本发明涉及医疗监测和信号处理，具体是一种利用快速傅里叶变换(fft)对胎心率(fhr)减速事件进行分析和分类的方法。
背景技术：
1、电子胎儿监护(efm)是医学领域常用的产科技术，自20世纪60年代起用于评估胎儿健康。它监测的胎心宫缩图(ctg)记录胎儿心率(fhr)和母体子宫收缩(uc)信号。当前，超声多普勒换能器因其实时性和抗干扰能力而被广泛应用于fhr监测。同时，uc信号通过腹部带内的压力传感器获取。这些监测手段不仅揭示心血管活动，还间接反映胎儿的自主神经系统状态，对评估神经发育至关重要，并可在分娩过程中辅助检测新生儿酸血症风险。
2、在临床实践中，医生通常依赖经验来解读ctg信号，并据此决定是否进行医疗干预。及时恰当的干预是救助胎儿和预防严重后果的关键。相反，不适时的干预可能对胎儿有害，而不必要的干预则可能增加孕妇的身心及经济负担。据研究，通过精确解读ctg并实施适当的救治，可预防约50％的新生儿脑损伤。而ctg分析通过评估两个主要信号—胎心率(fhr)和宫缩(uc)的特征如fhr基线、变异范围、加速度及减速模式，来监控胎儿状况。其中，减速是判断胎儿是否可能缺氧的关键指标，缺氧若持续可能导致新生儿瘫痪或脑瘫等严重后果，需适时医疗介入。医疗措施可能包括剖宫产和吸引分娩等，或非侵入性的体位调整、给氧及调整药物输注速率。减速可细分为早期减速、晚期减速、可变减速及延长减速四种类型。在产前，ctg显示的减速少见且轻微，而产时减速则更频繁、更需关注。
3、持续监测胎儿心率减速对于早期识别胎儿缺氧至关重要。但是，面临的挑战包括大量数据的处理以及减速事件的稀少性。此外，专家建议临床医生需理解减速的生理机制及ctg模式，否则单靠人工分析可能导致医疗资源浪费。但ctg分析仍存在医生判断一致性低和误诊率高的问题。因此，开发一种基于快速傅里叶变换(fft)分类胎心率减速的方法显得尤为重要。这种方法通过计算机辅助监测ctg，能够及时报告异常变化，有效提升医生的工作效率和诊断的准确性。尤其在资源受限的医疗环境中，这样的进步可以显著提高对母婴健康的保护。
技术实现思路
1、本发明是为了解决已有减速分类存在效率和准确性低、胎心信号预处理过程复杂的问题，提供了一种能够优化上述问题的减速分类方法。
2、
3、基于胎心率信号处理问题，本发明进一步考虑是用傅里叶变换提取信号中的周期和频率，其中f(t)为输入的原始信号。在该场景中问题表示为给定的一系列减速片段，然后使用傅里叶变换得到胎心率信号在不同频率上的振幅信息f(ω)。然后为了获得频域中各频率成分的振幅信息，通过计算f(ω)的绝对值并对其进行平均来实现的，可表达为下式：
4、amp＝avg(|f(ω)|) (2)
5、因此，top-k代表的显著频率则表示为平均振幅集合amp中具有最大振幅的前k个频率成分。考虑频域的稀疏性，为了避免无意义高频带来的噪声，本发明只选择前k个振幅值。这些振幅对整个信号的特征识别影响最大。本发明预先计算信号中的top-k振幅值，得到top-k振幅集合。在后续使用的深度学习特征提取中，通过叠加top-k振将一维信号问题转换为二维问题，使得最终分类更加精确。
6、为了实现上述技术目的，本发明提出一种基于快速傅里叶变换分类胎心率减速的方法，其特征包括以下步骤：
7、步骤1、接受原始胎心率时间序列的信号数据集合s；
8、步骤2、基于步骤1得到的数据集合s按照l长度截取或填充成预设的连续片段集合s'；
9、步骤2.1、根据减速片段构造问题集合s’，并使用傅里叶变换变换胎心率减速片段、结果输出振幅集合{f1,...,fn-1,fn}；
10、步骤2.2、通过将信号的时间步数除以每个频率成分计算信号的振幅的周期信息pi，表示为：
11、
12、其中，fk表示得到的振幅，t表示为原始胎心率减速信号片段的时间步数，pi是每个频率成分对应的周期。
13、步骤2.3、所述的周期集合{p1,...,pn-1,pn}与信号序列l若不成正比则进行零扩充至周期的最小公倍数，可表示为：
14、
15、步骤2.4、计算得到平均振幅集合，根据top-k获取最大的k个振幅，得到top-k振幅集合，在问题选择时，根据top-k振幅集合，将原始1d信号重塑为2d映射以适配后续的特征提取，表示为：
16、
17、x2d＝concatfi,pi(x1d),i∈{1,...,k} (6)
18、步骤2.5、基于步骤2.4的2d映射，如图2，利用深度学习中的卷积神经网络对2d变量进行特征的学习；
19、步骤2.6、基于步骤2.5的特征学习，利用网络学习到的特征，对时间序列数据进行模式识别和分类处理，如图4，深度学习网络包含多个卷积层和激活函数，从所述片段中提取复杂的时间频率特征；
20、x'1d＝reshape(inception(x2d)) (7)
21、步骤3、根据步骤2所述的方法，训练后的网络重塑为一维信号，通过softmax函数对模型的预测输出进行处理，得到最后的分类结果。
22、步骤4、根据步骤3所述的方法，使用不同评估函数评估发明的准确率，可表示为：
23、
24、本发明具有如下有益效果：
25、1.提高分类准确性：传统的胎心率减速分类方法常受到信号质量差等因素的制约，导致分类结果不够精确。本发明采用基于傅里叶变换的方法，通过提取信号的top-k频率，显著降低了对原始信号质量的依赖。这一创新性的设计使得在面对信号质量较差的情况下，依然能够取得更高的分类准确性。
26、2.提高效率：原始胎心率信号的质量往往较差，以往的实验通常需要对其进行滤波预处理以确保信号质量。这种预处理可能会导致信号失真，影响最终结果。本发明基于傅里叶变换的方法直接从原始信号中获取频率特征，从而减少了预处理可能带来的失真。这种处理方式可以提高了处理效率，同时确保了信号的真实性。
27、3.更好地利用深度学习模型：传统的信号处理通常限定在一维输入上进行深度学习。通过将胎心率信号转换为二维，本发明创新性地引入了计算机视觉主干，为信号的表示学习提供了更多可能性。此外，选择计算机视觉社区中成熟的主干结构，有效地借鉴了图像处理领域的先进经验。这一整合使得深度学习模型更加灵活且性能更为卓越，为时间序列分析与计算机视觉的结合提供新的可能性。
1.一种基于快速傅里叶变换分类胎心率减速的方法，其特征在于，接受包含胎心率(fhr)和宫缩(uc)信号时间序列的信号数据集合s，对数据集合进行快速傅里叶变换后使用卷积神经网络进行特征提取后进行分类。
2.根据权限要求1所述的基于快速傅里叶变换分类胎心率减速的方法，其特征在于，其中根据接受的数据集合s截取或零填充成预设的长度为l的连续片段s'，以标准化输入数据并做进一步分析。
3.根据权限要求2所述的基于快速傅里叶变换分类胎心率减速的方法，其特征在于，对于连续片段s'应用傅里叶变换进行频谱分析，以提取信号振幅f(w)，用于标识胎心率减速时间的特征频率。
4.根据权限要求3所述的基于快速傅里叶变换分类胎心率减速的方法，其特征在于，进一步识别振幅信息f(w)的显著周期，以及显著周期与片段长度不成整数比时，执行片段扩展，确保周期特征的完整性。
5.根据权限要求4所述的基于快速傅里叶变换分类胎心率减速的方法，其特征在于，片段s'进行长度调整，使其与显著周期的最小公倍数一致。
6.根据权限要求5所述的基于快速傅里叶变换分类胎心率减速的方法，其特征在于，从振幅集合中选取k个著显频率，并将将一维信号重构为二维矩阵。
7.根据权限要求6所述的基于快速傅里叶变换分类胎心率减速的方法，其特征在于，利用卷积神经网络对二维矩阵进行深度特征学习，提取胎心率减速的细微时间频率特征。
8.根据权限要求7所述的基于快速傅里叶变换分类胎心率减速的方法，其特征在于，使用softmax函数处理提取后的特征以实现胎心率减速分类预测。
9.根据权限要求8所述的基于快速傅里叶变换分类胎心率减速的方法，其特征在于，根据深度学习网络的输出使用不同评估函数对预测准确率进行评估，确保方法的有效性和可靠性。
