CN101478921A - 心血管声音的多参数分类 - Google Patents
心血管声音的多参数分类 Download PDFInfo
- Publication number
- CN101478921A CN101478921A CNA2007800242704A CN200780024270A CN101478921A CN 101478921 A CN101478921 A CN 101478921A CN A2007800242704 A CNA2007800242704 A CN A2007800242704A CN 200780024270 A CN200780024270 A CN 200780024270A CN 101478921 A CN101478921 A CN 101478921A
- Authority
- CN
- China
- Prior art keywords
- son
- section
- parameter
- signal parameter
- sound
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B7/00—Instruments for auscultation
- A61B7/02—Stethoscopes
- A61B7/04—Electric stethoscopes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7239—Details of waveform analysis using differentiation including higher order derivatives
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Acoustics & Sound (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Vascular Medicine (AREA)
- Cardiology (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明涉及一种用于对从活体记录的心血管声音进行分类的方法。所述方法包括步骤:识别所述心血管声音的心脏舒张和/或收缩段;将所识别的心脏舒张和/或收缩段的至少一个划分为多个子段,所述多个子段包括至少第一子段和至少第二子段;从所述第一子段提取用于表征所述心血管声音的第一属性的至少第一信号参数,从所述第二子段提取用于表征所述心血管声音的第二属性的至少第二信号参数;在多变量分类方法内使用所述至少第一信号参数和所述至少第二信号参数来对所述心血管声音进行分类。而且,本发明涉及用于对从活体记录的心血管声音进行分类的系统、听诊器和服务器,在这些系统、听诊器和服务器中已经实现了上述方法。
Description
技术领域
本发明涉及用于将从活体记录的心音分类为多个类别的方法和系统,所述类别用于描述是否在心音内存在由于冠状动脉狭窄而导致的杂音。
背景技术
在西方世界,冠状动脉疾病是心血管疾病导致的单个最常见的死因。心肌通过冠状动脉来接收其血液供应,并且动脉粥样硬化是在引起冠状动脉搅拌(CAD)的冠状动脉内发生的最常见的病理生理过程。动脉粥样硬化是在动脉内产生斑的过程,因此,血流能够被斑减小或者甚至阻塞。不断工作的心脏需要连续和有效的血液供应,以便正确地工作。在血液供应上的缺陷可能很严重或者甚至致命。程度渐增的血管直径减少或者冠状动脉狭窄首先限制反流(reserve flow),然后减少在静息时的流动,最后可能完全地闭塞血管。
临床医生和其他医疗专业人员需要测量/检测冠状动脉狭窄以诊断CAD。一旦已经进行了诊断,则能够开始治疗/处理。
现在,存在几种非侵入性技术,用于测量/检测狭窄的严重度或者其在冠状动脉内的存在。这能够通过磁共振成像(MRI)、活体血管内超声(IVUS)或者光学相干断层扫描(OCT)来完成。但是,上述技术使用起来都相当复杂和昂贵,因此仅仅向具有特定病症的病人提供这些检查。结果是大多数病人当被检查时具有严重的狭窄。
临床医生和其他医疗专业人员长期依赖于诸如心血管声音的听诊声音,以帮助检测和诊断生理情况。例如,临床医生可以使用听诊器来监控和记录心音,以便检测心脏瓣膜疾病。而且,所记录的心音能够被数字化、保存和存储为数据文件以用于以后的分析。已经开发了向电子记录的听诊声音应用算法的装置。一个示例是自动化的血压监控装置。其他示例包括分析系统,其试图根据听诊声音的分析而自动地检测生理情况。例如,人工神经网络已经被讨论作为一种用于分析听诊声音并且提供自动化的诊断或者建议诊断的可能机制。难于提供一种用于使用这些传统技术来按照冠状动脉狭窄而对听诊声音进行分类的自动化装置,因为考虑人之间的差别对这些技术进行调整是非常困难的。两个不同的人将不同地影响听诊声音,并且即使两人都患有冠状动脉狭窄,来自两个病人的听诊声音也会不同。而且,经常难于以可以实时或者伪实时地应用来帮助临床医生的方式来实现传统技术。
许多临床医生推崇使用数字听诊器来获取听诊声音,因为他们熟悉听诊器,但是使用数字听诊器所获取的听诊声音的质量与由更高级的系统记录的听诊声音相比较,经常不良。这样的听诊声音的质量经常降低,因为在记录期间引入了其他的噪声——例如由于在麦克风和病人的胸部之间的摩擦或者由于环境噪声所导致的噪声。而且,当临床医生使用听诊器来记录听诊声音时是很亲密的情况,因为在病人和临床医生之间的距离很小,结果是听诊记录很短。因此,当使用听诊器时,仅仅获取适于执行冠状动脉疾病的分析的小量数据,因此由已知的技术执行的分析经常不正确。
US5036857公开了一种用于非侵入地检测冠状动脉疾病的方法和系统。所述方法包括:分析在心脏周期的舒张期间从病人的胸腔检测的舒张的心音,以便识别与在部分阻塞的冠状动脉内的湍流的血流相关联的低阶可听分量(low level auditory component)。使用诸如自回归(AAR)、自回归滑动平均(ARMA)和特征向量方法的高级信号处理技术来对这些舒张的心音建模,以便可以可靠地指示这样的可听分量的存在。所述系统包括声换能器、脉搏传感器装置、信号处理器和诊断显示器。另外,所述系统包括控制器,用于自动地对数据收集、分析和显示阶段进行排序,因此需要最少的操作员交互。这种方法和系统分析在舒张段内的噪声量,并且具有大量噪声的舒张段被丢弃,并且不用于分析与在部分阻塞的冠状动脉内的湍流的血流相关联的低阶可听分量。因此,需要记录大量的舒张段,以便实现正确的分析,因此,声音记录应当很长或者被重复多次。在许多临床情况下,这是不可能的,特别是当使用数字听诊器来记录心音时。
发明内容
本发明的目的是解决上述问题。
这是通过一种用于对从活体记录的心血管声音进行分类的方法来实现的;所述方法包括步骤:
●识别所述心血管声音的心脏舒张和/或收缩段;
●将所识别的心脏舒张和/或收缩段中的至少一个划分为多个子段,所述多个子段包括至少第一子段和至少第二子段;
●从所述第一子段提取用于表征所述心血管声音的第一属性的至少第一信号参数,从所述第二子段提取用于表征所述心血管声音的第二属性的至少第二信号参数;
●在多变量分类方法内使用所述至少第一信号参数和所述至少第二信号参数来对所述心血管声音进行分类。
在此,提供了一种很鲁棒和简单的方法,其仅仅需要小量的心血管声音以便对声音进行分类。结果是能够根据短记录来对心血管声音进行分类,当已经由听诊器记录了声音时,短记录是很方便的。其实现是因为心血管声音的心脏舒张和/或收缩段被划分为子段,并且之后,根据从来自同一心脏舒张或收缩段的至少两个子段提取的信号参数来对心血管声音进行分类。结果是心血管信号的分类能够仅仅基于具有良好信噪比的子段,例如没有摩擦或者背景噪声的子段。因此,能够在对心血管声音进行分类之前,丢弃具有不良的信噪比的子段。在此,因为仅仅很少部分的记录信号由于噪声而需要被丢弃,所以仅仅需要小量的被记录的心血管声音来实现正确的分类。与湍流相关联的心血管声音包括至少两个分量:由与动脉壁撞击的湍流的血流引起的宽带分量和与动脉壁的共振频率相关联的窄带分量。因此,需要用于描述不同属性的不同变量以便执行鲁棒的分类。由于诸如骨结构、胸部厚度、脂肪量等的人们的身体差别,对于不同人来说心血管声音将会不同。本发明通过在对心血管声音进行分类时使用不同的信号参数来消除这种不同。例如来自一个人的一些信号参数能够显著地对心血管声音进行分类,而来自第二人的相同信号参数将不适合于心血管信号的显著分类。但是,在这种情况下,当使用根据本发明的方法时,能够使用其他信号参数来对来自第二人的心血管声音进行分类。而且,一些信号参数可能受到人之间的一种差别的影响,而其他信号参数可能被其他种类的差别影响。因此,选择多个不同的信号参数将使得所述分类方法更鲁棒。不同的信号参数描述心血管声音的不同特征,因此是不相关的,并且因此提供心血管声音的不同信息。不同的信号参数能够例如是心血管声音的舒张段的持续时间、心脏收缩的心血管声音的持续时间、声音的最主要的频率分量、不同的频率分量的带宽、在两个频带内的能量、信号的一部分的迁移率(MOBILITY)、信号的复杂性、诸如两个不同的段或者两个不同的频带的信号的不同部分之间的功率比、诸如在不同段之间的相关率或者随着时间的幅值改变的形态特征、在信号内的拐点的数量等。当对心血管声音进行分类时,所述方法能够在任何种类的数据处理器单元内容易地实现,因此例如被集成在要由临床医生或者大夫使用的软件程序内。而且,所述方法能够被集成在数字听诊器内,并因此能够使用所述听诊器来对病人的心血管声音进行分类。因为大夫和其他临床音声熟悉听诊器,因此他们能够容易地被教会使用听诊器来对心血管声音进行分类。结果是所述分类能够帮助大夫或者其他临床医生诊断病人是否患有CAD。
在另一个实施例内,从所述多个子段的至少两个提取所述至少两个信号参数。在此,能够从所述子段的每个提取在多变量分类方法内使用的信号参数,并且然后能够在所述多变量分类方法内提供和使用大量的相同种类的信号参数。这使得心血管信号的分类更鲁棒。而且,能够利用多变量分类方法来对每个子段进行分类。
在另一个实施例内,从所述第一子段和所述第二子段提取所述至少第一信号参数和/或所述至少第二信号参数。在此,可以从相同的子子段(SUB-SUB SEGMENT)提取所述第一和第二信号参数,并且然后能够根据大量的信号参数来对心血管信号进行分类,由此提高分类的鲁棒性。
在另一个实施例内,所述方法还包括步骤:识别含噪声的(NOISY)子段,并且在所述提取所述第一信号参数和/或提取所述第二信号参数的步骤之前,丢弃所述含噪声的子段。由此,在从子段提取信号参数之前,能够丢弃所述含噪声的子段,并且因为影响信号参数的声音特性不会被噪声所影响,由此将大大地提高所提取的信号参数的质量。含噪声的子段能够例如是具有低信噪比的子段,诸如具有摩擦尖峰的子段、具有背景噪声的子段或者具有诸如呼吸噪声的生理噪声的子段。可以以不同方式来对含噪声的子段进行识别,例如将含噪声的子段识别为具有与大多数子段不同的幅值、频率或者能量分布的子段。
在另一个实施例内,所述方法还包括步骤:识别非固定的子段,并且在提取所述第一信号参数和/或提取所述第二信号参数的所述步骤之前,丢弃所述非固定的子段。由此,在从子段提取信号参数之前,能够丢弃非固定的子段。由此,有可能考虑在舒张段内的非固定声音,经常是这种情况,因为在冠状动脉内的血流在舒张期间不是不变的,因此,由于狭窄所导致的杂音将不是固定的。几种信号处理方法(例如AR模型)假定要建模的信号是固定的,因为在短时间内的子段能够被假定为固定的,所以通过将舒张段划分为子段,能够克服由于非稳定所导致的误差。因此,从子段的AR模型提取的信号参数的精度将更精确。
在所述方法的另一个实施例内,所述第一子段的至少一部分与所述第二子段的至少一部分重叠。因为没有噪声的信号部分能够与包括短噪声尖峰的子段一起丢弃,段的重叠确保当提取信号参数和对心血管声音进行分类时使用尽可能多的舒张/收缩段。但是,这些信号部分将被包括在重叠的段内,因此,心血管声音的较大部分将用于信号参数的提取和心血管声音的分类。
在另一个实施例内,用于对心血管声音进行分类的步骤包括步骤:计算从所述多个子段的至少两个提取的所述第一信号参数和/或所述至少第二信号参数的平均值;以及在所述多变量分类方法内使用所述平均值。在所述分类方法内使用的信号参数由此则被计算为来自大量子段的信号参数的平均值,从而减少了由随机噪声而导致的误差。所述平均值进一步能够通过不同地加权不同的子段来计算,例如使得在舒张段的开始的子段的权重高于在舒张段的结尾的子段。由此,当对心血管声音进行分类时,其中更容易听到由于狭窄导致的杂音的舒张段的开始能够具有较大的加权。
在另一个实施例内,对心血管声音进行分类的步骤包括步骤:在所述多变量分类方法内,使用第一信号参数和所述第二信号参数来对所述多个子段的至少一个进行分类,其中,所述第一信号参数和所述第二信号参数都是从所述多个子段的所述至少一个被提取的;以及,根据对所述多个子段的所述至少一个的所述分类来对所述心血管声音进行分类。然后能够根据大量的被分类的子段来对心血管声音进行分类,由此有可能确定所述分类正确的概率。如果已经一致地(UNIFORMLY)对所述子段的例如99%进行了分类,则所述心血管声音能够例如被认为是正确的。
在另一个实施例内,所述方法还包括步骤:将所述多个子段的至少一个建模;以及从所述模型提取所述第一信号参数和/或所述第二信号参数。使用模型的优点是,模型能够例如通过使用包络函数或者自回归模型来增强信号属性。而且,当在数据处理器内实现所述方法时,模型将会简化和优化计算过程。
在所述方法的另一个实施例内,所述第一信号参数和/或所述第二信号参数是频率水平参数,用于描述所述多个子段的至少一个的至少一个频率分量的频率水平属性。当对心血管声音进行分类时,频率水平参数很有用,因为由狭窄导致的杂音通常具有在200-1200HZ之间的主要频率分量,并且如果最强的频率分量在这个间隔内,则其将是由狭窄导致的杂音的存在的良好指示。频率水平属性也能够限定在不同的频带内的能量之间的比率。
在所述方法的另一个实施例内,所述第一信号参数和/或所述第二信号参数是描述所述多个子段的至少一个的复杂性的复杂性参数。能够例如利用用于对信号建模的特征函数的数量来限定心血管声音的复杂性,因为对信号建模所需要的特征函数越多,则所述信号越复杂。心血管声音的复杂性通常被保持,并且不被病人之间的差异所影响。一些特征函数可能相对于不同的人而不同地被衰减,但是它们很少被从心血管声音完全地去除,因此保持了复杂性。
在另一个实施例内,所识别的心脏舒张和/或收缩段的至少一个被划分为至少8个子段。由此,因为以样本数量的平方根统计地改善平均值,所以改善了心血管声音的分类的准确度。结果是,需要心血管声音的更短记录,以便对声音进行分类。
本发明还涉及一种用于对从活体记录的心血管声音进行分类的系统,所述系统包括:
●用于识别所述心血管声音的心脏舒张和/或收缩段的处理部件;
●用于将所识别的心脏舒张和/或收缩段的至少一个划分为多个子段的处理部件,所述多个子段包括至少第一子段和至少第二子段;
●用于从所述第一子段提取用于表征所述心血管声音的第一属性的至少第一信号参数的处理部件,以及从所述第二子段提取用于表征所述心血管声音的第二属性的至少第二信号参数的处理部件;
●用于在多变量分类方法内使用所述至少第一信号参数和所述至少第二信号参数来对所述心血管声音进行分类的处理部件;
●用于使用多变量分类方法并使用所述至少两个信号参数来对所述心血管声音进行分类的处理部件。
由此,能够构造一种用于对心血管声音进行分类的系统,并且由此,实现与如上所述相同的优点。
在另一个实施例内,用于提取所述第一信号参数的处理部件和/或用于提取所述第二信号参数的所述处理部件适于从所述多个子段的至少一个提取所述第一信号参数和/或所述第二信号参数。由此,实现与如上所述相同的优点。
在另一个实施例内,所述系统还包括:用于识别含噪声的子段的处理部件;以及,用于在提取所述第一信号参数和/或提取所述第二信号参数之前丢弃所述含噪声的子段的处理部件。由此,实现与如上所述相同的优点。
在另一个实施例内,所述系统还包括:用于识别非固定的子段的处理部件;以及,用于在提取所述第一信号参数和/或提取所述第二信号参数之前丢弃所述非固定的子段的处理部件。
在另一个实施例内,用于将所识别的心脏舒张和/或收缩段的至少一个划分为多个子段的处理部件适于将所述第一子段的至少一部分与所述第二子段的至少一部分重叠。由此,实现与如上所述相同的优点。
在另一个实施例内,用于对所述心血管声音进行分类的所述处理部件适于计算从所述多个子段的至少一个提取的所述第一信号参数和/或所述至少第二信号参数的平均值,以及在所述多变量分类方法内使用所述平均值。由此,实现与如上所述相同的优点。
在另一个实施例内,用于对所述心血管声音进行分类的所述部件适于在所述多变量分类方法内使用所述第一信号参数和所述第二信号参数来对所述多个子段的至少一个进行分类,并且适于根据所述多个子段的所述至少一个的所述分类来对所述心血管声音进行分类。由此,实现与如上所述相同的优点。
在另一个实施例内,所述系统包括:用于对所述多个子段的所述至少一个建模的处理部件;用于从所述模型提取所述第一信号参数和/或所述第二信号参数的处理部件。由此,实现与如上所述相同的优点。
在另一个实施例内,用于提取所述第一信号参数和/或所述第二信号参数的所述处理部件适于提取至少一个频率水平参数,该至少一个频率水平参数描述所述多个子段的至少一个的至少一个频率分量的频率水平属性。由此,实现与如上所述相同的优点。
在另一个实施例内,用于提取所述第一信号参数和/或所述第二信号参数的所述处理部件适于提取至少一个复杂性参数,该至少一个复杂性参数描述所述多个子段的至少一个的复杂性的复杂性参数。由此,实现与如上所述相同的优点。
在另一个实施例内,用于将所识别的心脏舒张和/或收缩段的至少一个划分为多个子段的处理部件适于将所识别的心脏舒张和/或收缩段的至少一个划分为至少8个子段。
本发明还涉及一种计算机可读介质,其中存储了用于使得处理单元执行如上所述的方法的指令。由此,实现与如上所述相同的优点。
本发明还涉及一种听诊器,该听诊器包括:记录部件,适于从活体记录心血管声音;存储部件,适于存储所记录的心血管声音;计算机可读介质和处理单元,所述计算机可读介质内存储了用于使得所述处理单元执行如上所述的方法并且由此对所记录的心血管声音进行分类的指令。在此,能够在听诊器内实现根据本发明的方法,并且实现上述优点。
本发明还涉及一种连接到通信网络的服务器装置,包括:接收部件,适于通过所述通信网络接收从活体记录的心血管声音;存储部件,适于存储所接收的心血管声音;计算机可读介质和处理单元,所述计算机可读介质内存储了用于使得所述处理单元执行如上所述的方法并且由此对所接收的心血管声音进行分类的指令。由此,根据本发明的方法能够在连接到通信网络的服务器内实现。服务器因此能够执行上述方法,并且实现上述的优点。
在服务器的另一个实施例内,所述接收部件进一步适于从连接到所述通信网络的客户机接收所述心血管声音。由此,临床医生/大夫能够使用诸如膝上型计算机的客户机装置来向所述服务器发送心血管声音。之后所述服务器能够对所接收的心血管声音进行分类。由此,实现如上所述的优点。
在服务器的另一个实施例内,所述服务器装置还包括用于向至少一个客户机单元发送所述心血管声音的所述分类的部件。由此,能够向客户机发送所述分类的结果,并且临床医生/大夫由此能够接收分类的结果。由此,实现如上所述的优点。
附图说明
图1图解了典型的心音的图,
图2图解了动脉狭窄的流体动态模型,
图3图解了在根据本发明的方法的流程图形式的概观。
图4图解了根据本发明的系统的一个实施例,
图5图解了根据本发明的方法的另一个实施例,
图6图解了分段方法的流程图,
图7图解了对于心音而言的、在心动周期的包络自相关与所述心动周期之间的关系,
图8图解了用于计算声音是S1、S2和噪声声音的概率的贝叶斯网络的实现,
图9图解了如何将舒张段划分为多个顺序的子段,
图10图解了如何将舒张段划分为重叠的子段,
图11图解了用于在图9内图解的心脏舒张期的功率谱密度(PSD)。
具体实施方式
图1图解了由听诊器记录的典型心音的图,并且示出了在y轴上的声压的幅值(A)和在x轴上的时间(t)。心音反映了在心动周期内的事件:血液的减速、血流的湍流和瓣膜的关闭。瓣膜的关闭通常由两种不同的心音表示:第一(S1)和第二(S2)心音。在图内图解了所述第一和第二心音,并且S1标记心脏收缩期(101)的开始,心脏收缩期(101)是心动周期的一部分,期间心肌收缩的将血液推到主血管内,以及标记心脏舒张期的结束,心脏舒张期是心动周期的一部分,期间心肌放松和扩展。在舒张期(102)期间,血液填充心室。对于健康的对象来说,收缩段的持续时间大约300ms几乎不变。如果脉搏为每分钟60跳,则心动周期的持续时间将是平均一秒,并且舒张期的持续时间将是700ms。但是,舒张期持续时间不恒定,而是将根据对象的脉搏而改变。另外,由于神经调节和呼吸的效应,引入了舒张期持续时间的较小的变化。
图2图解了动脉狭窄的流体动态模型,并且示出了具有狭窄病变(202)的动脉(201)。箭头(203)指示通过动脉的血流。当高速血液流出狭窄病变(202)时,将发生涡流(204)。这些涡流与动脉壁(205)冲撞,并且被转换为压力振动,所述压力振动导致动脉以它们的共振频率振动。结果是,从动脉壁产生和发出杂音形式的声波(206),其具有对应于动脉壁的共振频率的频率。如果存在狭窄,则增大在动脉段内的共振频率,并且与动脉的直径相比较,它们的频率依赖于狭窄段的直径。随着狭窄的严重性增大,共振频率也增加。部分阻塞的狭窄动脉的共振频率最为可能在200Hz和1100Hz之间。涡流波动的强度依赖于血流,以便当流过左冠状动脉的血流最大时,在心脏舒张期期间来自左冠状动脉的杂音最强。如果在供应右侧腔的右冠状动脉的分支内有狭窄,则在舒张期期间来自右冠状动脉的杂音最强,而所述杂音更可能将是来自向左心室提供动脉血液的右冠状动脉的那些分支的心脏收缩。杂音的强度不仅依赖于血流,而且依赖于杂音的频率成分。与低频率相比较,高的杂音频率被胸壁更多地抑制。由动脉振动引起的杂音将影响由例如听诊器记录的心音图。
图3图解了根据本发明的方法的流程图形式的概观。所述方法能够例如被实现为在计算机上或者在听诊器内实现的微控制器上运行的软件程序。简而言之,所述方法以初始化(301)开始,接收测试信号(302),将测试信号划分为相关的(relevant)段(306),对相关段进行滤波(307);计算/开发在相关段内的信号的模型(308);从所述信号和所述模型提取不同的参数(309),使用所提取的参数来执行所述信号的分析(310),并且将相关段划分为两个分组:一个用于指示所述信号包括由狭窄导致的杂音的分组(311),以及一个用于指示所述信号不包括由狭窄导致的杂音的分组(312)。
在已经初始化了所述方法(301)后,所述方法接收测试信号(302)作为数据文件(303)。所述测试信号将是由例如数字听诊器记录和数字化为数据文件的、来自人(304)的心音。所述测试信号将类似于在图1内图解的心音;但是,测试信号的持续时间通常是在图1内所示的信号长度的5-15倍。一旦已经接收到测试信号(302),则执行分段(306),以便检测测试信号和将其划分为多个段。所述分段处理通常将检测心音S1和S2,之后将所述测试信号划分为收缩和舒张部分。接着,对测试信号进行滤波(307),并且所述滤波处理包括:自回归滤波器,其减少在信号内的白噪声;以及带通滤波器,其仅仅让在450-1100Hz之间的频率通过。当在动脉内出现狭窄时,所述测试信号此后将包括由动脉壁的振动引起的频率。自回归滤波器能够被实现为卡尔曼滤波器,该卡尔曼滤波器是过去、当前和未来状态的强大估计器,并且即使当不知道所建模的系统的精确特性时,其也能够这么做。因为杂音的精确成分是未知的,所以当减少噪声的效应时,这是在本申请中的期望特征。一阶卡尔曼滤波器能够减少白噪声的效应,并且平滑含噪声的心音记录以用于进一步处理。所述带通滤波器能够被实现为小波滤波器。在另一个实施例内,省略了卡尔曼滤波器,以便简化所述方法在例如微处理器内的实现,并且进一步减少由微处理器执行的计算的次数。
当已经对信号进行了滤波(307)时,选择相关段来用于进一步的分析。在一个实施例内,因为由于狭窄导致的杂音最可能在心脏舒张段内被听到,所以舒张段的一部分被选择来用于进一步的分析,并且在另一个实施例内,还将舒张段划分为多个子段,以便去除由于在麦克风和病人的胸部之间的摩擦导致的噪声(参见图5)。
以下使用在数据文件内的采样的心音来计算/开发在所选择的段内的信号的数学模型(308)。所述模型用于提取参数,所述参数表征在段内的声音,并且能够用于对是否在声音段内存在由狭窄导致的杂音进行分类。在本实施例内,使用自回归全极点参数估计(AR模型)来对信号建模。在所述AR模型内,来自数据文件的采样的声音信号y被建模为信号的M个过去值和当前的输入u的线性组合,所述当前输入u用于驱动声音产生处理。能够由下面的方程描述所述模型:
[3.1]
其中,M表示模型阶,Ap表示AR系数,并且n表示采样数。通过自相关并且通过最小化与模型相关联的误差来确定AR系数。
在这个实施例内的AR模型用于提取用于描述心音的频率参数。二阶模型M=2是优选的,因为其在从存在杂音的心音提取的频率参数与从存在杂音的心音提取的频率参数之间做出较好的分离(separation)。
其后,使用信号处理技术来从采样信号和AR模型提取不同的信号参数(309)。能够从所选择的段或者子段提取一些信号参数。每个信号参数表征在所选择的段/子段内的心音,因此能够用于对心血管声音进行分类,例如是否在心音内存在由狭窄导致的杂音。
所述信号参数能够例如是用于描述在心血管声音的至少一部分的频域内的属性的频率参数,并且所述频率参数能够在如下所述的多变量分类方法内被用作参数。因为狭窄会改变心血管声音的频率分量,所以频率参数是用于对在心血管声音内是否存在由狭窄导致的杂音进行分类的很好的参数。所述频率参数能够例如是频率水平参数,该频率水平参数描述所述心血管声音的至少一部分的频率水平属性。所述杂音通常会改变心血管声音的频率水平,并且通过使用用于描述声音的频率水平的参数,能够实现心血管声音的鲁棒分类。频率水平属性也能够表征所述心血管声音的至少一部分的最强的频率分量。这个参数是很有用的参数,因为由狭窄导致的杂音通常具有在200-1200Hz之间的主要频率分量。以及如果最强的频率分量在该间隔内,将是存在由狭窄导致的杂音的良好指示。所述频率参数也能够是频率带宽参数,该频率带宽参数用于描述所述心血管声音的至少一部分的频率带宽属性。使用心血管声音的频率带宽属性的优点是,杂音经常具有有限的频率带宽,并且所述频率带宽参数因此将是在心血管声音内是否存在由狭窄导致的杂音的良好指示器。所述频率带宽属性能够例如表征最强的频率分量的带宽。
所述信号参数也能够是时间参数,该时间参数用于描述在所述心血管声音的至少一部分的时域内的属性。因为时间和频率属性经常不相关,所以通过使用时间和频率参数,实现心血管的非常鲁棒的分类。时间参数能够例如表征所述心血管声音的至少一部分的迁移率。所述迁移率是在心血管声音内是否存在由狭窄导致的杂音的良好指示器。所述迁移率描述声音的方差,并且因为杂音会引起在声音内的较大方差,因此迁移率将是良好的指示器。
在当前实施例内使用的信号参数是:每个信号长度的拐点的数量TP;信号的迁移率MB;极幅PM;归一化的AR峰值频率NF;以及AR谱比(spectral ratio)SR。
从在时域内的采样信号提取拐点的数量TP,并且,通过计算信号在时域内每单位时间执行的转折的数量来得到它。这能够通过确定在时段内的局部极值的数量来完成。因此:
从在时域内的采样信号来提取迁移率MB,并且通过计算在时域内的信号的方差σy和信号的一阶导数的方差σy’来得到迁移率MB。通过下述公式来得到迁移率:
[3.3]
通过将AR模型转换到z域内,并且计算在由AR谱描述的z域内的极幅,来得到极幅PM。
归一化的AR峰值频率NF基于下述假设:在舒张段内比在收缩段内更可能找到由狭窄导致的杂音。通过计算在z平面内的AR谱内的极点的角度,并且将其转换为舒张段和收缩段的频率,来得到NF。如果在两者之间的绝对差(absolute difference)小于25Hz,25Hz在不存在由狭窄导致的杂音的情况下是典型的,则从舒张峰值频率减去25Hz。如果平均舒张频率比平均收缩峰值频率大了超过50Hz,50Hz当存在由狭窄导致的杂音时是典型的,则向平均峰值舒张频率加上25Hz。
通过计算在频率范围200-500Hz的舒张段内的能量与在频率范围500-1000Hz的舒张段内的能量的比率,得到AR谱比SR。
以下在多参数判别函数内使用所提取的参数,以便划分声音段是否包括由狭窄导致的杂音(310)。在这个实施例内,使用线性判别函数来对声音段进行分类。所述线性判别函数将加权特征组合为判别分数g(x),并且能够通过下述公式来描述该判别分数g(x):
[3.4]g(x)=w1x1+w2x2+w3x3+……+wkxk+wi0=wTx+w0
其中,x是由所提取的参数构成的特征向量,k表示特征的数量,i表示类别,w是保持(hold)判别系数的加权向量。在仅仅必须区分开两个类别的情况下,使用单个判别函数。两类分类器被称为二分器。二分器通常使用判定边界g(x)=0(由于常数w0所导致)来对特征向量进行分类。如果判别分数g(x)大于0,则所述段被分配到类别1,否则其被分配到类别2。因为g是线性函数g(x)=0,因此其定义了超平面判定表面,将多维空间划分为两个半子空间。判别分数g(x)是到超平面的代数距离。判别函数需要被训练,以便找到权重的值w,并且进行声音段的安全和鲁棒的分类。需要在使用所述系统之前,执行判别训练过程,并且所述过程的目的是找到w的最佳加权值,以便超平面对特征向量进行最佳划分。在一个实施例内,通过使用从18个测试人记录的18个测试声音来执行所述训练过程,其中,9个测试人具有冠脉狭窄,并且9个测试人不具有冠脉狭窄。通过使用用于windows的统计软件程序SPSS v.12.0(美国伊利诺斯州芝加哥的SPSS公司)来执行所述判别训练过程。上述的参数被从所述18个训练声音提取,并且被用作所述软件程序的统计输入。得到的判别式可以是:
[3.5]g(x)=164.709MB-0.061NF-78.027PM+27,188SR+91.878TP+33,712
其中,MB是信号的迁移率,NF是AR峰值频率,PM是极幅,SR是AR谱比,TP是拐点的数量。
如果判别函数的结果大于0(g(x)>0),则声音段不包括由狭窄导致的杂音(312)。另一方面,如果判别函数小于0(g(x)<0),则声音段包括由狭窄导致的杂音(311)。
所述判别函数能够被本领域技术人员容易地调整,以包括另外或者更少的参数,以便开发可以能够对心音进行分类的适当判别函数。其他的参数能够例如是:在时域内的采样信号的复杂度CP。这个参数基于信号的一阶导数的迁移率与所述信号本身的迁移率的比率,其中,y”是被滤波的心音信号的二阶导数。复杂度测量对于含噪声信号较为敏感,因为其基于二阶导数。
[3.6]
能够使用信号复杂度的其他测量,诸如近似熵、谱熵或者嵌入空间特征谱(embedding space eigen spectrum)。
而且,AR峰值频率(PF)能够被提取,并且能够被用于判别函数内。能够通过计算在z平面内的AR极点的角度而找到AR峰值频率。
而且,能够从具有功率谱密度函数(PSD)的不同段提取功率比(PR)。能够通过使用离散傅立叶变换来计算PSD。能够从PSD提取功率比为在150-350Hz之间的能量与在350和1000Hz之间的能量的比率。
在判别函数内使用的参数能够被从心音的不同段——诸如多个不同的舒张段——提取,其中,从每个舒张段提取多个参数。然后,能够计算每个参数的平均值,并且用作在判别函数内的输入。
图4a图解了根据本发明的系统的一个实施例,其中,服务器(401)被编程来执行在图3内所述的方法。而且,服务器连接到网络(402),诸如因特网,并且适于应请求而接收和分析心音。临床医生或者其他医疗专业人员将通过数字听诊器(305)从病人记录心音,然后向个人计算机(403)发送数字化的心音。临床医生然后能够向服务器发送请求,以便使其分析心音。一旦服务器已经分析了心音,则结果被自动地发回到临床医生。图4b图解了在个人计算机(403)和服务器之间的过程和通信的流程图。左手侧表示客户机侧(410),右手侧表示服务器侧(411)。首先,客户机向服务器发送数字形式的心音(412)。之后,服务器执行在图3内所示的方法,并且向客户机发回(413)分析的结果,其中,分析的结果被显示(414)给临床医生。临床医生然后能够评估所述结果,以便选择病人的正确治疗。
根据本发明的系统也能够被实现为一件式的(all in one)数字听诊器。当已经记录了心音时,听诊器由此将自动地执行在图3内所述的分析。这意味着在图3内所述的方法需要被实现在听诊器的处理部件内,并且分析的结果能够例如被显示于集成在听诊器内的小LCD上。这个实施例的优点是大多数临床医生熟悉数字听诊器,并且因此能够容易地学习使用听诊器来诊断病人是否具有冠脉狭窄。
图5图解了在图3内所述的方法的另一个实施例。当已经对信号进行了滤波(307)时,识别诸如心脏收缩和/或舒张段的相关段(501),然后将相关段划分为子段(502)。在步骤(503)识别并丢弃含噪声的子段,以及在步骤(504)还识别并丢弃非固定的子段。在一个实施例内,因为最可能在舒张段内听到由狭窄导致的杂音,所以选择舒张段的一部分来用于进一步分析。在这个实施例内,在步骤(501)内丢弃包括呼吸声音的舒张段。这通过下述方式来完成:计算在频带200-440Hz内的舒张段的能量水平,并且将这个能量水平与整个舒张段的中间能量水平进行比较。如果200-440Hz频带的能量水平是整个舒张段内的能量水平的1.1倍,则将丢弃该舒张段。
然后在步骤(502)内将剩余的舒张段划分为多个子段,并且图9和10图解了如何能够将舒张段划分为子段。图9和10图解了由听诊器记录的典型心音的图,并且示出了在y轴上的声压的幅值(A)和在x轴上的时间(t)。这些图图解了第一心音(S1)、第二心音(S2)、收缩段(101)和舒张段(102)。已经在舒张段内引入了两个短噪声尖峰(NS)。图9图解了如何将舒张段(102)划分为多个顺序的子段(A,B,C,D,E,F,G,H,I,J)。每个子段用于在步骤(309)和(310)内的心血管声音的分类;但是,含噪声段(B)和(E)由于短噪声尖峰(NS)而在步骤(503)被丢弃,因此当对心血管声音进行分类时不被使用。
图10图解了如何将舒张段(102)划分为重叠的子段(a,b,c……t)。能够看出,段(b)的至少一部分与段(a)的至少一部分重叠,并且段(b)的另一部分与段(c)的至少一部分重叠。剩余的段以类似的方式彼此重叠。结果是,当在步骤(309)和(310)内对心血管声音进行分类时,能够使用较大量的舒张段。段(j)由于短噪声尖峰(NS)而被丢弃,但是,因为子段(j)的持续时间比噪声尖峰的持续时间更长,所以段(j)的最后部分不包括任何噪声。结果是,当丢弃段(j)时会丢弃适于心血管声音分类的声音。但是,因为段(j)和段(k)彼此重叠,所以没有噪声尖峰的段(j)的部分将作为段(k)的一部分来用于分类。段的重叠由此确保将尽可能多的舒张段用于分类方法中。
摩擦尖峰经常包括高能量,其使得它们支配(dominate)在步骤(309)内提取的信号参数。在图11内图解了摩擦尖峰如何支配和影响在步骤(309)内提取的信号参数的值的示例。图11图解了在图9内图解的舒张期的功率谱密度(PSD),其中,将丢弃(1101)或者不丢弃(1102)含有摩擦尖峰的子段的、以dB为单位的功率谱幅值(PSM)绘制为以Hz为单位的频率(f)的函数。通过下述方式来做出两个PSD绘图:如图9所示将信号子分段为子段,然后从每个子段计算功率谱,然后通过平均每个子段的PSD来计算PSD。在两个图(1101)和(1102)之间的差别是,在计算以实线(1101)所示的平均PSD之前,去除包括摩擦尖峰的2个子段(B,E)(参见图9)。可以看出,摩擦尖峰在频率区域200-1600Hz内严重影响PSD。因此,去除具有高能量噪声的短子段,能够减少由手持听诊器产生的噪声的影响。
子段的短持续时间确保仅仅排除了信号的局部部分。来自20个病人的心音记录的分析显示,138个舒张期内的仅仅44个(32%)包括256毫秒长的没有高能量噪声的段。这指示,像使用来自每个舒张期的一个固定256毫秒窗口的现有技术方法的方法,将需要丢弃所记录舒张期的68%,由此需要当前方法3倍长的记录,以便能够分析相同数量的舒张期。
在当前实施例内,子段的持续时间是37.5毫秒,但是在其他实施例内,持续时间能够比37.5毫秒更短或者更长,并且它们也可以如图10内图解那样重叠。较短段的一个优点是在时域内的较高的分辨率,而较长段的一个优点是从当前子段计算的参数的经常较好的精度。
在步骤(503),通过对子段的统计分析来识别和丢弃含噪声的子段。含噪声的子段是具有低信噪比的子段,如具有摩擦尖峰的子段、具有背景噪声的子段、或者具有诸如呼吸噪声的生理噪声的子段。可以以不同的方式来识别含噪声的子段,例如:具有与大多数子段不同的幅值、频率或者能量分布的子段可以被识别为含噪声的子段。
在当前实施例内,计算在所有子段内的信号的方差,然后丢弃具有所有子段的中值方差(median variance)的1.3倍的方差的子段。在其他实施例内,能够通过下述方式来识别含噪声的子段:将信号滤波到多个频带内,并且计算在每个子段内的频带的方差。其中一个或多个频带的方差大于在剩余子段内的频带的方差的子段被认为含噪声。
然后,在步骤(504)后,去除非固定的子段,以便减少非固定的影响。在冠状动脉内的血流在舒张期期间不是不变的,因此由狭窄导致的杂音不是固定的;但是,如AR模型的几种信号处理方法假定要建模的信号是固定的。使用短子段的优点是,短时间内信号能够被假定是固定的。在当前实施例内,这是通过下述方式来实现的:将子段划分为具有3.75毫秒的持续时间或者30个采样的多个子子段,然后计算每个子子段的方差。从而,构建在子段各部分的方差的概况(outline)。然后计算所述概况的方差,并且如果所述概况的方差大于1,则去除所述子段。
此处,已经丢弃了多个子段以便去除含噪声和非固定的子段。这通常会从大约10秒的心血管记录得到30-100个子段。
然后将剩余的子段用于图3内所示的步骤(308)和(309)内,以便提取用于描述心血管信号的不同属性的信号参数。然后,使用来自每个子段的信号参数的值来计算每个参数的中值(505)。然后,将每个参数的中值用于图3所示的多参数判别函数内。在这个实施例内,使用下面的信号参数:6阶AR模型内的一个3极(a3pole)的迁移率、功率比和极幅。因为平均值的精度在统计上以采样数量的平方根得到改善,所以计算信号参数为来自许多子段的信号参数的平均值,减少了随机噪声的影响。
为了图解在由来自每个舒张期的一个段来计算信号参数与使用来自所有舒张期的多个子段计算信号参数之间的差别,对于两种方法计算信号参数PR。当对每个舒张期使用一个256毫秒窗口来分析记录时,在9个舒张期上计算的平均PR值是0.484,并且所述平均值的95%的置信区间是±0.0134(通过将标准误差乘以1.96而计算得出)。但是,如果使用当前的方法来分析同一记录,则使用50个短子段,平均值的95%的置信区间将仅仅是±0.0064。为了使用来自每个舒张期的单个段来达到同样窄的置信区间,需要39个舒张期,由此需要很长的记录。
在另一个实施例内,使用剩余的子段,以便提取用于描述心血管信号的不同属性的信号参数,并且来自每个子段的信号参数然后被用于多参数判别函数,所述多参数判别函数建立与每个子段相关联的判别分数。由此,最后的判别分数被计算作为与每个子段相关的分数的中值。
图6图解了根据本发明的分段方法的流程图,所述方法用于自动地将心音(601)划分为多个子段。所述心音(601)已经被听诊器记录,并且信号已经被数字化,以便数字地处理所述信号。所述图将声音强度的幅值(A)示出为时间(t)的函数。所述心音反映了在心动周期内的事件;血液的减速、血流的湍流和瓣膜的关闭。瓣膜的关闭通常由两个不同的心音表示,第一(S1)和第二(S2)心音。在附图内图解了第一和第二心音,(S1)标记心脏收缩期的开始,心脏收缩期是心动周期的一部分,其间心肌收缩并将血液推到主血管内,(S1)还标记心脏舒张期的结束,心脏舒张期是心动周期的一部分,其间心肌放松和扩展。在舒张期期间,血液填充心室。
所述分段方法的目的是将所记录的心音划分为收缩、舒张和噪声段。所图解的方法包括降噪步骤(602),接着是包络建立步骤(603)。能够将降噪实现为:高通滤波器,跟着去除由在记录期间的诸如听诊器的移动的外部噪声所导致的高幅值摩擦噪声尖峰,以及然后是低通滤波器。包络建立的目的是增强信号的趋势(trend)。在这个实施例内,通过计算信号的香农能量来建立所述包络:
se(n)=-x(n)2·log x(n)2
其中,x是信号,se是香农能量。当计算香农能量时,信号中的高幅值分量比低幅值分量的权重更高。在图(613)内示出了通过使用香农能量来计算的心音(601)的包络(613),并且能够看出增强了心音S1和S2。
为了根据在心音S1和S2的任一侧上的间隔持续时间来将所检测的声音划分为收缩段、舒张段和噪声分量,必须知道在S1和S2之间的间隔是多长。因此,由包络的自相关提取心动周期(收缩和舒张间隔)的持续时间(604)。在图7内详细描述了这个过程。
然后在包络(613)上使用上面提取的时间间隔和门限值(614)来检测(605)候选者S1和S2。为了减少所检测的噪声峰值的数量,向候选段施加最低要求,其有效地去除了一些错误检测的噪声尖峰。在一些记录内,在S1和S2声音的强度之间有大差别。这引起一个问题,因为一些低强度声音可能被门限值丢失。结果是,分段方法执行对于丢失S1和S2声音的测试(606)。如果能够确定丢失了一些段,则使用较低的局部门限值来重新运行(607)门限过程(threshold procedure)。
一旦已经将信号划分为如上所述的多个段,则然后提取每个段的间隔参数和频率参数(608)。所述参数帮助将声音分类为收缩段和舒张段。
所述间隔参数是通过下述方式而对于每个声音提取的四个布尔参数:通过将持续时间与前一个声音和下一个声音相比较,而时间间隔是使用自相关而提取的。所述参数是:
●AfterDia:如果所述声音在对应于舒张期的持续时间的时段后接着是第二声音,则为真,
●AfterSys:如果所述声音在对应于收缩期的持续时间的时段后接着是第二声音,则为真,
●BeforeDia:如果在第二声音后经过对应于舒张期的持续时间的时段接着是所述声音,则为真,
●BeforeSys:如果在第二声音后经过对应于收缩期的持续时间的时段接着是所述声音,则为真。
所述频率参数通过计算声音的中值频率将声音划分为低频和高频声音。这是有用的信息,因为第一心音预期是低频声音,而第二心音预期是高频声音。
所述参数被解析到贝叶斯网络内,其中,计算段是S1、S2和噪声声音的概率(609)。所述附图图解了对于在心脏信号(601)内的每个声音计算的概率的条形图(615)。每个声音通常具有一个优势概率(dominating probability),其指示声音的类型(S1、S2或者噪声)。由此,所有的声音被划分为S1、S2和噪声声音。但是,三种类型的概率在一些情况下或多或少地相等,并且在这种情况下,不可能使用贝叶斯网络来将声音划分为S1、S2或者噪声声音。
在最后的步骤(610)内使用所述概率,以将心脏信号划分为收缩段和舒张段,并且检验所述心脏信号。这是通过如下方式实现的:使用被识别的S1和S2声音的位置来分别标记收缩和舒张声音段的开始。
所述方法的最后结果(611)是所有被识别的收缩期和舒张期的开始和结束。因此,能够建立一“串”(616)交替的收缩期(617)和舒张期(618)。一旦已经识别了收缩期和舒张期,则它们能够用于进一步的数据处理,例如用于从这些段提取另外的参数,并且然后使用该参数来对所记录的心音的病情(medical condition)进行分类。
图7图解了在包络自相关与心动周期之间的关系,以及如何能够根据自相关来找到在心音S1和S2之间的间隔。
图7a图解了包络自相关,其中,在y轴上示出归一化的自相关(NA),而在x轴上示出的移位包络的位移(m)。
图7b图解了当移位的包络(701)被位移了对应于未移位的包络(702)的心脏收缩的持续时间时的位移(m1)。y轴示出了包络的幅值(A),而x轴示出了时间(t)。在位移的包络内的S1被乘以在未移位的包络内的S2,得到在自相关中看到的第一峰值(703)。
图7c图解了当移位的包络(701)被位移了对应于未移位的包络(702)的心脏舒张的持续时间时的位移(m2)。位移的S2被乘以在未移位的包络内的S1,得到在自相关中看到的第二峰值(704)。
图6b图解了当移位的包络(701)被位移了对应于未移位的包络(702)的心动周期的持续时间时的位移(m3)。在位移的包络内的S1被乘以在未移位的包络内的S1,而在位移的包络内的S2则乘以在未移位的包络内的S2。当此发生时,产生在自相关中的主要(dominating)峰值(705)。
因此,通过测量在如上所述的自相关内的峰值之间的距离,能够找到在心音之间的间隔。
图8图解了用于在步骤(809)内计算声音是S1、S2和噪声声音的概率的贝叶斯网络的实现。在贝叶斯网络内的基本概念是条件概率和后验概率。所述条件概率描述在给定事件b的情况下事件a的概率。
[8.1]P(a|b)=xc
如果上述的等式描述了初始条件概率,则后验概率是:
[8.2]P(b|a)=xp
按照贝叶斯规则,在后验概率和条件概率之间的关系是:
[8.3]
其中,P(a)是事件a的先验概率,而P(b)是事件b的先验概率。等式[8.3]仅仅描述了在一个父(parent)和一个子(child)之间的关系,但是因为事件a能够是几个事件{a1,a2,,,,,,,,,an}的组合,所以所述等式能够被扩展为:
[8.4]
因为目标是找到当已知a1和a2时的b的不同状态的概率,因此P(a1,a2,,,,,,,,,an)仅仅是标准化常数k,并且[7.4]能够被简化为:
[8.5]P(b|a1,a2,,,,,,an)=k·P(a1,a2,,,,,,an|b)P(b)
如果子事件(a1,a2,,,,,,an)是条件上独立的,则等式[8.5]能够被归纳为:
[8.6]
其中,N是已知事件a的数量。如果已知所有a事件的状态并且如果所有的a事件是在条件上独立的,则等式[8.6]能够用于确定事件b的概率。基于等式[8.6]的贝叶斯网络被称为朴素贝叶斯网络(Bayesian network),因为其需要子事件的条件独立性。
