基于多加速度传感器的胎动信号检测方法*

赵吕晨， 吴 薇， 曾宪奕， 王高峰

(1.江南大学 物联网工程学院，江苏 无锡 214122;2.杭州电子科技大学 电子信息学院，浙江 杭州 310018； 3.法国国立纺织工艺学院，法国 鲁贝 59100)



基于多加速度传感器的胎动信号检测方法*

赵吕晨1， 吴 薇2， 曾宪奕3， 王高峰2

(1.江南大学 物联网工程学院，江苏 无锡 214122;2.杭州电子科技大学 电子信息学院，浙江 杭州 310018； 3.法国国立纺织工艺学院，法国 鲁贝 59100)

针对检测胎儿重要生理指标胎动信号的问题，提出了一种基于多加速度传感器的利用多种特征检测胎动的方法。采用带通滤波器和小波去噪对信号进行预处理;利用平滑Wigner-Ville分布(WVD)分析提取胎动信号的时域和时频域分布特征，引入了胎动信号分布在时频域的区域数量特征，采用基于Gabor字典和MP的方法提取该特征。根据所提取的特征，建立胎动信号的数学模型，实现了相应分类器。仿真结果显示：该算法具有较高的识别率和可靠性。

胎动检测； 加速度传感器； 平滑Wigner-Ville分布

0 引 言

胎动是检测胎儿是否健康成长的重要临床指标[1]。目前检测胎动多采用超声波成像和孕妇自己对胎动计数这两种方法。但是超声波成像需要在医生的辅助下进行，而孕妇自己计数则准确性不足。针对本问题，文献[2]和文献[3]采用电压和包络能量阈值作为识别胎动的依据，简单快捷，但不能较好地识别母亲伪动和胎动信号。文献[4]提出了一种采用BP神经网络识别胎动加速度信号的方法，识别效果高度依赖于训练样本的选取。

本文提出了一种基于多加速度传感器利用多特征识别胎动的方法。该方法通过特制的托腹带采集多个位置的胎儿加速度数据，提取胎动信号的时频域特征，识别胎动信号。仿真实验表明,该算法有较高的识别率和准确率。

1 胎动信号识别

1.1 胎动信号预处理

原始信号中包含大量环境噪声和母体的伪动信号。据医学经验和观察，胎动信号主要集中在3.5～20 Hz频率范围。本文采用基于Hamming窗的带通滤波器和基于sym3小波基的软硬阈值结合的小波去噪方法对信号进行预处理，较好地滤除了干扰信号[5]。

1.2 胎动信号特征提取

本文采用标准差、能量、最大偏移、峰度和信号分布在时频域区域数量作为胎动信号特征。最大偏移定义为

A=MAX(X)-MIN(X)

(1)

式中 X为样本点。根据医学经验和观察，真实胎动信号的最大偏移小于0.08 gn(重力加速度,1 gn=9.81m/s2)大于0.015 gn，原始信号如图1中箭头所示为母体伪动信号。

图1 原始信号中最大偏移Fig 1 The maximum offset in raw signal

有界信号的能量定义为序列各样点值的平方和为

(2)

式中 X为采样点，N为样本数。能量信号能有效地对如图1中虚线箭头所示的胎动信号响应，如图2中箭头所示。

图2 能量特征响应Fig 2 Energy characteristics response

标准差的定义

(3)

峰度的定义如公式(4)所示

(4)

图3 标准差响应Fig 3 Standard devitation response

峰度表示信号在尖峰处的陡峭程度。由于胎动信号呈尖峰状，可利用该特征响应如图1中点线箭头所示的含有高能量背景噪声的弱胎动信号，如图4实线箭头所示。但峰度会响应具有尖峰信号的背景噪声，造成误识，如图4虚线箭头所示。这需要参照标准差特征或是否有多个轴同样出现峰度响应进行甄别。

图4 胎动信号时域特征Fig 4 Time domain features of fetal movement signal

胎动信号分布在时频域区域数量特征采用平滑WVD分布进行时频分析获取。平滑Wigner-Ville分布(WVD)定义为

(5)

式中 对称模糊函数Αz(ν,τ)定义为

(6)

核函数g(ν,τ)采用修正B分布定义为

(7)

对胎动信号进行平滑WVD时频分析，如图5和图6。在采集数据过程中传感器紧贴在母亲的腹部，当母亲做出近似胎动幅度的动作时，持续时间相比胎儿较长，加速度数据呈现出一定的震荡现象，在时频域中会出现多个区域，如图5。

图5 伪动信号时频域分布Fig 5 Maternal movements signal distribution in TF domain

而胎儿的动作较为短促，分布在时频域中的区域数量较少，各区域独立性较高，如图6。根据观察和数据记录，胎动信号分布在时频域的独立区域数量小于等于3个，而母亲的伪动信号分布在时频域的区域数量在4～6个之间，可根据此特征识别胎动信号。

图6 胎动信号时频域分布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]的信号分解方法提取胎动信号分布在时频域的区域数量特征。算法描述如下

1)构建Gabor字典D={dγ1,dγ2,…,dγn};

3)do

图7 一次迭代后时频域分布Fig 7 TF-domain distribution after one iteration

胎动信号整体流程如图8所示，根据提取特征设计的分类器如图9所示，其中的阈值是根据多次实验和医学经验选取的，为了便于计算，能量阈值中信号单位为mgn(重力加速度,1 mgn=9.81 mm/s2)。

图8 胎动信号识别框架图Fig 8 Frame of fetal movement signal identification

分类器输入长度为128采样点的24道数据。24道数据依次输入识别器，每一道数据得到一个值，24道数据的和大于等于1表明当前窗口检测到胎动信号，并输出1;否则,输出0。

图9 分类器Fig 9 Classifer

2 实验验证和分析

2.1 数据采集

本文实现了两个基于飞思卡尔MKW2xD芯片和MMA8451加速度传感器的数据采集原型机。每个原型机连接4只加速度传感器，采用50 Hz的采样率，以Matlab 8.3.3作为实验仿真平台。

实验团队采集了多位志愿者的750例数据，所有孕妇采用半卧位，由助产医师记录胎动数据，孕妇的一切动作，例如：笑、讲话、咳嗽、打嗝等都会被记录，作为分析和消除母体伪动信号的重要根据。

2.2 仿真结果分析

根据助产医师的分析和记录，750段数据中共有94段数据包含胎动信号，占比12.53 %。本文主要考察识别率和正确率两个指标来评判分类器的准确性，识别率和正确率定义为

(8)

(9)

本文和BP神经网络方法的仿真结果如表1所示，94例胎动数据，分类器识别出了87例，识别率达到了92.55 %，误识了4例，正确率达到了95.60 %。该算法识别率略高于BP神经网络，但正确率得到了较大提升。

本算法正确率高于BP神经网络是因为本算法提取了胎动信号在时域和时频域的分布特征，建立了相应的数学模型，相比于将信号作为整体输入BP神经网络精确度较高，同时也避免了BP神经网络对大量训练样本的依赖。

表1 94例胎动信号的识别结果

3 结束语

针对目前胎动检测方法存在的弊端，本文提出了一种基于加速度传感器的利用多特征检测胎动的方法。采集了多组孕妇的胎动加速度数据，分析了原始信号中低频和高频噪声特征，对信号进行预处理，根据所提取的胎动信号特征设计分类器。实验结果表明:该分类器的平均识别率达到了92.55 %，平均正确率达到了95.60 %，能较为有效、可靠地识别胎动信号。

在此同时需要对三轴之间加速度数据关系做更深入地研究，挖掘新的特征和算法，进一步的提高识别率和正确率。

[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,杨 琳,白 骏,等.一种阵列式胎动信号及子宫收缩信号监测腹带[J].北京生物医学工程,2012(5):511-517.

[3] 崔建国,张雅雅.具有胎音监护、胎动检测及胎动轨迹诱导功能的可穿戴式胎教腹带系统:中国,201410534190.5[P].2015—01—24.

[4] 薛艳明,张 元,吕运朋,等.小波变换提取的胎动信号的神经网络识别[J].数据采集与处理,2001,16(3):295-298.

[5] 黄新安,葛高发.一种改进的胎心率检测算法[J].计算机仿真,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,孔令华.Gabor和Chirplet字典中的子空间匹配追踪算法对比[J].昆明理工大学学报：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.

赵吕晨(1991-), 男, 河北邯郸人, 硕士研究生, 主要研究方向为生物医学信号处理。

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

国家自然科学基金国际(地区)合作与交流资助项目(61411136003)

TP 391

A

1000—9787(2016)12—0020—04