CN114287900A - 一种胎心率信号的缺失值填充装置和方法 - Google Patents
一种胎心率信号的缺失值填充装置和方法 Download PDFInfo
- Publication number
- CN114287900A CN114287900A CN202111599767.7A CN202111599767A CN114287900A CN 114287900 A CN114287900 A CN 114287900A CN 202111599767 A CN202111599767 A CN 202111599767A CN 114287900 A CN114287900 A CN 114287900A
- Authority
- CN
- China
- Prior art keywords
- missing
- fhr
- sparse
- data
- sparse coefficient
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 210000002458 fetal heart Anatomy 0.000 title claims description 10
- 239000011159 matrix material Substances 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000002068 genetic effect Effects 0.000 claims description 5
- 230000014759 maintenance of location Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 10
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 description 4
- 230000001605 fetal effect Effects 0.000 description 4
- 239000000523 sample Substances 0.000 description 4
- 210000003754 fetus Anatomy 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 208000032943 Fetal Distress Diseases 0.000 description 2
- 206010016855 Foetal distress syndrome Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000035935 pregnancy Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010003497 Asphyxia Diseases 0.000 description 1
- 206010021143 Hypoxia Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007954 hypoxia Effects 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种FHR信号缺失值填充装置和方法。构建缺失FHR数据的重建模型;利用最小化稀疏字典学习算法,对缺失FHR数据的重建模型进行优化,得到稀疏系数矩阵和正则项误差的迭代求解公式;利用得到的最优稀疏系数矩阵和正则项误差计算对应的最优字典,结合缺失FHR数据的重建模型,得到缺失值填充后的FHR信号。本发明的方法应用在FHR监护领域,用作数据分析的预处理环节,为FHR监护提供重要参考依据。
Description
技术领域
本发明涉及医学信号处理的技术领域,尤其涉及一种胎心率信号的缺失值填充装置和方法。
背景技术
临床上,胎儿窘迫缺氧是导致胎儿及新生儿窒息、致残和死亡等不良事件发生的主要原因,其经常发生于妊娠晚期和临产中。胎儿窘迫时间越久,危害越严重。因此,展开孕晚期胎儿宫内状态的实时监护,及时发现问题并采取有效的诊断与治疗方案显得尤为关键。在临床实践中,胎心率(Fetal Heart Rate,FHR)监护是一种被临床医护人员广泛应用的产前和产时诊断技术。这种人为判读的准确性极大地依赖于医生的临床经验和能力水平,主观性强,存在准确性与一致性不理想的问题,因此,基于FHR的智能辅助诊断工具构建,辅助临床医生对胎儿健康状况的精准诊断具有重要意义。但目前存在技术难点,主要体现于:
在胎心率监护过程中,FHR信号的采集受孕妇心率采集过程中的伪影干扰,加上胎儿运动、探头位置固定不佳等不可控因素,胎心率信号经常出现局部丢失现象。尤其是在分娩的最后阶段,胎儿状态可能频繁突变,对FHR信号的稳定有效采集造成了极大的障碍。以大数据为基础的智能辅助诊断的实现前提高质量的训练样本,任何导致信号破坏的数据失真都将意味着胎儿监护困难。而现有的缺失值填充方式大多采用简单的插值处理,例如应用较多的三次样条插值、线性插值等。此类算法仅适应于单点丢失的情况,适应性较差,而临床实践中由多普勒超声等设备进行体外FHR信号监测的数据丢失情况较为严重,严重时其丢失率甚至高达40%,此外,此类完全忽略了FHR信号的波形特征可能蕴含的生理和病理信息。因此,难以实现可靠的多段丢失数据找回。
有鉴于此,提供一种FHR信号的缺失值填充方法,实现在数据丢失情况下的FHR值预测,对基于FHR信号的胎儿状态智能辅助诊断,具有广阔的实际应用价值。
发明内容
本发明为了解决上述技术问题,提供了一种融合最小化稀疏字典学习和小批量模型训练的胎心率信号缺失值填充方法,实现了任意丢失长度下的缺失值找回,提高了缺失数据预测的准确率,加速了频繁丢失情况下的找回速率。
为了解决上述问题,本发明采用以下技术方案予以实现:
本发明的一种FHR信号缺失值填充方法,包括以下步骤:
一种FHR信号缺失值填充方法,其特征在于包括以下步骤:
S1:构建缺失FHR数据的重建模型;具体是:
S2:利用最小化稀疏字典学习算法,对缺失FHR数据的重建模型进行优化,得到稀疏系数矩阵W和正则项误差δ的迭代求解公式;
本发明的另一个目的是提供一种FHR信号缺失值填充装置,包括:
缺失FHR数据的重建模型模块,利用缺失FHR数据的重建模型实现对FHR信号缺失值填充;
模型参数优化模块,利用最小化稀疏字典学习算法,对缺失FHR数据的重建模型进行优化。
本发明的又一个目的是提供一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行上述的方法。
本发明的再一个目的是提供一种计算设备,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现上述的方法。
本发明的有益效果是:
(1)本发明通过构建缺失FHR数据的重建模型,并将缺失FHR信号的重建问题转化为稀疏编码的求解问题,引入Lp范数(0<p<1)克服了传统基于L1范数的稀疏编码求解在重构问题上的精准度不高难题。字典学习丢失位置的关键特征,使得学习得到的字典自适应于FHR监护;稀疏表示实现通过尽可能少的变量和参数来表示尽可能多的信息,加速了算法在多段丢失情况下的计算速度。
(2)本发明融合mini-batch小批量处理技术,通过增加遗传因子λ实现了最小化稀疏字典学习的优化迭代求解,实现了缺失数据填补正确率的提高。
(3)本发明的方法应用在FHR监护领域,用作数据分析的预处理环节,为FHR监护提供重要参考依据。
附图说明
图1是本发明的流程图;
图2是来自开源数据库的一例FHR样本及其缺失值填充的示意图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
本实施例的一种FHR信号缺失值填充方法,如图1所示,包括以下步骤:
一种FHR信号缺失值填充方法,其特征在于包括以下步骤:
S1:构建缺失FHR数据的重建模型;具体是:
1-2设定缺失值填充后的FHR信号为y,近似表示为y=Dw,其中D∈RL×N为字典,N代表特征原子,w∈RN×1代表稀疏系数向量;
1-3考虑缺失FHR数据的重建问题,存在如下关系:
其中R表示随机采样矩阵,ε∈RL×1表示噪声项;
结合y=Dw,缺失FHR数据的信号重建,即上式(1)可表示为:
1-4利用标准的稀疏编码求解问题,采用传统的基于L1范数的稀疏编码求解对公式(2)进行求解,得到:
式中δ表示正则项误差;||·||F代表正则化项F范数,因此,||·||2表示L2范数,||·||1代表L1范数;
其中稀疏系数矩阵W=[w1,w2,...,wK];
1-6在对稀疏系数矩阵W施加“稀疏”约束时,L1范数虽然更易求得“稀疏”解,但其建立在近似求解的基础上,重构后的完整FHR信号是一个模糊近似值,精准度有限;在相同的采集条件下,将L1范数替换为Lp范数(0<p<1),可实现更为精准的稀疏信号重构,因此,本发明使用Lp范数来求解稀疏结果,找回缺失的FHR数据,下式(5)即为本发明所提出的重建模型目标函数;
S2:利用最小化稀疏字典学习算法,对缺失FHR数据的重建模型进行优化,得到稀疏系数矩阵W和正则项误差δ的迭代求解公式;具体:
2-1量化式(5)的约束条件,得到如下最小化计算公式:
2-2求解自变量W:
将公式(6)转化为:
对公式(7)进行迭代求解自变量W:
其中diag{·}代表对角化,(·)H表示共轭转置运算;
其中I表示单位矩阵;
为保证每一次新的迭代更新对上一次迭代结果的有效保留程度,引入遗传因子λ,对当前迭代下稀疏系数向量进一步更新优化:
2-3求解自变量δ:
进而得到δ在第z+1次的迭代更新公式δ(z+1):
为保证每一次新的迭代更新对上一次迭代结果的有效保留程度,引入遗传因子λ,对当前迭代下正则项误差进一步更新优化:
根据上述公式计算这k份样本的K个局部字典,得到D=[D1,...,DK]T;
其中ξ表示阈值;
下面结合捷克技术大学联合布尔诺大学医院(Czech Technical University-University Hospital in Brno,CTU-UHB)提供的开源数据库,利用本发明构建的缺失FHR数据的重建模型对采集到的缺失胎心率数据进行填充实验。从CTU-UHB中随机挑选1组FHR样本,对其缺失数据进行填充,得到图2所示结果。
上述实施例并非是对于本发明的限制,本发明并非仅限于上述实施例,只要符合本发明要求,均属于本发明的保护范围。
Claims (5)
1.一种胎心率信号的缺失值填充方法,其特征在于包括以下步骤:
S1:构建缺失FHR数据的重建模型;具体是:
1-2设定缺失值填充后的FHR信号为y,近似表示为y=Dw,其中D∈RL×N为字典,N代表特征原子,w∈RN×1代表稀疏系数向量;
1-3考虑缺失FHR数据的重建问题,存在如下关系:
其中R表示随机采样矩阵,ε∈RL×1表示噪声项;
结合y=Dw,缺失FHR数据的信号重建,即上式(1)表示为:
1-4利用标准的稀疏编码求解问题,采用传统的基于L1范数的稀疏编码求解对公式(2)进行求解,得到:
式中δ表示正则项误差;||·||F代表正则化项F范数,因此||·||2表示L2范数,||·||1代表L1范数;
其中稀疏系数矩阵W=[w1,w2,...,wK];
1-6使用Lp范数来求解稀疏结果,找回缺失的FHR数据,得到重建模型目标函数;
S2:利用最小化稀疏字典学习算法,对缺失FHR数据的重建模型进行优化,得到稀疏系数矩阵W和正则项误差δ的迭代求解公式;
2.根据权利要求1所述的一种FHR信号缺失值填充方法,其特征在于步骤(2)具体:
2-1量化式(5)的约束条件,得到如下最小化计算公式:
2-2求解自变量W:
将公式(6)转化为:
对公式(7)进行迭代求解自变量W:
其中diag{·}代表对角化,(·)H表示共轭转置运算;
其中I表示单位矩阵;
为保证每一次新的迭代更新对上一次迭代结果的有效保留程度,引入遗传因子λ,对当前迭代下稀疏系数向量进一步更新优化:
2-3求解自变量δ:
进而得到δ在第z+1次的迭代更新公式δ(z+1):
为保证每一次新的迭代更新对上一次迭代结果的有效保留程度,引入遗传因子λ,对当前迭代下正则项误差进一步更新优化:
根据上述公式计算这k份样本的K个局部字典,得到D=[D1,...,DK]T;
其中ξ表示阈值。
3.一种FHR信号缺失值填充装置,其特征在于包括:
缺失FHR数据的重建模型模块,利用缺失FHR数据的重建模型实现对FHR信号缺失值填充;
模型参数优化模块,利用最小化稀疏字典学习算法,对缺失FHR数据的重建模型进行优化。
4.一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求1-2中任一项所述的方法。
5.一种计算设备,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现权利要求1-2中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111599767.7A CN114287900A (zh) | 2021-12-24 | 2021-12-24 | 一种胎心率信号的缺失值填充装置和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111599767.7A CN114287900A (zh) | 2021-12-24 | 2021-12-24 | 一种胎心率信号的缺失值填充装置和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114287900A true CN114287900A (zh) | 2022-04-08 |
Family
ID=80969764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111599767.7A Withdrawn CN114287900A (zh) | 2021-12-24 | 2021-12-24 | 一种胎心率信号的缺失值填充装置和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114287900A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116089788A (zh) * | 2023-03-23 | 2023-05-09 | 深圳市大数据研究院 | 在线缺失数据处理方法、装置、计算机设备及存储介质 |
-
2021
- 2021-12-24 CN CN202111599767.7A patent/CN114287900A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116089788A (zh) * | 2023-03-23 | 2023-05-09 | 深圳市大数据研究院 | 在线缺失数据处理方法、装置、计算机设备及存储介质 |
CN116089788B (zh) * | 2023-03-23 | 2023-08-22 | 深圳市大数据研究院 | 在线缺失数据处理方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111626114B (zh) | 基于卷积神经网络的心电信号心律失常分类*** | |
Petrozziello et al. | Deep learning for continuous electronic fetal monitoring in labor | |
Lu et al. | Estimation of the foetal heart rate baseline based on singular spectrum analysis and empirical mode decomposition | |
CN114287900A (zh) | 一种胎心率信号的缺失值填充装置和方法 | |
CN114469124A (zh) | 一种运动过程中异常心电信号的识别方法 | |
CN115470832A (zh) | 一种基于区块链的心电信号数据处理方法 | |
CN113077900A (zh) | 糖尿病早期风险评估方法、装置、计算机设备及介质 | |
CN114176549B (zh) | 基于生成式对抗网络的胎心率信号数据增强方法和装置 | |
CN113116300A (zh) | 一种基于模型融合的生理信号分类方法 | |
Spairani et al. | A deep learning mixed-data type approach for the classification of FHR signals | |
CN113509186A (zh) | 基于深度卷积神经网络的ecg分类***与方法 | |
JP2023104885A (ja) | グラフ畳み込みに基づく心電図心拍数マルチタイプの予測方法 | |
Magenes et al. | Multivariate analysis based on linear and non-linear FHR parameters for the identification of IUGR fetuses | |
Liang et al. | Fully automatic classification of cardiotocographic signals with 1D-CNN and bi-directional GRU | |
CN107909653B (zh) | 一种基于稀疏主成分分析的心脏软组织三维重建方法 | |
CN112992353A (zh) | 预产期精准预测方法、装置、计算机设备及存储介质 | |
Zhang et al. | Reconstruction of missing samples in antepartum and intrapartum FHR measurements via mini-batch-based minimized sparse dictionary learning | |
CN113456064A (zh) | 一种产前胎心监护信号智能判读方法 | |
CN116089862B (zh) | 一种基于修正机制的自调节蚁群聚类算法的ecg心律失常分类方法 | |
CN116564458A (zh) | 一种基于电子病历的数据处理方法、***、设备及介质 | |
Yefei et al. | Bidirectional long short-term memory-based intelligent auxiliary diagnosis of fetal health | |
CN114159039A (zh) | 一种智能产前胎心监护模型 | |
Puspitasari et al. | Comparison of Data Mining Algorithms Using Artificial Neural Networks (ANN) and Naive Bayes for Preterm Birth Prediction | |
CN117442212B (zh) | 一种用于产科护理的智能监测方法 | |
CN114176600B (zh) | 基于因果分析的心电图st段异常判别*** |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220408 |
|
WW01 | Invention patent application withdrawn after publication |