贝叶斯网络的任务是评估在检测门限值之上的每个检测的声音的类型。对于这些声音的每一个,计算其是S1声音、S2声音或者噪声分量的后验概率,并且使用一个父和5个子来构造贝叶斯网络。父是在包络门限值之上的声音(801),并且子是如上所述的5个参数:Frequency(802)、AfterSys(803)、AfterDia(804)、BeforeSys(805)和BeforeDia(806)。当确定特定声音类型的后验概率时,必须知道声音类型的不同状态的先验概率P(S)和条件概率,即当S是给定类型时“AfterSys”在给定状态内的条件概率P(AfterSys|S)。这个后验概率要求:在能够使用等式[8.6]来计算声音是特定类型的声音的后验概率之前,限定P(S)、P(AfterSys|S)、P(AfterDia|S)、P(BeforeSys|S)、P(BeforeDia|S)和P(Frequency|S)。
声音是S1、S2或者噪声分量的先验概率在记录之间变化。在未检测到噪声分量的最佳记录内,噪声的先验概率是0,P(S=Noise)=0。如果是这种情况并且检测到相同数量的S1和S2,则所检测的声音是S1的概率是50%,并且对于S2类似。因此,如果P(S=Noise)=0,则P(S= S1)=P(S=S2)=0.5。但是,对于实际信号不能假定这种最佳的条件,并且将检测到噪声声音。这将增加给定声音是噪声的先验概率。
如果已知检测到噪声声音的数量Nnoise和检测声音的总数Nsounds,则能够限定所检测的声音是噪声的确切概率P(S=noise)。例如,如果已知检测到四个噪声声音,Nnoise=4,并且所检测的声音的总数是20,则被检查的声音是噪声声音的概率是P(S=Noise)=4/20。但是,在大多数信号内,Nnoise是未知的,因此需要Nnoise的估计,并且这个估计能够基于已经能够获得的信息,因为从包络自相关(804)得知心动周期的持续时间。因此,能够通过将记录的长度除以心动周期的长度,来计算在一个记录内的心动周期的预期数量。因此,在记录内的S1和S2的数量是在记录内的心动周期的数量的两倍。因此,声音类型的先验概率是:
[8.7]
并且,所检测的声音是S1或者S2的先验概率是:
[8.8]
S1在对应于收缩期的持续时间的间隔后接着是S2声音的条件概率,P(AfterSys|S=S1),依赖于几个因素。S1声音通常在等于收缩期的持续时间的间隔后接着是S2声音。与此的偏离能够例如在如下情况下发生:当S1是在记录内的最后声音时,或者如果S2因为没有被门限值检测到而丢失。也可能发生,因为在与那些声音相关联的容差窗口内发生噪声,而检测到弱(门限值下方)的S2。如果声音是S1声音则“AfterSys”为假的概率可以因此被计算为:
[8.9]P(AfterSys=false|S=S1)=P(EndSound∪Singlesound),NoiseInWin)
其中,“EndSound”是描述声音是在记录内的最后声音的事件。“SingleSound”描述S1后面没有跟着S2,因为由于低于门限值幅值而导致未检测到下一个S2声音。“NoiseInWin”描述在窗口内的噪声发生,在所述窗口中,预期S2声音。如果被检查的声音是S1则“AfterSys”为真的条件概率被给出为:
[8.10]P(AfterSys=true|S=S1)=1-P(AfterSys=false|S=S1)
如果被检查的声音是S2声音,则不可能在对应于收缩持续时间的间隔后发生任何声音,因为在舒张期的持续时间后将发生下一个S1声音。例外是,如果在窗口内出现噪声声音P(NoiseInWin),或者如果收缩期和舒张期持续时间相等。如果舒张期的持续时间等于收缩期的持续时间,则在S2声音后经过舒张期的持续时间后跟着的S1声音出现在舒张期容差窗口内和收缩期容差窗口内。这将在对象心率较高的情况下发生。在两个容差窗口内发生一个声音(重叠)的概率等于在收缩期和舒张期容差窗口之间的重叠(overlap)程度。这个概率被称为P(Overlap)。因此,如果被检查的声音是S2声音则在收缩期持续时间后在窗口内发生一个声音的条件概率是:
[8.11]P(AfterSys=true|S=S2)=P(Overlap∪NoiseInWin)
如果被检查的声音是S2,则在收缩期持续时间后未发生声音的条件概率是其发生的条件概率的相对值:
[8.12]P(AfterSys=false|S=S2)=1-P(AfterSys=true|S=S2)
检测的噪声声音在收缩期持续时间之后跟着是另一声音的条件概率,基于在具有所使用的容差窗口的长度的段内存在任何种类的声音的概率。这能够根据一个比率来估计,该比率是容差窗口长度乘以检测声音的数量减去1与记录长度的比率。
[8.12]P(SoundInWin|S=S2)=1-P(AfterSys=true|S=S2)
所检测的噪声声音在收缩期持续时间后跟着是另一个声音的条件概率,P(AfterSys|S=noise),基于在具有所使用的容差窗口的长度的段内存在任何种类的声音的概率。这能够根据一个比率来估计,该比率是容差窗口长度乘以所检测声音的数量减去1与记录长度的比率。因此,噪声声音在收缩期持续时间后跟着是另一个声音的条件概率是:
[8.13]
其中,Nsound是在记录内的声音的数量,Systol是收缩期的持续时间,而RecLength是记录的长度。噪声在收缩期间隔后未被另一个声音跟随的概率是相对值:
[8.14]P(AfterSys=false|S=noise)=1-P(SoundInWin)
P(AfterDia|S)、P(BeforeSys|S)和P(BeforeDia|S)的条件概率基于用于限定P(AfterSys|S)的相同假设。能够在下面的表格内找到这些条件概率:
P(AfterSys|S) | 假 | 真 |
S1 | P((EndSound∪SingleSound),NoiseInWin) | 1-P((EndSound∪SingleSound),NoiseInWin) |
S2 | 1-P(Overlap∪NoiseInWin) | P(Overlap∪NoiseInWin) |
噪声 | 1-P(SoundInWin) | P(SoundInWin) |
P(AfterDia|S) | 假 | 真 |
S1 | 1-P(Overlap∪NoiseInWin) | P(Overlap∪NoiseInWin) |
S2 | P((EndSound∪SingleSound),NoiseInWin) | 1-P((EndSound∪SingleSound),NoiseInWin) |
噪声 | 1-P(SoundInWin) | P(S oundInWin) |
P(AfterSys|S) | 假 | 真 |
S1 | 1-P(Overlap∪NoiseInWin) | P(Overlap∪NoiseInWin) |
S2 | P((EndSound∪SingleSound),NoiseInWin) | 1-P((EndSound∪SingleSound),NoiseInWin) |
噪声 | 1-P(SoundInWin) | P(SoundInWin) |
P(AfterDia|S) | 假 | 真 |
S1 | P((EndSound∪SingleSound),NoiseInWin) | 1-P((EndSound∪SingleSound),NoiseInWin) |
S2 | 1-P(Overlap∪NoiseInWin) | P(Overlap∪NoiseInWin) |
噪声 | 1-P(SoundInWin) | P(SoundInWin) |
之前已经发现,频率参数将S1声音的86%划分为低频的,并且将S2声音的80%划分为高频的。所有的噪声声音的85%被划分为高频的。这个信息被用作在频率参数之间的条件概率P(Frequency|S):
P(Frequency|S) | 低 | 高 |
S1 | 0,86 | 0,14 |
S2 | 0,20 | 0,80 |
噪声 | 0,15 | 0,85 |
当找到所有的条件概率时,由贝叶斯网络使用等式[8.6]来计算所有被检测的声音的后验概率。以这种方式,对于每个声音计算三个概率,它们反映了当前声音有多大的可能为给定类型。
应当注意,上述的实施例说明而不是限定本发明,并且本领域内的技术人员能够在不脱离所附的权利要求的范围的情况下提出许多替代实施例。
Claims (27)
1.一种用于对从活体记录的心血管声音进行分类的方法,所述方法包括以下步骤:
●识别所述心血管声音的心脏舒张和/或收缩段;
●将所识别的心脏舒张和/或收缩段中的至少一个划分为多个子段,所述多个子段包括至少第一子段和至少第二子段;
●从所述第一子段提取用于表征所述心血管声音的第一属性的至少第一信号参数,从所述第二子段提取用于表征所述心血管声音的第二属性的至少第二信号参数;
●在多变量分类方法内使用所述至少第一信号参数和所述至少第二信号参数来对所述心血管声音进行分类。
2.根据权利要求1所述的方法,其中,从所述多个子段中的至少两个提取所述至少第一信号参数和/或所述至少第二信号参数。
3.根据权利要求1-2所述的方法,其中,所述方法还包括以下步骤:
●识别含噪声的子段,以及
●在提取所述第一信号参数和/或提取所述第二信号参数的所述步骤之前,丢弃所述含噪声的子段。
4.根据权利要求1-3所述的方法,其中,所述方法还包括以下步骤:
●识别非固定的子段,以及
●在提取所述第一信号参数和/或提取所述第二信号参数的所述步骤之前,丢弃所述非固定的子段。
5.根据权利要求1-4所述的方法,其中,所述第一子段的至少一部分与所述第二子段的至少一部分重叠。
6.根据权利要求2-5所述的方法,其中,对所述心血管声音进行分类的所述步骤包括以下步骤:
●计算从所述多个子段中的至少两个提取的所述第一信号参数和/或所述至少第二信号参数的平均值,以及在所述多变量分类方法中使用所述平均值。
7.根据权利要求2-6所述的方法,其中,对所述心血管声音进行分类的所述步骤包括以下步骤:
●在所述多变量分类方法中,使用所述第一信号参数和所述第二信号参数来对所述多个子段中的至少一个进行分类,其中,所述第一信号参数和所述第二信号参数都从所述多个子段中的所述至少一个提取,
●根据对所述多个子段中的所述至少一个的所述分类,来对所述心血管声音进行分类。
8.根据权利要求1-7所述的方法,其中,所述方法还包括以下步骤:对所述多个子段中的至少一个建模,并且从所述模型提取所述第一信号参数和/或所述第二信号参数。
9.根据权利要求1-8所述的方法,其中,所述第一信号参数和/或所述第二信号参数是描述所述多个子段中的至少一个子段的至少一个频率分量的频率水平属性的频率水平参数。
10.根据权利要求1-9所述的方法,其中,所述第一信号参数和/或所述第二信号参数是描述所述多个子段中的至少一个子段的复杂度的复杂度参数。
11.根据权利要求1-10所述的方法,其中,所识别的心脏舒张和/或收缩段中的至少一个被划分为至少8个子段。
12.一种用于对从活体记录的心血管声音进行分类的系统,所述系统包括:
●用于识别所述心血管声音的心脏舒张和/或收缩段的处理部件;
●用于将所识别的心脏舒张和/或收缩段中的至少一个划分为多个子段的处理部件,所述多个子段包括至少第一子段和至少第二子段;
●用于从所述第一子段提取用于表征所述心血管声音的第一属性的至少第一信号参数的处理部件,以及用于从所述第二子段提取用于表征所述心血管声音的第二属性的至少第二信号参数的处理部件;
●用于在多变量分类方法中使用所述至少第一信号参数和所述至少第二信号参数来对所述心血管声音进行分类的处理部件。
13.根据权利要求12所述的系统,其中,用于提取所述第一信号参数的所述处理部件和/或用于提取所述第二信号参数的所述处理部件适于:从所述多个子段中的至少一个提取所述第一信号参数和/或所述第二信号参数。
14.根据权利要求12-13所述的系统,其中,所述系统还包括:
●用于识别含噪声的子段的处理部件;
●用于在提取所述第一信号参数和/或提取所述第二信号参数之前丢弃所述含噪声的子段的处理部件。
15.根据权利要求12-14所述的系统,其中,所述系统还包括:
●用于识别非固定的子段的处理部件;以及,
●用于在提取所述第一信号参数和/或提取所述第二信号参数之前丢弃所述非固定的子段的处理部件。
16.根据权利要求12-15所述的系统,其中,用于将所识别的心脏舒张和/或收缩段中的至少一个划分为多个子段的所述处理部件适于:
将所述第一子段的至少一部分与所述第二子段的至少一部分重叠。
17.根据权利要求13-16所述的系统,其中,用于对所述心血管声音进行分类的所述处理部件适于计算从所述多个子段中的至少两个提取的所述第一信号参数和/或所述至少第二信号参数的平均值,以及在所述多变量分类方法中使用所述平均值。
18.根据权利要求13-17所述的系统,其中,用于对所述心血管声音进行分类的所述部件适于:在所述多变量分类方法中使用所述第一信号参数和所述第二信号参数来对所述多个子段中的至少一个进行分类,并且根据对所述多个子段中的所述至少一个的所述分类来对所述心血管声音进行分类。
19.根据权利要求12-18所述的系统,其中,所述系统还包括:用于对所述多个子段中的至少一个建模的处理部件;以及用于从所述模型提取所述第一信号参数和/或所述第二信号参数的处理部件。
20.根据权利要求12-19所述的系统,其中,用于提取所述第一信号参数和/或所述第二信号参数的所述处理部件适于提取描述所述多个子段中的至少一个子段的至少一个频率分量的频率水平属性的至少一个频率水平参数。
21.根据权利要求12-20所述的系统,其中,用于提取所述第一信号参数和/或所述第二信号参数的所述处理部件适于提取描述所述多个子段中的至少一个的复杂度的至少一个复杂度参数。
22.根据权利要求12-21所述的系统,其中,用于将所识别的心脏舒张和/或收缩段中的至少一个划分为多个子段的处理部件适于:将所识别的心脏舒张和/或收缩段的至少一个划分为至少8个子段。
23.一种计算机可读介质,其中存储了用于使得处理单元执行根据权利要求1-11所述的方法的指令。
24.一种听诊器,包括:
●记录部件,适于从活体记录心血管声音;
●存储部件,适于存储所记录的心血管声音;
●计算机可读介质和处理单元,所述计算机可读介质内存储了指令,该指令用于使得所述处理单元执行根据权利要求1-11所述的方法,并由此对所记录的心血管声音进行分类。
25.一种连接到通信网络的服务器装置,包括:
●接收部件,适于通过所述通信网络接收从活体记录的心血管声音;
●存储部件,适于存储所接收的心血管声音;
●计算机可读介质和处理单元,所述计算机可读介质内存储了指令,该指令用于使得所述处理单元执行根据权利要求1-11所述的方法,并由此对所接收的心血管声音进行分类。
26.根据权利要求25所述的服务器装置,其中,所述接收部件进一步适于从连接到所述通信网络的客户机接收所述心血管声音。
27.根据权利要求25-26所述的服务器装置,其中,所述服务器装置还包括用于向至少一个客户机单元发送所述心血管声音的所述分类的部件,所述至少一个客户机单元连接到所述通信网络。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/DK2006/000374 WO2008000254A1 (en) | 2006-06-26 | 2006-06-26 | Multi parametric classification of cardiovascular sounds |
DKPCT/DK2006/000374 | 2006-06-26 | ||
PCT/DK2007/000309 WO2008000259A2 (en) | 2006-06-26 | 2007-06-26 | Multi parametric classification of cardiovascular sound |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101478921A true CN101478921A (zh) | 2009-07-08 |
CN101478921B CN101478921B (zh) | 2011-05-25 |
Family
ID=37680714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2007800242704A Active CN101478921B (zh) | 2006-06-26 | 2007-06-26 | 心血管声音的多参数分类 |
Country Status (11)
Country | Link |
---|---|
US (2) | US20100145210A1 (zh) |
EP (1) | EP2034900B1 (zh) |
JP (1) | JP5576116B2 (zh) |
CN (1) | CN101478921B (zh) |
AU (1) | AU2007264203B2 (zh) |
BR (1) | BRPI0713474A2 (zh) |
CA (1) | CA2654252C (zh) |
DK (1) | DK2034900T3 (zh) |
HK (1) | HK1129821A1 (zh) |
RU (1) | RU2449730C2 (zh) |
WO (2) | WO2008000254A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103052355A (zh) * | 2011-03-25 | 2013-04-17 | 松下电器产业株式会社 | 生物体声音处理装置及生物体声音处理方法 |
CN106530927A (zh) * | 2016-12-28 | 2017-03-22 | 侯江昊 | 一种展示心脏杂音产生原理的装置 |
CN108323158A (zh) * | 2018-01-18 | 2018-07-24 | 深圳前海达闼云端智能科技有限公司 | 心音的识别方法及云系统 |
CN111914655A (zh) * | 2020-07-06 | 2020-11-10 | 电子科技大学 | 一种基于显著信号子段提取的脉象分类方法 |
Families Citing this family (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7520860B2 (en) * | 2005-04-13 | 2009-04-21 | Marie G. Johnson | Detection of coronary artery disease using an electronic stethoscope |
IL172754A0 (en) | 2005-12-22 | 2006-04-10 | Menashe Shahar | Urethral blockage diagnosis |
US8920343B2 (en) | 2006-03-23 | 2014-12-30 | Michael Edward Sabatino | Apparatus for acquiring and processing of physiological auditory signals |
WO2008000254A1 (en) * | 2006-06-26 | 2008-01-03 | Coloplast A/S | Multi parametric classification of cardiovascular sounds |
US20110125061A1 (en) * | 2006-12-20 | 2011-05-26 | P Square Medical Ltd. | Monitoring Conditions Of A Patient's Urinary System |
ES2293860B1 (es) | 2007-10-01 | 2009-02-01 | Hierros Y Aplanaciones, S.A. (Hiasa) | Sistema de anclaje fusible directo para poste de soporte de una barrera de seguridad o pretil en un terreno rigido. |
US11389080B2 (en) | 2007-11-28 | 2022-07-19 | Intervet Inc. | System and method for diagnosis of bovine diseases using auscultation analysis |
WO2009098312A1 (en) * | 2008-02-06 | 2009-08-13 | Capis Sprl | Method and device for the determination of murmur frequency band |
US8560492B2 (en) * | 2008-10-20 | 2013-10-15 | Siemens Corporation | Robust filtering and prediction using switching models for machine condition monitoring |
US10064580B2 (en) | 2008-11-07 | 2018-09-04 | Intervet Inc. | System and method for determining antibiotic effectiveness in respiratory diseased animals using auscultation analysis |
CN102271589A (zh) * | 2008-12-30 | 2011-12-07 | 皇家飞利浦电子股份有限公司 | 用于处理心音信号的方法和系统 |
EP2509508A4 (en) * | 2009-12-08 | 2015-11-18 | Aum Cardiovascular Inc | SYSTEMS AND METHOD FOR DETECTING HEART CIRCULAR DISEASES |
US8702628B2 (en) | 2010-03-18 | 2014-04-22 | Panasonic Corporation | Physiological sound examination device |
US8992435B2 (en) * | 2010-08-25 | 2015-03-31 | Diacoustic Medical Devices (Pty) Ltd | System and method for classifying a heart sound |
EP2462871A1 (en) * | 2010-12-13 | 2012-06-13 | Acarix A/S | System, stethoscope and method for indicating risk of coronary artery disease |
WO2013079073A1 (en) | 2011-12-01 | 2013-06-06 | Aalborg Universitet | Multifactorial telehealth care pregnancy and birth monitoring |
CA2867619C (en) * | 2012-04-09 | 2021-08-31 | Geissler Companies, Llc | System and method for diagnosis of bovine diseases using auscultation analysis |
JP6031863B2 (ja) * | 2012-07-19 | 2016-11-24 | 株式会社Jvcケンウッド | 心音分析装置、心音分析方法および心音分析プログラム |
JP6036174B2 (ja) * | 2012-10-31 | 2016-11-30 | 株式会社Jvcケンウッド | 心音情報処理装置、心音情報処理方法および心音情報処理プログラム |
JP6036242B2 (ja) * | 2012-12-06 | 2016-11-30 | 株式会社Jvcケンウッド | 心音情報処理装置、心音情報処理方法およびプログラム |
BR112015018929B8 (pt) | 2013-02-06 | 2023-01-31 | Geissler Companies Llc | Sistema de saúde eletrônico para determinar a eficácia de uma droga administrada usando análise de auscultação |
EP3019077B1 (en) * | 2013-07-11 | 2020-10-21 | Coala-Life AB | Classifying heart sounds |
US9167971B2 (en) * | 2013-12-05 | 2015-10-27 | Comsats Institute Of Information Technology | Heart murmur extraction and heart impairments identification using fuzzy controller |
US10271737B2 (en) | 2014-09-18 | 2019-04-30 | National Central University | Noninvasive arterial condition detecting method, system, and non-transitory computer readable storage medium |
CA2972978A1 (en) | 2015-01-07 | 2016-07-14 | Children's National Medical Center | Appratus and method for detecting heart murmurs |
EP3078329A1 (en) | 2015-04-09 | 2016-10-12 | Acarix A/S | Indication of risk for coronary artery disease |
US9965685B2 (en) | 2015-06-12 | 2018-05-08 | Google Llc | Method and system for detecting an audio event for smart home devices |
CA2989424A1 (en) | 2015-06-15 | 2016-12-22 | Cvr Global, Inc. | Non-invasive method for measuring sound frequencies created by vortices in a carotid artery |
JP6604113B2 (ja) * | 2015-09-24 | 2019-11-13 | 富士通株式会社 | 飲食行動検出装置、飲食行動検出方法及び飲食行動検出用コンピュータプログラム |
JP6468986B2 (ja) * | 2015-10-27 | 2019-02-13 | 日本電信電話株式会社 | ノイズ判定装置、方法、およびプログラム |
WO2017075601A1 (en) * | 2015-10-30 | 2017-05-04 | The Johns Hopkins University | Programmable electronic stethoscope devices, algorithms, systems, and methods |
US11877885B2 (en) * | 2017-07-31 | 2024-01-23 | University of Pittsburgh—of the Commonwealth System of Higher Education | System for automatic and early detection flap failure |
US11045163B2 (en) | 2017-09-19 | 2021-06-29 | Ausculsciences, Inc. | Method of detecting noise in auscultatory sound signals of a coronary-artery-disease detection system |
US11284827B2 (en) | 2017-10-21 | 2022-03-29 | Ausculsciences, Inc. | Medical decision support system |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SU1317708A1 (ru) * | 1985-03-29 | 1988-03-15 | Предприятие П/Я М-5629 | Устройство дл анализа кардиоритма |
US4792145A (en) * | 1985-11-05 | 1988-12-20 | Sound Enhancement Systems, Inc. | Electronic stethoscope system and method |
DE3732122C2 (de) * | 1987-09-24 | 1996-02-22 | Dieter Prof Dr Ing Barschdorff | Vorrichtung zur Bewertung einer periodischen Folge von Herzgeräuschsignalen |
US5010889A (en) * | 1988-02-04 | 1991-04-30 | Bloodline Technology | Intelligent stethoscope |
US5218969A (en) * | 1988-02-04 | 1993-06-15 | Blood Line Technology, Inc. | Intelligent stethoscope |
US5036857A (en) * | 1989-10-26 | 1991-08-06 | Rutgers, The State University Of New Jersey | Noninvasive diagnostic system for coronary artery disease |
US5146414A (en) * | 1990-04-18 | 1992-09-08 | Interflo Medical, Inc. | Method and apparatus for continuously measuring volumetric flow |
JP3503962B2 (ja) | 1993-07-16 | 2004-03-08 | 富士通テン株式会社 | プログラム自動配置装置 |
US5550902A (en) * | 1994-08-17 | 1996-08-27 | American Telecare, Inc. | Remote stethoscope signal processing system |
US5453576A (en) * | 1994-10-24 | 1995-09-26 | Transonic Systems Inc. | Cardiovascular measurements by sound velocity dilution |
US5841846A (en) * | 1996-09-16 | 1998-11-24 | American Telecare, Inc. | Digital telephonic system for stethoscope signal processing |
US6050950A (en) * | 1996-12-18 | 2000-04-18 | Aurora Holdings, Llc | Passive/non-invasive systemic and pulmonary blood pressure measurement |
US6048319A (en) * | 1998-10-01 | 2000-04-11 | Integrated Medical Systems, Inc. | Non-invasive acoustic screening device for coronary stenosis |
US6780159B2 (en) * | 2001-01-16 | 2004-08-24 | Biomedical Acoustic Research Corporation | Acoustic detection of vascular conditions |
US20030220584A1 (en) * | 2002-04-19 | 2003-11-27 | Southwest Research Institute | Headset for measuring physiological parameters |
US20040260188A1 (en) * | 2003-06-17 | 2004-12-23 | The General Hospital Corporation | Automated auscultation system |
US7300405B2 (en) * | 2003-10-22 | 2007-11-27 | 3M Innovative Properties Company | Analysis of auscultatory sounds using single value decomposition |
JP4759727B2 (ja) * | 2004-03-19 | 2011-08-31 | 国立大学法人山口大学 | デジタル聴診解析システム |
WO2008000254A1 (en) * | 2006-06-26 | 2008-01-03 | Coloplast A/S | Multi parametric classification of cardiovascular sounds |
US20080119749A1 (en) * | 2006-11-20 | 2008-05-22 | Cardiac Pacemakers, Inc. | Respiration-synchronized heart sound trending |
-
2006
- 2006-06-26 WO PCT/DK2006/000374 patent/WO2008000254A1/en active Application Filing
- 2006-06-26 US US12/308,755 patent/US20100145210A1/en not_active Abandoned
-
2007
- 2007-06-26 WO PCT/DK2007/000309 patent/WO2008000259A2/en active Application Filing
- 2007-06-26 AU AU2007264203A patent/AU2007264203B2/en active Active
- 2007-06-26 US US12/308,754 patent/US8684943B2/en active Active
- 2007-06-26 RU RU2009102245/14A patent/RU2449730C2/ru active
- 2007-06-26 DK DK07764442.5T patent/DK2034900T3/en active
- 2007-06-26 CA CA2654252A patent/CA2654252C/en active Active
- 2007-06-26 JP JP2009516899A patent/JP5576116B2/ja active Active
- 2007-06-26 CN CN2007800242704A patent/CN101478921B/zh active Active
- 2007-06-26 BR BRPI0713474-6A patent/BRPI0713474A2/pt active Search and Examination
- 2007-06-26 EP EP07764442.5A patent/EP2034900B1/en active Active
-
2009
- 2009-08-07 HK HK09107264.5A patent/HK1129821A1/zh unknown
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103052355A (zh) * | 2011-03-25 | 2013-04-17 | 松下电器产业株式会社 | 生物体声音处理装置及生物体声音处理方法 |
CN103052355B (zh) * | 2011-03-25 | 2015-02-04 | 松下电器产业株式会社 | 生物体声音处理装置及生物体声音处理方法 |
CN106530927A (zh) * | 2016-12-28 | 2017-03-22 | 侯江昊 | 一种展示心脏杂音产生原理的装置 |
CN108323158A (zh) * | 2018-01-18 | 2018-07-24 | 深圳前海达闼云端智能科技有限公司 | 心音的识别方法及云系统 |
CN111914655A (zh) * | 2020-07-06 | 2020-11-10 | 电子科技大学 | 一种基于显著信号子段提取的脉象分类方法 |
CN111914655B (zh) * | 2020-07-06 | 2022-07-12 | 电子科技大学 | 一种基于显著信号子段提取的脉象分类方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2008000259A3 (en) | 2008-04-10 |
DK2034900T3 (en) | 2016-06-20 |
EP2034900B1 (en) | 2016-03-09 |
RU2449730C2 (ru) | 2012-05-10 |
US8684943B2 (en) | 2014-04-01 |
US20100145210A1 (en) | 2010-06-10 |
AU2007264203A1 (en) | 2008-01-03 |
JP2009540971A (ja) | 2009-11-26 |
HK1129821A1 (zh) | 2009-12-11 |
WO2008000259A2 (en) | 2008-01-03 |
AU2007264203B2 (en) | 2014-01-30 |
CA2654252C (en) | 2016-08-09 |
JP5576116B2 (ja) | 2014-08-20 |
US20100160807A1 (en) | 2010-06-24 |
RU2009102245A (ru) | 2010-08-10 |
BRPI0713474A2 (pt) | 2012-02-28 |
CA2654252A1 (en) | 2008-01-03 |
WO2008000254A1 (en) | 2008-01-03 |
CN101478921B (zh) | 2011-05-25 |
EP2034900A2 (en) | 2009-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101478921B (zh) | 心血管声音的多参数分类 | |
Papadaniil et al. | Efficient heart sound segmentation and extraction using ensemble empirical mode decomposition and kurtosis features | |
Schmidt et al. | Acoustic features for the identification of coronary artery disease | |
Khosrow-Khavar et al. | Automatic and robust delineation of the fiducial points of the seismocardiogram signal for noninvasive estimation of cardiac time intervals | |
US5036857A (en) | Noninvasive diagnostic system for coronary artery disease | |
US5109863A (en) | Noninvasive diagnostic system for coronary artery disease | |
US4770184A (en) | Ultrasonic doppler diagnostic system using pattern recognition | |
Turkoglu et al. | An expert system for diagnosis of the heart valve diseases | |
US9198634B2 (en) | Medical decision support system | |
Nigam et al. | Accessing heart dynamics to estimate durations of heart sounds | |
CN101022765A (zh) | 用于评估狭窄血管的壁振动的超声技术 | |
US8961427B2 (en) | Spectrum analysis of coronary artery turbulent blood flow | |
US11412944B2 (en) | Non-invasive method for measuring sound frequencies created by vortices in a carotid artery | |
Schmidt et al. | Coronary artery disease and low frequency heart sound signatures | |
WO2008000255A1 (en) | Method for segmenting a cardiovascular signal | |
Sahani et al. | Carotid and jugular classification in ARTSENS | |
Sofwan et al. | Normal and Murmur Heart Sound Classification Using Linear Predictive Coding and k-Nearest Neighbor Methods | |
Schmidt | Detection of coronary artery disease with an electronic stethoscope | |
Nigam et al. | A simplicity-based fuzzy clustering approach for detection and extraction of murmurs from the phonocardiogram | |
JP4128788B2 (ja) | 脈派による血管系の診断用の処理プログラム | |
Nigam et al. | Simplicity based gating of heart sounds | |
Cowe et al. | Automatic detection of emboli in the TCD RF signal using principal component analysis | |
Mohan et al. | Real-time signal processing of photoplethysmographic signals to estimate the on-demand and continuous heart rate by spectral analysis | |
CA2907400A1 (en) | Spectrum analysis of coronary artery turbulent blood flow | |
Patz | Time-frequency Analysis of Doppler Ultrasound Blood Flow Signals: An Investigation Into Automated Diagnosis of Vascular Disease |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
ASS | Succession or assignment of patent right |
Owner name: COLOPLAST AS CO., LTD. Free format text: FORMER OWNER: COLOPLAST A/S Effective date: 20101221 |
|
C41 | Transfer of patent application or patent right or utility model | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20101221 Address after: Denmark humlebaek Applicant after: Acarix As Address before: Denmark humlebaek Applicant before: Coloplast A/S |
|
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |