CN107693044A - 冠心病监测诊断设备 - Google Patents
冠心病监测诊断设备 Download PDFInfo
- Publication number
- CN107693044A CN107693044A CN201711130448.5A CN201711130448A CN107693044A CN 107693044 A CN107693044 A CN 107693044A CN 201711130448 A CN201711130448 A CN 201711130448A CN 107693044 A CN107693044 A CN 107693044A
- Authority
- CN
- China
- Prior art keywords
- heart
- signal
- lung sounds
- sound
- time
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B7/00—Instruments for auscultation
-
- 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
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Pulmonology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明涉及一种冠心病监测诊断设备,包括心肺音信号采集装置和心肺音信号分析装置,心肺音信号采集装置采集心肺音混叠信号,并将心肺音混叠信号发送至心肺音信号分析装置,心肺音信号分析装置根据短时傅里叶变换法对心肺音混叠信号进行分离得到原始的心音信号,根据双门限法、峰值法端点算法对原始的心音信号进行还原得到心音图,对心音图进行复小波变换提取复小波变换的信号包络,根据训练后的BP神经网络对信号包络进行训练得到分析结果并输出,基于在冠心病早期,心音信号中会出现高频的病理杂音的特性,采用短时傅里叶变换等算法对心肺音混叠信号进行分析,无创伤性早期诊断测试者是否有冠心病,诊断效率高。
Description
技术领域
本发明涉及医疗器械领域,特别是涉及一种冠心病监测诊断设备。
背景技术
冠心病在医学上称为冠状动脉性心脏病,冠心病严重危害着人们的身体健康,其治疗的关键在于早期诊断、及时治疗。
长期以来,冠脉造影是诊断冠心病的标准,然而这一创伤性介入疗法因花费昂贵而不适合于大众常规体检。其他诊断方法,如心电图法、超声心电图检测法、心脏核素扫描心肌显像法等无创检测方法对冠心病的早期诊断均有一定的价值,但也存在局限性,无法广泛使用。例如,在冠心病患者发病早期不会引起心电图的异常变化,只有当冠脉阻塞率在70%以上才能引起ECG(electrocardiogram,心电图)有明显的变化,因此无法做到早期诊断,使得患者无法及时掌握自己的身体机能状况,但当前尚无有效的可用于社区和家庭的便携式冠心病监测诊断设备。
发明内容
基于此,有必要针对上述问题,提供一种便携式冠心病监测诊断设备。
一种冠心病监测诊断设备,包括心肺音信号采集装置和心肺音信号分析装置,所述心肺音信号采集装置连接所述心肺音信号分析装置,
所述心肺音信号采集装置用于采集心肺音混叠信号,并将所述心肺音混叠信号发送至所述心肺音信号分析装置;
所述心肺音信号分析装置用于根据短时傅里叶变换法对所述心肺音混叠信号进行分离得到原始的心音信号,根据双门限法、峰值法端点算法对所述原始的心音信号进行还原得到心音图,对所述心音图进行复小波变换提取复小波变换的信号包络,根据训练后的BP神经网络对所述信号包络进行训练得到分析结果并输出。
上述冠心病监测诊断设备,心肺音信号采集装置采集心肺音混叠信号,并将心肺音混叠信号发送至心肺音信号分析装置,心肺音信号分析装置根据短时傅里叶变换法对心肺音混叠信号进行分离得到原始的心音信号,根据双门限法、峰值法端点算法对原始的心音信号进行还原得到心音图,对心音图进行复小波变换提取复小波变换的信号包络,根据训练后的BP神经网络对信号包络进行训练得到分析结果并输出。基于在冠心病早期,在心音信号中会出现高频的病理杂音的特性,通过采集的心肺音混叠信号,采用短时傅里叶变换等算法对心肺音混叠信号进行分析,无创伤性早期诊断测试者是否有冠心病,诊断效率高。
附图说明
图1为一实施例中冠心病监测诊断设备结构图;
图2为一实施例中心肺音信号分析装置分析过程流程图;
图3为一实施例中心肺音混叠信号分离图;
图4为一实施例中心音图还原图;
图5为一实施例中尺度因子为30时分别通过复小波变换法和希尔伯特法提取包络图;
图6为一实施例中尺度因子为60时分别通过复小波变换法和希尔伯特法提取包络图;
图7为一实施例中尺度因子为120时分别通过复小波变换法和希尔伯特法提取包络图;
图8为一实施例中心肺音信号采集装置结构示意图;
图9为一实施例中自诊探头的外观截面示意图;
图10为一实施例中心肺音信号采集装置结构图。
具体实施方式
在一个实施例中,如图1和2所示,一种冠心病监测诊断设备,包括心肺音信号采集装置100和心肺音信号分析装置200,心肺音信号采集装置100连接心肺音信号分析装置200,心肺音信号采集装置100用于采集心肺音混叠信号,并将心肺音混叠信号发送至心肺音信号分析装置200;心肺音信号分析装置200用于获取心肺音混叠信号;根据短时傅里叶变换法对心肺音混叠信号进行分离得到原始的心音信号;根据双门限法、峰值法端点算法对原始的心音信号进行还原得到心音图;对心音图进行复小波变换提取复小波变换的信号包络;根据训练后的BP神经网络对信号包络进行训练得到分析结果并输出。
具体地,在现代医学中,听诊是一种检查心肺系统健康状况有效、非入侵的医疗手段。通过听诊能够得到表征心脏和肺部器官健康状况的心肺音信号,心肺音信号包含了心脏和呼吸器官的生理和病理学信息。心音是由心肌收缩、心脏瓣膜关闭和血液撞击心室壁、大动脉壁等引起的振动所产生的声音。在冠心病患者发病初期,心电图尚未发生异常以及患者感到身体不适之前,在患者心音信号中就会出现高频的病理杂音。对于冠心病患者来说,冠状动脉发生动脉硬化病变,官腔逐渐变窄,流经冠状动脉的血液流动特性发生了变化。在心脏收缩期,冠状动脉因受到心脏收缩的压迫,此时几乎没有血液通过冠脉;而当心脏处于舒张期,由于主动脉射血量增多,进入冠脉的血流量就会增加。在血液压力的作用下,流过冠脉狭窄处的血液发生湍流,从而产生高频心杂音。根据文献报道,冠状动脉的狭窄程度达到25%时就会在舒张期出现高频心杂音,这对冠心病早期诊断很有意义。冠状动脉堵塞的病理信息一般隐含于这种高频心杂音中。
根据临床采集的心肺音混叠信号建立数学模型,下面混合模型是心肺音混合声音信号公式:
X(l)=∑aisi(l)+η(l)
其中,X(l)代表了听诊获得的心肺音混叠信号,同时si(l)和ai分别代表了第ith信号源和对应的幅值,相应的,i∈{c,r},其中c、r分别代表心音和肺音部分,而η(l)则代表了高斯白噪声。
在一个实施例中,如图3所示,心肺音信号分析装置200根据短时傅里叶变换法对心肺音混叠信号进行分离得到原始的心音信号。
在实际临床检查中,听诊器采集到的声音信号不仅包含了心音信号,也包含了肺音信号和外部的环境噪声。这种混合了心音、肺音和环境噪声的声音信号很难用于精细化的病症分析,从而妨害了诊断效果。由于心音与肺音在时域和频域上都相互混叠在一起,即使在没有噪音的环境中,依靠听诊也无法获得理想的效果。因此需要将获取的听诊混迭信号分离成独立的心音和肺音信号。
在本实施例中,心肺音信号分析装置200根据短时傅里叶变换法对心肺音混叠信号进行分离得到原始的心音信号包括:根据短时傅里叶变换将心肺音混叠信号的时域信号转换成心肺音混叠信号的时频信号;通过非负矩阵分解技术对心肺音混叠信号的时频信号降维,得到心音或者肺音源信号的时频谱信号;根据时频掩码技术和短时傅里叶逆变换对心音的时频谱信号和肺音的时频谱信号进行重构还原分离,得到原始的心音信号。
具体地,心肺音信号分析装置200根据短时傅里叶变换法心肺音混叠信号的时域信号转换成心肺音混叠信号的时频信号,相对于肺音信号,心音信号是在一段较短的时间内表现出与平稳信号类似的特征,可以说心音信号是短时平稳的。但是在整个时域范围内,心音和肺音信号都是典型的非平稳信号,它们的分布参数或者分布律随时间的变化而变化。平稳和非平稳都是针对随机信号来说的,一般的分析方法有时域分析、频域分析和时频联合分析,对于平稳信号一般采用时域分析或者频域分析,时域分析是以时间信号作为为坐标用来表示信号的动态关系;频域分析是把信号变为以频率轴为坐标表示出来并进行分析。通常,信号在时域上的表示形式比较形象和直观,而对信号的频域分析更为简练,对问题的分析也更为彻底和方便。但是对于非平稳信号的心肺音信号,因为其频谱是时间的函数,单纯得到其时域或频域信息是不足以分析的,还应该了解信号的频谱怎样随着时间的改变而发生变化,信号的能量在时频域上是如何分布的,因此应该采用时频分析方法。
传统的以傅里叶变换FFT及其逆变换IFFT为基础的分析方法能够很好的分析信号在时域或者时域上的信息,对于平稳信号来说,这是足够的,但对于心肺音这种非平稳信号,傅里叶变换及其逆变换为基础的分析方法显得苍白无力。由此,一种将时域信号变换到兼具时域和频域特性的变换域技术短时傅里叶变换ISTFT应运而生。短时傅里叶变换以传统傅里叶变换为基础,引入一个具有时频域特性的窗函数ω(t-τ),并假定在一个短时间间隔内分析窗函数ω(t-τ)是平稳(伪平稳)的移动窗函数,并让这个窗函数沿着信号s(τ)滑动,对每一段被窗口截取的部分作傅里叶变换,详见以下公式。由于滑动窗的存在引入了时间的信息,这样就可以得到一个时变的频域分析结果:
S(t,ω)=∑s(τ)ω(t-τ)e-jωτ
经过转换数学模型可以写成:
X(t,ω)=∑aiSi(t,ω)+η(t,ω)
其中,X(t,ω)代表心音和肺音混合信号的频谱特性,i∈{c,r}。我们将心音信号用Sc表示,肺音则用Sr表示,进一步转化成如下的公式:
X(t,ω)=AB(t,ω)+η(t,ω)
其中,A=∑i∑κaκ,B(t,ω)=∑iSi(t,ω)=∑i∑κbκ,其中bκ和ak分别代表源信号Si的第k个组成部分及其幅值大小,这样我们将心肺音混合信号描述成心音和肺音的各个部分构成的时频谱信号。
具体地,心肺音信号分析装置200通过非负矩阵分解技术对心肺音混叠信号的时频信号降维,得到心音或者肺音源信号的时频谱信号。X(t,ω)时频谱信号实际上是一个二维信号,我们可以把它看作一个矩阵。利用非负矩阵分解技术NMF可以根据混合信号的内在可分离性与源信号之间的代数结构建立一个优化模型来实现信号分离。
混合信号的基矩阵W的各基向量w1,w2,w3,...wκ和系数矩阵H的权重向量h1,h2h3,...hκ经过训练分类后,变成了两个源信号Xc={Wc,Hc}和Xr={Wr,Hr},各自代表了心音和肺音的谱信号。在这里,我们设想新肺音信号是稀疏的,即在一定的频域上,只有一个源占主导地位。也就是说在源信号X(t,ω)中的每个元素只能表示一个源的信号,要么代表心音信号要么代表肺音信号。由此,我们重新定义一个掩码矩阵M来数字化这种相位对应关系,得到心音谱信号Xc和肺音谱信号Xr:
利用矩阵分解来解决实际问题的分析方法很多,如PCA(主成分分析)、ICA(独立成分分析)、VD(奇异值分解)、VQ(矢量量化)等。在所有这些方法中,原始的大矩阵V被近似分解为低秩的V=WH形式。这些方法的共同特点是:因子W和H中的元素可为正或负,即使输入的初始矩阵元素是全正的,传统的秩削减算法也不能保证原始数据的非负性。在数学上,从计算的观点看,分解结果中存在负值是正确的,但负值元素在实际问题中往往是没有意义的。
对于n×m维的矩阵V,寻找n×r维非负矩阵W和r×m维非负矩阵H,使得Vm×n≈Wm× rHr×n,之所以是约等于,是因为当前解法并非精确解,而只是数值上的近似解。其中r远小于n和m,一般情况下,(n+m)r<nm。可以理解为,V的列向量是对左矩阵W中所有列向量的加权和,而权重系数就是右矩阵对应列向量的元素,故称W为基矩阵,H为系数矩阵。r远小于n和m,就可以实现对原始矩阵的降维。
具体地,心肺音信号分析装置200根据时频掩码技术和短时傅里叶逆变换法对心音的时频谱信号和肺音的时频谱信号进行重构还原分离,得到原始的心音信号,包括根据时频掩码技术和短时傅里叶逆变换对心音的时频谱信号和肺音的时频谱信号进行重构,得到时域上的心音信号和肺音信号;根据时域上的心音信号和肺音信号得到心音和肺音在原始的大矩阵中对应的相位,根据心音和肺音在原始的大矩阵中对应的相位,还原得到新的心音谱和肺音谱;根据短时傅里叶逆变换分别对新的心音谱和新的肺音谱进行转换,得到时域上的心音信号和肺音信号实现肺音分离,得到原始的心音信号。
重新定义一个掩码矩阵M来数字化这种相位对应关系,得到心音谱信号Xc和肺音谱信号Xr:
利用短时傅里叶逆变换ISTFT分别对谱信号Xc和Xr进行转换。逆短时傅里叶变换可以将时频域的谱信号转化为时域的波形信号,经过短时傅里叶逆变换后我们得到了时域上的心音源信号Sc和肺音源信号Sr。但是经过多次反复试验当相关系数η接近1时,心音源信号基本趋于直线,无法进行分离。当相关系数小于0.3的时候,肺音信号大部分重叠,难以分离。所以,比较理想的分离效果,相关系数应该0.4-0.7之中间的效果是相对比较理想的,具体的参数还受到背景噪声参数的影响。
在一个实施例中,如图4所示,心肺音分析装置根据双门限法、峰值法端点算法对原始的心音信号进行还原得到心音图包括:将原始的心音信号分成预设个帧,并计算每个帧长度范围内的短时能量和滑窗长度,其中,每个帧的帧长度范围一致;获取原始的心音信号的信号强度和峰值;根据原始的心音信号的信号强度对原始的心音信号进行分段得到分段的信号;根据分段的信号设置每一段信号的短时能量的上门限、短时能量的下门限、短时平均过零率的过零率下门限、最短语音长度和最短静音长度;根据原始的心音信号的峰值、滑窗长度和每一段的短时能量的上门限、短时能量的下门限、短时平均过零率的过零率下门限、最短语音长度和最短静音长度确定原始的心音信号的端点,还原得到心音图。
进一步地,短时能量定义为:
En是某时刻的短时能量,N为窗长,短时能量为一帧样点值的加权平方和。
当窗函数为矩形窗时:
语音信号是准稳态信号,在处理时常把信号分帧(每帧长度约20ms-30ms),在帧长度范围内把语音信号视为稳态信号。为了使特征参数平滑变化,语音帧与帧之间通常有重叠,不重叠的部分就叫滑窗。帧长定义为240个点,滑窗长度定义为80个点。(滑窗长度一般是窗长的1/3)。
双门限方法是语音识别中很常用的端点检测方法,通过对短时能量和过零率各设置上下两个门限,对信号起始和终止点进行判定。在心音中,短时能量中上门限amp1和下门限amp2,amp1用来判定语音起始点,amp2用来判定可能语音点。zcr1是过零率上门限,zcr2是过零率下门限,实际中,zcr1可以不用到,或者说,只需要用一个门限就可以了,因为过零率不像短时能量有连续的类似正弦波的尖峰,更像矩形的电平,而且即使是强信号的心音,过零率的最大值也不过6,因此只需用zcr2即可。除了双门限三个参数外,还需要设置好最短语音长度、最短静音长度。根据这5个常量参数将语音划分3个状态,静音/可能处于语音段、语音段和语音结束,状态内通过常量参数继续判断,以监测状态发生改变,如噪音、语音尚未结束等。
双门限的常量设置和信号的强弱是有密切关系的,因此需要对信号进行分段,根据信号幅值把信号分成:强信号、中强信号、弱信号三段,不同强度的信号对应不同的常量。
只用双门限还是不能很好的满足心音信号的端点划分。语音识别中双门限法广泛使用,但心音和语音信号还是有明显区别的,心音信号是一个脉冲信号,语音信号更加连贯,持续时间可以更长,语音信号的强度比心音强得多(手机自带的软件就能录到)。对于第一心音和第二心音幅值相差比较大的信号,双门限法就可能会按照强信号或者中强信号去设置参数,但是对于弱小的第二心音,这些参数就可能不合适了,本来处于语音段的就可能划分到噪音或者静音段去。
双门限和峰值法互相弥补(双门限本身也是短时能量阈值和过零率阈值互相弥补),两种方法结合使用时,需要特别注意峰值点和起始点X1、终止点X2的匹配,确保峰值点的横坐标落在对应的[X1,X2]区间,如果X2计算出来刚好在峰值点左边2个点以内,则需要把X2往右移动2个点(经验值),一般这种情况不常见。
综合以上方法可在短时能量图中划分出比较准确的端点来,但并一定就是正确的第一心音和第二心音的起止点,可能还会有少量比较明显的噪音和心杂音被识别划分出来。
短时能量中的端点被划分出来以后,并不意味着端点检测的结束,心音是周期信号,当前周期第一心音与当前周期第二心音、当前周期第二心音与下一周期第一心音之间的间隔是一个比较稳定的范围,据此就可以排除某些噪音杂音的端点,最终保留下来的短时能量端点就是确切的信号起止点,乘以滑窗长度就可以还原出原始信号的端点,还原得到原始的心音信号的心音图。
在一个实施例中,心肺分析装置对心音图进行复小波变换提取复小波变换的信号包络。
具体地,复小波变换(Complex Wavelet Transform)是一个离散小波转换(DWT)的复数形式延伸,在本实施例中,运用的是传统的复小波变换提取,在实验阶段,在尺度因子不同时,采用了复小波变换和希尔伯特变换分别提取信号包络,实验结果图如图5-7所示,在尺度因子为120时,且采用复小波变换提取信号包络时,效果最佳。
在一个实施例中,心肺分析装置根据训练后的BP神经网络对信号包络进行训练得到分析结果并输出。
具体地,训练后的BP神经网络已经建立了病例系统,通过提取的信号包络,基于BP神经网络的利用后台建立的病例系统进行比对,进而预判断是否患有冠心病,冠心病的程度以及具体位置等。
在一个实施例中,心肺分析装置获取心肺音混叠信号之前,还包括:获取采样心肺音混叠信号;对采样心肺音混叠信号使用梅尔频率倒谱系数经过主成分分析降维后,得到预设数量个数据表征信号;基于BP神经网络对预设数量个数据表征信号进行训练学习和识别,得到训练后的BP神经网络。
具体地,BP神经网络模型拓扑结构包括输入层(input)、隐层(hide layer)和输出层(output layer)。人工神经网络无需事先确定输入输出之间映射关系的数学方程,仅通过自身的训练,学习某种规则,在给定输入值时得到最接近期望输出值的结果。作为一种智能信息处理系统,人工神经网络实现其功能的核心是算法。BP神经网络是一种按误差反向传播(简称误差反传)训练的多层前馈网络,其算法称为BP算法,它的基本思想是梯度下降法,利用梯度搜索技术,以期使网络的实际输出值和期望输出值的误差均方差为最小。
基本BP算法包括信号的前向传播和误差的反向传播两个过程。即计算误差输出时按从输入到输出的方向进行,而调整权值和阈值则从输出到输入的方向进行。正向传播时,输入信号通过隐含层作用于输出节点,经过非线性变换,产生输出信号,若实际输出与期望输出不相符,则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传,并将误差分摊给各层所有单元,以从各层获得的误差信号作为调整各单元权值的依据。通过调整输入节点与隐层节点的联接强度和隐层节点与输出节点的联接强度以及阈值,使误差沿梯度方向下降,经过反复学习训练,确定与最小误差相对应的网络参数(权值和阈值),训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息,自行处理输出误差最小的经过非线形转换的信息。BP网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差神经网络训练:向网络输人足够多的样本,通过一定算法调整网络的结构(主要是调节权值),使网络的输出与预期值相符。
在本实施例中,BP的输入定义为提取的心肺音特征向量,BP的输出定义为提取特征向量的原始数据源所对应的病理信息的病理代码(代码库人工定义)。在本实施例中,通过与医院合作收集300-500例不同年龄段、不同人群中已经确证的有不同程度堵塞的临床病例,对其进行心音的采集和随访,并收集200-300例健康人群进行背景样本参照。
完成训练工作的BP网络便可对未知病理信息的原始数据(提取特征值)进行病理信息的预测,在实际应用中检验判断正确和误判的效果,对网络及原始数据的特征参数提取进行不断的优化,逐步提高神经网络预测的准确性。
在系统进行数据挖掘及大数据处理时,三层的神经网络很容易出现欠拟合,无法对数据进行更深层次的数据分类,采用Matlab实现的BP神经网络无法实现数据分布式处理。所以在系统进行商业应用时,需采用可以实现分布式数据处理的计算框架(TensorFlow)及深度神经网络(DNN)算法,才能对海量的数据进行深层次的数据挖掘及高效的数据分析处理,提升系统运行的效率和整个系统的商业化价值,更好的为客户提供产品化服务。
在一个实施例中,如图8-10所示,心肺音信号采集装置100包括自诊探头110和微处理控制装置,自诊探头110包括自诊探头壳体、膜片环圈111、接触膜片112、内导板和声音传感器113,微处理控制装置120包括AD转换器121和处理器122,自诊探头壳体包括第一表面和围绕第一表面的第二表面,第一表面和第二表面形成高度差构成隔音腔体,接触膜片112设置于自诊探头壳体的第一表面,膜片环圈111设置于自诊探头壳体的第二表面,膜片环圈111与接触膜片112封闭接触设置,内导板和声音传感器113设置于隔音腔体内远离接触膜片112的一侧,内导板通过声音传感器113连接AD转换器121,AD转换器121连接处理器122。
具体地,自诊探头壳体包括第一表面和围绕第一表面的第二表面,第一表面和第二表面形成高度差构成隔音腔体,将接触膜片112设置于自诊探头壳体的第一表面,膜片环圈111设置于自诊探头壳体的第二表面,膜片环圈111与接触膜片112封闭接触设置,封闭接触设置膜片环圈111和接触膜片112隔离外部环境噪声,将内导板和声音传感器113设置于隔音腔体内远离接触膜片112的一侧,体内声波鼓动接触膜片112,腔体内的密闭气体随之振动,引起内导板的振动,声音传感器113将采集的内导板产生的声音信号转换为模拟信号,并发送至AD转换器121,AD转换器121将接收的模拟信号转换为数字信号发送至处理器122,处理器122接收数字信号并输出,有效防止外部环境噪音引起内导板振动而发出的噪音,保证了自诊探头110在采集心肺音过程中相对与外界环境噪音的隔离,从而实现了环境噪音与心肺音的相对分离,自诊探头外壳本身形成了一个具有隔音作用的隔音腔体,有效防止了外界电磁信号对自诊探头110的干扰,从而实现了在保障心肺音无损的前提下最大限度地消除了环境噪音的影响,心肺音的采集准确率高。
具体地,声音传感器113的作用相当于一个话筒(麦克风),它用来接收声波,显示声音的振动图象,但不能对噪声的强度进行测量,该传感器内置一个对声音敏感的电容式驻极体话筒,声波使话筒内的驻极体薄膜振动,导致电容的变化,而产生与之对应变化的微小电压,将采集到的声音信号转换为模拟信号,结合人体胸部表面结构特点,从结构设计角度,研究降低物理性背景噪声的方法,以避免背景噪声对心音有用成分的干扰,如在声音传感器113上采用隔音腔和屏蔽腔结构等。
进一步地,传统声学听诊器需要接触患者皮肤才能完成听诊,不仅不利于患者隐私的保护,增加引发医患纠纷风险,还增加患者带来加重病情的风险。为了自诊探头110的灵敏度,设计了一款新型的接触膜片112,由新型的FR4以及特殊的导电材料和电解质绝缘材料组成。这种接触膜片112可以在患者身穿羽绒或棉衣的情况下实现直接在衣服表面听诊,充分保护了患者的隐私的同时减少了患者病情加重的风险,避免了医生和患者之间因肌肤接触而带来的不必要的纠纷。
在一个实施例中,自诊探头110还包括陀螺仪和加速传感器114,陀螺仪和加速传感器114连接处理器122。
具体地,在自诊探头110中嵌入运动位置传感器,即陀螺仪和加速传感器114,通过设定传感器采集心肺音的运动轨迹来规范多个心肺音采集位置的采集顺序,使得整个心肺音采集的过程能够按照诊断指南的步骤来进行,进一步地,听诊顺序是由处理器122控制自诊探头110上的陀螺仪和加速传感器114来实现的,在处理器122中设定了逆时针的指令,在采集过程就会按照逆时针的指令进行采集,自诊探头110按照预设的听诊顺序采集到信息发送至处理器122后,处理器122会把采集到的心肺音信号按照已经设定好的程序来进行排序并输出,避免以往医生听诊过程中的随机性,在本实施例中,听诊顺序为:1.二尖瓣区M(起点),对应心尖搏动最强点,2.肺动脉瓣区P(第二听诊位),对应胸骨左缘第二肋间3.主动脉瓣区A(第三听诊位),对应胸骨有缘第二肋间4.主动脉瓣二区E(第四听诊位),对应胸骨左缘第三肋间5.三尖瓣区T(第五听诊位)对应胸骨下端左缘第四、五肋间。
在一个实施例中,自诊探头110还包括放大电路115,声音传感器113通过放大电路115连接AD转换器121。具体地,放大电路115用于对声音传感器113产生的微小电压放大,便于后续的AD转换器121采样处理,提高采集精确度。
在一个实施例中,自诊探头110还包括滤波电路116,放大电路115通过滤波电路116连接AD转换器121。具体地,滤波电路116用于对接收的模拟信号进行滤波,消除带外噪声,提高信号的准确度。
在一个实施例中,微处理控制装置120还包括连接处理器122的耳机驱动电路124,耳机驱动电路124用于连接耳机。具体地,医生可通过耳机听取到采集的心肺音信号。
在一个实施例中,微处理控制装置120还包括连接处理器122的按键控制组件123。在本实施例中,按键控制组件123包括均连接处理器122的心音按钮、肺音按钮和进度控制按钮组件。
具体地,心音按钮和肺音按钮主要是通过转换采集的频率,在心音模式下采集的频率是20-500,在肺音模式下采集的频率为100-800,这个主要是针对重要的心肺音生理病理所处的频率有所差别,通过采集频率来对心肺音进行一个初步的分离,进度控制按钮组件包括播放按钮、暂停按钮、下一部位按钮等,不限于以上按钮,可以调整听诊部位的心肺音和听诊节奏,且可以方便医生反复听诊,提高听诊的准确度。
在一个实施例中,微处理控制装置120还包括无线通信模块126,处理器122用于通过无线通信模块126连接移动终端。具体地,将采集到的心肺音信号通过无线通信模块126发送至移动终端,可实现远程初步诊断,进一步地,无线通信模块126包括蓝牙模块、WIFI模块和GPRS模块中的至少一种。
在一个实施例中,微处理控制装置120还包括连接处理器122的存储装置125。具体地,采集的心肺音信号发送至存储装置125中存储,方便医生反复听取,提高听诊的准确性。
在一个实施例中,微处理控制装置120还包括连接处理器122的电源管理模块127。具体地,电源管理模块127用于给处理器122提供电能。
在一个较为详细的实施例中,心肺音采集装置包括自诊探头110和微处理控制装置120,自诊探头110包括自诊探头壳体、膜片环圈111、接触膜片112、内导板和声音传感器113、陀螺仪和加速传感器114、放大电路115和滤波电路116,微处理控制装置120包括处理器122和均连接处理器122的AD转换器121、按键控制组件123、存储装置125、电源管理模块127、耳机驱动电路124和无线通信模块126,自诊探头壳体包括第一表面和围绕第一表面的第二表面,第一表面和第二表面形成高度差构成隔音腔体,接触膜片112设置于自诊探头壳体的第一表面,膜片环圈111设置于自诊探头壳体的第二表面,膜片环圈111与接触膜片112封闭接触设置,内导板和声音传感器113设置于腔体内远离接触膜片112的一侧,声音传感器113连接内导板,声音传感器113通过放大电路115连接滤波电路116,滤波电路116连接AD转换器121,陀螺仪和加速传感器114设置在隔音腔体内连接处理器122,处理器122用于通过耳机驱动电路124连接耳机,处理器122用于通过无线通信模块126连接移动终端,进一步地,微处理控制装置120还包括壳体,处理器122和均连接处理器122的AD转换器121、按键控制组件123、存储装置125、电源管理模块127、耳机驱动电路124和无线通信模块126设置于壳体内,微处理控制装置120还包括显示屏,显示屏设置于壳体。
上述冠心病监测诊断设备,心肺音信号采集装置100采集心肺音混叠信号,并将心肺音混叠信号发送至心肺音信号分析装置200,心肺音信号分析装置200根据短时傅里叶变换法对心肺音混叠信号进行分离得到原始的心音信号,根据双门限法、峰值法端点算法对原始的心音信号进行还原得到心音图,对心音图进行复小波变换提取复小波变换的信号包络,根据训练后的BP神经网络对信号包络进行训练得到分析结果并输出。基于在冠心病早期,在心音信号中会出现高频的病理杂音的特性,通过采集的心肺音混叠信号,采用短时傅里叶变换等算法对心肺音混叠信号进行分析,且心肺音信号采集装置100在保障心肺音无损的前提下最大限度地消除了环境噪音的影响,无创伤性早期诊断测试者是否有冠心病,诊断效率和准确性高。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种冠心病监测诊断设备,其特征在于,包括心肺音信号采集装置和心肺音信号分析装置,所述心肺音信号采集装置连接所述心肺音信号分析装置,
所述心肺音信号采集装置用于采集心肺音混叠信号,并将所述心肺音混叠信号发送至所述心肺音信号分析装置;
所述心肺音信号分析装置用于根据短时傅里叶变换法对所述心肺音混叠信号进行分离得到原始的心音信号,根据双门限法、峰值法端点算法对所述原始的心音信号进行还原得到心音图,对所述心音图进行复小波变换提取复小波变换的信号包络,根据训练后的BP神经网络对所述信号包络进行训练得到分析结果并输出。
2.根据权利要求1所述的冠心病监测诊断设备,其特征在于,所述心肺音信号采集装置包括自诊探头和微处理控制装置,所述自诊探头包括自诊探头壳体、膜片环圈、接触膜片、内导板和声音传感器,所述微处理控制装置包括AD转换器和处理器,所述自诊探头壳体包括第一表面和围绕所述第一表面的第二表面,所述第一表面和所述第二表面形成高度差构成隔音腔体,所述接触膜片设置于所述自诊探头壳体的第一表面,所述膜片环圈设置于所述自诊探头壳体的第二表面,所述膜片环圈与所述接触膜片封闭接触设置,所述内导板和所述声音传感器设置于所述隔音腔体内远离所述接触膜片的一侧,所述内导板通过所述声音传感器连接所述AD转换器,所述AD转换器连接所述处理器。
3.根据权利要求2所述的冠心病监测诊断设备,其特征在于,所述自诊探头还包括陀螺仪和加速传感器,所述陀螺仪和所述加速传感器连接所述处理器。
4.根据权利要求2所述的冠心病监测诊断设备,其特征在于,所述自诊探头还包括放大电路,所述声音传感器通过所述放大电路连接所述AD转换器。
5.根据权利要求4所述的冠心病监测诊断设备,其特征在于,所述自诊探头还包括滤波电路,所述放大电路通过所述滤波电路连接所述AD转换器。
6.根据权利要求2所述的冠心病监测诊断设备,其特征在于,所述微处理控制装置还包括连接所述处理器的耳机驱动电路,所述耳机驱动电路用于连接耳机。
7.根据权利要求1所述的冠心病监测诊断设备,其特征在于,所述根据短时傅里叶变换法对所述心肺音混叠信号进行分离得到原始的心音信号包括:
根据短时傅里叶变换法对所述心肺音混叠信号的时域信号转换成所述心肺音混叠信号的时频信号;
通过非负矩阵分解技术对所述心肺音混叠信号的时频信号降维,得到心音或者肺音源信号的时频谱信号;
根据时频掩码技术和短时傅里叶逆变换法对所述心音的时频谱信号和所述肺音的时频谱信号进行重构还原分离,得到原始的心音信号。
8.根据权利要求6所述的冠心病监测诊断设备,其特征在于,所述根据时频掩码技术和短时傅里叶逆变换法对所述心音的时频谱信号和所述肺音的时频谱信号进行重构还原分离,得到原始的心音信号包括:
根据时频掩码技术和短时傅里叶逆变换法对所述心音的时频谱信号和所述肺音的时频谱信号进行重构,得到时域上的心音信号和肺音信号;
根据所述时域上的心音信号和肺音信号得到心音和肺音在原始的大矩阵中对应的相位,根据所述心音和肺音在原始的大矩阵中对应的相位,还原得到新的心音谱和肺音谱;
根据短时傅里叶逆变换法分别对所述新的心音谱和所述新的肺音谱进行转换,得到时域上的心音信号和肺音信号实现肺音分离,得到原始的心音信号。
9.根据权利要求1所述的冠心病监测诊断设备,其特征在于,所述根据双门限法、峰值法端点法对所述原始的心音信号进行还原得到心音图,包括:
将所述原始的心音信号分成预设个帧,并计算每个帧长度范围内的短时能量和滑窗长度,其中,每个帧的帧长度范围一致;
获取所述原始的心音信号的信号强度和峰值;
根据所述原始的心音信号的信号强度对所述原始的心音信号进行分段得到分段的信号;
根据所述分段的信号设置每一段信号的短时能量的上门限、短时能量的下门限、短时平均过零率的过零率下门限、最短语音长度和最短静音长度;
根据所述原始的心音信号的峰值、所述滑窗长度和所述每一段的短时能量的上门限、短时能量的下门限、短时平均过零率的过零率下门限、最短语音长度和最短静音长度确定所述原始的心音信号的端点,还原得到所述心音图。
10.根据权利要求1所述的冠心病监测诊断设备,其特征在于,所述获取心肺音混叠信号之前,还包括:
获取采样心肺音混叠信号;
对所述采样心肺音混叠信号使用梅尔频率倒谱系数经过主成分分析降维后,得到预设数量个数据表征信号;
基于BP神经网络对所述预设数量个数据表征信号进行训练学习和识别,得到训练后的BP神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711130448.5A CN107693044A (zh) | 2017-11-15 | 2017-11-15 | 冠心病监测诊断设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711130448.5A CN107693044A (zh) | 2017-11-15 | 2017-11-15 | 冠心病监测诊断设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107693044A true CN107693044A (zh) | 2018-02-16 |
Family
ID=61179607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711130448.5A Pending CN107693044A (zh) | 2017-11-15 | 2017-11-15 | 冠心病监测诊断设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107693044A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109009209A (zh) * | 2018-07-06 | 2018-12-18 | 广东工业大学 | 一种基于云端的智能听诊器 |
CN109346095A (zh) * | 2018-10-10 | 2019-02-15 | 广州市讯飞樽鸿信息技术有限公司 | 一种心音端点检测方法 |
CN110013245A (zh) * | 2019-04-30 | 2019-07-16 | 中山大学孙逸仙纪念医院 | 一种可自动报警的穿戴设备心肺数据采集检测系统 |
CN110123306A (zh) * | 2019-04-30 | 2019-08-16 | 中山大学孙逸仙纪念医院 | 一种基于穿戴式设备的心肺数据采集检测系统 |
CN111104834A (zh) * | 2018-10-25 | 2020-05-05 | 南京大学 | 一种交叉对比神经网络在心声智能检测中的应用方法 |
CN111714150A (zh) * | 2020-06-28 | 2020-09-29 | 循音智能科技(上海)有限公司 | 一种心音信号的评估采集方法 |
CN112244862A (zh) * | 2020-10-14 | 2021-01-22 | 哈尔滨理工大学 | 基于rfda小波阈值的心电信号去噪算法 |
CN112336369A (zh) * | 2020-11-30 | 2021-02-09 | 山东大学 | 一种多通道心音信号的冠心病风险指数评估系统 |
CN113368403A (zh) * | 2021-06-24 | 2021-09-10 | 深圳市恒康泰医疗科技有限公司 | 一种可以提高心肺功能的智能理疗系统 |
CN114067529A (zh) * | 2021-11-23 | 2022-02-18 | 珠海弘昕医疗科技有限公司 | 一种心衰预测预警的日常监测系统 |
TWI769752B (zh) * | 2020-09-30 | 2022-07-01 | 大陸商北京微動數聯科技有限公司 | 多信號並行採集電路、電子裝置及身體特徵信號採集儀 |
CN115553784A (zh) * | 2022-09-26 | 2023-01-03 | 山东大学 | 基于心电、心音信号耦合分析的冠心病评估方法及系统 |
CN116364117A (zh) * | 2023-03-23 | 2023-06-30 | 南京市浦口医院 | 一种基于声振麦克风的低频电子听诊系统 |
US11857360B2 (en) | 2019-01-11 | 2024-01-02 | Omron Healthcare Co., Ltd. | Biological sound measurement device |
CN117530719A (zh) * | 2023-11-17 | 2024-02-09 | 深圳市大数据研究院 | 基于心肺音分离的心肺音数据检测方法、装置、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1850007A (zh) * | 2006-05-16 | 2006-10-25 | 清华大学深圳研究生院 | 基于心音分析的心脏病自动分类系统及其心音分段方法 |
KR20100128083A (ko) * | 2009-05-27 | 2010-12-07 | 충북대학교 산학협력단 | 심장질환 진단장치 및 방법 |
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 |
CN103479429A (zh) * | 2013-08-29 | 2014-01-01 | 无锡慧思顿科技有限公司 | 一种基于心音和心电的心脏综合检测设备 |
CN105943080A (zh) * | 2016-06-30 | 2016-09-21 | 上海拓萧智能科技有限公司 | 一种智能听诊器 |
CN106073818A (zh) * | 2016-08-30 | 2016-11-09 | 成都思众康科技有限公司 | 一种采用指纹识别并自选心肺音的智能听诊器 |
CN106308844A (zh) * | 2015-06-23 | 2017-01-11 | 佛山市核德隆电子有限公司 | 一种电子体内音采集器 |
CN206611578U (zh) * | 2017-04-20 | 2017-11-03 | 智感云端科技股份有限公司 | 声音收集探头 |
-
2017
- 2017-11-15 CN CN201711130448.5A patent/CN107693044A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1850007A (zh) * | 2006-05-16 | 2006-10-25 | 清华大学深圳研究生院 | 基于心音分析的心脏病自动分类系统及其心音分段方法 |
KR20100128083A (ko) * | 2009-05-27 | 2010-12-07 | 충북대학교 산학협력단 | 심장질환 진단장치 및 방법 |
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 |
CN103479429A (zh) * | 2013-08-29 | 2014-01-01 | 无锡慧思顿科技有限公司 | 一种基于心音和心电的心脏综合检测设备 |
CN106308844A (zh) * | 2015-06-23 | 2017-01-11 | 佛山市核德隆电子有限公司 | 一种电子体内音采集器 |
CN105943080A (zh) * | 2016-06-30 | 2016-09-21 | 上海拓萧智能科技有限公司 | 一种智能听诊器 |
CN106073818A (zh) * | 2016-08-30 | 2016-11-09 | 成都思众康科技有限公司 | 一种采用指纹识别并自选心肺音的智能听诊器 |
CN206611578U (zh) * | 2017-04-20 | 2017-11-03 | 智感云端科技股份有限公司 | 声音收集探头 |
Non-Patent Citations (3)
Title |
---|
叶岑: "心音信号特征分析与识别方法研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑(月刊)》 * |
康锋等: "基于心音信号处理的冠心病诊断的研究", 《浙江大学学报(工学版)》 * |
郭鹿鸣: "基于盲源分离的心肺音信号分离方法研究与应用", 《中国优秀硕士学位论文全文数据库 信息科技辑(月刊)》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109009209A (zh) * | 2018-07-06 | 2018-12-18 | 广东工业大学 | 一种基于云端的智能听诊器 |
CN109346095A (zh) * | 2018-10-10 | 2019-02-15 | 广州市讯飞樽鸿信息技术有限公司 | 一种心音端点检测方法 |
CN111104834A (zh) * | 2018-10-25 | 2020-05-05 | 南京大学 | 一种交叉对比神经网络在心声智能检测中的应用方法 |
US11857360B2 (en) | 2019-01-11 | 2024-01-02 | Omron Healthcare Co., Ltd. | Biological sound measurement device |
CN110013245A (zh) * | 2019-04-30 | 2019-07-16 | 中山大学孙逸仙纪念医院 | 一种可自动报警的穿戴设备心肺数据采集检测系统 |
CN110123306A (zh) * | 2019-04-30 | 2019-08-16 | 中山大学孙逸仙纪念医院 | 一种基于穿戴式设备的心肺数据采集检测系统 |
CN111714150A (zh) * | 2020-06-28 | 2020-09-29 | 循音智能科技(上海)有限公司 | 一种心音信号的评估采集方法 |
CN111714150B (zh) * | 2020-06-28 | 2022-07-19 | 循音智能科技(上海)有限公司 | 一种心音信号的评估采集方法 |
TWI769752B (zh) * | 2020-09-30 | 2022-07-01 | 大陸商北京微動數聯科技有限公司 | 多信號並行採集電路、電子裝置及身體特徵信號採集儀 |
CN112244862A (zh) * | 2020-10-14 | 2021-01-22 | 哈尔滨理工大学 | 基于rfda小波阈值的心电信号去噪算法 |
CN112244862B (zh) * | 2020-10-14 | 2024-05-14 | 哈尔滨理工大学 | 基于rfda小波阈值的心电信号去噪算法 |
CN112336369B (zh) * | 2020-11-30 | 2021-09-10 | 山东大学 | 一种多通道心音信号的冠心病风险指数评估系统 |
CN112336369A (zh) * | 2020-11-30 | 2021-02-09 | 山东大学 | 一种多通道心音信号的冠心病风险指数评估系统 |
CN113368403B (zh) * | 2021-06-24 | 2022-01-04 | 深圳市恒康泰医疗科技有限公司 | 一种可以提高心肺功能的智能理疗系统 |
CN113368403A (zh) * | 2021-06-24 | 2021-09-10 | 深圳市恒康泰医疗科技有限公司 | 一种可以提高心肺功能的智能理疗系统 |
WO2023092825A1 (zh) * | 2021-11-23 | 2023-06-01 | 珠海弘昕医疗科技有限公司 | 一种心衰预测预警的日常监测系统 |
CN114067529A (zh) * | 2021-11-23 | 2022-02-18 | 珠海弘昕医疗科技有限公司 | 一种心衰预测预警的日常监测系统 |
CN115553784A (zh) * | 2022-09-26 | 2023-01-03 | 山东大学 | 基于心电、心音信号耦合分析的冠心病评估方法及系统 |
CN115553784B (zh) * | 2022-09-26 | 2024-04-26 | 山东大学 | 基于心电、心音信号耦合分析的冠心病评估方法及系统 |
CN116364117A (zh) * | 2023-03-23 | 2023-06-30 | 南京市浦口医院 | 一种基于声振麦克风的低频电子听诊系统 |
CN117530719A (zh) * | 2023-11-17 | 2024-02-09 | 深圳市大数据研究院 | 基于心肺音分离的心肺音数据检测方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107693044A (zh) | 冠心病监测诊断设备 | |
Leng et al. | The electronic stethoscope | |
Abbas et al. | Phonocardiography signal processing | |
CN106251880B (zh) | 识别生理声音的方法以及系统 | |
EP2471461A1 (en) | An integrated monitoring device arranged for recording and processing body sounds from multiple sensors | |
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 | |
Qu et al. | Monitoring of physiological sounds with wearable device based on piezoelectric MEMS acoustic sensor | |
Khan et al. | Artificial neural network-based cardiovascular disease prediction using spectral features | |
Taebi | Characterization, classification, and genesis of seismocardiographic signals | |
CN105943080A (zh) | 一种智能听诊器 | |
Shi et al. | Neural network based real-time heart sound monitor using a wireless wearable wrist sensor | |
Li et al. | Classification of heart sound signals with BP neural network and logistic regression | |
Panda et al. | Flexible, skin coupled microphone array for point of care vascular access monitoring | |
Waqar et al. | Arduino based cost-effective design and development of a digital stethoscope | |
Dampage et al. | AI-based heart monitoring system | |
Mustafa et al. | Detection of heartbeat sounds arrhythmia using automatic spectral methods and cardiac auscultatory | |
CA3227002A1 (en) | Augmented artificial intelligence system and methods for physiological data processing | |
Vatanparvar et al. | Speechspiro: Lung function assessment from speech pattern as an alternative to spirometry for mobile health tracking | |
Skopin et al. | Heartbeat feature extraction from vowel speech signal using 2D spectrum representation | |
Andreou et al. | Mapping the cardiac acousteome: An overview of technologies, tools and methods | |
Haddab et al. | Microcontroller-based system for electrogastrography monitoring through wireless transmission | |
Mandal et al. | Low cost portable solution for real-time complete detection and analysis of heart sound components | |
Kajor et al. | A prototype of the mobile stethoscope for telemedical application | |
Behbahani | A hybrid algorithm for heart sounds segmentation based on phonocardiogram | |
Balbin et al. | Arrhythmia Detection using Electrocardiogram and Phonocardiogram Pattern using Integrated Signal Processing Algorithms with the Aid of Convolutional Neural Networks |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180216 |