CN103315767B - 心音信号的判别方法及心音信号的判别系统 - Google Patents
心音信号的判别方法及心音信号的判别系统 Download PDFInfo
- Publication number
- CN103315767B CN103315767B CN201310241853.XA CN201310241853A CN103315767B CN 103315767 B CN103315767 B CN 103315767B CN 201310241853 A CN201310241853 A CN 201310241853A CN 103315767 B CN103315767 B CN 103315767B
- Authority
- CN
- China
- Prior art keywords
- heart sound
- hear sounds
- characteristic parameter
- parameter
- boundary line
- 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.)
- Active
Links
Landscapes
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种心音信号的判别方法,包括设定提取心音特征波形的模型参数;进行心音检测,采集心音数据;将心音数据生成特征波形;计算在上述波形中的心音特征参数;计算得到心音特征参数的分布域的边界线;对得到的边界线生成近似的椭圆曲线,计算椭圆曲线的参数(xc,yc,a,b,θ);采用上述方法得到待判别用户的心音特征参数(x,y),利用椭圆参数(xc,yc,θ)对心音特征参数(x,y)进行坐标变换;判别变换坐标后得到的心音特征参数是否在椭圆曲线内部,判别心音信号。该心音信号的判别方法可以有效地减少心音判别的运算处理量且提高判别精度。本发明还公开了一种心音信号的判别系统。
Description
技术领域
本发明涉及心音处理技术领域,更具体地说,涉及一种心音信号的判别方法,还涉及一种心音信号的判别系统。
背景技术
据统计,目前1000名新生儿中,大概有8人患有先天性心脏病,其中心室间隔缺损(Ventricular Septal Defect,VSD)是最为常见的先天性心脏病。根据心室间隔缺损患者的情况,有时必须及早进行手术,因此采用较为简便的心音测量方法和心音判别方法,对患有先天性心脏病的孩子成长过程中对应合适的时期采用合适的处理方法,可以缓解患者的负担。
在心脏病的诊断方法中,听诊古时候就有,即根据心音判别心脏的健康状况,但是听诊对于医生来说,需要多年的经验积累。近年来随着计算机技术的不断发展,可以利用计算机从心音信号中抽取与心脏病或心脏功能相关的特征参数。因此,采用计算机进行心脏病的判别和心脏功能的评价成为可能。
目前,采用的一种听诊心音信号的处理方法,其是从鼓膜的振动模型测量的心音数据中求取振动响应的特征波形,提取特征波形的峰值的时间幅度、时间间隔作为评价指标,采用目标价值函数表示评价指标距离规定数据集合中心的分散情况,价值函数在最小约束值下求得的评价指标代表了数据集合的中心的分布情况。该方法是应用振动模型检测出心音的特征波形,求解心音参数的方法。但是该方法,计算量大,分析处理的装置的规模也很大,颇为复杂。
现有技术中,还采用了另一种听诊心音信号的处理方法,即从心音数据资料得到特征波形,从波形中提取心音特征参数,采用支持向量机方法(Support Vector Machine,SVM)求出分布范围的边界线,从而判别心音。但是利用支持向量机求取的边界线判别心音的方法,运算处理量大,而且判别条件的设定复杂,实现并不容易。
综上所述,如何有效地在提高判别精度的同时减少心音判别过程中的运算处理量,是目前本领域技术人员急需解决的问题。
发明内容
有鉴于此,本发明的第一个目的在于提供一种心音信号的判别方法,该心音信号的判别方法可以有效地在提高判别精度的同时减少心音判别过程的运算处理量,本发明的第二个目的是提供一种心音信号的判别系统。
为了达到上述第一个目的,本发明提供如下技术方案:
一种心音信号的判别方法,包括步骤:
设定提取心音特征波形的模型参数;
进行心音检测,采集心音数据;
将采集的心音数据在设定的提取心音特征波形的模型参数下,生成时域的特征波形以及频域的特征波形;
计算在上述时域的特征波形中的心音特征参数(x1,y1)及频域的特征波形中的心音特征参数(x2,y2);
计算得到时域的心音特征参数(x1,y1)的分布域的边界线及频域的心音特征参数(x2,y2)的分布域的边界线;
对根据时域的心音特征参数计算得到的边界线及根据频域的心音特征参数计算得到的边界线,分别生成近似的椭圆曲线,计算椭圆曲线的参数(xc,yc,a,b,θ);
采用上述方法得到待判别用户的心音特征参数(x,y),利用椭圆参数(xc,yc,θ)对心音特征参数(x,y)进行坐标变换;
判别变换坐标后得到的心音特征参数是否在椭圆曲线内部,判别心音信号。
优选地,在计算椭圆曲线的特色参数(xc,yc,a,b,θ)与采用上述方法得到待判别用户的心音特征参数(x,y)之间还包括步骤:
重复上述步骤,采集多种心音数据,得到多个椭圆曲线,建设数据库。
优选地,所述频域的特征波形是由采集的心音数据进行傅立叶变换后得到的。
优选地,所述分别生成近似的椭圆曲线具体为:
分别采用最小二乘法生成近似的椭圆曲线。
优选地,所述时域的心音特征参数具体为相邻的第一心音峰值的时间间隔(T11)及相邻的第一心音峰值与第二心音峰值的时间间隔(T12)形成的坐标值(T11,T12);
所述频域的特征波形中的心音特征参数具体为与峰值有关的阈值(HF)、由阈值(HF)确定的频带宽度(FW)及峰值的中心频(FG),形成的坐标值(FW,FG)。
优选地,所述时域的心音特征参数(x1,y1)的分布域的边界线及频域的心音特征参数(x2,y2)的分布域的边界线采用支持向量机的方法生成。
一种心音信号的判别系统,包括:
用于进行心音检测,采集心音数据的数据获取单元;
用于对采集的心音数据进行处理得到时域的特征波形和频域的特征波形的波形提取单元;
用于从上述的时域的特征波形中提取时域心音特征参数和从上述的频域的特征波形中提取频域心音特征参数的特征参数提取单元;
用于计算得到上述提取的时域的心音特征参数的分布域的边界线和计算得到上述提取的频域的心音特征参数的分布域的边界线的边界线生成单元;
用于将上述得到的边界线近似为椭圆的椭圆生成单元,得到椭圆曲线的参数(xc,yc,a,b,θ);
利用椭圆曲线参数(xc,yc,θ)对待判别的心音特征参数进行坐标变换的坐标变换单元;
判别变换坐标后得到的心音特征参数是否在椭圆曲线内部的判别单元。
优选地,还包括:
用于建立数据库的数据库单元。
优选地,还包括用于显示判别结果的结果显示单元。
本发明提供的心音信号的判别方法中,先对心音特征参数的分布域求取边界线,边界线的形状一般都是不规则的,然后将不规则的边界线生成近似的椭圆曲线,然后利用椭圆曲线的参数对待判别用户的心音特征参数进行判别,如此将心音特征参数的分界线近似为椭圆曲线再进行判别,较将待判别用户的心音特征参数直接与不规则的边界线进行对比判别,大幅度减少了处理的计算量,使该种心音信号判别的方法应用于手机等移动设备成为可能。
为了达到上述第二个目的,本发明还提供了一种心音信号的判别系统,使用该心音信号的判别系统为待判别用户的心音信号进行判别同样可以达到减少处理的计算量的目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的正常者的心音特征参数的时域波形图;
图2为本发明实施例提供的VSD患者的心音特征参数的时域波形图;
图3为本发明实施例提供的正常者的心音特征参数的频域波形图;
图4为本发明实施例提供的VSD患者的心音特征参数的频域波形图;
图5为正常心音信号的特征参数和VSD患者心音信号的特征参数在时域参数的分布图上的分布结果图;
图6为正常心音信号的特征参数和VSD患者心音信号的特征参数在频域参数的分布图上的分布结果图;
图7为LVSD患者、MVSD患者和SVSD患者的时域的心音特征参数(T11,T12)的分布图;
图8为LVSD患者、MVSD患者和SVSD患者的频域的心音特征参数(T11,T12)的分布图;
图9为图7中的边界线生成的椭圆曲线的示意图;
图10为图8中的边界线生成的椭圆曲线的示意图;
图11为对待判别用户的心音特征参数进行坐标变化的示意图;
图12为多种心脏病患者的心音特征参数在时域参数的分布图上的分布结果图;
图13为多种心脏病患者的心音特征参数在频域参数的分布图上的分布结果图;
图14为本发明一种实施例提供的心音信号的判别系统的示意图;
图15为本发明另一种实施例提供的心音信号的判别系统的示意图;
图16为本发明实施例提供的心音信号的判别方法的流程图。
具体实施方式
本发明的第一个目的在于提供一种心音信号的判别方法,该心音信号的判别方法可以有效地在提高判别精度的同时减少心音判别过程的运算处理量,本发明的第二个目的是提供一种心音信号的判别系统。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供的心音信号的判别方法,包括步骤:
S1:设定提取心音特征波形的模型参数;
S2:进行心音检测,采集心音数据;
S3:将采集的心音数据在设定的提取心音特征波形的模型参数下,生成时域的特征波形以及频域的特征波形;
