一种基于递归分析的宫缩信号强度分类方法

发布时间：2021-02-21 15:58

　　提出一种基于递归分析的宫缩信号分类方法,用于区分不同强度的宫缩信号。首先,使用经验模态分解（Empirical Mode Decomposition,EMD）与形态学结合的联合滤波算法进行高频降噪,并通过平滑先验法（Smoothness Priors Approach,SPA）去除信号的基线漂移;然后,通过递归分析获取描述递归图的递归参量,将其与信号的一维时域、形态特征融合成16维的特征向量;最后,使用SMOTE-PCA-SVM分类器对宫缩信号强度进行分类。仿真实验表明:所提宫缩信号强度分类方法与传统方法相比,在准确性、灵敏度和特异性方面均有提高,分别达到98.22%,98.08%以及98.17%。 

【文章来源】：杭州电子科技大学学报(自然科学版). 2020,40(05)

【文章页数】：7 页

【部分图文】：

去除宫缩信号高频噪声分量的步骤

同时,利用平滑先验算法(Smoothness Priors Approach,SPA)[9]去除信号基线漂移。该算法通过改变正则化参数调整截止频率,计算量小且操作简单。其中,宫缩信号的低频截止频率为0.003 Hz。宫缩信号高频和低频滤波后结果如图2所示。通过图2可以看出:滤波后,信号曲线平滑,高频噪声明显去除,水平方向的趋势得到有效校正。3 宫缩信号的特征提取和分类

实验的整体流程如图3所示。首先,将提出的联合滤波算法以及平滑先验算法应用于CTU-UHB intrapartum CTG database库中宫缩信号消噪预处理,为了表明所提联合滤波算法具有较强的鲁棒性,引入信噪比(Signal-noise Ratio,SNR)来比较不同滤波方法在模拟信号上的去噪效果;其次,将已经预处理后的CTU-UHB intrapartum宫缩信号利用递归分析,构造特征向量;最后,将归一化的特征向量作为SMOTE-PCA-SVM的输入,实现宫缩信号的有效分类。其中运用“OvR(One vs Rest)”技巧实现了基于SVM的宫缩信号多分类,并采用10折交叉验证技术进行训练和测试。惩罚参数C=1,选用线性核函数。将上述不同分类器的结果,使用准确度(Accuracy)、灵敏度(Sensitity)以及特异性(Specificity)[2]等指标来评价。4.3 实验结果与分析

【参考文献】：
期刊论文
[1]基于超声背散射信号递归分析的金属材料微缺陷识别[J]. 杨辰龙,冯玮,边成亮,周晓军,柴景云.  光学精密工程. 2019(04)
[2]基于递归分析的齿轮故障识别方法[J]. 曹亭,赵华东,邓东.  机械研究与应用. 2018(02)
[3]利用平滑先验信息方法分离高频GPS数据静态永久变形与地震波[J]. 姚依欣,王勇,詹金刚,郭爱智.  测绘学报. 2018(04)
[4]递归分析在带噪语音端点检测中的应用[J]. 贾亮,尹伊,杨慧超.  沈阳航空航天大学学报. 2017(06)
[5]持续硬膜外阻滞分娩镇痛的子宫收缩和产程特点[J]. 尹春艳,周敬珍,吕小燕,黄小鹏,何桂华,陈建飞.  南方医科大学学报. 2006(11)



本文编号：3044581