1.一种基于注意力机制与CTG图像的胎儿、新生儿缺氧无创诊断系统，其特征在于：包括数据采集控制模块、胎儿心率信号测量模块、孕妇宫缩信号测量模块、数据处理模块、脐动脉血pH值与Apgar评分推理模块和显示模块；

数据采集控制模块分别与胎儿心率信号测量模块和孕妇宫缩信号测量模块连接，以控制相应模块的启动与终止，并控制相应模块将测量数据输送给数据处理模块；

胎儿心率信号测量模块用于测量胎儿、新生儿心率，并将测量数据输送给数据处理模块；

孕妇宫缩信号测量模块用于测量孕妇宫缩信号，并将测量数据输送给数据处理模块；

数据处理模块用于将接收到的胎儿心率信号FHR和孕妇宫缩信号UC这两个一维时序信号转换为二维特征图像；数据处理模块的输出接脐动脉血pH值与Apgar评分推理模块；

脐动脉血pH值与Apgar评分推理模块内置有评分推理神经网络模型，将数据处理模块的输出作为脐动脉血pH值与Apgar评分推理模块的输入输入给评分推理神经网络模型，在评分推理神经网络模型的输出端即得到需要的脐动脉血pH值与Apgar评分；

显示模块与脐动脉血pH值与Apgar评分推理模块连接，用于显示脐动脉血pH值与Apgar评分推理模块输出的脐动脉血pH值与Apgar评分以及其他需要显示的信息；

所述评分推理神经网络模型按如下方法训练得到：将时序CTG数据集通过数据处理模块处理得到对应的二维特征图像，然后将得到的所有二维特征图像与相应的pH值和Apgar评分标签投入预先确定的神经网络模型中，并采用RMSprop优化器和平均绝对误差损失函数训练模型，当输出满足设定条件时，即训练得到所述评分推理神经网络模型；所述时序CTG数据集由若干时序CTG数据构成，每个时序CTG数据均由胎儿心率信号FHR和孕妇宫缩信号UC组成；

所述数据处理模块包括CTG特征图像转换子模块；

CTG特征图像转换子模块通过执行以下步骤实现将两个一维时序信号转换为二维特征图像，

设时序信号FHR和时序信号UC对应的一维时序信号为X＝[x1，x2，...，xn]，第一步：将时序信号里每个值的范围缩放到[‑1,1]，公式如下其中max(x)和min(x)为时序信号中的最大值和最小值；

第二步：将缩放后的时序信号转换到极坐标系统，时序信号中的每个数据点xi转换成夹角余弦值 时间步长转换成半径r，公式如下N是时序信号的采样点个数，ti是时间步长；

第三步：根据不同点之间的角度差将长度为n的时序信号转换为大小为[n，n]的Gram矩阵，公式如下Gram矩阵代表一张二维图像，Gram矩阵中的每个值对应着二维图像中的一个像素点；

由此分别得到时序信号FHR和时序信号UC对应的一张二维图像，将时序信号FHR对应的二维图像和时序信号UC对应的二维图像合并，即得到所述二维特征图像。

2.根据权利要求1所述的一种基于注意力机制与CTG图像的胎儿、新生儿缺氧无创诊断系统，其特征在于：所述数据处理模块还包括数据降噪子模块，数据降噪子模块包括FHR信号降噪子模块和UC信号降噪子模块；数据处理模块将降噪后的FHR信号和UC信号再转换为一张二维特征图像；

FHR信号降噪子模块按如下方法降噪，

1)当时序信号FHR中出现连续60个以上采样点的值为0时，则直接移除这部分采样点，否则对其进行线性插样；

2)当时序信号FHR不稳定时，即相邻两个采样点的绝对值差大于25bpm，则在起始采样点和下一个稳定部分的第一个采样点之间进行线性插值；

3)当时序信号FHR的值大于200bpm或者小于50bpm时，则使用Hermite插值法进行填补；

UC信号降噪子模块按如下方法降噪，对时序信号UC进行中值滤波处理，在保留时序信号UC曲线变化特征的基础上对毛刺进行有效的去除。

3.根据权利要求1所述的一种基于注意力机制与CTG图像的胎儿、新生儿缺氧无创诊断系统，其特征在于：将训练用的胎儿心率信号FHR和孕妇宫缩信号UC按如下方法进行时域数据增强，以得到增强的时序CTG数据集：先采用定长滑窗分割方式分别将组成每个时序CTG数据的FHR信号与UC信号分成若干个子信号；滑窗的步长是X个采样点，每个子信号的基准长度是滑窗步长的整数倍，当FHR信号或UC信号的总长度小于基准长度时，将不做分割处理；当滑窗截取的最后一个子信号的长度小于基准长度时，则舍弃这个子信号；

假设利用定长滑窗分割方式将某个时序CTG数据里的源FHR信号分解成M个FHR子信号，将源UC信号分解成N个UC子信号；分解得到的M个FHR子信号与N个UC子信号之间两两配对，形成M*N个组合，每个组合构成与源时序CTG数据具有相同作用的时序CTG子数据，从而得到增强的时序CTG数据集。

4.根据权利要求1所述的一种基于注意力机制与CTG图像的胎儿、新生儿缺氧无创诊断系统，其特征在于：所述评分推理神经网络模型由一个卷积层、两个池化层、四个FGA‑Layer层、一个LSTM层和一个全连接层组合而成，其中每个FGA‑Layer层由多个粒度级残差结构FGA‑Block串联组成；粒度级残差结构FGA‑Block引入CBAM注意力机制模块，用于提取特征图里重要的通道和空间信息；LSTM层位于平均池化层与全连接层之间，LSTM层引入门函数和记忆单元，用于挖掘特征图中相对较长间隔的时序变化规律。

5.根据权利要求4所述的一种基于注意力机制与CTG图像的胎儿、新生儿缺氧无创诊断系统，其特征在于：所述CBAM注意力机制模块由两个子模块级联组成，第一个模块是通道注意力模块，用于表征特征图各通道与关键信息的相关度，权重越大，则表示相关度越高；第二个模块是空间注意力模块，用于获取特征图不同区域信息的重要程度。

6.根据权利要求5所述的一种基于注意力机制与CTG图像的胎儿、新生儿缺氧无创诊断系统，其特征在于：在通道注意力模块中，输入大小为H×W×C的特征图在层维度上分别经过最大池化层MaxPool和平均池化层AvgPool处理以获得表征全局信息的1×1×C向量，再将该向量送到多层感知机MLP以学习不同通道间的关联性，最后将这两者的输出相加并送入到Sigmoid函数得到1×1×C的通道权重，且与H×W×C的原始特征图以乘法加权的方式相乘来强化信息量大的特征，并抑制无用的特征；计算过程如下：Ac(X)＝σ(MLP(MaxPool(X))+MLP(AvgPool(X)))

Yc＝Ac(X)·X

其中X和Yc分别是通道注意力模块的输入和输出，Ac(X)是通道权重，σ是Sigmoid函数。

7.根据权利要求5所述的一种基于注意力机制与CTG图像的胎儿、新生儿缺氧无创诊断系统，其特征在于：在空间注意力模块中，通道注意力模块的输出特征图在通道维度上分别进行最大池化层MaxPool和平均池化层AvgPool处理以产生两个代表不同信息的H×W×1特征图，两者通过Concat运算合并成H×W×2特征图，再通过卷积层进行特征融合，最后使用Sigmoid函数得到表征空间区域信息重要程度的权重图，将其与模块的输入特征图相乘加权，实现目标区域的增强；计算过程如下：As(Yc)＝σ(Conv([((MaxPool(Yc)；AvgPool(Yc))]))

Ys＝As(Yc)·Yc

其中Yc和Ys分别是空间注意力模块的输入和输出，As(Yc)是空间信息权重图，Conv是卷积核大小为7×7的卷积操作。

8.根据权利要求4所述的一种基于注意力机制与CTG图像的胎儿、新生儿缺氧无创诊断系统，其特征在于：所述粒度级残差结构FGA‑Block由一个残差分支与一个跳层分支组成，其中在残差分支内构造分层的类残差连接，即在1×1Conv之后对特征图通道进行分组，对每个通道单独用3×3Conv提取特征，并把当前通道的卷积输出以类残差方式与下个通道相加进行特征融合，之后将每个通道的卷积输出通过Concat操作恢复原来的通道数，再将其通过1×1Conv后的输出经过CBAM注意力机制模块得到残差分支的输出；粒度级残差结构FGA‑Block用参数s控制通道组数实现以粒度级别表示多尺度特性，且增加了每个网络层的感受野范围，跳层分支使得输入信号可以不经过残差分支直接到达残差分支的末端，以防止网络层数过深导致的梯度消失和网络退化问题。