基于多加速度傳感器的胎動信號檢測方法*

趙呂晨， 吳 薇， 曾憲奕， 王高峰

(1.江南大學 物聯(lián)網(wǎng)工程學院，江蘇 無錫 214122;2.杭州電子科技大學 電子信息學院，浙江 杭州 310018； 3.法國國立紡織工藝學院，法國 魯貝 59100)

?

基于多加速度傳感器的胎動信號檢測方法*

趙呂晨1， 吳 薇2， 曾憲奕3， 王高峰2

(1.江南大學 物聯(lián)網(wǎng)工程學院，江蘇 無錫 214122;2.杭州電子科技大學 電子信息學院，浙江 杭州 310018； 3.法國國立紡織工藝學院，法國 魯貝 59100)

針對檢測胎兒重要生理指標胎動信號的問題，提出了一種基于多加速度傳感器的利用多種特征檢測胎動的方法。采用帶通濾波器和小波去噪對信號進行預處理;利用平滑Wigner-Ville分布(WVD)分析提取胎動信號的時域和時頻域分布特征，引入了胎動信號分布在時頻域的區(qū)域數(shù)量特征，采用基于Gabor字典和MP的方法提取該特征。根據(jù)所提取的特征，建立胎動信號的數(shù)學模型，實現(xiàn)了相應分類器。仿真結(jié)果顯示：該算法具有較高的識別率和可靠性。

胎動檢測； 加速度傳感器； 平滑Wigner-Ville分布

0 引 言

胎動是檢測胎兒是否健康成長的重要臨床指標[1]。目前檢測胎動多采用超聲波成像和孕婦自己對胎動計數(shù)這兩種方法。但是超聲波成像需要在醫(yī)生的輔助下進行，而孕婦自己計數(shù)則準確性不足。針對本問題，文獻[2]和文獻[3]采用電壓和包絡能量閾值作為識別胎動的依據(jù)，簡單快捷，但不能較好地識別母親偽動和胎動信號。文獻[4]提出了一種采用BP神經(jīng)網(wǎng)絡識別胎動加速度信號的方法，識別效果高度依賴于訓練樣本的選取。

本文提出了一種基于多加速度傳感器利用多特征識別胎動的方法。該方法通過特制的托腹帶采集多個位置的胎兒加速度數(shù)據(jù)，提取胎動信號的時頻域特征，識別胎動信號。仿真實驗表明,該算法有較高的識別率和準確率。

1 胎動信號識別

1.1 胎動信號預處理

原始信號中包含大量環(huán)境噪聲和母體的偽動信號。據(jù)醫(yī)學經(jīng)驗和觀察，胎動信號主要集中在3.5～20 Hz頻率范圍。本文采用基于Hamming窗的帶通濾波器和基于sym3小波基的軟硬閾值結(jié)合的小波去噪方法對信號進行預處理，較好地濾除了干擾信號[5]。

1.2 胎動信號特征提取

本文采用標準差、能量、最大偏移、峰度和信號分布在時頻域區(qū)域數(shù)量作為胎動信號特征。最大偏移定義為

A=MAX(X)-MIN(X)

(1)

式中 X為樣本點。根據(jù)醫(yī)學經(jīng)驗和觀察，真實胎動信號的最大偏移小于0.08 gn(重力加速度,1 gn=9.81m/s2)大于0.015 gn，原始信號如圖1中箭頭所示為母體偽動信號。

圖1 原始信號中最大偏移Fig 1 The maximum offset in raw signal

有界信號的能量定義為序列各樣點值的平方和為

(2)

式中 X為采樣點，N為樣本數(shù)。能量信號能有效地對如圖1中虛線箭頭所示的胎動信號響應，如圖2中箭頭所示。

圖2 能量特征響應Fig 2 Energy characteristics response

標準差的定義

(3)

峰度的定義如公式(4)所示

(4)

圖3 標準差響應Fig 3 Standard devitation response

峰度表示信號在尖峰處的陡峭程度。由于胎動信號呈尖峰狀，可利用該特征響應如圖1中點線箭頭所示的含有高能量背景噪聲的弱胎動信號，如圖4實線箭頭所示。但峰度會響應具有尖峰信號的背景噪聲，造成誤識，如圖4虛線箭頭所示。這需要參照標準差特征或是否有多個軸同樣出現(xiàn)峰度響應進行甄別。

圖4 胎動信號時域特征Fig 4 Time domain features of fetal movement signal

胎動信號分布在時頻域區(qū)域數(shù)量特征采用平滑WVD分布進行時頻分析獲取。平滑Wigner-Ville分布(WVD)定義為

(5)

式中 對稱模糊函數(shù)Αz(ν,τ)定義為

(6)

核函數(shù)g(ν,τ)采用修正B分布定義為

(7)

對胎動信號進行平滑WVD時頻分析，如圖5和圖6。在采集數(shù)據(jù)過程中傳感器緊貼在母親的腹部，當母親做出近似胎動幅度的動作時，持續(xù)時間相比胎兒較長，加速度數(shù)據(jù)呈現(xiàn)出一定的震蕩現(xiàn)象，在時頻域中會出現(xiàn)多個區(qū)域，如圖5。

圖5 偽動信號時頻域分布Fig 5 Maternal movements signal distribution in TF domain

而胎兒的動作較為短促，分布在時頻域中的區(qū)域數(shù)量較少，各區(qū)域獨立性較高，如圖6。根據(jù)觀察和數(shù)據(jù)記錄，胎動信號分布在時頻域的獨立區(qū)域數(shù)量小于等于3個，而母親的偽動信號分布在時頻域的區(qū)域數(shù)量在4～6個之間，可根據(jù)此特征識別胎動信號。

圖6 胎動信號時頻域分布Fig 6 Fetal movements signal distribution in TF domain

本文采用基于Gabor字典[7]和MP(matching pursuit)方法[8]的信號分解方法提取胎動信號分布在時頻域的區(qū)域數(shù)量特征。算法描述如下

1)構(gòu)建Gabor字典D={dγ1,dγ2,…,dγn};

3)do

圖7 一次迭代后時頻域分布Fig 7 TF-domain distribution after one iteration

胎動信號整體流程如圖8所示，根據(jù)提取特征設計的分類器如圖9所示，其中的閾值是根據(jù)多次實驗和醫(yī)學經(jīng)驗選取的，為了便于計算，能量閾值中信號單位為mgn(重力加速度,1 mgn=9.81 mm/s2)。

圖8 胎動信號識別框架圖Fig 8 Frame of fetal movement signal identification

分類器輸入長度為128采樣點的24道數(shù)據(jù)。24道數(shù)據(jù)依次輸入識別器，每一道數(shù)據(jù)得到一個值，24道數(shù)據(jù)的和大于等于1表明當前窗口檢測到胎動信號，并輸出1;否則,輸出0。

圖9 分類器Fig 9 Classifer

2 實驗驗證和分析

2.1 數(shù)據(jù)采集

本文實現(xiàn)了兩個基于飛思卡爾MKW2xD芯片和MMA8451加速度傳感器的數(shù)據(jù)采集原型機。每個原型機連接4只加速度傳感器，采用50 Hz的采樣率，以Matlab 8.3.3作為實驗仿真平臺。

實驗團隊采集了多位志愿者的750例數(shù)據(jù)，所有孕婦采用半臥位，由助產(chǎn)醫(yī)師記錄胎動數(shù)據(jù)，孕婦的一切動作，例如：笑、講話、咳嗽、打嗝等都會被記錄，作為分析和消除母體偽動信號的重要根據(jù)。

2.2 仿真結(jié)果分析

根據(jù)助產(chǎn)醫(yī)師的分析和記錄，750段數(shù)據(jù)中共有94段數(shù)據(jù)包含胎動信號，占比12.53 %。本文主要考察識別率和正確率兩個指標來評判分類器的準確性，識別率和正確率定義為

(8)

(9)

本文和BP神經(jīng)網(wǎng)絡方法的仿真結(jié)果如表1所示，94例胎動數(shù)據(jù)，分類器識別出了87例，識別率達到了92.55 %，誤識了4例，正確率達到了95.60 %。該算法識別率略高于BP神經(jīng)網(wǎng)絡，但正確率得到了較大提升。

本算法正確率高于BP神經(jīng)網(wǎng)絡是因為本算法提取了胎動信號在時域和時頻域的分布特征，建立了相應的數(shù)學模型，相比于將信號作為整體輸入BP神經(jīng)網(wǎng)絡精確度較高，同時也避免了BP神經(jīng)網(wǎng)絡對大量訓練樣本的依賴。

表1 94例胎動信號的識別結(jié)果

3 結(jié)束語

針對目前胎動檢測方法存在的弊端，本文提出了一種基于加速度傳感器的利用多特征檢測胎動的方法。采集了多組孕婦的胎動加速度數(shù)據(jù)，分析了原始信號中低頻和高頻噪聲特征，對信號進行預處理，根據(jù)所提取的胎動信號特征設計分類器。實驗結(jié)果表明:該分類器的平均識別率達到了92.55 %，平均正確率達到了95.60 %，能較為有效、可靠地識別胎動信號。

在此同時需要對三軸之間加速度數(shù)據(jù)關(guān)系做更深入地研究，挖掘新的特征和算法，進一步的提高識別率和正確率。

[1] O’Sullivan O,Stephen G E. Predicting poor perinatal outcome in women who present with decreased fetal movements[J].Journal of Obstetrics & Gynaecology,2009,29(8):705-710.

[2] 王薇薇,楊 琳,白 駿,等.一種陣列式胎動信號及子宮收縮信號監(jiān)測腹帶[J].北京生物醫(yī)學工程,2012(5):511-517.

[3] 崔建國,張雅雅.具有胎音監(jiān)護、胎動檢測及胎動軌跡誘導功能的可穿戴式胎教腹帶系統(tǒng):中國,201410534190.5[P].2015—01—24.

[4] 薛艷明,張 元,呂運朋,等.小波變換提取的胎動信號的神經(jīng)網(wǎng)絡識別[J].數(shù)據(jù)采集與處理,2001,16(3):295-298.

[5] 黃新安,葛高發(fā).一種改進的胎心率檢測算法[J].計算機仿真,2015,32(10):374-377.

[6] Boashash B,Ben-Jabeur T.Design of a high-resolution separable-kernel quadratic TFD for improving newborn health outcomes using fetal movement detection[C]∥2012 The 11th International Conference on Information Science, Signal Processing and Their Applications(ISSPA),IEEE,2012:354-359.

[7] 周忠根,孔令華.Gabor和Chirplet字典中的子空間匹配追蹤算法對比[J].昆明理工大學學報：理工版,2010,35(3):89-92.

[8] Mallat S G,Zhang Z.Matching pursuits with time-frequency dictionaries[J].IEEE Transactions on Signal Processing,1993,41(12):3397-3415.

趙呂晨(1991-), 男, 河北邯鄲人, 碩士研究生, 主要研究方向為生物醫(yī)學信號處理。

Fetal movement signal detection method based on multi-acceleration sensor*

ZHAO Lü-chen1， WU Wei2， ZENG Xian-yi3， WANG Gao-feng2

(1.School of Internet of Things Engineering,Jiangnan University,Wuxi 214122,China；2.School of Electronic Information,Hangzhou Dianzi University,Hangzhou 310018,China；3.école Nationale Supérieure des Arts et Industries Textiles,Roubaix 59100,France)

A fetal movement detection method with multi-features based on multi-acceleration sensor is proposed aiming at monitoring the fetal health indicators.A FIR band-pass filter and wavelet denoising are used to pre-process the signal;smoothed Wigner-Ville distribution(WVD)is used to analyze and extract features of time domain on fetal movements as well as the distribution in the time-frequency(TF)domain.The number of the areas in the TF domain is imported as the most important recognition feature,extracted by Gabor dictionary and Matching pursuit(MP).A model predicting fetal movements is built up with these features.The simulation results show that the algorithm has high recognition rate and reliability.

fetal movement detection; acceleration sensor; smoothed Wigner-Ville distribution(WVD)

10.13873/J.1000—9787(2016)12—0020—04

2016—01—27

國家自然科學基金國際(地區(qū))合作與交流資助項目(61411136003)

TP 391

A

1000—9787(2016)12—0020—04