[发明专利]基于深度学习网络的早产检测方法

摘要

本发明提供的一种基于深度学习网络的早产检测方法，包括采集正常孕妇的体表子宫肌电信号并转换成数字信号；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，对子宫肌电信号样本进行3层离散小波分解，提取出表征子宫肌电信号样本的特征向量；构建训练集和测试集；将妊娠期样本特征向量分娩期样本特征向量进行标签设定；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；采集待检孕妇的体表子宫肌电信号并转换成数字信号，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；能够准确预测早产且无创伤。

主权项

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。