CN107529645B - 一种基于深度学习的心音智能诊断系统及方法 - Google Patents
一种基于深度学习的心音智能诊断系统及方法 Download PDFInfo
- Publication number
- CN107529645B CN107529645B CN201710515210.8A CN201710515210A CN107529645B CN 107529645 B CN107529645 B CN 107529645B CN 201710515210 A CN201710515210 A CN 201710515210A CN 107529645 B CN107529645 B CN 107529645B
- Authority
- CN
- China
- Prior art keywords
- heart sound
- data
- user
- cloud server
- intelligent
- 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)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明请求保护一种基于深度学习的心音智能诊断系统及方法,涉及生物信号处理、模式识别、大数据、深度学习领域。包括:1)用户通过心音采集设备或智能可穿戴式设备对心音音频数据进行采集;2)数据通过网络传输到云端服务器,进行心音音频数据的存储、建档;3)在云端服务器上采用基于逻辑回归‑隐半马尔科夫模型的心音分割算法对心音数据进行分割,并用一维卷积神经网络对分割后的心音数据进行自动特征提取和分类;4)诊断结果通过网络反馈给用户的同时存储在云端,以提供给相关机构和指定医院作为用户的临床病史参考;5)由专业医生确诊后的用户心音数据可作为训练数据扩充进云端服务器中的心音数据库中,不断提升心音诊断系统的诊断能力。
Description
技术领域
本发明属于生物信号处理、模式识别、大数据、深度学习等技术领域,具体属于一种基于深度学习的心音智能诊断系统及方法。
背景技术
当前心脑血管疾病已成为我国居民的第一死因,占总死亡人数构成的40%以上,其中心血管疾病已成为严重威胁我国居民健康的一大类疾病。根据《中国心血管报告2015》显示:心血管病患患病率处于持续上升阶段。目前,估计全国有心血管病患者2.9亿,其中高血压2.7亿,脑卒中至少700万,心肌梗死250万。全国每年心脏性猝死人数高达54.4万,远超美国居世界之首,又因猝死具有突发性,发病前无明显征兆,故而绝大多数患者并不知道自己患有心脏病,其中更有70%的人是因为发病没有得到有效急救失去了宝贵的生命。
心音是人体重要的生物信号之一,心音是由于心脏瓣膜的开关、肌腱和肌肉的舒张收缩、血流的冲击及心血管壁震动而产生的复合音。在临床上,心音听诊作为一种评估心脏功能的基本方法,可以凭借心音中出现的杂音和畸变作为重要的诊断信息。对心音的诊断和分析是了解心脏、血管功能状态的无创而便捷的方法,传统的医生听诊的效果主要取决于医生的临床经验及其主观判断,并不能把心音的病理信息记录下来为后面的心音诊断和分析做参考,缺乏客观性和准确性。对于现代信息处理技术,理论上经过简单的心音采集即可对提取到的心音进行分析并诊断出心脏的健康状况,但由于在采集的过程中存在着噪声以及心音信号总体上共性较明显、辨识度不高等因素,使得心音分析诊断在实际应用上还存在一定的困难。
当前智能医疗的前景十分广阔,一方面,我国人口老龄化造成医疗需求的急剧增长;另一方面,我国医疗资源供给严重短缺,尤其在偏远地区。深度学习是机器学习领域近几年兴起的一个新研究方向,而随着大数据时代的到来,数据数量剧增,深度学习算法由于其应用在复杂自然环境下时的优越表现,近年来在计算机视觉、语音识别等领域中取得突破性的进展。深度学习架构由多层非线性运算单元组成,每个较低层的输出作为更高层的输入,可以从大量输入数据中学习有效的特征表示,学习得到的高阶特征中包含输入数据的许多结构信息,是从数据中提取特征的好方法。相较于传统模式识别领域,深度学习无需人工对特定应用进行大量的相关特征设计及特征提取等数据预处理过程,即可由计算机自主地对数据进行学习。深度学习的应用主要集中图像和语音等领域,其原因主要是深度学习的优异表现需要大量的数据和高性能的硬件作支撑,在图像和语音受关注比较广泛,因而在图像和语音领域有大量的数据。而在心脏健康领域,相关数据较少且其中多为心电相关数据,心音相关数据就更加缺乏,对深度学习的效果存在较大影响。而随着医疗数据数字化的不断推进,以及对医疗数据采集的不断重视与完善,深度学习在医学领域的潜力也随之凸显。