S4:计算在上述时域的特征波形中的心音特征参数(x1,y1)及频域的特征波形中的心音特征参数(x2,y2);
S5:计算得到时域的心音特征参数(x1,y1)的分布域的边界线及频域的心音特征参数(x2,y2)的分布域的边界线;
S6:对根据时域的心音特征参数计算得到的边界线及根据频域的心音特征参数计算得到的边界线,分别生成近似的椭圆曲线,计算椭圆曲线的参数(xc,yc,a,b,θ);
其中,(xc,yc)为椭圆曲线的中心坐标,a为长半轴,b为短半轴,θ为长轴与水平坐标之间的夹角。
S7:采用上述方法得到待判别用户的心音特征参数(x,y),利用椭圆参数(xc,yc,θ)对心音特征参数(x,y)进行坐标变换;
S8:判别变换坐标后得到的心音特征参数是否在椭圆曲线内部,判别心音信号。
本发明实施例提供的心音信号的判别方法中,先对心音特征参数的分布域求取边界线,边界线的形状一般都是不规则的,然后将不规则的边界线生成近似的椭圆曲线,然后利用椭圆曲线的参数对待判别用户的心音特征参数进行判别,如此将心音特征参数的分界线近似为椭圆曲线再进行判别,较将待判别用户的心音特征参数直接与不规则的边界线进行对比判别,大幅度减少了处理的计算量,使该种心音信号判别的方法应用于手机等移动设备成为可能。
其中,在步骤计算椭圆曲线的特色参数(xc,yc,a,b,θ)与采用上述方法得到待判别用户的心音特征参数(x,y)之间还可以包括步骤:重复上述步骤,采集多种心音数据,得到多个椭圆曲线,建设数据库。即采取多种病例或者用户的心音数据,按照上述方法进行处理最终得到多个椭圆曲线,进而建立数据库。
其中,频域的特征波形是由采集的心音数据进行傅立叶变换后得到的,当然还可以通过功率谱密度方法得到,在此不作限定。
其中,由边界线生成近似椭圆步骤中,可以利用最小二乘法生成近似的椭圆曲线,当然也可以采用概率统计方法,在此不作限定。
进一步地,时域的心音特征参数具体为相邻的第一心音峰值的时间间隔(T11)及相邻的第一心音峰值与第二心音峰值的时间间隔(T12)形成的坐标值(T11,T12)。相邻的第一心音峰值的时间间隔(T11)即心动周期。频域的特征波形中的心音特征参数具体为与峰值有关的阈值(HF)、由阈值(HF)确定的频带宽度(FW)及峰值的中心频(FG),形成的坐标值(FW,FG)。另外,时域的心音特征参数还可以为第一心音的持续时间和第二心音的持续时间,频域的心音特征参数还可以为频域波形的峰值频率,在此不作限定。
时域的心音特征参数(x1,y1)的分布域的边界线及频域的心音特征参数(x2,y2)的分布域的边界线可以采用支持向量机的方法生成。当然还可以采用其它概率统计方法将时域的心音特征参数(x1,y1)和频域的心音特征参数(x2,y2)的分布域边界线生成边界线,在此不作限定。
以下为具体对心音信号的判别方法进行说明:
(A)心音特征波形和心音特征参数
心脏分为左心房,左心室,右心房,右心室4个部分,心脏反复收缩和舒张,起到令血液向全身循环的泵的作用。左心房的入口为二尖瓣,左心室入口为主动脉瓣,右心室入口三尖瓣,右心房的入口肺动脉瓣,这些瓣膜防止血液逆流。心音是这些瓣膜关闭时发出的声音。在听诊上,正确判断心音正常还是异常需要专业性的知识、经验,一般的人可以进行比较简单地听辨。
根据心音数据得到时域的特征波形以及频域的特征波形的方法有很多种,下面对最常见的方法进行说明。心音时域数据XT(k),设定处理对象的移动窗口幅度为LT,时域的特征波形可以由如下公式1求得:
其中,
N为信号XT的长度。
进一步地,频域特征波形是将采集的心音数据进行傅立叶变换,并且对进行傅立叶变换后得到的波形用一定幅度的移动平均法求得。频域的特征波形可以由如下公式3求得:
其中,
N是信号XF长度、LF为移动平均窗口的窗长。
图1为采集的正常者的心音数据XT和时域特征波形WT,图2为采集的正常者的心音数据XT经过傅里叶变换后得到的XF和频域特征波形图。
图3为VSD(心室中膈缺损,Ventricular septal defect)患者的时域波形图,图4为VSD患者的频域波形图。一般正常的心音的波形,第一心音及第二心音峰值交替出现,第一心音是由二尖瓣及三尖瓣的闭合产生,第二心音为主动脉瓣及肺动脉瓣闭锁以及紧张而产生。在对心音的正常或异常的判断中,对第一心音和第二心音的持续时间(峰值的时间幅度)解析、评价是有效的。
图1中时域的波形的峰值S1,S2……的重心为别记为G1(i),G2(i)……,
时域的心音特征参数中T11为相邻的第一心音峰值的时间间隔,T12为相邻的第一心音峰值与第二心音峰值的时间间隔。其中T11和T12分别用Gk(i)表示如下:
T11(i)=G1(i+1)-G1(i)········(6)
T12(i)=G2(i)-G1(i)········(7)
频域的特征参数中由阈值HF确定的频带宽度FW及峰值的中心频FG如下所示:
FW=RP-LP··············(9)
其中,Rp,LP分别为频域上阈值HF与WF的峰值交叉位置的右侧,左侧的值,在这里阈值HF的值是0.2。
进一步地,图5为正常心音信号的特征参数(T12,T11)及(FG,FW)和VSD患者心音信号的特征参数(T12,T11)及(FG,FW)在时域参数的分布图上的分布结果图。图6为正常心音信号的特征参数(T12,T11)及(FG,FW)和VSD患者心音信号的特征参数(T12,T11)及(FG,FW)在在频域参数的分布图上的分布结果图。
由图中可以看出,在时域参数的分布图上即图5中,为两个正常者的时域特征参数(T12,T11)及两个VSD患者的时域特征参数(T12,T11),图中一个正常者NM1的时域特征参数(T12,T11),在图中用“◇”表示,另一个正常者NM2的时域特征参数(T12,T11),在图中用“○”表示。其中一个VSD患者VSD1的时域特征参数(T12,T11),在图中用“▽”表示,另一个VSD患者VSD2的时域特征参数(T12,T11),在图中用“□”表示。从图中可以看出,其中正常者NM2(○)的时域特征参数分布与VSD患者VSD1(▽)的时域特征参数分布距离相当接近很难判别。但是正常者NM1(◇)的时域特征参数分布与VSD患者VSD2(□)的时域特征参数分布距离较远。
而在频域参数的分布图上即图6中,为两个正常者的频域特征参数(FG,FW)及两个VSD患者的频域特征参数(FG,FW),图中一个正常者NM1的频域特征参数,在图中用“◇”表示,另一个正常者NM2的频域特征参数,在图中用“○”表示。其中一个VSD患者VSD1的频域特征参数,在图中用“▽”表示,另一个VSD患者VSD2的频域特征参数,在图中用“□”表示。从图中可以看出,其中正常者NM2(○)的频域特征参数分布与VSD患者VSD1(▽)的频域特征参数分布距离较远。正常者NM1(◇)的频域特征参数分布与VSD患者VSD2(□)的频域特征参数分布距离相当接近很难判别。
因此,对正常心音和VSD患者心音信号在时域及频域上的分布进行综合判别是很重要的。
(B)边界线的推导
其中,VSD患者按照心室间缺损孔的大小可以分为三种,即心室间缺损孔较大的患者为LVSD患者,心室间缺损孔中等的患者为MVSD患者,心室间缺损孔较小的患者为SVSD患者。首先采集LVSD患者、MVSD患者和SVSD患者的心音数据,并分别生成时域特征波形及频域特征波形,分别得到三种患者的时域的心音特征参数(T11,T12)和频域的心音特征参数(FW,FG),通过采集很多患者的心音数据,可以分别得到三种患者的时域的心音特征参数(T11,T12)的分布图,如图7所示。还可以分别得到三种患者的频域心音特征参数(FW,FG)的分布图,如图8所示。图7中和图8中,采用“○”代表SVSD患者的心音参数,采用“□”代表MVSD患者的心音参数,采用“▽”代表LVSD患者的心音参数。进一步地,可以采用支持向量机(SVM)或概率统计等方法来得出心音特征参数的边界线。下面以支持向量机(SVM)的方法求取心音参数
分布域的边界线为例进行介绍:
SVM,为使用支持向量确定分类超平面进行分类的统计学方法,确定分类超平面g(x)=0,求取分类函数f(x)。一般来说,无法分离的线性类中存在分离样本的情况,为了对输入向量进行高次的特征空间映射,采用φ(·):Rn→Rnh进行非线性映射。
这里,分类函数f(x)如下所示
f(x)=sign{g(x)}·········(10)
其中,x为输入向量,WT为变加权向量,b为偏差,g(x)为训练向量的一部分的支持向量(SVM)的识别函数。
对应被边界线包围的数据集合DSs(-)=[T12,T11],在边界线附近人工生成修正数据集合DSs(+)。为求取边界线,人工生成数据的步骤如下。
a)求取心音参数T12的数据集合T12 (-)的平均值μT12,其标准方差σT12
b)人工生成数据集合T12 (+),其平均值与标准方差分别为μT12 (+)=μT12±8σT12,σT12 (+)=4σT12。这样生成的数据集合T12 (+)的约15%与实测数据集合的心音T12的边界线附近重叠。
c)同样的求出数据集合T11 (+)。
这样的人工生成的数据集合DSs(+)=[T12 (+),T11 (+)]。
d)采用支持向量机(SVM)求出上述所得到的数据集合DSs(-)=[T12,T11]和DSs(+)=[T12 (+),T11 (+)]对应的边界曲线。
接下来,下式为判别正确率CA的表达式:
通过反复计算,求出边界线。公式12中,TP是真阳性(truepositive)、TN真阴性(true negative),FP是假阳性(false positive),FN为假阴性(false negative)。
e)对数据集合(FG,FW)也同样人工生成数据集合DSs(+)=(FG (+),FW (+))用SVM求出边界线。
图7中为三种患者的时域的心音特征参数(T11,T12)的分布域的边界线,图8中为三种患者的频域心音特征参数(FW,FG)的分布域的边界线,图7和图8,中采用“▽”代表LVSD患者的心音参数,采用“□”代表MVSD患者的心音参数,采用“○”代表SVSD患者的心音参数。
(C)边界线的椭圆近似
上述的求出的心音特征参数分布域的边界线可以用来判别心音信号,如图7和图8所示,边界线并不是单纯形状的曲线,因而为了实现心音信号的判别,计算量非常大,判别条件的设定也变得复杂。因此,将边界线近似为椭圆曲线,将这种近似的椭圆曲线用于心音信号的判别,计算量会大大减少,判别条件可以得到有效的简化。
将边界线近似为椭圆的方程式如下假定:
F(A,x,y)=A11x2+A21x y+A31y2
+A41x+A51y+A61=0······(13)
其中、A21 2-4A11A31<0。
根据上述利用SVM方法求出的分界线,采用最小二乘法求出椭圆公式13中的系数Ai1(i=1,2,...,6)。图7的对应求出的椭圆如图9所示,图8的对应求出的椭圆如图10所示。并且得到椭圆的参数[xc,yc,a,b,θ]。
椭圆公式的变换如下:
XY坐标系的原点是xy坐标系的(xc,yc)。xy坐标系中参数Ai1(i=1,2,...,6)和XY坐标系中参数[xc,yc,a,b,θ]的关系如下:
其中,可以采集多种病例或者用户的心音数据,按照上述方法进行处理最终得到多个椭圆曲线,进而建立数据库。
进一步地,对采集的待判别用户的心音数据进行处理后得到的心音特征参数(x,y)进行坐标变换,即(x,y)→(X,Y)如图11所示,该处可以对时域的特征参数进行坐标变换,也可以对频域的特征参数进行坐标变换,公式如下:
D)椭圆曲线用于心音判别
将提取的待判别的用户的心音数据进行处理,得到待判别用户的心音特征参数,例如(x,y)=(T12,T11)或(FG,FW),利用上述坐标变换的方法,对得到的心音特征参数(x,y)=(T12,T11)或(FG,FW)进行坐标变换得到新的坐标(X,Y)。
采用椭圆曲线特性参数(a,b),通过下面的判断式对待判别的心音信号进行判别。
IDT作为时域的判别参数,IDF作为频域的判别参数,当IDT为0时,说明变换得到新的坐标(X,Y)不在时域参数分布图上的椭圆内部,当IDT为1时,说明变换得到新的坐标(X,Y)在时域参数分布图上的椭圆内部或在椭圆曲线上。当IDF为0时,说明变换得到新的坐标(X,Y)不在频域参数分布图上的椭圆内部,当IDF为1时,说明变换得到新的坐标(X,Y)在频域参数分布图上的椭圆内部或在椭圆曲线上。根据结果进而对待判别用户的心音数据进行判别,得出结果。
根据本发明提供的心音信号的判别方法中,利用SVM对从心音数据中提取的心音特征参数的分布域求出边界线,将求出的边界线的近似椭圆曲线,利用如公式22对心音信号进行判别。该过程中将心音特征参数的分布的边界线近似为椭圆的简化方法,设定如判断式式22的判别式,使得心音信号判别的解析处理计算量大幅度减少成为可能。
基于上述实施例中提供的心音信号的判别方法,本发明还提供了一种心音信号的判别系统,包括用于进行心音检测,采集心音数据的数据获取单元;
用于对采集的心音数据进行处理得到时域的特征波形和频域的特征波形的波形提取单元;
用于从上述的时域的特征波形中提取时域心音特征参数和从上述的频域的特征波形中提取频域心音特征参数的特征参数提取单元;
用于计算得到上述提取的时域的心音特征参数的分布域的边界线和计算得到上述提取的频域的心音特征参数的分布域的边界线的边界线生成单元;
用于将上述得到的边界线近似为椭圆的椭圆生成单元,得到椭圆曲线的参数(xc,yc,a,b,θ);
利用椭圆曲线参数(xc,yc,θ)对待判别的心音特征参数进行坐标变换的坐标变换单元;
判别变换坐标后得到的心音特征参数是否在椭圆曲线内部的判别单元。
应用时,首先利用数据获取单元获取病例或者用户的心音数据,然后利用波形提取单元提取出心音数据的时域的特征波形和频域的特征波形,然后从波形中提取出时域心音特征参数(T11,T12)和频域心音特征参数(FW,FG)。提取多种心音数据,得到时域心音特征参数(T11,T12)和频域心音特征参数(FW,FG)的分布域,边界线生成单元可以根据上述分布域生成边界线,进而利用椭圆生成单元得到边界线的近似椭圆曲线。同样利用数据获取单元获取待判别用户的心音数据,然后利用波形提取单元提取出时域的特征波形和频域的特征波形,然后从波形中提取出待判别用户的时域心音特征参数(T11,T12)和频域心音特征参数(FW,FG),随后利用坐标变换单元将待判别用户的时域心音特征参数(T11,T12)和频域心音特征参数(FW,FG)进行坐标变换得到新的坐标,即新的心音特征参数,最后利用判别单元判别变换坐标后得到的心音特征参数是否在椭圆曲线内部,以得到判别结果。其中,还可以包括用于建立数据库的数据库单元,可以采集一种病例的多个病人或者一个用户的多种心音数据或者多种病例的多个样本的心音数据,得到多个椭圆曲线,利用数据库单元建立数据库,然后将利用判别单元判别变换坐标后得到的心音特征参数与数据库中的椭圆进行对比,得到判别结果。
另外,还可以包括用于显示判别结果的结果显示单元,得到判别结果后利用结果显示单元进行显示。
如图14所示,该实施例中采集病例的心音数据和采集待判别用户的心音数据均使用同一个数据获取单元、波形提取单元和特征参数提取单元。而图15所示的实施例中,采集病例的心音数据和采集待判别用户的心音数据使用不同的数据获取单元、波形提取单元和特征参数提取单元。
如图16所示,本发明提供的一种实施例:一方面先建立数据库如下:
a1:进行心音检测,采集心音数据。a2:生成特征参数。a3:计算心音特征参数(T11,T12)、(FW,FG)。a4:生成心音特征参数的分布边界线。a5:将边界线近似为椭圆曲线。a6:对每种病例或每个用户提取心音数据,得到多个椭圆曲线后,建立数据库。
另一方面采集待判别用户的心音数据进行处理如下:
b1:进行心音检测,采集心音数据。b2:生成特征参数。b3:计算心音特征参数(T11,T12)、(FW,FG)。b4:对心音特征参数进行坐标变换。将心音特征参数坐标变换后得到的坐标,与数据库进行对比,判别待判别用户的心音信号,得出判别结果。
实施检验例子
下面对124例的VSD心音患者(其中SVSD56例,MVSD30例,LVSD28例)的情况进行检验该方法的适用情况。其中一种是根据由SVM求出的边界线进行判别的结果(SVM),另一种是根据近似椭圆曲线的判别结果(EMs)如表1所示。两种方式判断准确度相差不多,椭圆近似的方法以及根据SVM求出边界线的判别可以得到同等的准确度,证明了椭圆曲线法的适用性。由表1可知,使用本发明提供的方法进行判别得到的近似椭圆曲线的判别结果(EMs)的灵敏度、特异性和准确度均高于根据由SVM求出的边界线进行判别的结果(SVM),因此本发明提供的判别方法与现有技术相比精确度提高。
另外,表1所示的灵敏度(Se)和特异性(Sp)定义如下:
【表1】
灵敏度(Se)、特异性(Sp)、准确度(CA)
其次,对采集的4个正常者(NM),2个SVSD患者,3个MVSD患者,2个LVSD患者、1个二尖瓣狭窄(MS)患者,1个主动脉瓣狭窄(AS)患者,1个主动脉瓣闭锁不全(AR)患者,1个心房纤颤(AF)患者等的心音数据,采用椭圆曲线法的分析算法求出的结果如图12、图13和表2所示。时域和频域上的辨别指数IDT和IDF同时为1的情况,为正确地判断。另外,图12为上述多种情况的病例的心音特征参数在时域参数的分布图上的分布结果图,图13为上述多种情况的病例的心音特征参数在频域参数的分布图上的分布结果图。其中4个正常者(NM)分别为NM1、NM2、NM3和NM4,2个SVSD患者分别为SVSD1和SVSD2,3个MVSD患者分别为MVSD1、MVSD2和MVSD3,2个LVSD患者分别为LVSD1和LVSD2。图12与图13中,不同患者的心音特征参数用不同的图形表示,其中NM1用×表示,NM2用○表示,NM3用◇表示,NM4用▽表示,LVSD1用●表示,LVSD2用■表示,MVSD1用●表示,MVSD2用■表示,MVSD3用▼表示,SVSD1用◆表示,SVSD2用☆表示,AS用表示,MS用*表示,AF用★表示,AR用+表示,即●LVSD1,■LSVD2,●MVSD1,■MVSD2,▼MVSD3,◆SVSD1,☆SVSD2,×NM1,○NM2,◇NM3,▽NM4,AS,*MS,★AF,+AR。
【表2】
其中,数据库单元可以为固定装置,比如主机,判别单元可以为可搬型终端机(分机),对一般的用户而言,操作简单,可自行对心音信号数据进行判别。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (3)
1.一种心音信号的判别系统,其特征在于,包括:
用于进行心音检测,采集心音数据的数据获取单元;
用于对采集的心音数据进行处理得到时域的特征波形和频域的特征波形的波形提取单元;
用于从上述的时域的特征波形中提取时域心音特征参数和从上述的频域的特征波形中提取频域心音特征参数的特征参数提取单元;
用于计算得到上述提取的时域的心音特征参数的分布域的边界线和计算得到上述提取的频域的心音特征参数的分布域的边界线的边界线生成单元;
用于将上述得到的边界线近似为椭圆的椭圆生成单元,得到椭圆曲线的参数(xc,yc,a,b,θ);
利用椭圆曲线参数(xc,yc,θ)对待判别的心音特征参数进行坐标变换的坐标变换单元;
判别变换坐标后得到的心音特征参数是否在椭圆曲线内部的判别单元。
2.根据权利要求1所述的心音信号的判别系统,其特征在于,还包括:
用于建立数据库的数据库单元。
3.根据权利要求1所述的心音信号的判别系统,其特征在于,还包括用于显示判别结果的结果显示单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310241853.XA CN103315767B (zh) | 2013-06-18 | 2013-06-18 | 心音信号的判别方法及心音信号的判别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310241853.XA CN103315767B (zh) | 2013-06-18 | 2013-06-18 | 心音信号的判别方法及心音信号的判别系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103315767A CN103315767A (zh) | 2013-09-25 |
CN103315767B true CN103315767B (zh) | 2015-05-13 |
Family
ID=49185019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310241853.XA Active CN103315767B (zh) | 2013-06-18 | 2013-06-18 | 心音信号的判别方法及心音信号的判别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103315767B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105943079A (zh) * | 2016-06-01 | 2016-09-21 | 刘子由 | 心脏瓣膜心音信号机械振动智能分析系统及分析方法 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104414679A (zh) * | 2013-09-04 | 2015-03-18 | 北京航空航天大学 | 一种中心动脉压重建中外周压力波延迟时间的确定方法 |
CN105662454B (zh) * | 2016-01-08 | 2018-09-11 | 中国科学院声学研究所 | 一种罗音检测的方法和装置 |
CN105962967A (zh) * | 2016-05-23 | 2016-09-28 | 四川长虹电器股份有限公司 | 基于双麦克听诊器的心音去噪方法 |
CN107049357B (zh) * | 2017-05-25 | 2019-12-24 | 西华大学 | 一种心音信号解析方法、装置及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101291628A (zh) * | 2005-10-21 | 2008-10-22 | 国立大学法人山口大学 | 听诊心音信号的处理方法以及听诊装置 |
-
2013
- 2013-06-18 CN CN201310241853.XA patent/CN103315767B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101291628A (zh) * | 2005-10-21 | 2008-10-22 | 国立大学法人山口大学 | 听诊心音信号的处理方法以及听诊装置 |
Non-Patent Citations (2)
Title |
---|
A New Approach on Heart Murmurs Classification with SVM Technique;Zhongwei Jiang 等;《 2007 International Symposium on Information Technology Convergence》;20071231;第240-244页 * |
心音在时频两域中解析方法的研究;胡玉良 等;《西华大学学报(自然科学版)》;20090930;第28卷(第5期);第6-8页 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105943079A (zh) * | 2016-06-01 | 2016-09-21 | 刘子由 | 心脏瓣膜心音信号机械振动智能分析系统及分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103315767A (zh) | 2013-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Varghees et al. | Effective heart sound segmentation and murmur classification using empirical wavelet transform and instantaneous phase for electronic stethoscope | |
Botha et al. | Detection of tuberculosis by automatic cough sound analysis | |
Deng et al. | Towards heart sound classification without segmentation via autocorrelation feature and diffusion maps | |
Jin et al. | Adventitious sounds identification and extraction using temporal–spectral dominance-based features | |
Singh et al. | Heart sounds classification using feature extraction of phonocardiography signal | |
CN103315767B (zh) | 心音信号的判别方法及心音信号的判别系统 | |
CN107945817B (zh) | 心肺音信号分类方法、检测方法、装置、介质和计算机设备 | |
CN108647565A (zh) | 一种基于深度学习模型对心电信号分类的数据预处理方法 | |
CN110786849B (zh) | 基于多视图鉴别分析的心电信号身份识别方法及系统 | |
CN114469124B (zh) | 一种运动过程中异常心电信号的识别方法 | |
Lee et al. | Snoring detection using a piezo snoring sensor based on hidden Markov models | |
CN104473660A (zh) | 一种基于子带能量包络自相关特征的异常心音识别方法 | |
CN103886184A (zh) | 一种心脏病理识别模型的构建方法 | |
CN105662454B (zh) | 一种罗音检测的方法和装置 | |
Li et al. | Detection and classification of abnormities of first heart sound using empirical wavelet transform | |
Chitkara et al. | Voice based detection of type 2 diabetes mellitus | |
Mishra et al. | Grading heart sounds through variational mode decomposition and higher order spectral features | |
Omarov et al. | Electronic stethoscope for detecting heart abnormalities in athletes | |
JP6103591B2 (ja) | 聴診心音信号の処理方法、聴診心音信号の処理装置及び聴診心音信号を処理するためのプログラム | |
CN110547806B (zh) | 一种基于表面肌电信号的手势动作在线识别方法及系统 | |
Li et al. | Crackles detection method based on time-frequency features analysis and SVM | |
KR101295072B1 (ko) | 심플리시티 기반의 심음 분석 장치 및 그 방법 | |
Baranek et al. | Automatic detection of sounds and murmurs in patients with lonescu-Shiley aortic bioprostheses | |
Ari et al. | On a robust algorithm for heart sound segmentation | |
CN109214431B (zh) | 样本训练方法、分类方法、识别方法、装置、介质及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |