基于迁移学习和支持向量机的胎心率分类方法

摘要

胎心率(Fetal Heart Rate,FHR)作为电子胎心宫缩监护(Cardiotocography,CTG)的重要生理参数,是目前临床评估胎儿宫内健康状况最为重要的安全指标。为降低主观分析的误诊率,简化传统胎儿监护模型,提出一种基于迁移学习和支持向量机(Support Vector Machine,SVM)的胎儿状态评估方法。首先,采用盲分割的方法对原始信号进行分割,通过插值法对截取的信号进行降噪预处理;然后,采用广义S变换来捕捉FHR信号在各个时间点的瞬时频率特征轨迹图,并从FHR信号的一维轨迹图中提取频域特征;最后,引入卷积神经网络AlexNet模型,学习得到的特征向量作为SVM输入进行胎心率分类。实验结果表明:该方法可以快速准确地对胎心率进行分类,采用预训练的AlexNet卷积神经网络和SVM,准确率达到97.90%。