本发明所提出的基于深度学习的心音智能诊断系统,把深度学习技术引入心脏健康领域,将心音信号上传到云端服务器中,利用深度卷积神经网络等技术实现对心音信号进行自动的特征提取与智能诊断,诊断过程中无需专业医生介入用户即可快速方便地完成心音智能诊断。用户数据作为历史健康数据及参考存储在云端服务器中,供相关机构和指定医院在临床诊断时调出查看、分析。同时本发明也能作为计算机辅助诊断系统放置在社区医院、乡镇医院等缺乏专业医生资源的地方,为医生提供一定的临床诊断参考。采用基于深度学习的诊断系统,通过将专业医生确诊后的心音数据扩充进心音数据库,能够不断提升诊断系统的诊断能力。
发明内容
本发明旨在解决心血管疾病患病率不断上升、专业医疗资源供给短缺、传统心音分析的准确性不高等问题。提出了一种简单方便、节约医疗成本、预测准确的基于深度学习的心音智能诊断系统。本发明的技术方案如下:
一种基于深度学习的心音智能诊断系统,其包括:心音采集设备,智能可穿戴式设备及云端服务器;其中:
心音采集设备(如数字听诊器、心音传感器、智能体检仪等设备),主要用于采集用户一段时间内的心音数据,将采集得到的声音信号转换成数字信号,心音采集设备输出的已转换为数字信号的心音数据通过互联网或移动网络传输至云端服务器;
智能可穿戴式设备(如包含有心音传感器的智能T恤、智能背心等设备),主要用于实时无间断地采集用户的心音数据,将采集得到的声音信号转换成数字信号,智能可穿戴式设备输出的已转换为数字信号的心音数据通过互联网或移动网络传输至云端服务器;
云端服务器,主要用于心音数据存储,建立用户心音数据库,云端服务器上运行基于深度学习的心音智能诊断算法,根据采集的心音数据智能诊断是否异常,将诊断结果反馈给用户的同时存储在云端服务器中,以提供给相关机构和指定医院作为用户的临床病史参考。
进一步的,所述基于深度学习的心音智能诊断算法包括心音分类器训练步骤、心音分类器的诊断步骤和心音数据扩充步骤三个阶段,通过卷积神经网络对心音数据库中的心音自动提取特征和智能诊断,通过和心音数据库中的心音标签进行比较,不断迭代降低分类错误率,最终学习到一个神经网络模型,将这个训练好的神经网络模型用来对用户上传的心音进行诊断,用户上传的心音数据和心音智能诊断系统的诊断结果由专业医生分析确诊后,可作为心音数据库的扩充数据。
进一步的,其中心音分类器的训练阶段具体包括:
1)利用基于逻辑回归-隐半马尔科夫的心音分割算法将数据库中的心音记录分割为不同的包含完整心动周期的心音片段;
2)对心音片段进行预处理:分解为不同频段,变换成不同尺度;
3)将包含原始及多频段、多尺度信息的心音片段输入到一个多通道的一维的卷积神经网络进行训练,经过多次迭代得到一个能够识别异常心音的神经网络模型;
4)采用阈值分类的方法,选取一个阈值,使得数据库中的心音片段诊断结果在转化为心音记录诊断结果时能取得最高准确率。
进一步的,所述心音分类器的诊断步骤具体包括:1)利用基于逻辑回归-隐半马尔科夫的心音分割算法将用户上传至云端服务器的心音记录分割为不同的包含完整心动周期的心音片段;
2)对心音片段进行预处理:分解为不同频段,变换成不同尺度;
3)将包含原始及多频段、多尺度信息的心音片段输入到已经训练好的一维卷积神经网络模型中,计算得到心音片段的诊断结果;
4)采用阈值分类的方式,将心音片段的诊断结果转化为心音记录的诊断结果。
进一步的,所述多通道的一维卷积神经网络的结构包括预处理阶段、局部卷积阶段和全局卷积阶段,所述预处理阶段包括将心音数据分解为不同频段及变换成不同尺度,和原始数据一同作为局部卷积阶段的输入;局部卷积阶段包含多次一维的卷积和池化等操作,对数据进行特征提取;全局卷积阶段将不同频段和不同尺度的局部卷积结果进行拼接,再进行卷积、池化等操作,然后送到全连接层进一步提取特征并进行分类。模型能够对每条心音片段进行诊断,能够同时处理多频率和多尺度的心音数据。
一种基于所述系统的心音智能诊断方法,其包括以下步骤:
1)、首先通过心音采集设备采集用户一段时间内的心音数据,或通过智能可穿戴式设备实时无间断地采集用户的心音数据,将采集得到的声音信号转换成数字信号,将数字信号通过互联网或移动网络传输至云端服务器;
2)、云服务器端存储心音数据,建档用户心音数据库,然后基于深度学习的心音智能诊断算法,心音分类器训练得到能够识别异常心音的神经网络模型,判断采集的心音数据智能诊断是否异常,将诊断结果反馈给用户的同时存储在云端服务器中,以提供给相关机构和指定医院作为用户的临床病史参考。
本发明的优点及有益效果如下:
本发明针对当前我国心脏病患病率不断上升、专业医疗资源供给不足、传统心音分析效果不佳等问题,提出一种基于深度学习的心音智能诊断系统,利用生物信号处理、深度学习等技术,实现了对用户心音的特征自动提取和智能诊断,整个诊断过程无需专业医生介入。该系统既可用于心音的自我诊断、自我监测,也可用作计算机辅助诊断为医生提供临床参考,还能够将用户数据作为历史健康数据及参考存储在云端服务器中,供相关机构和指定医院在临床诊断时调出查看、分析。
本发明具有以下优点:
1)采用深度学习的技术,可完成特征的自动提取和智能诊断,具备较高的准确性,并且随着扩充进数据库中心音数据的增多,其诊断效果会随之不断提升;
2)诊断过程中无需专业医生的介入,普通用户可以简单方便地完成自我诊断、自我监测,也可以作为计算机辅助诊断系统部署在社区医院或乡镇医院等缺少专业医生的场所;
3)所采集的数据和分析结果保存在云端服务器中,相关机构和指定医院能够通过网络查看用户在一段时间内的数据及诊断情况,具备一定的临床参考价值。
附图说明
图1是本发明提供优选实施例的系统主体方案图;
图2是基于深度学习的心音诊断过程;
图3是片段级心音的准确率收敛曲线;
图4是心音分类器训练过程图:
图5是心音分类器诊断过程图;
图6是一维卷积神经网络结构图。
具体实施方式
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、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是:
系统主体方案如图1。主题思路体现了智能诊断、诊断过程无需专业医生介入、在云端服务器中进行数据存储和数据计算的思想,基本步骤如下:1)将心音采集设备或智能可穿戴式设备放置在家庭、医院中,主要功能分别是采集一段时间内或者采集实时心音数据,将声音转化为数字信号,转化后的数据通过互联网或者移动网络传输至云端服务器中;2)云端服务器的主要用于存储和建档用户上传的心音数据和用于训练心音分类器的心音数据库,另外云端服务器上运行基于深度学习的心音智能诊断算法,根据获取到的用户心音数据智能判断是否存在异常;3)在几秒内心音诊断的结果能被计算出来,并通过互联网或移动网络反馈给用户,同时诊断结果也存储在云端服务器中作为用户的历史健康数据和参考,以便相关机构和指定医院在临床诊断时进行查看和分析。
基于深度学习的心音诊断是一个不断迭代学习的过程,整体过程如图2。包括心音分类器训练、心音分类器的诊断和心音数据扩充三个阶段。通过卷积神经网络对心音数据库中的心音自动提取特征和智能诊断,通过和心音数据库中的心音标签进行比较,不断迭代降低分类错误率,最终学习到一个具备较高准确率的模型,将这个训练好的模型用来对用户上传的心音进行诊断。用户上传的心音数据和心音智能诊断系统的诊断结果由专业医生分析确诊后,可作为心音数据库的扩充数据,进一步提升基于深度学习的心音智能诊断系统的诊断能力。
为验证本发明的效果,进行如下实验:
在一台计算机上进行验证性实验,该计算机配置为inter i7-4790处理器(3.60GHz)、16GB内存和NVIDIA GeForce GTX 750Ti显卡,平台为Matlab 2016a。
实验方法:
在本实验中,对包含正常和异常2个类别共3240条心音记录进行划分,采用10折交叉验证的方法进行实验。首先,通过一维卷积神经网络得出片段级的诊断结果,片段级心音诊断准确率如图3,能够取得85.45%的准确率。再通过决策规则得到一条心音记录的诊断结果作为最终诊断结果,能够取得80.40%的准确率。从心音片段和心音记录的准确率来看,方法具有较高的准确性。
一种基于深度学习的心音智能诊断系统包括:心音采集设备,智能可穿戴式设备及云端服务器;其中:
心音采集设备(如数字听诊器、心音传感器、智能体检仪等设备),主要用于采集用户一段时间内的心音数据,将采集得到的声音信号转换成数字信号,心音采集设备输出的已转化为数字信号的心音数据通过互联网或移动网络传输至云端服务器;
智能可穿戴式设备(如包含有心音传感器的智能T恤、智能背心等设备),主要用于实时无间断地采集用户的心音音频数据,将采集得到的声音信号转换成数字信号,智能可穿戴式设备输出的已转化为数字信号的心音数据通过互联网或移动网络传输至云端服务器;
云端服务器,主要用于数据存储,建档用户心音数据,以及基于深度学习的心音智能诊断,所述云端服务器上运行智能诊断,根据采集的心音数据智能判断是否异常,将诊断结果反馈给用户的同时存储在云端服务器中,作为用户的历史健康数据及参考,以提供给相关机构和指定医院在临床诊断时调出查看、分析。
优选的,所述的云端服务器中基于深度学习的心音智能诊断具体包括:
1)心音分类器的训练阶段;
2)心音分类器的诊断阶段。
其中心音分类器的训练阶段具体包括:
1)利用基于逻辑回归-隐半马尔科夫的心音分割算法将数据库中的心音记录分割为不同的包含完整心动周期的心音片段;
2)对心音片段进行预处理:分解为不同频段,变换成不同尺度;
3)将包含原始及多频段、多尺度信息的心音片段输入到一个多通道的一维的卷积神经网络进行训练,经过多次迭代得到一个能够识别异常心音的神经网络模型;
4)采用阈值分类的方法,选取一个阈值,使得数据库中的心音片段诊断结果在转化为心音记录诊断结果时能取得最高准确率。
心音分类器训练过程如图4所示:
其中心音分类器的诊断阶段具体包括:
1)利用基于逻辑回归-隐半马尔科夫的心音分割算法将用户上传至云端服务器的心音记录分割为不同的包含完整心动周期的心音片段;
2)对心音片段进行预处理:分解为不同频段,变换成不同尺度;
