CN109146006B - 模板库结合非线性模板匹配胎心率提取方法 - Google Patents
模板库结合非线性模板匹配胎心率提取方法 Download PDFInfo
- Publication number
- CN109146006B CN109146006B CN201811234308.7A CN201811234308A CN109146006B CN 109146006 B CN109146006 B CN 109146006B CN 201811234308 A CN201811234308 A CN 201811234308A CN 109146006 B CN109146006 B CN 109146006B
- Authority
- CN
- China
- Prior art keywords
- template
- heart rate
- matching
- fetal heart
- matching degree
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
一种模板库结合非线性模板匹配胎心率提取方法,通过对原始信号进行预处理后进行时频域变换,并采用模板匹配的方式对时频域内信号逐帧评估匹配度,然后以匹配度曲线的峰值的时刻和幅值解算瞬时心率。本发明使用临床的多普勒胎心信号数据构建模板库,每次检测从模板库中选取合适的模板,利用胎心信号与母体干扰的混合特点,降低了模板对母体干扰的敏感度,从而提取瞬时的胎心率。
Description
技术领域
本发明涉及的是一种医疗检测领域的技术,具体是一种模板库结合非线性模板匹配胎心率提取方法。
背景技术
目前已有多种多普勒胎儿心率提取方法,如信号包络、自相关、小波分解、经验模态分解、非负矩阵分解、独立分量分析等。但在第二产程时,母体干扰会对胎儿心率检测产生影响。由于母体的腹主动脉和胎儿心脏位置较近,当分娩宫缩、产妇屏气等动作使母体血管搏动激烈时,母体腹主动脉多普勒信号混入胎儿心脏多普勒信号中,导致误计数甚至误将母体心率作为胎儿心率输出。
现有的心率提取方法主要有时域的自相关法和时频域的模板匹配法:其中时域的自相关法利用胎儿心率的周期性,自相关算法可以有效地获取周期信号的心率,而胎儿多普勒信号经过包络线检出以后就表现出较好的周期性,但是这种方法在母体干扰能量较大的情况下会将母体干扰作为胎儿心率输出。时频域的模板匹配法使用信号中模板,来对信号的每个部分进行相关性检测。因为每次心跳时时频域特征表现出相似性,所以可以用来提取心率。但是当母体干扰较大时,母体干扰也会作为一个相关性峰值被检出。
发明内容
本发明针对现有胎心率提取方法在母体干扰较为强烈时无法准确提取胎儿心率的不足,提出一种模板库结合非线性模板匹配胎心率提取方法,使用临床的多普勒胎心信号数据构建模板库,每次检测从模板库中选取合适的模板,利用胎心信号与母体干扰的混合特点,降低了模板对母体干扰的敏感度,从而提取瞬时的胎心率。
本发明是通过以下技术方案实现的:
本发明通过对原始信号进行预处理后进行时频域变换,并采用模板匹配的方式对时频域内信号逐帧评估匹配度,然后以匹配度结果曲线中的峰值和峰值时刻解算瞬时心率。
所述的预处理是指:对原始信号进行带通滤波,其下限截止频率fL为60Hz,上限截止频率fH为300Hz。
所述的时频域变换采用短时傅里叶变换实现。
所述的模板匹配是指:非线性模板匹配,并以观察帧与参考模板的偏差d作为优化目标,偏差其中:fnl(x)为一非线性函数,ST(ω,t)为短时傅里叶变换模板在频率为f时刻为t时的幅值,SDUS(ω,t)则为观察帧短时傅里叶变换模板在频率为ω时刻为t时的幅值,x为最优化变量。
所述的非线性模板是指:采用非线性函数作为匹配函数进行模板匹配。
所述的参考模板是指:预先建立的模板库中,与原始信号的前段相关系数最高的模板。
所述的匹配度,优选为非线性模板匹配方法匹配度m=1-d/max(d)
所述的瞬时心率,基于突出度和峰值间隔提取有效峰值,与匹配度一并进行错漏自校正计算,具体为:当前的瞬时心率为:
选取标准为最接近之前瞬时心率均值的值。
本发明涉及一种实现上述方法的***,包括:信号获取模块、预处理模块、模板选取模块、匹配度计算模块和心率解算模块,其中:信号获取模块与预处理模块相连,传递胎心信号,预处理模块分别与模板选取模块和匹配度计算模块相连,传递预处理后的待匹配信号,模板选取模块与匹配度计算模块相连,传递所选模块信息,匹配度计算模块与心率解算模块相连,传递匹配度信息,心率解算模块根据匹配度信息计算得到心率结果。
技术效果
与现有技术相比,本发明通过总结了临床数据的时频分析模板,结合非线性的模板匹配方法,使得模板对胎心信号高敏感对母体干扰低敏感,获得提取峰值更加准确的归一化匹配度曲线从而计算瞬时心率。在混杂有母体干扰的多普勒胎心信号中,本发明的检测方法准确率明显高于常规方法。
附图说明
图1为本发明流程图;
图2为临床采集的超声多普勒胎心信号示意图;
图3为利用STFT对混合信号进行转换后的二维时频示意图;
图4为实施例模板库示意图;
图5为实施例归一化匹配度曲线示意图;
图6为实施例解算瞬时心率示意图;
图7为实施例心率提取正确率对比示意图。
具体实施方式
如图1所示,为本实施例涉及的一种模板库结合非线性模板匹配胎心率提取方法,包括如下步骤:
步骤1)带通滤波:对原始信号进行带通滤波,本例中下限截止频率fL为60Hz,上限截止频率fH为300Hz,滤波结果如图2所示。
步骤2)时频分析:对滤波后的信号进行时频分析,将信号转移到时频域,本例中使用短时傅里叶变换,得到的结果如图3所示
步骤3)模板选取:对时频分析后的信号,对照模板库中的模板进行最佳模板的选取,模板库部分样例如图4所示,以避免现有模板匹配所使用的参考模板可能包含有母体干扰的问题。
步骤4)求匹配度:使用最佳模板对时频域内信号逐帧评估匹配度,本例中使用的方法为非线性模板匹配,具体方法如下:
定义优化目标为观察帧与参考模板的偏差d,表示为:其中:fnl(x)为一非线性函数;本实施例中其中:d是观察的帧与参考模板的偏差程度即最优化目标,ST(ω,t)是短时傅里叶变换模板在频率为f时刻为t时的幅值,SDUS(ω,t)则为观察帧短时傅里叶变换模板在频率为ω时刻为t时的幅值,x为最优化变量。
非线性模板匹配方法匹配度m表示为:m=1-d/max(d),通过非线性模板匹配操作可以避免现有模板匹配对母体干扰的胎心部分匹配度过低的问题。
步骤5)峰值提取:从匹配度结果中提取峰值,本例中依据突出度和峰值间隔提取有效峰值
步骤4)和步骤5)的结果如图5所示。
步骤6)心率求取:依据峰值点的时刻和幅值解算瞬时心率,本实施例中为具有错漏自校正的计算方法,具体方法如下:
当前的瞬时心率为以下三者之一
选取标准为最接近之前瞬时心率均值的值。
上述心率提取最终结果如图6所示
使用本方法和简单模板匹配对26位孕妇24秒时间内的心率提取正确率的进行对比,对比的结果如图7所示。比之现有简单模板匹配方法,本方法平均正确率提高了19.94%,23%的样本本方法比现有方法正确率高50%以上。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整,本发明的保护范围以权利要求书为准且不由上述具体实施所限,在其范围内的各个实现方案均受本发明之约束。
Claims (6)
1.一种模板库结合非线性模板匹配胎心率提取***,其特征在于,包括:信号获取模块、预处理模块、模板选取模块、匹配度计算模块和心率解算模块,其中:信号获取模块与预处理模块相连,传递胎心信号,预处理模块分别与模板选取模块和匹配度计算模块相连,传递预处理后的待匹配信号,模板选取模块与匹配度计算模块相连,传递所选模块信息,匹配度计算模块与心率解算模块相连,传递匹配度信息,心率解算模块根据匹配度信息计算得到心率结果;
所述的模板库结合非线性模板匹配胎心率提取是指:通过对原始信号进行预处理后进行时频域变换,并采用模板匹配的方式对时频域内信号逐帧评估匹配度,然后以匹配度曲线的峰值的时刻和幅值解算瞬时心率;
所述的模板匹配是指:非线性模板匹配,并以观察帧与参考模板的偏差作为优化目标,偏差其中:fnl(x)为一非线性函数,d为观察的帧与参考模板的偏差程度即最优化目标,ST(ω,t)为短时傅里叶变换模板在频率为f时刻为t时的幅值,SDUS(ω,t)则为观察帧短时傅里叶变换模板在频率为ω时刻为t时的幅值,x为最优化变量;
所述的瞬时心率,基于突出度和峰值间隔提取有效峰值,与匹配度一并进行错漏自校正计算,具体为:当前的瞬时心率为:
选取标准为最接近之前瞬时心率均值的值。
2.根据权利要求1所述的模板库结合非线性模板匹配胎心率提取***,其特征是,所述的预处理是指:对原始信号进行带通滤波,其下限截止频率fL为60Hz,上限截止频率fH为300Hz。
3.根据权利要求1所述的模板库结合非线性模板匹配胎心率提取***,其特征是,所述的时频域变换采用短时傅里叶变换实现。
4.根据权利要求1所述的模板库结合非线性模板匹配胎心率提取***,其特征是,所述的非线性模板是指:采用非线性函数作为匹配函数进行模板匹配;
所述的参考模板是指:预先建立的模板库中,与原始信号的前段相关系数最高的模板。
5.根据权利要求1所述的模板库结合非线性模板匹配胎心率提取***,其特征是,所述的匹配度,为非线性模板匹配方法匹配度m=1-d/max(d)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811234308.7A CN109146006B (zh) | 2018-10-23 | 2018-10-23 | 模板库结合非线性模板匹配胎心率提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811234308.7A CN109146006B (zh) | 2018-10-23 | 2018-10-23 | 模板库结合非线性模板匹配胎心率提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109146006A CN109146006A (zh) | 2019-01-04 |
CN109146006B true CN109146006B (zh) | 2021-12-10 |
Family
ID=64809446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811234308.7A Active CN109146006B (zh) | 2018-10-23 | 2018-10-23 | 模板库结合非线性模板匹配胎心率提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109146006B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537303B (zh) * | 2021-06-24 | 2023-01-06 | 中国科学院西安光学精密机械研究所 | 基于模板匹配的多光学目标快速分类识别方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1273080C (zh) * | 2003-01-29 | 2006-09-06 | 广州三瑞医疗器械有限公司 | 用于监测母体子宫收缩活动的方法和装置 |
CN103393435B (zh) * | 2013-07-31 | 2015-01-07 | 深圳市理邦精密仪器股份有限公司 | 一种胎心音信号包络的取得方法及装置 |
CN103462642B (zh) * | 2013-08-20 | 2015-05-06 | 广东工业大学 | 基于时频分析的多普勒胎心音的瞬时心率检测方法及装置 |
US9392952B1 (en) * | 2015-03-10 | 2016-07-19 | Nuvo Group Ltd. | Systems, apparatus and methods for sensing fetal activity |
CN107977932B (zh) * | 2017-12-28 | 2021-04-23 | 北京工业大学 | 一种基于可鉴别属性约束生成对抗网络的人脸图像超分辨率重建方法 |
-
2018
- 2018-10-23 CN CN201811234308.7A patent/CN109146006B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109146006A (zh) | 2019-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102440768B (zh) | 脉搏波形特征点提取方法 | |
CN105411577B (zh) | 胎儿心电信号分离方法及*** | |
CN105787946B (zh) | 一种非负盲分离胎心音分析方法及装置 | |
US10213120B2 (en) | Systems, apparatuses and methods for sensing fetal activity | |
CN111407315B (zh) | 一种针对超声多普勒胎心信号的质量评估方法 | |
CN101779966B (zh) | 一种结合心音的超声频谱包络峰识别的方法 | |
WO2019100827A1 (zh) | 一种脉搏波信号中提取血压数据的方法及装置 | |
CN104473631B (zh) | 一种基于非负盲分离胎儿心电瞬时心率识别方法及*** | |
WO2014174702A1 (ja) | 特徴量算出装置、特徴量算出方法および記録媒体 | |
Alnuaimi et al. | Fetal cardiac doppler signal processing techniques: challenges and future research directions | |
CN102258368B (zh) | 胎心电检测的时域稀疏性线性混叠盲分离模型的判别方法 | |
CN102054480A (zh) | 一种基于分数阶傅立叶变换的单声道混叠语音分离方法 | |
Arpitha et al. | Spectrogram analysis of ECG signal and classification efficiency using MFCC feature extraction technique | |
CN105147252A (zh) | 心脏疾病识别及评估方法 | |
Li et al. | Feature extraction of lung sounds based on bispectrum analysis | |
Lo et al. | Deep learning for detection of fetal ECG from multi-channel abdominal leads | |
Fedotov et al. | Effective QRS-detector based on Hilbert transform and adaptive thresholding | |
EP3189776A1 (en) | An apparatus and method for generating fetal heart rate data | |
CN114305484A (zh) | 基于深度学习的心脏病心音智能分类方法、装置和介质 | |
CN109146006B (zh) | 模板库结合非线性模板匹配胎心率提取方法 | |
Karvounis et al. | Detection of fetal heart rate through 3-D phase space analysis from multivariate abdominal recordings | |
US20220296209A1 (en) | Fetal ultrasound processing unit | |
Vuksanovic et al. | Analysis of human electrocardiogram for biometric recognition using analytic and ar modeling extracted parameters | |
Thiyagaraja et al. | Smart phone monitoring of second heart sound split | |
CN116115202A (zh) | 一种基于改进emd的超宽带雷达检测人体呼吸和心跳频率方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |