公式得到第a个滑动窗口中上限异常点
占比根据公式得到第a个滑动窗口中下限异常点占比
43.步骤2027、多次重复步骤2024至步骤2026，完成a个滑动窗口检测点的判断，得到第a个滑动窗口中上限异常点占比和第a个滑动窗口中下限异常点占比
44.步骤2028、采用计算机从第1个滑动窗口中上限异常点占比至第a个滑动窗口中上限异常点占比中获取上限异常占点比最大值，记作第m1个上限异常占点比最大值
45.采用计算机从第1个滑动窗口中下限异常点占比至第a个滑动窗口中下限异常点占比中获取下限异常点占比最大值，记作第m1个下限异常点占比最大值
46.上述的一种胎心监护图像分类方法，其特征在于：步骤302中对第m4个波峰波谷曲线滑动计算得到第m4个变异胎心率曲线的最小正常变异占
47.步骤3021、设定第二滑动窗口的长度为l
′
，第二滑动窗口的步长为s
′
；
48.步骤3022、采用计算机根据步骤3021将第m4个波峰波谷曲线划分为n4波峰波谷信号区域段；其中，n4为正整数；
49.步骤3023、采用计算机设定小滑动窗口的长度为5，小滑动步长为3，将第m4个波峰波谷信号中任一个波峰波谷信号区域段划分为a
′
个小滑动窗口；
50.步骤3024、采用计算机在第a
′
个小滑动窗口中获取胎心率最大值和胎心率最小值，并计算该胎心率最大值和胎心率最小值两者的差值绝对值，得到第a
′
个小滑动窗口的差值绝对值βa′
；其中，a
′
和a
′
为正整数，1≤a
′
≤a
′
；
51.步骤3025、采用计算机判断βa′
是否大于5，如果βa′
大于5，则计算机将正常变异数m
by
加1，否则，正常变异数m
by
不变；其中，正常变异数m
by
的初始值为零；
52.步骤3026、按照步骤3024和步骤3025所述的方法，直至完成a
′
个小滑动窗口的判断，得到一个波峰波谷信号区域段的正常变异总数
53.步骤3027、采用计算机根据得到一个波峰波谷信号区域段的正常变异占比β；
54.步骤3028、多次重复步骤3024至步骤3027，直至完成n4个波峰波谷信号区域段的判断，得到n4个波峰波谷信号区域段的正常变异占比；
55.步骤3029、采用计算机从n4个波峰波谷信号区域段的正常变异占比中获取最小正常变异占，并记作第m4个变异胎心率曲线的最小正常变异占比
56.上述的一种胎心监护图像分类方法，其特征在于：步骤402中采用计算机对第m2个加速异常胎心率曲线和第m2个加速异常胎动曲线进行平滑、偏移处理得到第m2个胎心率胎动曲线训练图，具体过程如下：
57.步骤4021、采用计算机利用时间分数扩散方程对第m2个加速异常胎心率曲线进行平滑处理，得到第m2个加速异常胎心率平滑后曲线；
58.步骤4022、采用计算机对第m2个加速异常胎心率平滑后曲线上各个胎心率进行均值处理得到胎心率均值；并采用计算机将第m2个加速异常胎心率平滑后曲线各个胎心率减去胎心率均值，获取第m2个加速异常胎心率训练曲线；
59.步骤4023、采用计算机对第m2个加速异常胎动曲线上各个胎动幅值进行均值处理得到胎动幅值均值；并采用计算机将第m2个加速异常胎动曲线各个胎动幅值减去胎动幅值均值，获取第m2个加速异常胎动训练曲线；
60.步骤4024、采用计算机将第m2个加速异常胎心率训练曲线和第m2个加速异常胎动训练曲线组合形成第m2个胎心率胎动曲线训练图。
61.上述的一种胎心监护图像分类方法，其特征在于：所述第一cnn卷积神经网络模型和第二cnn卷积神经网络模型均包括输入层、卷积层1、池化层1、卷积层2、池化层2、全连接层1、全连接层2和输出层；其中，卷积层1和卷积层2中卷积核的大小为3
×
3，池化层1和池化层2中池化核的大小为3
×
3，全连接层1和全连接层2均为softmax预测的全连接层。
62.本发明与现有技术相比具有以下优点：
63.1、本发明方法步骤简单，设计合理，对历史胎心监护数据根据先验的医学知识分类获取基线异常胎心胎动宫缩图、加速变异胎心胎动宫缩图、减速变异胎心胎动宫缩图、微小变异胎心胎动宫缩图和正常胎心胎动宫缩图，以使各自输入基线异常检测模块、微小变异检测模块、加速异常检测模块和减速异常检测模块分类训练，提高了后续分类准确性。
64.2、本发明基线异常检测模块的训练基于上限异常占点比最大值和下限异常点占比最大值的拉依达准则；变异检测模块的训练基于多滑窗嵌套分析和支持向量机；加速异常检测模块的训练和减速异常检测模块的训练基于平滑和卷积神经网络，对不同异常场景建立不同的训练模型从而改进原有的胎心监护分类方法，使分类结果的准确率更高，同时也优化了方法的泛化能力。
65.综上所述，本发明方法步骤简单、设计合理，结合历史胎心监护数据，且对不同异常场景建立不同的训练模型，利用拉依达准则、支持向量机模型和卷积神经网络模型应用于不同场景的数据，从而改进原有的计算机辅助胎心监护分类方法，使分类结果的准确率更高，同时也优化了方法的泛化能力。
66.下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
67.图1为本发明的方法流程框图。
具体实施方式
68.如图1所示，本发明胎心监护图像分类方法，包括以下步骤：
69.步骤一、胎心监护图像历史数据的获取：
70.步骤101、对胎心监护设备已采集到的历史胎心监护数据进行存储，得到m个胎心胎动宫缩图；其中，每个所述胎心胎动宫缩图均包括胎心率曲线、宫缩曲线、胎动曲线；
71.步骤102、人为将m个胎心胎动宫缩图分类标记，得到m1个基线异常胎心胎动宫缩图、m2个加速变异胎心胎动宫缩图、m3个减速变异胎心胎动宫缩图、m4个微小变异胎心胎动宫缩图和n个正常胎心胎动宫缩图；其中，m、m1、m2、m3、m4和n均为正整数；
72.步骤二、基线异常检测模块的训练：
73.步骤201、将第m1个基线异常胎心胎动宫缩图中胎心率曲线记作第m1个基线异常胎心率曲线；
74.步骤202、对第m1个基线异常胎心率曲线滑动计算上限和下限异常点占比，并分别取各个滑动窗口中上限和下限异常点占比最大值为上限异常占点比最大值和下限异常点占比最大值；
75.步骤203、多次重复步骤202，完成m1个基线异常胎心胎动宫缩图中m1个基线异常胎心率曲线的判断，得到m1个上限异常占点比最大值以及m1个下限异常点占比最大值；其中，m1和m1为正整数，且1≤m1≤m1；
76.步骤204、采用计算机对m1个上限异常占点比最大值进行平均值及标准差处理，得到上限异常均值及上限标准差σs；采用计算机对m1个下限异常点占比最大值进行平均值及标准差处理，得到下限异常均值及下限标准差σd；
77.步骤205、根据步骤204得到训练好的基线异常检测模块；其中，训练好的基线异常检测模块中上限异常点占比阈值范围为下限异常点占比阈值范围为如果满足上限异常点占比阈值范围或者下限异常点占比阈值范围，则分类为基线正常；否则，分类为基线异常；
78.步骤三、微小变异检测模块的训练：
79.步骤301、采用计算机将第m4个微小变异胎心胎动宫缩图中胎心率曲线记作第m4个微小变异胎心率曲线；并将第m4个微小变异胎心率曲中波峰波谷处的信号幅值保留原值，其它位置幅值置为0，则得到第m4个波峰波谷曲线；其中，m4和m4为正整数，且1≤m4≤m4；
