胎心宫缩图(CTG)是电子胎儿监护记录的重要输出形式,通过该图可分析出包括胎心率基线、加速、减速以及与子宫收缩之间的关系等参数,反映胎儿的健康状况。依靠医生进行人工判读十分耗时且存在主观性。利用计算机自动分析CTG可在一定程度上辅助产科医生做临床决策。但是,胎心宫缩曲线数据的缺失及噪声和胎心率模式的复杂性使胎儿状态分析评估变得困难。因此,本文研究提高胎心宫缩信号的特征定量分析准确度,尝试解决胎儿状态评估问题。本文研究内容如下:(1)宫缩曲线提取算法的研究。本文从宫缩基线提取和宫缩波识别两个角度进行方法设计。改进宫缩基线算法,使用基于滑动窗分布区间最小均方误差的方法,这种方法能够有效对宫缩基线变更等情况进行跟随。设计宫缩识别方法,从峰值、持续时间、基线变更和宫缩波的形态特征方面设置判据,区分宫缩波和伪宫缩波以及其他干扰。在临床数据上进行算法验证实验,获得91.8%的敏感度和90.8%的阳性预测值。(2)胎心率信号基线和减速特征提取算法的调研和研究。针对先前在基线提取和减速识别算法的提取效果和准确度方面存在的问题,提出基于移动窗口均方根基准值的胎心率基线的改进算法。将本文的基线算法与其他七种不同的基线提取算法作比较,得到本文基线算法的平均绝对误差为7.5%。提出两种识别定位胎心率减速区(下文简称为减速区)的算法:其一是基于迭代阈值的减速区识别算法;减速区识别算法之二是基于一维浅层U-net网络对原信号进行逐点分类,逐段分区。分别在有专家标识的临床数据和法国里尔天主教大学的胎心率数据上做实验,以专家所做标识为参考标准并与实验结果做比较。实验结果表明,本文迭代阈值减速区识别方法的平均相对误差较传统方法减少了6.1%;U-net网络对减速区的定位识别结果敏感度为88.84%,特异性为89.34%。上述两种减速区识别算法分别对计算机的硬件环境配备要求不同。接着,提出积分法计算减速区面积(FHRDA),在有胎儿预后结果的开源数据库(CTU-UHB)中做实验,与传统近似三角形法计算结果对比,本文算法/近似三角法对V/U/V+U型减速区的计算误差分别为2.2%/6.2%、4.4%/10.3%、29.7%/76.8%,相较于V型减速区,对U型或者U/V混合型减速区的计算精确度更高。以p H值为金标准评判结果,经过非参数单因素方差分析,有效积分算法所得面积与胎儿酸血症存在显著性差异;进而使用迭代阈值和传统方法识别减速区,分别与积分法结合做交叉对比实验,突出了本方法的有效性,实验结果表明:当胎心率曲线减速面积达8.5cm~2时本方法的敏感度(62.1%)和特异性(80.0%)都较传统方法的敏感度(52.3%)和特异性(74.8%)有所提高。(3)研究胎心率信号表征酸血症的非线性特征参数。对比各参数间的差异及不同机器学习方法对胎儿酸血症评估结果的影响。尝试将胎心率信号转换为二维图像进行酸血症分类分析。运用卷积神经网络作为评估模型的方法,把一维信号转换为二维递归图作为训练网络的输入,以p H=7.2为分类参考界限标准对实验评估,使用十折交叉验证对模型进行评估,经过调参之后,分类结果准确度为98.38%。