【作 者】叶明珠，邵李焕，邓艳军

杭州电子科技大学 电子信息学院，杭州市，310018

0 引言

电子胎心宫缩监护（Cardiotocography,CTG）是一种非入侵式的，安全可靠的胎儿健康检测方法。CTG由胎心率（fetal heart rate,FHR）信号和宫缩信号组成。异常波动的胎心率表示胎儿宫内缺氧和胎儿不安全。如今，电子胎心监护在不断的创新发展中，使用胎儿监护设备识别胎心率异常的案例和经验数据越来越丰富，评判胎儿健康状况的标准也越来越清晰[1]。

现有的胎心率分类算法包括传统手动特征提取算法和特征自学习算法。基于手动特征自提取的胎心率分类算法步骤包含信号预处理、手动提取信号特征和信号分类。OCAK等[2]采用遗传算法（genetic algorithm,GA）来减少特征数量并找到使支持向量机（support vector machine,SVM）的分类性能最大化的特征子集，从正常和病理的CTG信号中手动提取特征构建基于SVM的分类器。SPILKA等[3]对FHR参数进行研究，提取出多个线性、时域、频域及非线性等特征，再采用不同的算法对特征进行降维和分类，在小数据集下取得了较为理想的效果。COMERT等[4]采用GA和SVM对胎心率信号的时频特征进行分类，其结果的敏感性和特异性分别为63.45%和65.88%。SAHIN等[5]评估了8种不同的机器学习算法对胎心率的21个特征进行分类的性能。但此类算法特征提取过程较为繁琐。

特征自学习胎心率分类算法省去了繁琐的特征提取和特征降维步骤，并且具有更高的准确率。早期有GEORGIEVA等[6]和CMERT等[7]采用人工神经网络对FHR进行分类。卷积神经网络作为经典的前馈神经网络，在机器视觉等很多领域都取得了成功的应用，多个卷积层和池化层连续级联用于对输入信号提取特征，softmax层用于对提取的特征进行分类。……