80.步骤302、对第m4个波峰波谷曲线滑动计算得到第m4个微小变异胎心率曲线的最小正常变异占比
81.步骤303、采用计算机从第m4个微小变异胎心率曲线中获取最小正常变异占比所处波峰波谷信号区域段对应的原始信号段，获取该原始信号段的方差以及均值，且分别记作第m4个微小变异胎心率曲线的方差和均值
82.步骤304、采用计算机将第m4个微小变异胎心率曲线的最小正常变异占比第m4个微小变异胎心率曲线的方差和均值作为第m4个三维特征向量；
83.步骤305、按照步骤301至步骤304所述的方法，对m4个微小变异胎心胎动宫缩图和n个正常胎心胎动宫缩图进行处理，得到各个对应的三维特征向量；
84.步骤306、采用计算机使用支持向量机，输入步骤305中的各个三维特征向量进行训练分类，得到训练好的支持向量机分类模型，并将其记作微小变异检测模块；其中，训练好的支持向量机分类模型输出分类为微小变异异常和微小变异正常；
85.步骤四、加速异常检测模块的训练：
86.步骤401、将第m2个加速变异胎心胎动宫缩图中胎心率曲线记作第m2个加速异常胎心率曲线，第m2个加速变异胎心胎动宫缩图中胎动曲线记作第m2个加速异常胎动曲线；其中，m2和m2均为正整数，且1≤m2≤m2；
87.步骤402、采用计算机对第m2个加速异常胎心率曲线和第m2个加速异常胎动曲线进行平滑、偏移处理，得到第m2个胎心率胎动曲线训练图；
88.步骤403、按照步骤401至步骤402所述的方法，对m2个加速变异胎心胎动宫缩图和n个正常胎心胎动宫缩图进行处理处理，得到m2个胎心率胎动曲线训练图和n个胎心率胎动
曲线训练图；
89.步骤404、采用计算机使用cnn卷积神经网络模型，输入步骤405中的曲线训练图进行训练，得到训练好的第一卷积神经网络模型，并将训练好的第一卷积神经网络模型记作加速异常检测模块；其中，训练好的第一卷积神经网络模型输出分类为加速正常和加速异常；
90.步骤五、减速异常检测模块的训练：
91.步骤501、将第m3个减速异常胎心宫缩图中胎心率曲线记作第m3个减速异常胎心率曲线，第m3个减速异常胎心宫缩图中宫缩曲线记作第m3个减速异常宫缩曲线；
92.步骤502、采用计算机利用时间分数扩散方程对第m3个减速异常胎心率曲线和第m3个减速异常宫缩曲线进行平滑处理，得到第m3个减速异常胎心率平滑后曲线和第m3个减速宫缩平滑后曲线；其中，m3和m3均为正整数，且1≤m3≤m3；
93.步骤503、采用计算机将第m3个减速异常胎心率平滑后曲线和第m3个减速宫缩平滑后曲线组合形成胎心率宫缩曲线训练图；
94.步骤504、按照步骤501至步骤503所述的方法，对m3个减速异常胎心宫缩图和n个正常胎心宫缩图进行平滑处理，得到m3个胎心率宫缩曲线训练图和n个胎心率宫缩曲线训练图；
95.步骤505、采用计算机使用cnn卷积神经网络模型，输入步骤504中的曲线训练图进行训练，得到训练好的第二卷积神经网络模型，并将训练好的第二卷积神经网络模型记作减速异常检测模块；其中，训练好的第二卷积神经网络模型输出两类为减速异常和减速正常；
96.步骤六、待采集胎心监护图像的分类：
97.采用胎心监护设备获取待采集胎心胎动宫缩图，并将待采集胎心胎动宫缩图送至基线异常检测模块、微小变异检测模块、加速异常检测模块、减速异常检测模块进行分类。
98.本实施例中，步骤202中对第m1个基线异常胎心率曲线滑动计算上限和下限异常点占比，并分别取各个滑动窗口中上限和下限异常点占比最大值为上限异常占点比最大值和下限异常点占比最大值，具体过程如下：
99.步骤2021、设定第一滑动窗口的长度为l，第一滑动窗口的步长为s；
100.步骤2022、采用计算机根据步骤2021将第m1个基线异常胎心率曲线划分为a个滑动窗口，且按照采样的先后顺序将第a个滑动窗口中第j1个胎心率检测点记作其中，j1和l为正整数，1≤j1≤l；a和a为正整数，1≤a≤a；
101.步骤2023、设定胎心率上限值fhr
max
和胎心率下限值fhr
min
；其中，胎心率上限值fhr
max
的取值为160次/min，胎心率下限值fhr
min
的取值为110次/min；
102.步骤2024、采用计算机将与fhr
max
和fhr
min
进行判断，当大于fhr
max
时，计算机标记第j1个胎心率检测点为上限异常点，上限异常点数加1；其中，上限异常点数的初始值为零；
103.当小于fhr
min
时，计算机标记第j1个胎心率检测点为下限异常点，下限异常点数加1；其中，下限异常点数的初始值为零；
104.步骤2025、按照步骤2024所述的方法，直至当j1＝l时，完成一个滑动窗口检测点
的判断，得到第a个滑动窗口中上限异常点数和下限异常点数
105.步骤2026、采用计算机根据公式得到第a个滑动窗口中上限异常点占比根据公式得到第a个滑动窗口中下限异常点占比
106.步骤2027、多次重复步骤2024至步骤2026，完成a个滑动窗口检测点的判断，得到第a个滑动窗口中上限异常点占比和第a个滑动窗口中下限异常点占比
107.步骤2028、采用计算机从第1个滑动窗口中上限异常点占比至第a个滑动窗口中上限异常点占比中获取上限异常占点比最大值，记作第m1个上限异常占点比最大值
108.采用计算机从第1个滑动窗口中下限异常点占比至第a个滑动窗口中下限异常点占比中获取下限异常点占比最大值，记作第m1个下限异常点占比最大值
109.本实施例中，步骤302中对第m4个波峰波谷曲线滑动计算得到第m4个变异胎心率曲线的最小正常变异占
110.步骤3021、设定第二滑动窗口的长度为l
′
，第二滑动窗口的步长为s
′
；
111.步骤3022、采用计算机根据步骤3021将第m4个波峰波谷曲线划分为n4波峰波谷信号区域段；其中，n4为正整数；
112.步骤3023、采用计算机设定小滑动窗口的长度为5，小滑动步长为3，将第m4个波峰波谷信号中任一个波峰波谷信号区域段划分为a
′
个小滑动窗口；
113.步骤3024、采用计算机在第a
′
个小滑动窗口中获取胎心率最大值和胎心率最小值，并计算该胎心率最大值和胎心率最小值两者的差值绝对值，得到第a
′
个小滑动窗口的差值绝对值βa′
；其中，a
′
和a
′
为正整数，1≤a
′
≤a
′
；
114.步骤3025、采用计算机判断βa′
是否大于5，如果βa′
大于5，则计算机将正常变异数m
by
加1，否则，正常变异数m
by
不变；其中，正常变异数m
by
的初始值为零；
115.步骤3026、按照步骤3024和步骤3025所述的方法，直至完成a
′
个小滑动窗口的判断，得到一个波峰波谷信号区域段的正常变异总数
116.步骤3027、采用计算机根据得到一个波峰波谷信号区域段的正常变异占比β；
117.步骤3028、多次重复步骤3024至步骤3027，直至完成n4个波峰波谷信号区域段的判断，得到n4个波峰波谷信号区域段的正常变异占比；
118.步骤3029、采用计算机从n4个波峰波谷信号区域段的正常变异占比中获取最小正常变异占，并记作第m4个变异胎心率曲线的最小正常变异占比
119.本实施例中，步骤402中采用计算机对第m2个加速异常胎心率曲线和第m2个加速异常胎动曲线进行平滑、偏移处理得到第m2个胎心率胎动曲线训练图，具体过程如下：
120.步骤4021、采用计算机利用时间分数扩散方程对第m2个加速异常胎心率曲线进行平滑处理，得到第m2个加速异常胎心率平滑后曲线；
121.步骤4022、采用计算机对第m2个加速异常胎心率平滑后曲线上各个胎心率进行均
值处理得到胎心率均值；并采用计算机将第m2个加速异常胎心率平滑后曲线各个胎心率减去胎心率均值，获取第m2个加速异常胎心率训练曲线；
122.步骤4023、采用计算机对第m2个加速异常胎动曲线上各个胎动幅值进行均值处理得到胎动幅值均值；并采用计算机将第m2个加速异常胎动曲线各个胎动幅值减去胎动幅值均值，获取第m2个加速异常胎动训练曲线；
123.步骤4024、采用计算机将第m2个加速异常胎心率训练曲线和第m2个加速异常胎动训练曲线组合形成第m2个胎心率胎动曲线训练图。
124.本实施例中，所述第一cnn卷积神经网络模型和第二cnn卷积神经网络模型均包括输入层、卷积层1、池化层1、卷积层2、池化层2、全连接层1、全连接层2和输出层；其中，卷积层1和卷积层2中卷积核的大小为3
×
3，池化层1和池化层2中池化核的大小为3
×
3，全连接层1和全连接层2均为softmax预测的全连接层。
125.本实施例中，第一cnn卷积神经网络模型和第二cnn卷积神经网络模型中卷积层1输出为62
×
62
×
8，池化层1输出为30
×
30
×
8，卷积层2输出为28
×
28
×
8，池化层2输出为13
×
13
×
8，全连接层1输出为1352
×
1，全连接层1输出为144
×
1，输出层输出为2
×
1。
126.本实施例中，所述胎心率曲线和所述宫缩曲线的横坐标为时间，所述胎心率曲线的纵坐标为胎心率，所述宫缩曲线的纵坐标为宫缩压力；
127.本实施例中，胎动曲线的横坐标为时间，纵坐标为胎动幅值。
128.本实施例中，m1、m2、m3、m4和n之和为m。
129.本实施例中，每个个胎心胎动宫缩图的采样时间不少于20min，采样间隔t的取值范围10min/667。
130.本实施例中，第一滑动窗口的长度l为667，第一滑动窗口的步长s为50。
131.本实施例中，第二滑动窗口的长度l
′
为667，第二滑动窗口的步长s
′
为222。
132.本实施例中，相邻两个滑动窗口存在叠加。
133.本实施例中，并采用计算机利用时间分数扩散方程对进行平滑处理可参考time-fract ional diffus ion equat ion for s ignal smoothing论文。
134.综上所述，本发明方法步骤简单、设计合理，结合历史胎心监护数据，且对不同异常场景建立不同的训练模型，利用拉依达准则、支持向量机模型和卷积神经网络模型应用于不同场景的数据，从而改进原有的计算机辅助胎心监护分类方法，使分类结果的准确率更高，同时也优化了方法的泛化能力。
135.以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。

技术特征：
1.一种胎心监护图像分类方法，其特征在于，该方法包括以下步骤：步骤一、胎心监护图像历史数据的获取：步骤101、对胎心监护设备已采集到的历史胎心监护数据进行存储，得到m个胎心胎动宫缩图；其中，每个所述胎心胎动宫缩图均包括胎心率曲线、宫缩曲线、胎动曲线；步骤102、人为将m个胎心胎动宫缩图分类标记，得到m1个基线异常胎心胎动宫缩图、m2个加速变异胎心胎动宫缩图、m3个减速变异胎心胎动宫缩图、m4个微小变异胎心胎动宫缩图和n个正常胎心胎动宫缩图；其中，m、m1、m2、m3、m4和n均为正整数；步骤二、基线异常检测模块的训练：步骤201、将第m1个基线异常胎心胎动宫缩图中胎心率曲线记作第m1个基线异常胎心率曲线；步骤202、对第m1个基线异常胎心率曲线滑动计算上限和下限异常点占比，并分别取各个滑动窗口中上限和下限异常点占比最大值为上限异常占点比最大值和下限异常点占比最大值；步骤203、多次重复步骤202，完成m1个基线异常胎心胎动宫缩图中m1个基线异常胎心率曲线的判断，得到m1个上限异常占点比最大值以及m1个下限异常点占比最大值；其中，m1和m1为正整数，且1≤m1≤m1；步骤204、采用计算机对m1个上限异常占点比最大值进行平均值及标准差处理，得到上限异常均值及上限标准差σ
s
；采用计算机对m1个下限异常点占比最大值进行平均值及标准差处理，得到下限异常均值及下限标准差σ
d
；步骤205、根据步骤204得到训练好的基线异常检测模块；其中，训练好的基线异常检测模块中上限异常点占比阈值范围为下限异常点占比阈值范围为如果满足上限异常点占比阈值范围或者下限异常点占比阈值范围，则分类为基线正常；否则，分类为基线异常；步骤三、微小变异检测模块的训练：步骤301、采用计算机将第m4个微小变异胎心胎动宫缩图中胎心率曲线记作第m4个微小变异胎心率曲线；并将第m4个微小变异胎心率曲中波峰波谷处的信号幅值保留原值，其它位置幅值置为0，则得到第m4个波峰波谷曲线；其中，m4和m4为正整数，且1≤m4≤m4；步骤302、对第m4个波峰波谷曲线滑动计算得到第m4个微小变异胎心率曲线的最小正常变异占比步骤303、采用计算机从第m4个微小变异胎心率曲线中获取最小正常变异占比所处波峰波谷信号区域段对应的原始信号段，获取该原始信号段的方差以及均值，且分别记作第m4个微小变异胎心率曲线的方差和均值步骤304、采用计算机将第m4个微小变异胎心率曲线的最小正常变异占比第m4个微小变异胎心率曲线的方差和均值作为第m4个三维特征向量；步骤305、按照步骤301至步骤304所述的方法，对m4个微小变异胎心胎动宫缩图和n个正常胎心胎动宫缩图进行处理，得到各个对应的三维特征向量；
步骤306、采用计算机使用支持向量机，输入步骤305中的各个三维特征向量进行训练分类，得到训练好的支持向量机分类模型，并将其记作微小变异检测模块；其中，训练好的支持向量机分类模型输出分类为微小变异异常和微小变异正常；步骤四、加速异常检测模块的训练：步骤401、将第m2个加速变异胎心胎动宫缩图中胎心率曲线记作第m2个加速异常胎心率曲线，第m2个加速变异胎心胎动宫缩图中胎动曲线记作第m2个加速异常胎动曲线；其中，m2和m2均为正整数，且1≤m2≤m2；步骤402、采用计算机对第m2个加速异常胎心率曲线和第m2个加速异常胎动曲线进行平滑、偏移处理，得到第m2个胎心率胎动曲线训练图；步骤403、按照步骤401至步骤402所述的方法，对m2个加速变异胎心胎动宫缩图和n个正常胎心胎动宫缩图进行处理处理，得到m2个胎心率胎动曲线训练图和n个胎心率胎动曲线训练图；步骤404、采用计算机使用cnn卷积神经网络模型，输入步骤405中的曲线训练图进行训练，得到训练好的第一卷积神经网络模型，并将训练好的第一卷积神经网络模型记作加速异常检测模块；其中，训练好的第一卷积神经网络模型输出分类为加速正常和加速异常；步骤五、减速异常检测模块的训练：步骤501、将第m3个减速异常胎心宫缩图中胎心率曲线记作第m3个减速异常胎心率曲线，第m3个减速异常胎心宫缩图中宫缩曲线记作第m3个减速异常宫缩曲线；步骤502、采用计算机利用时间分数扩散方程对第m3个减速异常胎心率曲线和第m3个减速异常宫缩曲线进行平滑处理，得到第m3个减速异常胎心率平滑后曲线和第m3个减速宫缩平滑后曲线；其中，m3和m3均为正整数，且1≤m3≤m3；步骤503、采用计算机将第m3个减速异常胎心率平滑后曲线和第m3个减速宫缩平滑后曲线组合形成胎心率宫缩曲线训练图；步骤504、按照步骤501至步骤503所述的方法，对m3个减速异常胎心宫缩图和n个正常胎心宫缩图进行平滑处理，得到m3个胎心率宫缩曲线训练图和n个胎心率宫缩曲线训练图；步骤505、采用计算机使用cnn卷积神经网络模型，输入步骤504中的曲线训练图进行训练，得到训练好的第二卷积神经网络模型，并将训练好的第二卷积神经网络模型记作减速异常检测模块；其中，训练好的第二卷积神经网络模型输出两类为减速异常和减速正常；步骤六、待采集胎心监护图像的分类：采用胎心监护设备获取待采集胎心胎动宫缩图，并将待采集胎心胎动宫缩图送至基线异常检测模块、微小变异检测模块、加速异常检测模块、减速异常检测模块进行分类。2.按照权利要求1所述的一种胎心监护图像分类方法，其特征在于：步骤202中对第m1个基线异常胎心率曲线滑动计算上限和下限异常点占比，并分别取各个滑动窗口中上限和下限异常点占比最大值为上限异常占点比最大值和下限异常点占比最大值，具体过程如下：步骤2021、设定第一滑动窗口的长度为l，第一滑动窗口的步长为s；步骤2022、采用计算机根据步骤2021将第m1个基线异常胎心率曲线划分为a个滑动窗口，且按照采样的先后顺序将第a个滑动窗口中第j1个胎心率检测点记作其中，j1和l为正整数，1≤j1≤l；a和a为正整数，1≤a≤a；步骤2023、设定胎心率上限值fhr
max
和胎心率下限值fhr
min
；其中，胎心率上限值fhr
max
的取值为160次/min，胎心率下限值fhr
min
的取值为110次/min；步骤2024、采用计算机将与fhr
max
和fhr
min
进行判断，当大于fhr
max
时，计算机标记第j1个胎心率检测点为上限异常点，上限异常点数加1；其中，上限异常点数的初始值为零；当小于fhr
min
时，计算机标记第j1个胎心率检测点为下限异常点，下限异常点数加1；其中，下限异常点数的初始值为零；步骤2025、按照步骤2024所述的方法，直至当j1＝l时，完成一个滑动窗口检测点的判断，得到第a个滑动窗口中上限异常点数和下限异常点数步骤2026、采用计算机根据公式得到第a个滑动窗口中上限异常点占比根据公式得到第a个滑动窗口中下限异常点占比步骤2027、多次重复步骤2024至步骤2026，完成a个滑动窗口检测点的判断，得到第a个滑动窗口中上限异常点占比和第a个滑动窗口中下限异常点占比步骤2028、采用计算机从第1个滑动窗口中上限异常点占比至第a个滑动窗口中上限异常点占比中获取上限异常占点比最大值，记作第m1个上限异常占点比最大值采用计算机从第1个滑动窗口中下限异常点占比至第a个滑动窗口中下限异常点占比中获取下限异常点占比最大值，记作第m1个下限异常点占比最大值3.按照权利要求1所述的一种胎心监护图像分类方法，其特征在于：步骤302中对第m4个波峰波谷曲线滑动计算得到第m4个变异胎心率曲线的最小正常变异占具体过程如下：步骤3021、设定第二滑动窗口的长度为l
′
，第二滑动窗口的步长为s
′
；步骤3022、采用计算机根据步骤3021将第m4个波峰波谷曲线划分为n4波峰波谷信号区域段；其中，n4为正整数；步骤3023、采用计算机设定小滑动窗口的长度为5，小滑动步长为3，将第m4个波峰波谷信号中任一个波峰波谷信号区域段划分为a
′
个小滑动窗口；步骤3024、采用计算机在第a
′
个小滑动窗口中获取胎心率最大值和胎心率最小值，并计算该胎心率最大值和胎心率最小值两者的差值绝对值，得到第a
′
个小滑动窗口的差值绝对值β
a
′
；其中，a
′
和a
′
为正整数，1≤a
′
≤a
′
；步骤3025、采用计算机判断β
a
′
是否大于5，如果β
a
′
大于5，则计算机将正常变异数m
by
加1，否则，正常变异数m
by
不变；其中，正常变异数m
by
的初始值为零；步骤3026、按照步骤3024和步骤3025所述的方法，直至完成a
′
个小滑动窗口的判断，得到一个波峰波谷信号区域段的正常变异总数步骤3027、采用计算机根据得到一个波峰波谷信号区域段的正常变异占比β；步骤3028、多次重复步骤3024至步骤3027，直至完成n4个波峰波谷信号区域段的判断，得到n4个波峰波谷信号区域段的正常变异占比；
步骤3029、采用计算机从n4个波峰波谷信号区域段的正常变异占比中获取最小正常变异占，并记作第m4个变异胎心率曲线的最小正常变异占比4.按照权利要求1所述的一种胎心监护图像分类方法，其特征在于：步骤402中采用计算机对第m2个加速异常胎心率曲线和第m2个加速异常胎动曲线进行平滑、偏移处理得到第m2个胎心率胎动曲线训练图，具体过程如下：步骤4021、采用计算机利用时间分数扩散方程对第m2个加速异常胎心率曲线进行平滑处理，得到第m2个加速异常胎心率平滑后曲线；步骤4022、采用计算机对第m2个加速异常胎心率平滑后曲线上各个胎心率进行均值处理得到胎心率均值；并采用计算机将第m2个加速异常胎心率平滑后曲线各个胎心率减去胎心率均值，获取第m2个加速异常胎心率训练曲线；步骤4023、采用计算机对第m2个加速异常胎动曲线上各个胎动幅值进行均值处理得到胎动幅值均值；并采用计算机将第m2个加速异常胎动曲线各个胎动幅值减去胎动幅值均值，获取第m2个加速异常胎动训练曲线；步骤4024、采用计算机将第m2个加速异常胎心率训练曲线和第m2个加速异常胎动训练曲线组合形成第m2个胎心率胎动曲线训练图。5.按照权利要求1所述的一种胎心监护图像分类方法，其特征在于：所述第一cnn卷积神经网络模型和第二cnn卷积神经网络模型均包括输入层、卷积层1、池化层1、卷积层2、池化层2、全连接层1、全连接层2和输出层；其中，卷积层1和卷积层2中卷积核的大小为3
×
3，池化层1和池化层2中池化核的大小为3
×
3，全连接层1和全连接层2均为softmax预测的全连接层。

技术总结
本发明公开了一种胎心监护图像分类方法，包括：一、胎心监护图像历史数据的获取；二、基线异常检测模块的训练；三、微小变异检测模块的训练；四、加速异常检测模块的训练；五、减速异常检测模块的训练；六、待采集胎心监护图像的分类。本发明结合历史胎心监护数据，且对不同异常场景建立不同的训练模型，能利用拉依达准则、支持向量机模型和卷积神经网络模型应用于不同异常场景的训练，使分类结果的准确率更高，同时也优化了泛化能力。同时也优化了泛化能力。同时也优化了泛化能力。


技术研发人员：李奇灵 钟德星 唐梓翔 张玟
受保护的技术使用者：西安交通大学医学院第一附属医院
技术研发日：2023.06.20
技术公布日：2023/9/20