基于迁移学习和支持向量机的胎心率分类方法

• 作者: 叶明珠 赵治栋
• 来源期刊: 杭州电子科技大学学报（自然科学版）
• 关键词: 胎心宫缩图 胎心率 迁移学习 支持向量机 AlexNet
• 年，卷（期）: 2020,（3）
• 页码范围: 14-18,43
• 页数: 6页
• 分类号: TN911.7
• 语种: 中文
• DOI: 10.13954/j.cnki.hdu.2020.03.003

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％.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	赵治栋	杭州电子科技大学电子信息学院	42	284	8.0	15.0
2	叶明珠	杭州电子科技大学电子信息学院	1	0	0.0	0.0