胎心率监护及分析方法的进展

化和胎儿行为，结果发现有正常面部运动时段的能量谱在面部运动频率处有一个波峰，而没有面部运动的时段对应的能量谱就没有峰值出现［11］，如图1所示。而AbboudS等人采用能量谱通过腹壁母体心电图来分析胎儿心率变化，他们从15个怀孕32～41周的孕妇身上获得母体心电图后采用正交相关函数、数字滤波和快速傅立叶变换等得到能量谱［12］。分析能量谱得出了两个反映心率长变异和短变异的指标，并和信号在时域分析中得出的变异进行比较，发现有良好的一致性（r＝0.937）。

图1在有正常面部运动的CF1状态期，胎心率变化的相对谱密度（注：纵坐标A.U.表示相关谱密度的绝对单位，RM指示面部运动所处的频率位置。

2.3 人工神经网络分析

人工神经网络是一类仿生物神经网络原理的信息处理系统，与传统信息处理系统有着本质不同，是以并行性、容错性、非线性和自学习性等为主要特征。胎心率是一种随胎儿健全状况、成熟程度不同而不断变化的，同时胎心率很容易受低血氧、贫血、酸中毒、宫缩等因素影响［1］，简单地凭线性方法可能还不足以最准确地反映胎儿状况，应该以多种因素综合考虑来进行诊断。采用神经网络方法能够将多个因素同时进行考虑，适当地应用到对胎心率的诊断和识别能够取得较好的效果。目前研究人员主要用神经网络方法来构造小的专家系统进行预测和识别隐藏在曲线内部的信息。KelthRDF等人采用4个输入节点分别表示减速的面积、深度、时长及变化，5个隐层节点，3个输出节点分别表示不是减速、是减速、是一个严重减速来构造了一个BP神经网络模型如图2所示，在经过106次随机样本输入，每个样本大约重复输入了2193次。网络学习一直到误差小于0.1后停止，然后对116个时间长度为15min的未知片段进行识别，识别完后再进行第二次的随机识别，同时由妇产科专家、助产士、工程师、临床使用的监护仪进行相同方法的识别作为对照。结果发现网络的识别结果和妇产科专家的识别结果有最高的符合率，同时对同一样本的识别又比专家的一致性要高，而且远远好于目前在临床上使用的监护仪的专家符合率［13］。DevoeLD等人采用神经网络来预测胎儿的预后状况和确定对于足月孕妇无负荷试验的每次监护的最佳时间间隔［14］。他们发现连续的或隔天的胎心率情况可以较好地预测下一天的胎心率情况，从而可以按照一定的时间间隔进行监护，而避免了无规则地盲目监护。他们还由此得出胎心率的长变异是提供预测的最好指标，并和采用回归方程的方法相比，神经网络方法预测出的结果要来得好。

2.4 混沌分析

混沌理论是专门用于描述介于线性和随机两者之间边界问题的一类混沌现象。研究人员在研究控制胎心率的生理机制后，得出胎儿心率既不是一个简单的线性变化，也不是完全的随机过程，是处于这两者之间的边界问题即混沌现象，所以用混沌方法来分析胎心率可能更好地理解胎心率的整个生理机制。ChaffinDG等人采用相位空间重建技术和维数分析，研究了12条从正常孕妇中得到的胎心率曲线，用时延方法得到相位空间吸引子，其特征和那些非线性混沌系统具有一致性，揭示了胎心率的变化是由一个非线性混沌系统控制的［15］。RenzoGG等人采用分形算法来估测胎心率的变化情况［16］，他们分析了健康足月胎儿的心率，得到一个大的中心吸引子，并伴有大量随机的能量投射，而当心率曲线变得有问题时，吸引子就变小，能量投射数目也相应减小，当胎儿进一步退化，则吸引子变得非常小，而且基本上没有能量投射。他们还指出，在提早衰退的胎儿中，吸引子在其轨迹上失去了原来的复杂性而变得更小、更狭窄，并且和D2维值的下降相一致。

图2　输入节点所表示的含义和BP神经网络的构成

图3　胎心率曲线和相应的时频能量分布图：（1）31周孕期；（2）38周孕期

2.5 匹配跟踪（MatchingPursuits，MP）

MetinAkay等人研究和总结了前人单独在时域或频域中的FHR分析技术，提出了基于时域和频域的匹配跟踪法（MP）来分析FHR。由于匹配跟踪法能在时间—频率平面得到复杂的能量结构，例如从尖脉冲状到持续的活跃波动型，而这样的结构用能量谱方法和小波分析都是无法在时间—频率平面得到的。用MP方法去考察胎心率的波动是因为传统的傅立叶变换不能反映波动很少的信号，而小波变换因其傅立叶变换只支持一个很小频带，也不能反映频带很宽的信号结构。MetinAkay等人用MP方法去考察胎心率的时频特征时，发现其能量结构符合上述所述的复杂结构［18］，这使得用传统傅立叶变换到频域中去分析或使用小波变换分析都不能很好地反映胎心率信号的特