基于CTG参数的胎儿状态智能评估算法研究

发布时间：2020-06-09 06:24

【摘要】：近年来,随着“二胎”政策的全面落实和“优生优育”理念的广泛普及,人们在保障母婴健康方面的意识逐渐增强。对胎儿健康状况进行实时监护,有助于临床医生及时发现并处理胎儿异常,从而降低出生死亡率和婴儿缺陷率。孕期胎心宫缩监护(Cardiotocography,CTG)是目前临床上最常见最有效的评估胎儿宫内健康状况的胎儿监护方法,其中胎儿心率(Fetal Heart Rate,FHR)信号是围产期胎儿电子监护的一项核心生理参数。CTG信号的解读至关重要,以便及时、有效、准确、方便地获取CTG中所蕴含的孕妇胎儿健康状态信息,对提高人口出生质量具有重要的理论价值和现实意义。医护人员判读CTG信号的经验参差不齐,经常出现因主观差异性而做出不一致的临床诊断结果,进而推动了计算机辅助分析系统的快速发展。然而,目前的计算机系统仍存在参数的不充分性、算法的局限性等诸多不足,使得诊断胎儿状态的准确率不高。本文主要研究了利用人工智能学习算法实现胎儿状态智能评估。首先,提取基于CTG信号的多模态参数,在此基础上,分析特征优化方法选择最优特征子集,然后构建机器学习模型来执行胎儿分类任务;最后,在无需任何特征工程的情况下,设计并优化卷积神经网络结构对胎儿状态做出诊断。本文的研究工作主要有:(1)阐述了本文的研究背景和意义,回顾了胎儿状态评估算法的国内外研究现状,为本文提出的研究方案提供了理论基础。(2)提出了基于CTG信号的多模态参数提取算法,并开发了可视化软件。从预处理后的CTG信号中提取全面的不同特征域的参数,包括:描述曲线模式的形态学特征,反映信号微小变化的时域特征,计算信号功率谱面积的频域特征和刻画信号非线性特性的非线性特征,设计了分析结果可视化的计算机软件。(3)提出了基于机器学习的胎儿状态评估算法。在提取CTG参数的基础上,利用合成少数过采样技术来缓解类别不平衡问题,探讨了如何从原始数据集中优化选择最优的特征子集,设计了多种典型的机器学习算法来判断胎儿健康状况,并利用数据库测试了算法性能。最后,实验结果证明:基于遗传算法和自适应提升的分类组合的性能最佳,其准确度、灵敏度、特异度和曲线下面积分别为95.15%、96.51%、93.44%和 94.67%。(4)提出了基于卷积神经网络的胎儿状态评估算法。分别采用连续小波变换和递归图将一维胎心率信号转换为二维图像,设计了相应的二维卷积神经网络结构,研究了交叉验证的训练策略方法来实现两种网络结构的最优化设置,并利用数据库测试了算法性能。最后,实验结果证明:相比传统的机器学习方法,卷积神经网络可以从输入中自学习相关信息,而不执行特征提取、特征优化等过程,且分类性能更优,其准确度、灵敏度、特异度和曲线下面积分别是98.36%、99.05%、97.67%和 98.36%。本文的研究实现了胎心率参数的自动监测分析和胎儿健康状况的智能评估,为临床围产期胎儿智能监护仪器的工程化开发应用奠定了理论基础与技术支撑。
【图文】：

宫缩,胎心率,相关准则,信号

心率监控手段。逡逑胎心宫缩监护（Ｃａｒｄｉｏｔｏｃｏｇｒａｐｈｙ，ＣＴＧ），也称为胎儿电子监护，是临床常逡逑规中应用最广泛的评估胎儿宫内状态的主要检测方式［１１］，如图１．１所示。ＣＴＧ逡逑产前监护图包含胎儿心率（简称胎心率，Ｆｅｔａｌ邋Ｈｅａｒｔ邋Ｒａｔｅ，邋ＦＨＲ）和母体子宫收缩逡逑（简称宫缩，Ｕｔｅｒｉｎｅ邋Ｃｏｎｔｒａｃｔｉｏｎ，邋ＵＣ）两大核心生理信号，如图１．２所７Ｋ。其中逡逑胎心率是指胎儿心脏每分钟跳动的次数（ｂｅａｔ邋ｐｅｒ邋ｍｉｎｕｔｅ，邋ｂｐｍ），胎儿的宫内窘迫逡逑状态将导致胎儿心率值出现偏低或者偏高的异常现象。因此，密切关注胎儿心率逡逑的变化情况，可以在了解胎儿发育状况的同时，大大减少因胎儿发生宫内窘迫状逡逑态导致的胎儿出生缺陷，甚至胎儿死亡的情况［１２］。在临床胎儿产前健康诊断中，，逡逑ＣＴＧ作为胎儿异常“早发现，早诊断”的重要技术，通过对胎心率、宫缩进行监逡逑护

计算机辅助分析系统

根据分析结果，他们设计了一种定位于２６？４２孕周的产前胎儿监护数据分析的计逡逑算机系统，并形成了标准：Ｄａｗｅｓ／Ｒｅｄｍａｎ判据，可用于诊断胎儿健康状况。到逡逑目前为止，该计算机系统己成功扩展为Ｓｏｎｉｃａｉｄ胎儿监护系统（如图１．３（ａ）所示），逡逑包含７３５００例以上的胎心率数据记录。逡逑（２）逦ＳｉｓＰｏｒｔｏ系统［２（＼从１９８７年起，葡萄牙波尔图大学的相关学者提出了逡逑利用计算机分析胎心率信号的方法，之后成功开发出了基于ＦＩＧＯ指南的第一代逡逑ＳｉｓＰｏｒｔｏ系统，通过进一步地改进，该系统己扩展为商业化使用的逡逑Ｏｍｎｉｖｉｅｗ－ＳｉｓＰｏｒｔｏ系统（如图１．３（ｂ）所示）。在监护胎儿一定时间后，系统对ＣＴＧ逡逑曲线的自动分析才开始进行，接着会不断地更新计算机的分析结果，计算包括基逡逑础胎心率、基线、加减速的识别和长短变异等在内的相关参数。逡逑（３）
【学位授予单位】：杭州电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP18;TN911.7;R714.5

【参考文献】