CN108968933A - 心脑血管疾病检测装置 - Google Patents
心脑血管疾病检测装置 Download PDFInfo
- Publication number
- CN108968933A CN108968933A CN201810655810.9A CN201810655810A CN108968933A CN 108968933 A CN108968933 A CN 108968933A CN 201810655810 A CN201810655810 A CN 201810655810A CN 108968933 A CN108968933 A CN 108968933A
- Authority
- CN
- China
- Prior art keywords
- cardiovascular
- characteristic value
- wave
- value
- cerebrovascular disease
- 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
- 230000002526 effect on cardiovascular system Effects 0.000 title claims abstract description 87
- 208000024172 Cardiovascular disease Diseases 0.000 title claims abstract description 76
- 208000026106 cerebrovascular disease Diseases 0.000 title claims abstract description 76
- 238000001514 detection method Methods 0.000 title claims abstract description 14
- 210000004369 blood Anatomy 0.000 claims abstract description 33
- 239000008280 blood Substances 0.000 claims abstract description 33
- 230000005622 photoelectricity Effects 0.000 claims abstract description 32
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 25
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 24
- 239000001301 oxygen Substances 0.000 claims abstract description 24
- 230000036772 blood pressure Effects 0.000 claims abstract description 23
- 239000000284 extract Substances 0.000 claims abstract description 18
- 230000036760 body temperature Effects 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims description 19
- 238000012216 screening Methods 0.000 claims description 13
- 230000035488 systolic blood pressure Effects 0.000 claims description 11
- 210000003423 ankle Anatomy 0.000 claims description 10
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 10
- 230000035487 diastolic blood pressure Effects 0.000 claims description 9
- 201000010099 disease Diseases 0.000 claims description 9
- 230000001537 neural effect Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 230000004872 arterial blood pressure Effects 0.000 claims description 7
- 210000004556 brain Anatomy 0.000 claims description 7
- 238000000034 method Methods 0.000 claims description 7
- 108010064719 Oxyhemoglobins Proteins 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- INGWEZCOABYORO-UHFFFAOYSA-N 2-(furan-2-yl)-7-methyl-1h-1,8-naphthyridin-4-one Chemical compound N=1C2=NC(C)=CC=C2C(O)=CC=1C1=CC=CO1 INGWEZCOABYORO-UHFFFAOYSA-N 0.000 claims description 3
- 108010002255 deoxyhemoglobin Proteins 0.000 claims description 3
- 230000036541 health Effects 0.000 claims description 3
- 230000001766 physiological effect Effects 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000003862 health status Effects 0.000 abstract description 3
- 208000019553 vascular disease Diseases 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 4
- 230000002265 prevention Effects 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- 230000037213 diet Effects 0.000 description 2
- 235000005911 diet Nutrition 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 201000001320 Atherosclerosis Diseases 0.000 description 1
- 208000031226 Hyperlipidaemia Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000034189 Sclerosis Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 235000012000 cholesterol Nutrition 0.000 description 1
- 238000004132 cross linking Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 208000031169 hemorrhagic disease Diseases 0.000 description 1
- 208000023589 ischemic disease Diseases 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004224 protection Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
- A61B5/02055—Simultaneously evaluating both cardiovascular condition and temperature
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
-
- 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
- A61B7/00—Instruments for auscultation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Artificial Intelligence (AREA)
- Pulmonology (AREA)
- Optics & Photonics (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明涉及一种心脑血管疾病检测装置，包括：ECG传感器，用于感测ECG信号；血压传感器，用于感测血压信号；血氧传感器，用于感测血氧信号；脉搏传感器，用于感测脉搏信号；心音传感器，用于感测心音信号；体温传感器，用于感测体温信号；第一及第二光电容积传感器，用于感测光电容积波，以得到脉搏波传播速度；处理器，对ECG、血压、血氧、脉搏、心音、体温、光电容积信号进行处理，提取特征值，对特征值信号进行分类，根据分类结果，结合心脑血管疾病预测模型，确定心脑血管健康状况。
Description
技术领域
本发明涉及医学检测领域，特别涉及一种心脑血管疾病检测装置。
背景技术
心脑血管疾病是心脏血管和脑血管疾病的统称，泛指由于高脂血症、血液黏稠、动脉粥样硬化、高血压等所导致的心脏、大脑及全身组织发生的缺血性或出血性疾病。心脑血管疾病是一种严重威胁人类，特别是50岁以上中老年人健康的常见病，具有高患病率、高致残率和高死亡率的特点，即使应用目前最先进、完善的治疗手段，仍可有50%以上的脑血管意外幸存者生活不能完全自理，全世界每年死于心脑血管疾病的人数高达1500万人，居各种死因首位。
但是目前监测心脑血管疾病的装置，大部分监测手段不完善，而且监测的生理特征值的选择不具有指向性，大部分都是在发病后进行监测，没有提前预警的功能，即使提取到生理特征，也没有对生理特征进行排序、筛选，没有分析不同生理特征之间的贡献度大小，疾病判断不准确。
发明内容
在本申请为了克服上述缺陷，提供了一种可以全面监测与心脑血管疾病相关的生理参数的检测装置，并且对各个生理量得到的信号进行特征值提取，并且对同一生理量的不同特征值进行排序，利用对特征值进行分类，区分不同贡献度的特征值组，并且建立了可靠的根据生理特征值预测心脑血管疾病发病概率的模型。通过本发明的方法，可以连续、长期、可靠、全面监测心脑血管疾病的潜在发生概率、发生时的危险、以及治疗后的恢复情况、以及再次复发的可能性。
本发明的心脑血管疾病检测装置，包括：
ECG传感器，用于感测ECG信号；
血压传感器，用于感测血压信号；
血氧传感器，用于感测血氧信号；
脉搏传感器，用于感测脉搏信号；
心音传感器，用于感测心音信号；
体温传感器，用于感测体温信号；
第一及第二光电容积传感器，用于感测光电容积波，以得到脉搏波传播速度；
处理器，对ECG、血压、血氧、脉搏、心音、体温、光电容积信号进行处理，提取特征值，对特征值信号进行分类，根据分类结果，结合心脑血管疾病预测模型，确定心脑血管健康状况。
进一步地，所述的提取特征值，包括提取ECG信号的特征值，包括：ECG信号的能量值、熵值、ECG波形的功率值、RR间隔、S-T波段长度、S-T波段信号斜率、ECG信号功率谱的能量子段、对ECG信号进行小波分类时的小波基。
进一步地，所述的提取特征值，进一步包括提取血压传感器测量到的血压信号的特征值，包括收缩压值、舒张压值、平均动脉压；还提取血氧传感器测量得到的血氧浓度值、氧合血红蛋白含量值、脱氧血红蛋白含量值；提取脉搏传感器得到的脉搏信号，包括提取平均脉率、脉搏波形的主波幅度、降中峡幅度、重搏波幅度、主波出现的时刻t1、降中峡出现的时刻t2、重搏波出现的时刻t3、降中峡幅度/主波波幅、重搏波幅度/主波幅度、脉搏周期T；对光电容积进行特征提取，包括提取光电容积波的一阶导数、光电容积波的二阶导数、脉搏波传播速度、踝臂指数、动脉顺应性；对心音信号进行体征提取，包括提取心音信号的幅值、幅值变异性、归一化平均香农能量值，心音信号出现某一事件的频率、心率变异性；对体温信号进行特征提取，包括提取体温信号的幅值、温度的平均值。
进一步地，在提取特征值之后，进行特征值筛选。所述的特征值筛选后筛选出的特征值为：ECG信号的能量值、熵值、ECG波形的功率值、RR间隔、S-T波段长度、S-T波段信号斜率、ECG信号功率谱的能量子段、对ECG信号进行小波分类时的小波基、收缩压值、舒张压值、平均动脉压、血氧浓度值、氧合血红蛋白含量值、平均脉率、脉搏波形的主波幅度、降中峡幅度、重搏波幅度、主波出现的时刻t1、降中峡出现的时刻t2、重搏波出现的时刻t3、降中峡幅度/主波波幅、重搏波幅度/主波幅度、脉搏周期T、对光电容积进行特征提取，包括提取光电容积波的一阶导数、光电容积波的二阶导数、脉搏波传播速度、踝臂指数、动脉顺应性、心音信号的幅值、幅值变异性、归一化平均香农能量值，心音信号出现某一事件的频率、心率变异性、温度的平均值。
进一步地，进行特征值筛选后，使用统计学方法，利用方差变异性对筛选出的特征值进行排序，计算同一生理特性下，不同特征值之间的F-分布，高的F值表明特征的排序靠前，低的特征值表明排序靠后。
进一步地，对排序后的特征值，利用分类器进行分类，排序靠前的特征值先进入分类器，所述的分类器为KNN分类器，KNN分类器使用K最邻近邻域对数据进行分类，根据数据的远近确定数据贡献的大小，K取值在5-10之间；对特征值进行分类后，得到与心脑血管疾病密切相关的参数集合X、与心脑血管疾病次相关的参数集合Y、与心脑血管疾病关系相关，但是联系不密切的参数结合Z；建立心脑血管疾病发病概率模型，其中a，b，c为经验系数；利用神经网络训练对心脑血管疾病发病概率模型进行训练，对模型进行修正，得到准确心脑血管疾病发病概率模型为：
。
优选地，对排序后的特征值，利用分类器进行分类，排序靠前的特征值先进入分类器，所述的分类器还可以为不使用KNN分类器，而是使用决策树id3分类器，id3分类器对筛选的特征值进行分类的过程为：
提取熵值：
其中，为类别i在样本D中出现的概；
如果将特征值的属性分为几个分区，则分区的熵为：
，
其中j为小区的类别，V为小区的个数；
计算信息增益：
；
找到信息增益最大的属性作为分裂节点，根据该节点划分样本，直到满足规定的结束条件；
通过决策树id3分类器，得到与心脑血管疾病密切相关的参数集合X、与心脑血管疾病次相关的参数集合Y、与心脑血管疾病关系相关，但是联系不密切的参数结合Z；建立心脑血管疾病发病概率模型，其中a，b，c为经验系数；利用神经网络训练对心脑血管疾病发病概率模型进行训练，对模型进行修正，得到准确心脑血管疾病发病概率模型为：
。
进一步地，对KNN分类和id3分类器分类后的数据进行综合比较，找出与心脑血管疾病发病最密切相关的生理特征值，并且输出给受试者，提醒受试者在生活中关注这些值的变化，并且采取一些预防措施，避免发生心脑血管疾病；通过综合比较发现，收缩压值、舒张压值、RR间隔、S-T波段斜率、脉搏波传播速度、心音信号的幅值变异性、踝臂指数与心脑血管疾病的发生密切相关。
本发明的装置的优点在于：
（1）选取了多种不同的生理特征量进行监测，可以综合分析心脑血管状况，为心脑血管疾病的发病预防、复发预防提供保障；
（2）本发明生理采集得到不同生理信号后，对不同生理信号的进行了不同特征值的提取，不同特征值提取的选择，是申请人在临床中，结合心脑血管发病后，病人的生理指数变化而进行的针对性选择，具有独特性；
（3）本发明对同一生理量的不同特征值进行了排序，使排序靠前的先进入分类器，无论采用的KNN分类器还是id3分类器，均是根据特征值的性质进行分类，排序后使贡献度大的特征值先进入分类器，使分类结果更准确；
（4）本发明利用分类器，将生理特征值根据心脑血管疾病的发生贡献度划分为不同的数据组，然后结合数据组建立心脑血管疾病的预测模型，并通过神经网络训练对模型进行修正，使模型可以可靠预测心脑血管疾病的发生概率；
（5）本发明还结合两种分类器的结果，筛选与心脑血管疾病发生最密切相关特征值，并且输出给受试者，提醒受试者在生活中关注这些值的变化，并且采取一些预防措施，避免发生心脑血管疾病；受试者在了解到这些值后，可以做出生活、工作、运动方式的调整，有效减小、避免了心脑血管疾病的发生。
附图说明
图1为本发明的检测装置的框图。
具体实施方式
下面结合附图1对本发明的心脑血管疾病检测装置，包括：ECG传感器，可以ECG信号，ECG传感器可以为导联电极、纽扣电极或贴片电极等，可以采用3导联、5导联、7导联、12导联等形式，目的是为了得到人体的心电信号；血压传感器，用于感测血压信号，可以使用无袖带形式的血压检测装置，或者传统的袖带式的血压计，通过血压传感器，可以得到人体的血压波形，以及血压值，如收缩压、舒张压、平均动脉压等；血氧传感器，用于感测血氧信号，可以采用指夹式血氧检测器或者耳夹式血氧检测器，还可以设计成血氧戒指、手环等；脉搏传感器，用于感测脉搏信号，可以得到脉搏波波形，也可以得到脉率等；心音传感器，用于感测心音信号，心音传感器可以设计为放置在人体胸部的心音条带或者其他形式；体温传感器，用于感测体温信号，可以使用红外温度计、或者体温贴片等，不限形式；
第一及第二光电容积传感器，用于感测光电容积波，可以根据光电容积波结合心电图的时序特征，以及人体的体尺信息，得到脉搏波传播速度，进而可以得到血管的顺应性，血管硬度，踝臂指数等。
心脑血管疾病检测装置还包括处理器，对ECG、血压、血氧、脉搏、心音、体温、光电容积信号进行处理，提取特征值，对特征值信号进行分类，根据分类结果，结合心脑血管疾病预测模型，确定心脑血管健康状况。
下面具体说明处理器提取特征值，对特征值信号进行分类，根据分类结果，结合心脑血管疾病预测模型，确定心脑血管健康状况的过程。
心电、血压、血氧、脉搏、心音、体温、光电容积信号均具有不同的特征信号或者特征参数，不同的特征信号可以用于不同的数据处理，得到不同的结果。本申请人通过长期的临床实践，结合心脑血管病发时，患者的生理参数的变化，选择提取以下特征值，这种选择是独特的，在指导心脑血管疾病的预防方便更具有意义。
提取ECG信号的特征值，包括：ECG信号的能量值、熵值、ECG波形的功率值、RR间隔、S-T波段长度、S-T波段信号斜率、ECG信号功率谱的能量子段、对ECG信号进行小波分类时的小波基。
提取血压传感器测量到的血压信号的特征值，包括收缩压值、舒张压值、平均动脉压；还提取血氧传感器测量得到的血氧浓度值、氧合血红蛋白含量值、脱氧血红蛋白含量值；提取脉搏传感器得到的脉搏信号，包括提取平均脉率、脉搏波形的主波幅度、降中峡幅度、重搏波幅度、主波出现的时刻t1、降中峡出现的时刻t2、重搏波出现的时刻t3、降中峡幅度/主波波幅、重搏波幅度/主波幅度、脉搏周期T；对光电容积进行特征提取，包括提取光电容积波的一阶导数、光电容积波的二阶导数、脉搏波传播速度、踝臂指数、动脉顺应性；对心音信号进行体征提取，包括提取心音信号的幅值、幅值变异性、归一化平均香农能量值，心音信号出现某一事件的频率、心率变异性；对体温信号进行特征提取，包括提取体温信号的幅值、温度的平均值。
在提取特征值之后，进行特征值筛选。
筛选后筛选出的特征值为：ECG信号的能量值、熵值、ECG波形的功率值、RR间隔、S-T波段长度、S-T波段信号斜率、ECG信号功率谱的能量子段、对ECG信号进行小波分类时的小波基、收缩压值、舒张压值、平均动脉压、血氧浓度值、氧合血红蛋白含量值、平均脉率、脉搏波形的主波幅度、降中峡幅度、重搏波幅度、主波出现的时刻t1、降中峡出现的时刻t2、重搏波出现的时刻t3、降中峡幅度/主波波幅、重搏波幅度/主波幅度、脉搏周期T、对光电容积进行特征提取，包括提取光电容积波的一阶导数、光电容积波的二阶导数、脉搏波传播速度、踝臂指数、动脉顺应性、心音信号的幅值、幅值变异性、归一化平均香农能量值，心音信号出现某一事件的频率、心率变异性、温度的平均值。
进行特征值筛选后，使用统计学方法，利用方差变异性对筛选出的特征值进行排序，方差变异性分析用于两个及两个以上样本均数差别的显著性检验。计算同一生理特性下，不同特征值之间的F-分布，高的F值表明特征的排序靠前，低的特征值表明排序靠后。
对排序后的特征值，利用分类器进行分类，排序靠前的特征值先进入分类器。
对数据进行分类的分类器有多种，不同的分类器有不同的优缺点。根据提取的生理信号的特点以及其与心脑血管疾病发病的相关性以及数据的可靠性，我们采取KNN分类器和决策树id3分类器两种来对筛选出的特征值进行分类。
KNN分类器使用K最邻近邻域对数据进行分类，根据数据的远近确定数据贡献的大小，K取值在5-10之间；对特征值进行分类后，得到与心脑血管疾病密切相关的参数集合X、与心脑血管疾病次相关的参数集合Y、与心脑血管疾病关系相关，但是联系不密切的参数结合Z；建立心脑血管疾病发病概率模型，其中a，b，c为经验系数；利用神经网络训练对心脑血管疾病发病概率模型进行训练，对模型进行修正，得到准确心脑血管疾病发病概率模型。
id3分类器对筛选的特征值进行分类的过程为：
提取熵值：
其中，为类别i在样本D中出现的概；
如果将特征值的属性分为几个分区，则分区的熵为：
，
其中j为小区的类别，V为小区的个数；
计算信息增益：
；
找到信息增益最大的属性作为分裂节点，根据该节点划分样本，直到满足规定的结束条件；
通过决策树id3分类器，得到与心脑血管疾病密切相关的参数集合X、与心脑血管疾病次相关的参数集合Y、与心脑血管疾病关系相关，但是联系不密切的参数结合Z；建立心脑血管疾病发病概率模型，其中a，b，c为经验系数；利用神经网络训练对心脑血管疾病发病概率模型进行训练，对模型进行修正，得到准确心脑血管疾病发病概率模型。
通过模型的不断修正，最终我们得到的能够可靠预测心脑血管疾病发病的模型为：
。
在得到该模型后，处理器就可以根据该模型，根据测量得到的生理信号进行发病预测和检测。
进一步地，我们对KNN分类和id3分类器分类后的数据进行了综合比较，目的是为了找出与心脑血管疾病发病最密切相关的生理特征值。通过综合比较发现，在我们采用的检测过程下，收缩压值、舒张压值、RR间隔、S-T波段斜率、脉搏波传播速度、心音信号的幅值变异性、踝臂指数与心脑血管疾病的发生密切相关。
心脑血管疾病检测装置可以包括输出装置，可以将这些与心脑血管疾病发生密切相关的测量量的数值或者变化趋势提供给受试者，并且给出相应的建议或者报警。受试者在得到参数后，可以有效采取一些预防措施，避免发生心脑血管疾病。比如收缩压值、舒张压值较高或者较低的受试者可以服食一些血压相关的药物或者食品；RR间隔、S-T波段斜率、心音信号的幅值变异性异常的受试者可以改变锻炼方式，比如可以适当的锻炼，但是剧烈运动者可以降低运动幅度等；脉搏波传播速度异常的受试者，可以合理的饮食，降低血脂含量，采用低胆固醇、低盐、低糖饮食，不吸烟和大量饮酒，并做适当运动，定期做动脉硬化检查等。
心脑血管疾病检测装置还可以包括发送装置以及报警装置，在利用预测模型预测到高的心脑血管疾病发病概率或者已经发生心脑血管疾病的情况下，可以将这种危险情况发送给受试者的亲属、周边可以进行救治的医院、医护人员等；通过在发生危急情况时，报警装置可以进行报警，呼叫周围可以提供帮助的人。
本发明的装置的选取了多种不同的生理特征量进行监测，可以综合分析心脑血管状况，为心脑血管疾病的发病预防、复发预防提供保障；而且特征值的选择对于准确预测心脑血管疾病具有重要意义；本发明通过对同一生理量的不同特征值进行了排序，使排序靠前的先进入分类器，无论采用的KNN分类器还是id3分类器，均是根据特征值的性质进行分类，排序后使贡献度大的特征值先进入分类器，使分类结果更准确；本发明利用的分类方法，将生理特征值根据心脑血管疾病的发生贡献度划分为不同的数据组，然后结合数据组建立心脑血管疾病的预测模型，并通过神经网络训练对模型进行修正，使模型可以可靠预测心脑血管疾病的发生概率；通过结合两种分类器的结果，筛选与心脑血管疾病发生最密切相关特征值，并且输出给受试者，提醒受试者在生活中关注这些值的变化，并且采取一些预防措施，避免发生心脑血管疾病；受试者在了解到这些值后，可以做出生活、工作、运动方式的调整，有效减小、避免了心脑血管疾病的发生、复发以及术中监测等。
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本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 (9)
1.一种心脑血管疾病检测装置，其特征在于，该装置包括：
ECG传感器，用于感测ECG信号；
血压传感器，用于感测血压信号；
血氧传感器，用于感测血氧信号；
脉搏传感器，用于感测脉搏信号；
心音传感器，用于感测心音信号；
体温传感器，用于感测体温信号；
第一及第二光电容积传感器，用于感测光电容积波，以得到脉搏波传播速度；
处理器，对ECG、血压、血氧、脉搏、心音、体温、光电容积信号进行处理，提取特征值，对特征值信号进行分类，根据分类结果，结合心脑血管疾病预测模型，确定心脑血管健康状况。
2.根据权利要求1所述的装置，其特征在于，所述的提取特征值，包括提取ECG信号的特征值，包括：ECG信号的能量值、熵值、ECG波形的功率值、RR间隔、S-T波段长度、S-T波段信号斜率、ECG信号功率谱的能量子段、对ECG信号进行小波分类时的小波基。
3.根据权利要求2所述的装置，其特征在于，所述的提取特征值，进一步包括提取血压传感器测量到的血压信号的特征值，包括收缩压值、舒张压值、平均动脉压；还提取血氧传感器测量得到的血氧浓度值、氧合血红蛋白含量值、脱氧血红蛋白含量值；提取脉搏传感器得到的脉搏信号，包括提取平均脉率、脉搏波形的主波幅度、降中峡幅度、重搏波幅度、主波出现的时刻t1、降中峡出现的时刻t2、重搏波出现的时刻t3、降中峡幅度/主波波幅、重搏波幅度/主波幅度、脉搏周期T；对光电容积进行特征提取，包括提取光电容积波的一阶导数、光电容积波的二阶导数、脉搏波传播速度、踝臂指数、动脉顺应性；对心音信号进行体征提取，包括提取心音信号的幅值、幅值变异性、归一化平均香农能量值，心音信号出现某一事件的频率、心率变异性；对体温信号进行特征提取，包括提取体温信号的幅值、温度的平均值。
4.根据权利要求3所述的装置，其特征在于，在提取特征值之后，进行特征值筛选。
5.根据权利要求4所述的装置，其特征在于，所述的特征值筛选后筛选出的特征值为：ECG信号的能量值、熵值、ECG波形的功率值、RR间隔、S-T波段长度、S-T波段信号斜率、ECG信号功率谱的能量子段、对ECG信号进行小波分类时的小波基、收缩压值、舒张压值、平均动脉压、血氧浓度值、氧合血红蛋白含量值、平均脉率、脉搏波形的主波幅度、降中峡幅度、重搏波幅度、主波出现的时刻t1、降中峡出现的时刻t2、重搏波出现的时刻t3、降中峡幅度/主波波幅、重搏波幅度/主波幅度、脉搏周期T、对光电容积进行特征提取，包括提取光电容积波的一阶导数、光电容积波的二阶导数、脉搏波传播速度、踝臂指数、动脉顺应性、心音信号的幅值、幅值变异性、归一化平均香农能量值，心音信号出现某一事件的频率、心率变异性、温度的平均值。
6.根据权利要求5所述的装置，其特征在于，进行特征值筛选后，使用统计学方法，利用方差变异性对筛选出的特征值进行排序，计算同一生理特性下，不同特征值之间的F-分布，高的F值表明特征的排序靠前，低的特征值表明排序靠后。
7.根据权利要求6所述的装置，其特征在于，对排序后的特征值，利用分类器进行分类，排序靠前的特征值先进入分类器，所述的分类器为KNN分类器，KNN分类器使用K最邻近邻域对数据进行分类，根据数据的远近确定数据贡献的大小，K取值在5-10之间；对特征值进行分类后，得到与心脑血管疾病密切相关的参数集合X、与心脑血管疾病次相关的参数集合Y、与心脑血管疾病关系相关，但是联系不密切的参数结合Z；建立心脑血管疾病发病概率模型，其中a，b，c为经验系数；利用神经网络训练对心脑血管疾病发病概率模型进行训练，对模型进行修正，得到准确心脑血管疾病发病概率模型为：
。
8.根据权利要求7所述的装置，其特征在于，对排序后的特征值，利用分类器进行分类，排序靠前的特征值先进入分类器，所述的分类器还可以为不使用KNN分类器，而是使用决策树id3分类器，id3分类器对筛选的特征值进行分类的过程为：
提取熵值：
其中，为类别i在样本D中出现的概；
如果将特征值的属性分为几个分区，则分区的熵为：
，
其中j为小区的类别，V为小区的个数；
计算信息增益：
；
找到信息增益最大的属性作为分裂节点，根据该节点划分样本，直到满足规定的结束条件；
通过决策树id3分类器，得到与心脑血管疾病密切相关的参数集合X、与心脑血管疾病次相关的参数集合Y、与心脑血管疾病关系相关，但是联系不密切的参数结合Z；建立心脑血管疾病发病概率模型，其中a，b，c为经验系数；利用神经网络训练对心脑血管疾病发病概率模型进行训练，对模型进行修正，得到准确心脑血管疾病发病概率模型为：
。
9.根据权利要求8所述的装置，其特征在于，对KNN分类和id3分类器分类后的数据进行综合比较，找出与心脑血管疾病发病最密切相关的生理特征值，并且输出给受试者，提醒受试者在生活中关注这些值的变化，并且采取一些预防措施，避免发生心脑血管疾病；通过综合比较发现，收缩压值、舒张压值、RR间隔、S-T波段斜率、脉搏波传播速度、心音信号的幅值变异性、踝臂指数与心脑血管疾病的发生密切相关。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810655810.9A CN108968933B (zh) | 2018-06-23 | 2018-06-23 | 心脑血管疾病检测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810655810.9A CN108968933B (zh) | 2018-06-23 | 2018-06-23 | 心脑血管疾病检测装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108968933A true CN108968933A (zh) | 2018-12-11 |
| CN108968933B CN108968933B (zh) | 2021-04-20 |
Family
ID=64538382
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810655810.9A Active CN108968933B (zh) | 2018-06-23 | 2018-06-23 | 心脑血管疾病检测装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108968933B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109840932A (zh) * | 2019-01-23 | 2019-06-04 | 平安科技（深圳）有限公司 | 心脑血管疾病展示方法、装置、设备及存储介质 |
| CN109875530A (zh) * | 2019-02-26 | 2019-06-14 | 许昌学院 | 一种数字医学健康参数监测装置 |
| CN109938695A (zh) * | 2019-03-08 | 2019-06-28 | 度特斯(大连)实业有限公司 | 一种基于异质度指标的人体疾病风险预测方法及设备 |
| CN110368019A (zh) * | 2019-07-03 | 2019-10-25 | 北京必安必恒科技发展有限公司 | 一种心音信号特征提取、检测模型构建及检测装置 |
| CN110464345A (zh) * | 2019-08-22 | 2019-11-19 | 北京航空航天大学 | 一种独立头部生物电源信号干扰剔除方法及系统 |
| CN110537910A (zh) * | 2019-09-18 | 2019-12-06 | 山东大学 | 基于心电和心音信号联合分析的冠心病无创筛查系统 |
| CN112201345A (zh) * | 2020-10-10 | 2021-01-08 | 上海奇博自动化科技有限公司 | 一种基于运动传感器分析牛只疾病的方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101926642A (zh) * | 2010-08-31 | 2010-12-29 | 山东大学 | 基于生理信号间期序列的心脏功能无创检测装置 |
| US20110257545A1 (en) * | 2010-04-20 | 2011-10-20 | Suri Jasjit S | Imaging based symptomatic classification and cardiovascular stroke risk score estimation |
| CN202681920U (zh) * | 2012-06-12 | 2013-01-23 | 东华大学 | 一种基于压缩感知的穿戴式体征监护器 |
| CN104382569A (zh) * | 2014-12-08 | 2015-03-04 | 天津工业大学 | 光纤传感智能服装及其心音、血压参数的处理方法 |
-
2018
- 2018-06-23 CN CN201810655810.9A patent/CN108968933B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110257545A1 (en) * | 2010-04-20 | 2011-10-20 | Suri Jasjit S | Imaging based symptomatic classification and cardiovascular stroke risk score estimation |
| CN101926642A (zh) * | 2010-08-31 | 2010-12-29 | 山东大学 | 基于生理信号间期序列的心脏功能无创检测装置 |
| CN202681920U (zh) * | 2012-06-12 | 2013-01-23 | 东华大学 | 一种基于压缩感知的穿戴式体征监护器 |
| CN104382569A (zh) * | 2014-12-08 | 2015-03-04 | 天津工业大学 | 光纤传感智能服装及其心音、血压参数的处理方法 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109840932A (zh) * | 2019-01-23 | 2019-06-04 | 平安科技（深圳）有限公司 | 心脑血管疾病展示方法、装置、设备及存储介质 |
| CN109875530A (zh) * | 2019-02-26 | 2019-06-14 | 许昌学院 | 一种数字医学健康参数监测装置 |
| CN109875530B (zh) * | 2019-02-26 | 2021-09-28 | 广东创晟控股集团有限公司 | 一种数字医学健康参数监测装置 |
| CN109938695A (zh) * | 2019-03-08 | 2019-06-28 | 度特斯(大连)实业有限公司 | 一种基于异质度指标的人体疾病风险预测方法及设备 |
| CN110368019A (zh) * | 2019-07-03 | 2019-10-25 | 北京必安必恒科技发展有限公司 | 一种心音信号特征提取、检测模型构建及检测装置 |
| CN110464345A (zh) * | 2019-08-22 | 2019-11-19 | 北京航空航天大学 | 一种独立头部生物电源信号干扰剔除方法及系统 |
| CN110537910A (zh) * | 2019-09-18 | 2019-12-06 | 山东大学 | 基于心电和心音信号联合分析的冠心病无创筛查系统 |
| CN110537910B (zh) * | 2019-09-18 | 2021-05-04 | 济南汇医融工科技有限公司 | 基于心电和心音信号联合分析的冠心病无创筛查系统 |
| CN112201345A (zh) * | 2020-10-10 | 2021-01-08 | 上海奇博自动化科技有限公司 | 一种基于运动传感器分析牛只疾病的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108968933B (zh) | 2021-04-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108968933A (zh) | 心脑血管疾病检测装置 | |
| US10750960B2 (en) | Passive arrythmias detection based on photoplethysmogram (PPG) inter-beat intervals and morphology | |
| JP6567728B2 (ja) | 患者の生存性を予測する方法 | |
| Ansari et al. | A review of automated methods for detection of myocardial ischemia and infarction using electrocardiogram and electronic health records | |
| JP6835395B2 (ja) | 生体情報分析装置、生体情報分析システム、プログラム、及び、生体情報分析方法 | |
| Park et al. | Arrhythmia detection from heartbeat using k-nearest neighbor classifier | |
| Almazaydeh et al. | Detection of obstructive sleep apnea through ECG signal features | |
| US11311201B2 (en) | Feature selection for cardiac arrhythmia classification and screening | |
| CN108577830B (zh) | 一种面向用户的体征信息动态监护方法和动态监护系统 | |
| WO2019161608A1 (zh) | 多参数监护数据分析方法和多参数监护系统 | |
| WO2019161609A1 (zh) | 多参数监护数据分析方法和多参数监护仪 | |
| CN108309261A (zh) | 一种猝死预警方法及装置和系统 | |
| Pedrosa et al. | Automatic heart sound segmentation and murmur detection in pediatric phonocardiograms | |
| da Silva Pinho et al. | Sleep apnea detection using a feed-forward neural network on ECG signal | |
| KR20190113552A (ko) | Ppg ibi 및 모폴로지를 기반으로 하는 수동 부정맥 감지 장치 및 방법 | |
| Khan et al. | Prediction of acute coronary syndrome using pulse plethysmograph | |
| Qin et al. | Advances in cuffless continuous blood pressure monitoring technology based on PPG signals | |
| Rajput et al. | Automated detection of hypertension using wavelet transform and nonlinear techniques with ballistocardiogram signals | |
| Ma et al. | Entropy-facilitated machine learning for blood pressure estimation using electrocardiogram and photoplethysmogram in a wearable device | |
| Simjanoska et al. | ECG-derived Blood Pressure Classification using Complexity Analysis-based Machine Learning. | |
| Saran et al. | Unsupervised identification of cardiac contraction through ballistocardiography | |
| Hossen et al. | Identification of obstructive sleep apnea using artificial neural networks and wavelet packet decomposition of the HRV signal | |
| Ali et al. | Different neural networks approaches for identification of obstructive sleep apnea | |
| EP4327743A1 (en) | Sleeping state estimation system | |
| Aboofazeli et al. | Analysis and classification of swallowing sounds using reconstructed phase space features |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210406 Address after: Le Qun Lu Guilin 541001 the Guangxi Zhuang Autonomous Region No. 15 Applicant after: AFFILIATED HOSPITAL OF GUILIN MEDICAL University Address before: 541001 Affiliated Hospital of Guilin Medical College, No.15 Lequn Road, Guilin City, Guangxi Zhuang Autonomous Region Applicant before: Su Qiang |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |