CN106022258A - 数字听诊器与滤除心音提取肺音的方法 - Google Patents
数字听诊器与滤除心音提取肺音的方法 Download PDFInfo
- Publication number
- CN106022258A CN106022258A CN201610331516.3A CN201610331516A CN106022258A CN 106022258 A CN106022258 A CN 106022258A CN 201610331516 A CN201610331516 A CN 201610331516A CN 106022258 A CN106022258 A CN 106022258A
- Authority
- CN
- China
- Prior art keywords
- frame
- heart
- sound
- threshold values
- signal
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B7/00—Instruments for auscultation
- A61B7/003—Detecting lung or respiration noise
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Abstract
本发明提供了一种数字听诊器和滤除心音提取肺音的方法,其中滤除心音,提取肺音的方法包括:获取预定时间的心肺音信号;对所得信号进行处理并根据离散熵值得到包含心肺音的有效帧;对有效帧求平均幅值,利用阀值去除噪声帧,得到包含心音的肺音帧;对得到的肺音帧进行小波变换,利用阀值滤除小波系数,滤掉心音,得到纯净肺音帧;对肺音帧进行MFCC特征参数提取;根据得到的MFCC特征参数矩阵进行判断,判断出肺音信号是否正常,或最有可能患有的某种或几种呼吸道疾病。通过以上滤除心音,提取肺音的方法,可以快速的从获取的心肺音信号中提取出肺音信号,并进行一个判断,对呼吸道疾病实现一个预诊。
Description
技术领域
本发明涉及医用听诊器领域,特别是关于一种数字听诊器与滤除心音提取肺音的方法。
背景技术
呼吸道疾病是现代社会的常见病之一,现阶段的诊断方法大多还是病人来到医院,医生使用听诊器来现场进行听诊,不能进行远程的一个预诊;而患者来到医院进行诊断又会花费掉大量的精力和财力,尤其是对于医疗资源缺少的偏远地区患者,进入医院让医生进行现场听诊更是一件难事,需要一款能够预先进行初步诊断的听诊器;听诊器自200年前用于临床以来,结构变化基本不大,现阶段广泛采用的都是气导式听诊器,由于没有采用任何电路,所有信号均为物理信号,无法用于计算机处理和远程传输,因此无法对采集到的数据进行分析;此外,当前市面上使用的数字听诊器由于都不具有滤除心音和提取出肺音的分离功能,所以无法对肺音进行特征提取和判断,便无法进行预诊。
发明内容
鉴于以上的问题,本发明的目的是提供一种克服上述问题或者至少部分地解决上述问题的数字听诊器以及相应滤除心音,提取肺音的方法。本发明采用的技术方案是:
根据本发明的一个方面,本发明提供了一种数字听诊器,其包括听诊头,可配置成获取预定时间的心肺音信号;信号分析装置,包括:端点检测模块,配置成能提取出包含有效心肺音信号的有效帧;噪声去除模块,配置成去除所得有效帧中的噪声帧;心肺音分离模块,配置成利用小波变换滤除掉心音,提取出肺音;特征数据提取模块,配置成从得到的肺音中提取出特征数据;肺音判断模块,配置成根据特征数据判断肺音信号是否正常,如若不正常,则显示出最有可能为某种或几种呼吸道疾病;显示装置,配置显示成肺音判断模块的结果。
可选地,端点检测模块还配置成:首先对信号进行标准化处理,然后对音频信号进行分帧处理,计算出每一帧信号的离散熵H(x),依次比较每一帧信号的离散熵,如果其值大于前一帧和后一帧并且其值大于预定的阀值δ,则将其作为包含心肺音信号的有效帧提取出来。
可选地,噪声去除模块还配置成:计算出每一个有效帧的平均幅值,依次将每一帧的平均幅值和两个预定的阀值LOW和HIGH比较,如果该帧的平均幅值低于阀值FLOW或高于阀值FHIGH,则将该帧作为噪声帧去除,剩下的帧为包含心音信号的肺音帧。
可选地,心肺音分离模块还配置成:对从噪声去除模块中得到的肺音帧进行小波变换,得到每一层小波系数,由于肺音信号在短时间内属于稳态信号,而心音信号则不属于,所以肺音信号的小波系数会明显低于心音信号的小波系数,所以对每一层小波系数取一个阀值HIGH,大于阀值的系数设置为HIGH,而小于阀值的小波系数则不变,用过滤后得到的小波系数进行重构,得到纯净的肺音信号。
可选地,特征数据提取模块还配置成:对得到的纯净肺音信号进行MFCC(Mel频率倒谱系数)特征参数提取,得到的MFCC特征参数为帧数*24的矩阵,将得到的MFCC矩阵作为特征参数。
可选地,肺音判断模块还配置成:将得到的MFCC特征参数矩阵输入到事先经过了大量有效数据训练的BP神经网络中,将得到该段语音信号是否正常的结果,如若不正常,结果会显示出最有可能的某种或几种呼吸道疾病。
根据本发明的另一个方面,还提供了一种滤除心音,提取肺音的方法。该处理方法包括:获取预定时间的心肺音信号;对所得信号进行处理并根据离散熵值得到包含心肺音的有效帧;对有效帧求平均幅值,利用阀值去除噪声帧,得到包含心音的肺音帧;对得到的肺音帧进行小波变换,利用阀值滤除小波系数,滤掉心音,得到纯净肺音帧;对肺音帧进行MFCC特征参数提取;根据得到的MFCC特征参数矩阵进行判断,判断出肺音信号是否正常,或最有可能患有的某种或几种呼吸道疾病。
可选地,根据离散熵值得到包含心肺音的有效帧包括:首先对信号进行标准化处理,然后对音频信号进行分帧处理,计算出每一帧信号的离散熵H(x),依次比较每一帧信号的离散熵,如果其值大于前一帧和后一帧并且其值大于预定的阀值δ,则将其作为包含心肺音信号的有效帧提取出来。
可选地,对有效帧求平均幅值,利用阀值去除噪声帧,得到包含心音的肺音帧包括:计算出每一个有效帧的平均幅值,依次将每一帧的平均幅值和两个预定的阀值FLOW和FHIGH比较,如果该帧的平均幅值低于阀值FLOW或高于阀值FHIGH,则将该帧作为噪声帧去除,剩下的帧为包含心音信号的肺音帧。
可选地,对得到的肺音帧进行小波变换,得到肺音帧包括:对从噪声去除模块中得到的肺音帧进行小波变换,得到每一层小波系数,对每一层小波系数取一个阀值HIGH,大于阀值的数置为HIGH,而小于阀值的数则不变,用过滤后得到的小波系数进行重构,得到肺音帧。
可选地,对肺音帧进行MFCC特征参数提取包括:对得到的肺音信号进行MFCC(Mel频率倒谱系数)特征参数提取,得到的MFCC参数为帧数*24的矩阵,将得到的MFCC矩阵作为特征参数。
可选地,根据得到的特征参数进行判断包括:将得到的MFCC参数矩阵输入到事先经过了大量有效数据训练的BP神经网络中,将得到该段语音信号是否正常的结果,如若不正常,结果会显示出最有可能的某种或几种呼吸道疾病。
本发明提供的的滤除心音,提取肺音的方法,对所得信号进行标准化处理并分帧,根据离散熵值得到包含心肺音的有效帧,并对每一帧求平均幅值,利用预设阀值将白噪声信号帧去除,得到包含心音信号的肺音帧,在对包含心音的肺音帧进行小波变换,对得到的每一层小波系数进行阀值滤除,得到肺音帧,对肺音帧进行MFCC特征参数提取,在根据MFCC参数进行判断,将得到的肺音信号进行了量化,选择了合适的特征参数来进行判断,实现了对呼吸道疾病的一个预诊。
本发明的优点在于:通过以上滤除心音,提取肺音的方法,可以快速的从获取的心肺音信号中提取出肺音信号,并进行一个判断,对呼吸道疾病实现一个预诊。
附图说明
图1是根据本发明一个实施例的结构示意图;
图2是根据本发明一个实施例的端点检测的示意图;
图3是根据本发明一个实施例的滤除心音提取肺音方法的示意图;
图4是根据本发明一个实施例的使用小波滤除心音的流程图;
图5是根据本发明一个实施例的滤除心音提取肺音方法的流程图;
具体实施方式
下面结合附图及实施例,对本发明进行更详细的描述。
如图1所示,本发明提供一种数字听诊器,本实例的数字听诊器能记录心肺的音频信号,并能滤除其中的心音,提取出肺音,并对肺音信号进行分析,判断肺音信号是否正常,如若不正常则给出最有可能的某种或几种呼吸道疾病。该数字听诊器一般性的可以包括:听诊头1、信号分析装置2、显示装置3。听诊头1可以获取预定时间的心肺音信号,一般而言所获取的信号的时间长度满足本实施例的进行肺音处理和分析的要求。信号分析装置2对听诊头获取的心肺音信号进行处理,滤除心音,提取出肺音,并进行肺音是否正常的判断,以及实现对不正常肺音的预诊。显示装置3可以将听诊头1获取的心肺音信号和信号分析装置2的处理结果进行输出。
信号分析装置2设置于各种具备一定数据处理能力的电子装置内,例如个人电脑、平板电脑或其他计算设备中,对心肺音信号进行获取、保存、处理、判断等一系列处理。
信号分析装置2可以包括有:端点检测模块21、噪声去除模块22、心肺音分离模块23、特征数据提取模块24、肺音判断模块25。
在信号分析装置2的以上部件中,端点检测模块21配置成:首先对信号进行标准化处理,然后对音频信号进行分帧处理,由于肺音信号为“准稳态”的信号,所以分帧时帧长设置为10~30ms,然后计算出每一帧信号的离散熵H(x),依次比较每一帧信号的离散熵,如果其值大于前一帧和后一帧并且其值大于预定的阀值δ,则将其作为包含心肺音信号的有效帧提取出来,图2是本实施例端点检测的一个示意图。
噪声去除模块22配置成:计算出每一个有效帧的平均幅值,依次将每一帧的平均幅值和两个预定的阀值FLOW和FHIGH比较,如果该帧的平均幅值低于阀值FLOW或高于阀值FHIGH,则将该帧作为噪声帧去除,剩下的帧为包含心音信号的肺音帧。
心肺音分离模块23配置成:对从噪声去除模块中得到的肺音帧进行小波变换,得到每一层小波系数,由于肺音信号在短时间内属于稳态信号,而心音信号则不属于,所以肺音信号的小波系数会明显低于心音信号的小波系数,所以对每一层小波系数取一个阀值HIGH,大于阀值的系数设置为HIGH,而小于阀值的小波系数则不变,用过滤后得到的小波系数进行重构,得到肺音帧。
特征数据提取模块24配置成:对得到的肺音信号进行MFCC(Mel频率倒谱系数)特征参数提取,得到的MFCC参数为帧数*24的矩阵,将得到的MFCC矩阵作为特征参数。
肺音判断模块25还配置成:将得到的MFCC参数矩阵输入到事先经过了大量有效数据训练的BP神经网络中,将得到该段语音信号是否正常的结果,如若不正常,结果会显示出最有可能的某种或几种呼吸道疾病。
本发明还提供了一种滤除心音,提取肺音的方法。该方法可是使用以上实施例中数字听诊器的信号分析装置2来执行,图3是根据本发明一个实施例的滤除心音提取肺音方法的示意图,该方法包括:
步骤201,获取预定时间的心肺音信号;
步骤202,对所得信号进行处理,根据离散熵值提取出包含心肺音的有效帧;
步骤203,对有效帧求平均幅值,利用阀值去除噪声帧,得到包含心音的肺音帧;
步骤204,对肺音帧进行小波变换,使用阀值滤除小波系数,去掉心音,得到纯净肺音帧;
步骤205,对肺音帧进行MFCC特征参数提取;
步骤206,根据MFCC特征参数矩阵进行判断,判断出肺音信号是否正常,或最有可能患有的某种或几种呼吸道疾病。
其中,步骤202对所得信号进行处理,包括了标准化处理并分帧,根据离散熵值得到包含心肺音的有效帧。标准化处理是首先消除信号的直流分量,然后将信号进行幅值的归一化处理,选择合适的帧长对信号进行分帧,然后计算出每一帧信号的离散熵H(x),依次比较每一帧信号的离散熵,由于包含了心肺音信号的信号帧的幅值会较不包含的信号帧幅值变化大,对应的离散熵值也会变大,包含了有效心肺音帧的离散熵会大于前后两帧且会高于一定的阀值,所以当某信号帧的离散熵大于前后两帧并且其值大于预定的阀值δ时,将其作为包含了心肺音的有效帧提取出来。图3是根据本发明一个实施例的进行端点检测的示意图。
步骤203,对有效帧求平均值,即对提取出的帧求平均幅值,由于肺音信号属于是短时平稳信号,所以在一帧的时间内,平均幅值趋于稳定,而包含了过多噪声的音频的信号帧平均幅值会大于或小于预定的阀值,因此将平均幅值小于预定阀值FLOW和大于预定阀值FHIGH的信号帧作为噪声帧去除,剩下的信号帧为包含心音信号的肺音帧。
步骤204,对得到的肺音帧进行小波变换,从噪声去除模块中得到的肺音帧进行小波变换,得到每一层的小波系数,对每一层小波系数取一个阀值HIGH,大于阀值的小波系数置为HIGH,而小于阀值的小波系数则不变,即:
由此去除掉肺音中的心音信号,用过滤后得到的小波系数进行重构,得到纯净肺音帧,阀值HIGH的可以根据该层次小波系数的方差S(n)变换而变换,即:
HIGH=
其中为一个常数,在本实施例中我们取值为1.5,图4是本根据本发明一个实施例的使用小波滤除心音的流程图;
步骤205,对肺音帧进行MFCC特征参数提取,对得到的肺音信号进行MFCC(Mel频率倒谱系数)特征参数提取,得到的MFCC参数为帧数*24的矩阵,将得到的MFCC矩阵作为特征参数。
步骤206,根据得到的MFCC特征参数矩阵进行判断,即将得到的MFCC参数矩阵输入到事先经过了大量有效数据训练的BP神经网络中,BP神经网络将会根据现有的参数进行分析,得到此特征参数是否正常的结果,如若不正常,则会输出最有可能患某种或某几种呼吸道疾病。
本发明的滤除心音,提取肺音的方法,对所得信号进行标准化处理并分帧,根据离散熵值得到包含心肺音的有效帧,并对每一帧求平均幅值,利用预设阀值将白噪声信号帧去除,得到包含心音信号的肺音帧,在对包含心音的肺音帧进行小波变换,对得到的每一层小波系数进行阀值滤除,得到肺音帧,对肺音帧进行MFCC特征参数提取,在根据MFCC参数进行判断,将得到的肺音信号进行了量化,选择了合适的特征参数来进行判断,实现了对呼吸道疾病的一个预诊。图5是本根据本发明一个实施例的滤除心音提取肺音方法的流程图;
以上所示的具体实施例,对本根据本发明的目的、技术方案和有益效果进行了进一步的详细的说明。所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明。虽然本文已详尽出示和描述了本发明的多个实施例,但是,在不脱离本发明精神和范围的情况下,仍可根据本发明公开的内容直接确定或推导出符合本发明原理的许多其他变形或修改,因此,本发明的范围应被理解和认定为覆盖了所有这些其他变形或修改。
Claims (12)
1.一种可滤除心音提取肺音的数字听诊器,其特征在于包括:
听诊头,可配置成获取预定时间的心肺音信号;
信号分析装置,包括:
端点检测模块,配置成能提取出包含有效心肺音信号的有效帧;
噪声去除模块,配置成去除所得有效帧中的噪声帧;
心肺音分离模块,配置成利用小波变换滤除掉心音,提取出肺音;
特征数据提取模块,配置成从得到的肺音中提取出特征数据;
肺音判断模块,配置成根据特征数据判断肺音信号是否正常,如若不正常,则显示出最有可能为某种或几种呼吸道疾病;
显示装置,配置显示成肺音判断模块的结果。
2.根据权利要求1所述的数字听诊器,其特征在于所述的端点检测模块还配置成:
对信号进行标准化处理并分帧处理;
计算出每一帧信号的离散熵H(x),依次比较每一帧信号的离散熵,如果其值大于前一帧和后一帧并且其值大于预定的阀值δ,则将其作为包含心肺音信号的有效帧提取出来。
3.根据权利要求2所述的数字听诊器,其特征在于所述的噪声去除模块还配置成:
计算出每一个有效帧的平均幅值,依次将每一帧的平均幅值和两个预定的阀值LOW和HIGH比较,如果该帧的平均幅值低于阀值FLOW或高于阀值FHIGH,则将该帧作为噪声帧去除,剩下的帧为包含心音信号的肺音帧。
4.根据权利要求3所述的数字听诊器,其特征在于所述的心肺音分离模块还配置成:
对从噪声去除模块中得到的肺音帧进行小波变换,得到每一层小波系数,由于肺音信号在短时间内属于稳态信号,而心音信号则不属于,所以肺音信号的小波系数会明显低于心音信号的小波系数,所以对每一层小波系数取一个阀值HIGH,大于阀值的系数设置为HIGH,而小于阀值的小波系数则不变,用过滤后得到的小波系数进行重构,得到纯净的肺音信号。
5.根据权利要求4所述的数字听诊器,其特征在于所述的特征数据提取模块还配置成:
对得到的纯净肺音信号进行MFCC(Mel频率倒谱系数)特征参数提取,得到的MFCC特征参数为帧数*24的矩阵,将得到的MFCC矩阵作为特征参数。
6.根据权利要求5所述的数字听诊器,其特征在于所述的肺音判断模块还配置成:
将得到的MFCC特征参数参数矩阵输入到事先经过了大量有效数据训练的BP神经网络中,将得到该段语音信号是否正常的结果,如若不正常,结果会显示出最有可能的某种或几种呼吸道疾病。
7.一种滤除心音,提取肺音的处理方法,其特征在与包括:
获取预定时间的心肺音信号;
对所得信号进行处理并根据离散熵值得到包含心肺音的有效帧;
对有效帧求平均幅值,利用阀值去除噪声帧,得到包含心音的肺音帧;
对得到的肺音帧进行小波变换,利用阀值滤除小波系数,滤掉心音,得到纯净肺音帧;
对肺音帧进行MFCC特征参数提取;
根据得到的MFCC特征参数矩阵进行判断,判断出肺音信号是否正常,或最有可能患有的某种或几种呼吸道疾病。
8.根据权利要求7所述的滤除心音,提取肺音的处理方法,其特征在于,对所得信号进行处理并根据离散熵值得到包含心肺音的有效帧,包括:
对信号进行标准化处理,然后对音频信号进行分帧处理,计算出每一帧信号的离散熵H(x),依次比较每一帧信号的离散熵,如果其值大于前一帧和后一帧并且其值大于预定的阀值δ,则将其作为包含心肺音信号的有效帧提取出来。
9.根据权利要求7所述的滤除心音,提取肺音的处理方法,其特征在于,对有效帧求平均幅值,利用阀值去除噪声帧,得到包含心音的肺音帧;包括:计算出每一个有效帧的平均幅值,依次将每一帧的平均幅值和两个预定的阀值FLOW和FHIGH比较,如果该帧的平均幅值低于阀值FLOW或高于阀值FHIGH,则将该帧作为噪声帧去除,剩下的帧为包含心音信号的肺音帧。
10.根据权利要求7所述的滤除心音,提取肺音的处理方法,其特征在于,对得到的肺音帧进行小波变换,利用阀值滤除小波系数,滤掉心音,得到纯净肺音帧包括:对从噪声去除模块中得到的肺音帧进行小波变换,得到每一层小波系数,对每一层小波系数取一个阀值HIGH,大于阀值的数置为HIGH,而小于阀值的数则不变,用过滤后得到的小波系数进行重构,得到肺音帧。
11.根据权利要求7所述的滤除心音,提取肺音的处理方法,其特征在于,对肺音帧进行MFCC特征参数提取,包括:对得到的肺音信号进行MFCC(Mel频率倒谱系数)特征参数提取,得到的MFCC参数为帧数*24的矩阵,将得到的MFCC矩阵作为特征参数。
12.根据权利要求7所述的滤除心音,提取肺音的处理方法,其特征在于,根据得到的MFCC特征参数矩阵进行判断,包括:将得到的MFCC参数矩阵输入到事先经过了大量有效数据训练的BP神经网络中,将得到该段语音信号是否正常的结果,如若不正常,结果会显示出最有可能的某种或几种呼吸道疾病。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610331516.3A CN106022258A (zh) | 2016-05-18 | 2016-05-18 | 数字听诊器与滤除心音提取肺音的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610331516.3A CN106022258A (zh) | 2016-05-18 | 2016-05-18 | 数字听诊器与滤除心音提取肺音的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106022258A true CN106022258A (zh) | 2016-10-12 |
Family
ID=57097842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610331516.3A Pending CN106022258A (zh) | 2016-05-18 | 2016-05-18 | 数字听诊器与滤除心音提取肺音的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106022258A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107411714A (zh) * | 2017-08-18 | 2017-12-01 | 中山大学 | 一种家用睡眠呼吸暂停监测系统及其方法 |
CN107798350A (zh) * | 2017-11-08 | 2018-03-13 | 华南师范大学 | 一种心肺音信号识别方法和系统 |
EP3424432A1 (en) * | 2017-07-04 | 2019-01-09 | Tata Consultancy Services Limited | Systems and methods for detecting pulmonary abnormalities using lung sounds |
CN110009604A (zh) * | 2019-03-20 | 2019-07-12 | 北京理工大学 | 造影图像序列的呼吸信号提取方法及装置 |
CN110532424A (zh) * | 2019-09-26 | 2019-12-03 | 西南科技大学 | 一种基于深度学习和云平台的肺音特征分类系统及方法 |
CN111150422A (zh) * | 2020-03-09 | 2020-05-15 | 国微集团(深圳)有限公司 | 智能听诊系统及其听诊方法 |
CN111248938A (zh) * | 2020-02-24 | 2020-06-09 | 国微集团(深圳)有限公司 | 实时心音信号诊断系统及其诊断方法 |
CN111933185A (zh) * | 2020-10-09 | 2020-11-13 | 深圳大学 | 基于知识蒸馏的肺音分类方法、系统、终端及存储介质 |
CN111956259A (zh) * | 2020-08-13 | 2020-11-20 | 厦门大学 | 基于深度神经网络架构的肺音识别方法、装置和设备 |
CN112545547A (zh) * | 2020-11-25 | 2021-03-26 | 北京积水潭医院 | 呼吸音分析方法及呼吸音分析系统 |
CN112687281A (zh) * | 2020-12-28 | 2021-04-20 | 广州医科大学附属第五医院 | 一种异常肺部听诊音智能识别系统 |
CN112767970A (zh) * | 2021-01-22 | 2021-05-07 | 广州联智信息科技有限公司 | 一种异常肺音检测方法及系统 |
RU2766751C1 (ru) * | 2021-03-05 | 2022-03-15 | Федеральное государственное бюджетное образовательное учреждение высшего образования «Юго-Западный государственный университет» (ЮЗГУ) (RU) | Способ диагностики астматического бронхита в процессе аускультации легких взрослых людей |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101930734A (zh) * | 2010-07-29 | 2010-12-29 | 重庆大学 | 一种心音信号分类识别方法及装置 |
CN102078201A (zh) * | 2010-07-28 | 2011-06-01 | 上海理工大学 | 便携式无线电子听诊器 |
CN102697520A (zh) * | 2012-05-08 | 2012-10-03 | 天津沃康科技有限公司 | 基于智能识别功能的电子听诊器 |
CN103417241A (zh) * | 2012-05-17 | 2013-12-04 | 辽宁中医药大学 | 一种肺音自动分析仪 |
CN104382614A (zh) * | 2014-12-09 | 2015-03-04 | 重庆邮电大学 | 一种基于快速独立分量分析的心音肺音信号分离方法及装置 |
CN104706321A (zh) * | 2015-02-06 | 2015-06-17 | 四川长虹电器股份有限公司 | 一种基于改进的mfcc的心音类型识别方法 |
US20150164355A1 (en) * | 2009-11-03 | 2015-06-18 | Vivaquant Llc | Method and Apparatus for Detection of Heartbeat Characteristics |
-
2016
- 2016-05-18 CN CN201610331516.3A patent/CN106022258A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150164355A1 (en) * | 2009-11-03 | 2015-06-18 | Vivaquant Llc | Method and Apparatus for Detection of Heartbeat Characteristics |
CN102078201A (zh) * | 2010-07-28 | 2011-06-01 | 上海理工大学 | 便携式无线电子听诊器 |
CN101930734A (zh) * | 2010-07-29 | 2010-12-29 | 重庆大学 | 一种心音信号分类识别方法及装置 |
CN102697520A (zh) * | 2012-05-08 | 2012-10-03 | 天津沃康科技有限公司 | 基于智能识别功能的电子听诊器 |
CN103417241A (zh) * | 2012-05-17 | 2013-12-04 | 辽宁中医药大学 | 一种肺音自动分析仪 |
CN104382614A (zh) * | 2014-12-09 | 2015-03-04 | 重庆邮电大学 | 一种基于快速独立分量分析的心音肺音信号分离方法及装置 |
CN104706321A (zh) * | 2015-02-06 | 2015-06-17 | 四川长虹电器股份有限公司 | 一种基于改进的mfcc的心音类型识别方法 |
Non-Patent Citations (1)