3)将包含原始及多频段、多尺度信息的心音片段输入到已经训练好的一维卷积神经网络模型,计算得到心音片段的诊断结果;
4)采用阈值分类的方式,将心音片段的诊断结果转化为心音记录的诊断结果。
心音分类器诊断过程如图5所示:
其中在数据扩充阶段中,由专业医生对用户上传的心音数据和心音智能诊断系统的诊断结果进行分析和确诊,将心音数据确诊后作为扩充的训练数据放入心音数据库中,以进一步提升基于深度学习的心音智能诊断系统的诊断能力。
其中多通道的一维卷积神经网络包括局部卷积阶段和全局卷积阶段,包含一维的卷积和池化等操作,能够对每条心音片段进行诊断,能够同时处理多频率和多尺度的心音数据以提高诊断正确率,其结构如图6所示。
总结:针对我国心血管患病率不断上升、专业医疗资源供给不足的问题、传统心音分析准确性不够高等问题,利用生物信号处理、模式识别、大数据、深度学习等技术,实现对用户心音的特征自动提取和智能诊断,整个诊断过程无需专业医生介入即可简单快速地完成心音诊断。整个系统能够用作用户的自我心音诊断、监测,也可设在医院中作为计算机辅助诊断系统为医生提供临床的参考意见。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (3)
1.一种基于深度学习的心音智能诊断系统,其特征在于,包括:心音采集设备,智能可穿戴式设备及云端服务器;其中:
心音采集设备,主要用于采集用户一段时间内的心音数据,将采集得到的声音信号转换成数字信号,心音采集设备输出的已转换为数字信号的心音数据通过互联网或移动网络传输至云端服务器;
智能可穿戴式设备,主要用于实时无间断地采集用户的心音数据,将采集得到的声音信号转换成数字信号,智能可穿戴式设备输出的已转换为数字信号的心音数据通过互联网或移动网络传输至云端服务器;
云端服务器,主要用于心音数据存储,建立用户心音数据库,云端服务器上运行基于深度学习的心音智能诊断算法,根据采集的心音数据智能诊断是否异常,将诊断结果反馈给用户的同时存储在云端服务器中,以提供给相关机构和指定医院作为用户的临床病史参考;
所述基于深度学习的心音智能诊断算法包括心音分类器训练步骤、心音分类器的诊断步骤和心音数据扩充步骤三个阶段,通过卷积神经网络对心音数据库中的心音自动提取特征和智能诊断,通过和心音数据库中的心音标签进行比较,不断迭代降低分类错误率,最终学习到一个神经网络模型,将这个训练好的神经网络模型用来对用户上传的心音进行诊断,用户上传的心音数据和心音智能诊断系统的诊断结果由专业医生分析确诊后,可作为心音数据库的扩充数据;其中心音分类器的训练阶段具体包括:
1)利用基于逻辑回归-隐半马尔科夫的心音分割算法将数据库中的心音记录分割为不同的包含完整心动周期的心音片段;
2)对心音片段进行预处理:分解为不同频段,变换成不同尺度;
3)将包含原始及多频段、多尺度信息的心音片段输入到一个多通道的一维的卷积神经网络进行训练,经过多次迭代得到一个能够识别异常心音的神经网络模型;
4)采用阈值分类的方法,选取一个阈值,使得数据库中的心音片段诊断结果在转化为心音记录诊断结果时能取得最高准确率。
2.根据权利要求1所述的基于深度学习的心音智能诊断系统,其特征在于,所述心音分类器的诊断步骤具体包括:1)利用基于逻辑回归-隐半马尔科夫的心音分割算法将用户上传至云端服务器的心音记录分割为不同的包含完整心动周期的心音片段;
2)对心音片段进行预处理:分解为不同频段,变换成不同尺度;
3)将包含原始及多频段、多尺度信息的心音片段输入到已经训练好的一维卷积神经网络模型中,计算得到心音片段的诊断结果;
4)采用阈值分类的方式,将心音片段的诊断结果转化为心音记录的诊断结果。
3.根据权利要求1所述的基于深度学习的心音智能诊断系统,其特征在于,所述多通道的一维卷积神经网络的结构包括预处理阶段、局部卷积阶段和全局卷积阶段,所述预处理阶段包括将心音数据分解为不同频段及变换成不同尺度;局部卷积阶段包含多次一维的卷积和池化操作,对数据进行特征提取;全局卷积阶段将不同频段和不同尺度的局部卷积结果进行拼接,再进行卷积、池化操作,然后送到全连接层进一步提取特征并进行分类,模型能够对每条心音片段进行诊断,能够同时处理多频率和多尺度的心音数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710515210.8A CN107529645B (zh) | 2017-06-29 | 2017-06-29 | 一种基于深度学习的心音智能诊断系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710515210.8A CN107529645B (zh) | 2017-06-29 | 2017-06-29 | 一种基于深度学习的心音智能诊断系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107529645A CN107529645A (zh) | 2018-01-02 |
CN107529645B true CN107529645B (zh) | 2019-09-10 |
Family
ID=60766271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710515210.8A Active CN107529645B (zh) | 2017-06-29 | 2017-06-29 | 一种基于深度学习的心音智能诊断系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107529645B (zh) |
Families Citing this family (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019140600A1 (zh) * | 2018-01-18 | 2019-07-25 | 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 |
CN108921730A (zh) * | 2018-05-23 | 2018-11-30 | 上海掌门科技有限公司 | 相亲满意度测试设备、后台服务器、系统及方法 |
US20190365342A1 (en) * | 2018-06-04 | 2019-12-05 | Robert Bosch Gmbh | Method and system for detecting abnormal heart sounds |
CN109192226A (zh) * | 2018-06-26 | 2019-01-11 | 深圳大学 | 一种信号处理方法及装置 |
KR102522039B1 (ko) * | 2018-08-24 | 2023-04-14 | 하오이 판 | 생리학적 데이터의 지능형 처리 방법 및 시스템 |
CN109330622A (zh) * | 2018-11-21 | 2019-02-15 | 英华达(上海)科技有限公司 | 智能人体监测系统及其腹部声音监测装置 |
CN109712705A (zh) * | 2018-12-19 | 2019-05-03 | 中国石油大学(华东) | 一种基于深度学习的胆石病智能诊断app |
TWI679653B (zh) * | 2019-01-18 | 2019-12-11 | 友達光電股份有限公司 | 分散式監控系統及方法 |
CN109919210A (zh) * | 2019-02-26 | 2019-06-21 | 华南理工大学 | 一种基于深度卷积网络的心音半监督分类方法 |
CN110123367B (zh) * | 2019-04-04 | 2022-11-15 | 平安科技(深圳)有限公司 | 计算机设备、心音识别装置、方法、模型训练装置及存储介质 |
CN110363090A (zh) * | 2019-06-14 | 2019-10-22 | 平安科技(深圳)有限公司 | 智能心脏疾病检测方法、装置及计算机可读存储介质 |
CN110353725A (zh) * | 2019-07-10 | 2019-10-22 | 东南大学 | 一种基于云架构的心音采集与分析系统及方法 |
CN110491500B (zh) * | 2019-08-07 | 2022-08-16 | 王满 | 一种基于心脏功能动态监测与分析的身份识别系统及方法 |
CN110558944A (zh) * | 2019-09-09 | 2019-12-13 | 成都智能迭迦科技合伙企业(有限合伙) | 心音处理方法、装置、电子设备及计算机可读存储介质 |
CN110720946A (zh) * | 2019-09-26 | 2020-01-24 | 南通大学 | 一种基于深度学习的智能听诊系统 |
CN111128381A (zh) * | 2019-12-25 | 2020-05-08 | 武汉大学 | 基于人工智能的主动120系统 |
CN111261276B (zh) * | 2019-12-31 | 2023-09-05 | 郑州大学第一附属医院 | 基于双层傅里叶变换的远程心音智能诊断系统及诊断方法 |
CN111524563A (zh) * | 2020-04-26 | 2020-08-11 | 上海交通大学医学院附属上海儿童医学中心 | 一种生理音数据库的建立方法及其数据库 |
CN111753883A (zh) * | 2020-06-05 | 2020-10-09 | 上海交通大学医学院附属上海儿童医学中心 | 一种生理音训练集和测试集的建立方法 |
CN111798980A (zh) * | 2020-07-10 | 2020-10-20 | 哈尔滨工业大学(深圳) | 基于深度学习网络的复杂医学生物信号处理方法和装置 |
CN111759345B (zh) * | 2020-08-10 | 2023-01-20 | 北京中科信利技术有限公司 | 基于卷积神经网络的心脏瓣膜异常分析方法、系统和装置 |
CN112185545B (zh) * | 2020-09-17 | 2024-03-12 | 苏州美糯爱医疗科技有限公司 | 一种心音段完整性判断模型及心音自适应分段方法 |
CN113241175B (zh) * | 2021-06-25 | 2023-10-27 | 中国科学院计算技术研究所 | 基于边缘计算的帕金森症辅助诊断系统和方法 |
CN113413163B (zh) * | 2021-08-24 | 2021-11-19 | 山东大学 | 一种混合深度学习和低差异度森林的心音诊断系统 |
CN113855063B (zh) * | 2021-10-21 | 2022-11-11 | 华中科技大学 | 一种基于深度学习的心音自动诊断系统 |
CN114496212A (zh) * | 2021-12-09 | 2022-05-13 | 华中科技大学同济医学院附属协和医院 | 一种智能心音听诊辅助心脏疾病诊断系统及辅助诊断方法 |
CN115089206B (zh) * | 2022-05-09 | 2023-02-10 | 吴先洪 | 一种对心音信号的预测方法及使用其的心脏听诊装置 |
CN115281689A (zh) * | 2022-07-29 | 2022-11-04 | 中国医学科学院阜外医院 | 基于人工智能与计算机视觉的心脏病综合诊断平台 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102512138A (zh) * | 2011-11-24 | 2012-06-27 | 胡建斌 | 一种心音监控预警方法 |
CN105286911A (zh) * | 2015-12-04 | 2016-02-03 | 上海拓萧智能科技有限公司 | 一种健康监测系统和健康监测方法 |
CN106056595A (zh) * | 2015-11-30 | 2016-10-26 | 浙江德尚韵兴图像科技有限公司 | 基于深度卷积神经网络自动识别甲状腺结节良恶性的方法 |
CN106344005A (zh) * | 2016-10-28 | 2017-01-25 | 张珈绮 | 一种可移动心电图监测系统及监测方法 |
CN106709254A (zh) * | 2016-12-29 | 2017-05-24 | 天津中科智能识别产业技术研究院有限公司 | 一种医疗诊断机器人系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10115194B2 (en) * | 2015-04-06 | 2018-10-30 | IDx, LLC | Systems and methods for feature detection in retinal images |
-
2017
- 2017-06-29 CN CN201710515210.8A patent/CN107529645B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102512138A (zh) * | 2011-11-24 | 2012-06-27 | 胡建斌 | 一种心音监控预警方法 |
CN106056595A (zh) * | 2015-11-30 | 2016-10-26 | 浙江德尚韵兴图像科技有限公司 | 基于深度卷积神经网络自动识别甲状腺结节良恶性的方法 |
CN105286911A (zh) * | 2015-12-04 | 2016-02-03 | 上海拓萧智能科技有限公司 | 一种健康监测系统和健康监测方法 |
CN106344005A (zh) * | 2016-10-28 | 2017-01-25 | 张珈绮 | 一种可移动心电图监测系统及监测方法 |
CN106709254A (zh) * | 2016-12-29 | 2017-05-24 | 天津中科智能识别产业技术研究院有限公司 | 一种医疗诊断机器人系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107529645A (zh) | 2018-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107529645B (zh) | 一种基于深度学习的心音智能诊断系统及方法 | |
Çınar et al. | Classification of normal sinus rhythm, abnormal arrhythmia and congestive heart failure ECG signals using LSTM and hybrid CNN-SVM deep neural networks | |
Nabih-Ali et al. | A review of intelligent systems for heart sound signal analysis | |
Karhade et al. | Time–frequency-domain deep learning framework for the automated detection of heart valve disorders using PCG signals | |
Singh et al. | Short PCG classification based on deep learning | |
US20040260188A1 (en) | Automated auscultation system | |
KR20170061222A (ko) | 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치 | |
Javed et al. | A signal processing module for the analysis of heart sounds and heart murmurs | |
Ismail et al. | PCG classification through spectrogram using transfer learning | |
Cheng et al. | Atrial fibrillation identification with PPG signals using a combination of time-frequency analysis and deep learning | |
KR20170064960A (ko) | 파동신호를 활용한 질병 진단 장치 및 그 방법 | |
Singh et al. | Short unsegmented PCG classification based on ensemble classifier | |
Bourouhou et al. | Heart sound signals segmentation and multiclass classification | |
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 | |
Alexander et al. | Screening of heart sounds using hidden Markov and Gammatone filterbank models | |
CN116369877A (zh) | 一种基于光电容积脉搏波的无创血压估计方法 | |
Omarov et al. | Electronic stethoscope for detecting heart abnormalities in athletes | |
Yang et al. | Classification of phonocardiogram signals based on envelope optimization model and support vector machine | |
Ismail et al. | PCG signal classification using a hybrid multi round transfer learning classifier | |
Singh et al. | An Artificial Intelligence based mobile solution for early detection of valvular heart diseases | |
Ali et al. | Human heart sounds classification using ensemble methods | |
Evangelista et al. | Classification of abnormal heart sounds with machine learning | |
Bourouhou et al. | Heart sounds classification for a medical diagnostic assistance | |
Megalmani et al. | Unsegmented heart sound classification using hybrid CNN-LSTM neural networks | |
Kaushal et al. | Deep Autoencoder Neural Networks for Heart Sound Classification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |