[发明专利]基于深度学习网络的早产检测方法

权利要求书

1.一种基于深度学习网络的早产检测方法，其特征在于：包括如下步骤：

S1.采集正常孕妇的体表子宫肌电信号并转换成数字信号；

S2.从子宫肌电数字信号中筛选出爆发波片段，对爆发波片段中分割出3000个子宫肌电信号样本，且每个样本包含16个时间序列且每个时间序列长度为4096点；其中，3000个子宫肌电信号样本包括1500个妊娠期样本和1500个分娩期样本；

S3.对子宫肌电信号样本进行3层离散小波分解，提取出尺度3近似系数、尺度3细节系数、尺度2细节系数和尺度1细节系数；并计算尺度3近似系数、尺度3细节系数、尺度2细节系数和尺度1细节系数的样本熵值作为样本特征值，并由样本特征值组成表征子宫肌电信号样本的特征向量；

S4.选出1000个妊娠期样本特征向量和1000个分娩期样本特征向量组成训练集，将剩余的500个妊娠期样本特征向量和500个分娩期样本特征向量组成测试集；

将妊娠期样本特征向量进行标签设定并设定为1，将分娩期样本特征向量进行标签设定并设定为2；

构建堆栈稀疏自编码深度学习网络，将训练集输入到堆栈稀疏自编码器中进行训练，提取出早产数据的高层次特征H；

S5.采集待检孕妇的体表子宫肌电信号并转换成数字信号，并执行步骤S2至步骤S3，提取出待检孕妇子宫肌电信号样本的特征向量并输入到堆栈稀疏自编码深度学习网络中进行早产预测分析。

2.根据权利要求1所述基于深度学习网络的早产检测方法，其特征在于：根据如下方法提取出高层次特征H：

S41.将每一个特征向量进行归一化处理：

u_max和u_min分别为任一样本特征向量的最大特征值和最小特征值，u_i为任一样本特征向量的第i个特征值；

将规一化处理后的样本特征向量表征为：

X＝{x(1),x(2),...,x(i),...,x(N)},x(i)∈R^M；其中，N＝2000，M＝64，M表示最初样本特征向量的维数；

S42.将X输入到SSAE模型进行第一层SAE网络进行训练，并建立sigmoid函数Z⁽¹⁾：

将sigmoid函数进行重构形成浅层特征函数L：

其中，W^(1,1)为堆栈稀疏自编码深度学习网络输入层到隐含层的权重，b^(1,1)为堆栈稀疏自编码深度学习网络输入层到隐含层的权重偏移系数，W^(1,2)为堆栈稀疏自编码深度学习网络隐含层到输出层的权重，b^(1,2)为堆栈稀疏自编码深度学习网络隐含层到输出层的偏移系数；

S43.构建损失函数J⁽¹⁾(W,b)：

其中，N为训练样本个数，α为正则项系数，β为稀疏惩罚项权重系数；ρ为定义稀疏水平的稀疏性参数，为隐含层第j个神经元在N个训练样本上的平均激活度，s_l为l层神经元个数，x(i)为输入特征向量，L(x(i))为输出特征向量，为ρ和之间的Kullback-Leibler散度，为l+1层神经元j和l层神经元i之间的连接权重，b^(1,l)为l层偏置系数；

S44.通过梯度下降算法优化损失函数J⁽¹⁾(W,b)直至损失函数J⁽¹⁾(W,b)收敛，从而更新网络参数W^(1,1)、W^(1,2)、b^(1,1)和b^(1,2)，可得:

其中，ε为学习率，l＝1,2；

S45.将步骤S44中得到的参数代入到步骤S42中浅层特征函数中，并将由浅层特征函数L得出的特征向量输入到第二层SAE网络中，按照步骤S43-S44进行训练得出第二层网络权重，并得到早产数据的高层次特征H。