Title |
---|
姚小静: "基于遗传BP神经网络的肺音分类识别算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3424432A1 (en) * | 2017-07-04 | 2019-01-09 | Tata Consultancy Services Limited | Systems and methods for detecting pulmonary abnormalities using lung sounds |
CN107411714A (zh) * | 2017-08-18 | 2017-12-01 | 中山大学 | 一种家用睡眠呼吸暂停监测系统及其方法 |
CN107798350A (zh) * | 2017-11-08 | 2018-03-13 | 华南师范大学 | 一种心肺音信号识别方法和系统 |
CN107798350B (zh) * | 2017-11-08 | 2023-08-11 | 华南师范大学 | 一种心肺音信号识别方法和系统 |
CN110009604A (zh) * | 2019-03-20 | 2019-07-12 | 北京理工大学 | 造影图像序列的呼吸信号提取方法及装置 |
CN110532424A (zh) * | 2019-09-26 | 2019-12-03 | 西南科技大学 | 一种基于深度学习和云平台的肺音特征分类系统及方法 |
CN111248938A (zh) * | 2020-02-24 | 2020-06-09 | 国微集团(深圳)有限公司 | 实时心音信号诊断系统及其诊断方法 |
CN111150422A (zh) * | 2020-03-09 | 2020-05-15 | 国微集团(深圳)有限公司 | 智能听诊系统及其听诊方法 |
CN111956259A (zh) * | 2020-08-13 | 2020-11-20 | 厦门大学 | 基于深度神经网络架构的肺音识别方法、装置和设备 |
CN111956259B (zh) * | 2020-08-13 | 2021-07-06 | 厦门大学 | 基于深度神经网络架构的肺音识别方法、装置和设备 |
WO2022073285A1 (zh) * | 2020-10-09 | 2022-04-14 | 深圳大学 | 基于知识蒸馏的肺音分类方法、系统、终端及存储介质 |
CN111933185A (zh) * | 2020-10-09 | 2020-11-13 | 深圳大学 | 基于知识蒸馏的肺音分类方法、系统、终端及存储介质 |
CN112545547A (zh) * | 2020-11-25 | 2021-03-26 | 北京积水潭医院 | 呼吸音分析方法及呼吸音分析系统 |
CN112687281A (zh) * | 2020-12-28 | 2021-04-20 | 广州医科大学附属第五医院 | 一种异常肺部听诊音智能识别系统 |
CN112767970A (zh) * | 2021-01-22 | 2021-05-07 | 广州联智信息科技有限公司 | 一种异常肺音检测方法及系统 |
RU2766751C1 (ru) * | 2021-03-05 | 2022-03-15 | Федеральное государственное бюджетное образовательное учреждение высшего образования «Юго-Западный государственный университет» (ЮЗГУ) (RU) | Способ диагностики астматического бронхита в процессе аускультации легких взрослых людей |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106022258A (zh) | 数字听诊器与滤除心音提取肺音的方法 | |
US9198634B2 (en) | Medical decision support system | |
CN106037655B (zh) | 一种睡眠周期信号的分离及周期计算方法及装置 | |
Taebi et al. | Noise cancellation from vibrocardiographic signals based on the ensemble empirical mode decomposition | |
Hossain et al. | An overview of heart-noise reduction of lung sound using wavelet transform based filter | |
CN101637384A (zh) | Ecg监视系统中信号质量指示和假警报减少的系统和方法 | |
Kumar et al. | Performance analysis of different filters for power line interface reduction in ECG signal | |
CN104473660B (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 | |
Schmidt et al. | Coronary artery disease and low frequency heart sound signatures | |
CN104581516A (zh) | 一种医学声信号的双麦克风消噪方法及装置 | |
CN109893113A (zh) | 基于bcg和hrv技术的信息处理方法 | |
CN104382589B (zh) | 基于部分按段重采样的胎儿心电图分离提取方法 | |
Wang et al. | Analysis of pulse waveforms preprocessing | |
Sloboda et al. | A simple sleep stage identification technique for incorporation in inexpensive electronic sleep screening devices | |
WO2009079976A2 (de) | Verfahren und vorrichtung zum herz-, kreislauf- und atmungsmonitoring mittels hidden markov modellen und neuronalen netzwerken | |
CN110507299A (zh) | 一种心率信号检测装置及方法 | |
Hegde et al. | A review on ECG signal processing and HRV analysis | |
Ari et al. | On a robust algorithm for heart sound segmentation | |
Golpaygani et al. | Detection and identification of S1 and S2 heart sounds using wavelet decomposition method | |
CN212853501U (zh) | 心音信号采集分析系统 | |
Bandyopadhyaya et al. | Automatic lung sound cycle extraction from single and multichannel acoustic recordings | |
Taralunga et al. | An efficient method for fetal heart sounds detection based on hilbert transform | |
CN112022151A (zh) | 一种脑电棘慢波的处理及识别方法 | |
de Lima Hedayioglu et al. | A Survey of Audio Processing Algorithms for Digital Stethoscopes. | |
Kumar et al. | A discrete wavelet packet transform based approach for selection of artifact-free phonocardiogram segment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20161012 |
|
WD01 | Invention patent application deemed withdrawn after publication |