论文部分内容阅读
产妇在分娩时子宫肌肉会出现有规律的收缩活动即宫缩,有规律的宫缩是推动分娩的动力,是反映孕妇分娩状态的重要生理依据,是产妇临产的一个重要特征。子宫肌电信号(electrohysterogram,EHG)是从孕妇体表无创检测到的妊娠子宫的电活动,是子宫平滑肌兴奋和收缩的表现和结果,可以反映子宫的活动。EHG与宫缩具有很好的关联性和同步性,通过EHG来监测孕妇的宫缩情况,将更全面、准确地反映产妇产力的正常与否,因此EHG在妊娠和分娩监护中具有很好的应用价值。卷积神经网络(convolutional neuron network,CNN)是深度学习中的一种神经网络,其在处理图像方面有很大优势。本研究就是利用CNN来识别EHG宫缩。为了确定宫缩起点,对分娩压力计(tocodynamometer,TOCO)和孕妇感知的宫缩起点进行比较。从冰岛16电极EHG数据库得到TOCO记录的宫缩起点,定义为在波幅值上升段内,斜率发生最大变化的点;得出母体感知的宫缩起点与TOCO记录到的宫缩起点的时间差,即时差。共得到来自33个受试者的295个宫缩时差,结果显示有85.4%的宫缩时差处在[-40,40]秒之间,时差的均值±标准差为3.04±28.02s。统计分析得出时差的正负值没有显著性差异。对每段记录的时差是正数还是负数的宫缩次数进行统计,发现61.5%的记录中所有宫缩时差全为正或者全为负,29.6%的记录大部分时差为正或为负,只有8.9%的记录的宫缩时差正负个数相同。另外,随着孕周的增加,时差减少甚至变为负值。当受试者接近分娩时,宫缩强度显著增加,母体较易感知到宫缩。因而可以将TOCO记录和母体感知结合起来作为识别宫缩段的参考。为了识别EHG信号的宫缩与非宫缩段,将深度学习中的CNN方法应用到识别EHG信号中。主要步骤分为:1)滤波EHG,利用0.04-4Hz带通滤波去除无关频率和直流分量;2)宫缩与非宫缩信号的截取,产科临床医生在TOCO信号中标出宫缩,再结合孕妇感知截取45秒时长的宫缩与非宫缩EHG,保存成图片;3)数据集分组,宫缩与非宫缩图片组成数据集,共得到5560张图片;4)处理数据集,主要包括统一图片尺寸,转换数据格式以及数据集的零均值化;5)利用数据集训练CNN模型,调整该模型网络参数到最优设置。10倍交叉检验得到模型验证集的平均准确率和损失率,分别为95.43%和10.48%。为了确定在腹部体表采集EHG信号的电极布局,设计了8个检测电极7种和4个检测电极的13种布局方式,分别对应着子宫的不同生理位置。将不同位置的电极获得的EHG信号组成数据集,训练CNN模型,并做5倍交叉检验。根据准确率,受试者工作特征曲线(receiver operating characteristic curve,ROC曲线)的线下面积(area under curve,AUC),灵敏度和特异度等参数来评价模型。采用评分法,依次对评价参数最高的模型对应电极处加1分,累计得分,得分较高的前8个或4个电极作为最优的8电极或4电极布局。结果显示,在8电极布局中采用4-2-2结构,即4个电极放在子宫底,2个电极放在子宫体,2个电极放在子宫颈是最优的布局。在4电极布局中采用2-2结构,2个电极放在孕妇右侧子宫体,2个电极放在右侧子宫颈是最优的布局。为了验证CNN模型在临床上的应用效果,采集了20位临产前孕妇的体表腹部信号,包括EHG信号、TOCO信号和临床记录信号。根据TOCO信号和孕妇感知到的宫缩,截取宫缩段与非宫缩段EHG信号各384个。利用前面已经建立的CNN模型,识别临床EHG宫缩段与非宫缩段。得到宫缩识别准确率为76.70%,灵敏度为82.69%,特异度为99.75%,ROC曲线的AUC值为0.75。因此该模型可以较好地识别临床EHG宫缩与非宫缩,在产科临床具有较好的应用前景。