[发明专利]基于脉搏波的怀孕女性筛查方法

权利要求书

1.一种基于脉搏波的怀孕女性筛查方法，其特征是包括步骤：

1)采集到脉搏波；

2)获取脉搏波参数，参数包括脉搏波脉搏周期总时间、脉搏波传导时间；

3)通过特征工程将脉搏波参数转化为建模指标，通过该建模指标进行判定；

所述步骤2)中，

步骤201是脉搏波信号的合法性检测：对脉搏波信号进行运算检测，判定此脉搏波是否合法；

步骤202是脉搏波的去噪与变换：对脉搏波进行变换去噪；

步骤203是脉搏波参数的计算：对脉搏波处理得到所需脉搏波参数，通过特征工程将脉搏波参数转变为怀孕判别指标，并输出至怀孕女性样本数据库，为步骤3)的模型构建提供样本数据支撑，同时输出至怀孕女性分类预测模型进行判定；

所述步骤3)中，怀孕女性分类预测模型的构建及使用，根据步骤203生成的怀孕女性样本数据库构建模型并使用怀孕女性分类预测模型判定被测人员是否怀孕；

所述步骤201中：

首先载入脉搏波信号，对脉搏波信号长度进行计数，判断其长度是否满足最低要求，若不满足要求，则该信号不合法，具体为：对信号进行长度为2048个点，步长为300个点的切割，分别然后计算信号0值长度，若长度不在目标范围，则该信号不合法；

再对上一步的合法信号进行快速傅里叶变换，计算频谱的极大值是否在目标范围内，若不在目标范围，则舍弃该信号；

最后计算波形极差，若极差在目标范围内，输出相应信号；

所述步骤202中：

对步骤201得到信号进行长度为2048个点，步长为300个点的切割，分别进行平滑滤波、中值滤波，然后进行小波分解，小波分解公式为：

其中，X为变换后的信号，a为时间，b为尺度，x(t)为原信号，ψ为小波母函数，t为时间自变量；

使用sym8小波将信号分解为高频，中频，低频三部分；使用分解的小波系数分别重建三部分信号，低于阈值的信号进行舍弃；滤波结果进行重组，得到有效信号；

所述步骤203中：

脉搏波传导时间PWTT计算方法为：

PWTT＝abs(x1-x2)

其中x1为定位的反射点对应的表示时间点的位置，x2为定位的脉搏波加速度最大点对应的表示时间点的位置；

首先，载入处理后的脉搏波信号；

然后，对上述信号进行二次微分，定位第一个和第二个波峰，第一个波峰对应x2，第二个波峰对应x1，完成x1和x2特征点的定位；

最后通过上述x1和x2所在位置的差的绝对值计算得出脉搏波时域类参数PWTT；

将计算出的脉搏波参数输出至怀孕女性样本数据库，为模型构建提供样本支撑，同时输出至怀孕女性分类预测模型进行判定；

脉搏波脉搏周期总时间t的计算方法为：

t＝x3-x0

其中，x3为脉搏波最终波谷位置，x0为脉搏波起始波谷位置；

首先，载入处理后的脉搏波信号；

然后，对脉搏波采样序列进行排序处理，定位脉搏波起始波谷和最终波谷；

最后通过脉搏波最终波谷x3和起始波谷x0的表示时间点的位置差得出脉搏波时域类参数t；

脉搏波每分钟搏动次数rate的计算方法为：

rate＝Minute/t

其中，Minute为一分钟的时间长度常量，t为脉搏波脉搏周期总时间；将上述流程计算出的脉搏波时域类参数t与一分钟的时间长度常量求比值得到脉搏波每分钟搏动次数rate；

全部脉搏周期的标准差SDNN计算方法为：

SDNN＝std(RR)

其中：RR为全部脉搏周期序列，具体为一段脉搏波的脉搏波时域类参数t组成的序列，std为计算标准差公式；

脉搏波上升斜率slopeu的计算方法为：

Slopeu＝a/(x5-x0)

其中：a为未微分脉搏波最大点的幅度，x5为未微分脉搏波最大点对应的表示时间点的位置，x0为脉搏波起始波谷位置；

首先，载入处理后的脉搏波信号；

然后，对脉搏波采样序列进行排序处理，定位脉搏波最大点和起始波谷；

最后通过脉搏波最大点幅度a和脉搏波最终波谷x5和起始波谷x0的表示时间点的位置差的比值得到脉搏波上升斜率slopeu；

所述步骤3)中，怀孕女性分类预测模型的构建和使用方法为：

第一步，怀孕数据预处理：

对数值指标归一化，对类别指标因子化，对目标变量因子化；生理特征指标为脉搏波传导时间PWTT，脉搏波每分钟搏动次数rate，身高height，体重weight，年龄age，脉搏波上升斜率slopeu，全部脉搏周期的标准差SDNN；目标变量为huaiyun，表示是否怀孕；

第二步，怀孕特征工程：

采用lasso逻辑回归筛选生理特征指标，剔除指标rate和SDNN；

第三步，第一次怀孕分类器构建：

在训练集通过交叉验证构建神经网络，采取梯度下降策略更新神经网络参数，形成分类器A；

第四步，第一次怀孕分类器A评估：

在测试集上验证分类器A分类效果，发现预测的准确率为64％，召回率为58％，模型质量较差，返回第二步；

第五步，第二次特征工程和怀孕分类器构建：

由于神经网络预测效果差，选择支持向量机分类器；在训练集通过交叉验证计算得到支持向量机的核函数、惩罚参数以及支持向量，形成分类器B；

第六步，第二次怀孕分类器B评估：

在测试集上验证支持向量机分类效果，发现预测的准确率为94％，召回率为93％，模型质量较高，不需重新建模，保留分类器B；

第七步，模型的确定和使用；

将第二次构建的怀孕分类器B作为怀孕女性分类预测模型，对该模型进行有效存储并使用该模型对新的被测人员是否怀孕进行判定。