CN109497991B - 基于机器学习的心衰检测装置 - Google Patents

Abstract

一种基于机器学习的心衰检测装置，包含心电采集装置、心音采集装置、脉搏波采集装置、模拟‑数字转换装置、输入终端、心电异常检测模块、心音异常检测模块、心脏收缩功能检测模块、信号预处理模块、心衰病程检测模块、网络通信模块和主机。通过获取心电、心音和脉搏波信号及获取到心电异常类型、心音异常类型及评价心脏收缩功能的指标，并结合受试者的一般信息、生活习惯、临床症状和体征，通过机器学习建立上述特征信息与心衰病程的模型函数；通过获取上述特征信息和模型函数，得到心衰病程的评价结果。本发明对受测者心衰病程进行定量、无创和准确的评估，可以无创早期评估受试者的心衰病程，用户体验好、低成本，易操作，便于早期发现病情。

Description

基于机器学习的心衰检测装置

技术领域

本发明涉及一种用于测定受测者心衰的检测装置，特别是利用无创无损的检测手段来评价受测者所处的心衰病程，属于心血管健康评估测量技术领域。

背景技术

心力衰竭(心衰)的危害非常大，可以引起低钠血症、低钾血症等，心力衰竭患者不仅要忍受呼吸困难、下肢水肿、精疲力竭等临床症状带来的极大痛苦，而且因反复住院，给病人及家属带来诸多不便和沉重的经济负担，心衰已经成为危害人们身体健康的一种常见的心血管疾病。传统的心衰检测方法有超声心动图、放射性核素造影、X线检测和B型钠尿肽试验等，但是上述方法均不具备简便和无创检测心衰病程的特点。

心衰可并发各种心律失常，房性或室性心律失常都很常见，其中房颤、室性心动过速反之和室颤临床意义最为重要，心律失常又可诱发心衰。因此可以从心电信号和心音信号中去提取反映心脏心律类型的重要信息；心衰是各种心脏疾病导致心功能不全的一种综合征，绝大多数是指心肌收缩能力下降使心排血量不能满足机体代谢的需要，器官和组织灌注不足，同时表现出肺循环和体循环淤血的表现，因此可从心电信号、心音信号和脉搏波信号提取反映心脏收缩及泵血功能的生理信号指标，如心输出量、射血指数等评价指标；任何心血管疾病都不是突然发生的，是长期积累形成的，在疾病形成的过程中一般会表现出临床表现。心衰的早期可表现出疲劳乏力、运动耐力下降、心率增加、呼吸困难、端坐呼吸、烦躁不安、心尖部可闻及奔马律等临床症状。有些心衰患者会出现下肢浮肿、干湿性啰音等体征。

综上所述，可以早期从受测者的心电信号、心音信号、脉搏波信号挖掘出有用的心衰信息，联合其一般信息、生活习惯、症状和体征等结构化的数据中去全面分析受测者的心衰病程，以便早期发现早期治疗。

发明内容

本发明针对现有临床早期筛查心衰技术的不足，提供了一种可以实现无创早期评估受试者的心衰病程，低成本，易操作，便于早期发现病情的基于机器学习的心衰检测装置。

为实现上述目的，本发明的基于机器学习的心衰检测装置采用以下技术方案：

该心衰检测装置，包括生理信号采集装置、模数转换装置、主机、输入终端和网络通信块；

生理信号采集装置，包括心电采集装置、心音采集装置和脉搏波采集装置，用于采集受试者的原始心电信号、原始心音信号和原始脉搏波信号；

模数转换装置，与生理信号采集装置连接，用于将所述原始心电信号、原始心音信号和原始脉搏波信号进行模数转换，得到心电信号、心音信号和脉搏波信号；

主机，与模数转换装置连接，接收来自模数转换装置得到的所述心电信号、心音信号和脉搏波信号；

输入终端，用于输入受试者的个人一般信息、临床症状、生活习惯和体征信息；

网络通信模块，与所述输入终端模块连接，接收所述输入终端模块输入的个人一般信息、临床症状、生活习惯和体征信息，通过网络通信协议传输至主机。

所述主机包括：

信号预处理模块，对所述心电信号、心音信号以及脉搏波信号进行预处理，得到预处理后的心电信号、预处理后的心音信号以及预处理后的脉搏波信号；

心电异常检测模块，根据所述预处理后的心电信号计算心电信号异常类型结果；

心音异常检测模块，根据所述预处理后的心音信号计算心音信号异常类型结果；

心脏收缩功能检测模块，根据预处理后的心电信号、预处理后的心音信号以及预处理后的脉搏波信号得到心脏收缩功能检测指标；

心衰病程检测模块，将所述心电信号异常类型结果、所述心音信号异常类型结果、所述心脏收缩功能检测指标、受试者的个人一般信息、临床症状、生活习惯和体征信息输入到预先建立的机器学习模型函数中，得到对应的心衰病程评价结果。

所述信号预处理模块对所述心电信号、心音信号以及脉搏波信号进行预处理的过程，包括：

对原始心电信号、心音信号及脉搏波信号进行信号低通滤波和工频带阻滤波处理；

对滤波后的心电信号、心音信号及脉搏波信号进行归一化处理。

所述心电异常检测模块根据所述预处理后的心电信号计算心电信号异常类型结果，包括：

预先获取批量不同的心衰病程受试者的心电信号和其对应的人工标记心电信号异常类型；

通过心电信号和信号预处理模块获取预处理后的心电信号；

将预处理后的心电信号作为输入，人工标记的心电信号异常类型作为输出，采用深度学习模型进行训练，得到心电信号与心电信号异常类型的深度学习模型函数。

所述心音异常检测模块中计算心音信号异常类型结果的过程，包括：

预先获取批量不同的心衰病程受试者的心音信号和其对应的人工标记心音信号异常类型；

通过心音信号和信号预处理模块获取预处理后的心音信号；

将预处理后的心音信号作为输入，人工标记的心音信号异常类型作为输出，采用深度学习模型进行训练，得到心音信号与心音信号异常类型的深度学习模型函数。

所述深度学习模型采用卷积神经网络模型。所述卷积神经网络模型的建立过程具体如下：

预处理后的信号作为深度学习模型的输入，人工标记的信号异常类型作为输出；

以多层卷积神经网络作为模型，对每一层卷积层采用卷积、池化和非线性激活函数等技术处理，进行模型搭建，模型最后一层为多分类任务的SoftMax层，输出信号异常类型；

将处理后的信号和人工标记的信号异常类型导入到深度学习模型，经过多次参数调优步骤进行模型训练，最终得到接近甚至超过专家医生水平的模型的训练参数，最后将该训练参数保存到主机中。

所述心脏收缩功能检测模块中得到的心脏收缩功能检测指标，包括：每搏输出量SV，心输出量CO，心指数CI，射血指数PEPLVET。

所述心脏收缩功能检测模块中得到心脏收缩功能检测指标的具体过程，包括：

通过信号预处理模块对同步采集得到的心电信号、心音信号和脉搏波信号进行预处理得到预处理后的心电信号、心音信号和脉搏波信号；

对预处理后的心电信号进行R波特征，Q波特征提取，并通过前后相邻R波位置做差得到RR间期序列；

在每一个RR间期序列内定位寻找预处理后的心音信号的S1特征点和S2特征点；

根据心电信号的R波位置和心音信号的S1和S2特征点寻找预处理后的脉搏波信号的起始点和切迹征点位置，根据上述的预处理后的心电信号、心音信号和脉搏波信号的特征点位置得到每搏输出量SV、心输出量CO、心指数CI和射血指数PEPLVET。

所述心衰病程检测模块中预先建立的机器学习模型函数的建立过程具体如下：

预先获取不同心衰病程的结果，以及采集心电信号、心音信号、脉搏波信号、个人一般信息、临床症状、生活习惯和体征信息；

通过心电信号、信号预处理模块和心电异常检测模块获取心电信号异常类型；

通过心音信号、信号预处理模块和心音异常检测模块获取心音信号异常类型；

通过心电信号、心音信号和脉搏波信号、信号预处理模块、心脏收缩功能检测模块获取心脏收缩功能指标；

将心电信号异常类型、心音信号异常类型、心脏收缩功能指标、个人一般信息、临床症状、生活习惯和体征信息作为结构化输入特征，心衰病程结果作为标签输出，进行机器学习，得到上述输入特征信息与心衰病程相对应的模型函数。

所述受试者的个人一般信息包括年龄、性别、身高、体重、职业类型中的一种或者任意几种的组合；临床症状包括是否心绞痛、是否胸闷、是否憋气、是否心慌气短、是否夜间呼吸困难、是否头晕、是否晕厥、是否休克、是否眩晕、是否头昏、是否乏力中的一种或者任意几种的组合；生活习惯包括是否吸烟、是否饮酒、吸烟量、饮酒量、吸烟年数、饮酒年数、是否高盐饮食、是否高脂饮食、是否规律运动中的一种或者几种的任意组合；体征信息包括是否下肢水肿、肺部是否闻及干湿性啰音、颈静脉是否充盈怒张中的一种或者任意几种的组合。

本发明的基于机器学习的心衰检测装置，还包括：

显示装置，与主机相连，用于显示受试者的个人一般信息、临床症状、生活习惯和体征信息，以及心衰病程评估结果；

打印装置，与主机相连，用于打印受试者的心衰病程评估结果报告。

本发明通过收集受测者的心电信号、心音信号和脉搏波信号获取心电信号异常类型、心音信号异常类型、心脏收缩功能的指标并联合其个人一般信息、生活习惯、症状和体征等结构化特征值，并收集受测者的心脏超声结果作为心衰病程的样本标签，通过大样本的机器学习方法，找到心衰病程与上述所有结构化特征的机器学习训练参数，通过该参数去预测评价受测者所处的心衰病程。

本发明基于机器学习的心衰检测装置，相比现有的技术，可以无创早期评估受试者的心衰病程，用户体验好、低成本，易操作，便于早期发现病情，早期治疗的目的。

附图说明

图1是实现本发明的检测装置的结构原理示意图；

图2是实现心衰病程检测过程示意图。

图3是构造深度学习模型对信号异常类型进行预测的示意图。

图4是提取心电信号、心音信号和脉搏波信号各特征点位置的示意图。

图5是受试者心电信号类型为房室交界性早搏的示意图。

图6是受试者心音信号类型为奔马律心音的示意图。

具体实施方式

下面通过具体实施方式结合附图对本发明作进一步详细说明。在以下的实施方式中，很多细节描述是为了本申请能被更好的理解。然而，本技术领域人员可以很清楚的认识到，其中部分特征在不同情况下是可以省略的，或者可由其他元器件、材料或方法所替代。在有些情况下，本申请的一些操作并没有在说明书中显示，这是为了避免本申请的核心部分被过多的描述所淹没，对于本技术相关领域的技术人员可以根据说明书中的描述及本技术领域的一般技术知识即可完整了解相关操作。

另外，说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时，方法描述中各步骤可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此，说明书和附图中的各种顺序只是为了清除描述某一个实施例，并不意味着是必须的顺序，除非另有说明某些顺序是必须遵循的。

本发明中所说的“连接”，如无特别说明，均包括直接和间接连接。

本发明的基于机器学习的心衰检测装置通过获取心电、心音和脉搏波信号及获取到心电异常类型、心音异常类型及评价心脏收缩功能的指标，并结合受试者的一般信息、生活习惯、临床症状和体征，通过机器学习建立上述特征信息与心衰病程的模型函数；通过获取上述特征信息和模型函数，得到心衰病程的评价结果。请参照图1，包括：

生理信号采集装置，包括心电采集装置A01、心音采集装置A02和脉搏波采集装置A03，与模拟-数字转换装置A04相连，分别用于采集受试者的原始心电信号、原始心音信号和原始脉搏波信号；

模拟-数字转换装置A04，其与生理信号采集装置连接，用于将所述原始心电信号、原始心音信号和原始脉搏波信号进行模数转换，得到心电信号、心音信号和脉搏波信号；

主机A00，与模数转换装置A04连接，接收来自模数转换装置A04的所述心电信号、心音信号和脉搏波信号；

输入终端A05，与网络通信模块A08相连，用于输入受试者的个人一般信息、临床症状、生活习惯和体征信息；

打印装置A06,其与主机A00相连，用于打印受试者的心衰病程评价结果；

显示装置A07,其与主机A00相连，用于显示受测者信号采集显示及心衰检测评估结果；

网络通信模块A08，与所述输入终端模块A05连接，接收所述输入终端模块输入的个人一般信息、临床症状、生活习惯和体征信息，通过网络通信协议传输至主机A00；

所述主机A00:用于根据获取受试者的心电信号、心音信号、脉搏波信号、个人一般信息、生活习惯、临床症状和体征，获取对应的心衰病程评估结果，如图2所示。另一方面，主机A00根据心电信号、心音信号、脉搏波信号、个人一般信息、生活习惯、临床症状和体征，获取对应的心衰病程评估结果包括：根据心电信号和心电异常检测模块计算心电信号异常类型结果；根据心音信号和心音异常检测模块计算心音信号异常类型结果；根据心电信号、心音信号、脉搏波信号和心脏收缩功能检测模块计算心脏收缩功能评价指标；根据心电信号异常类型结果、心音信号异常类型结果、心脏收缩功能指标、个人一般信息、生活习惯、临床症状、体征和心衰检测模块计算受试者的心衰病程评价结果。此外，主机A00可以预先建立预处理后心电信号和心电信号异常结果对应关系的深度学习模型函数，将预处理后的心电信号输入深度学习模型函数，得到对应的心电信号异常类型结果。主机A00通过预先建立预处理后的心音信号和心音信号异常结果对应关系的深度学习模型函数，将预处理后的心音信号输入到深度学习模型函数，得到对应的心音信号异常类型结果。主机A00通过预处理后的心电信号、心音信号、脉搏波信号输入到心脏收缩功能检测模块得到心脏收缩功能检测指标。主机A00通过预先建立的心电异常类型结果、心音异常类型结果、心脏收缩功能指标、个人一般信息、生活习惯、临床症状、体征与心衰病程相对应的机器学习模型函数，将上述结构化特征信息输入到模型函数中，得到对应的心衰病程评价结果。

其中，主机A00中基于心电信号得到对应的心电异常类型结果，主要是通过预先建立的预处理后的心电信号与心电信号异常结果对应关系的深度学习模型函数得到；主机A00基于心音信号得到对应的心音异常类型结果，主要是通过预先建立的预处理后的心音信号与心音异常类型结果对应关系的深度学习模型函数得到。此过程如图3所示。本发明中上述两个深度学习模型采用卷积神经网络模型，示意图模型训练分4步完成：

第一步，从信号样本集中取一个样本(X_p，Y_p)，将X输入到卷积神经网络中。其中X_p代表样本p的预处理后的心电信号或者心音信号，Y_p代表该信号样本p对应的人工标记信号异常类型，其中p＝1，2，...，N，N为样本数；

第二步，计算相应的预测输出O_p，在此阶段，心电信号或者心音信号从输入层经过逐级变换，传输到输出层，在此过程中，卷积神经网络执行前向传播如式(1)计算：

O_p＝F_n(…(F₂(F₁(X_pW_j ¹)W_j ²)…)W_j ⁿ) (1)

其中n为卷积神经网络的层数；W_j ^t，i＝1，2，...，n，为第j次迭代训练第i层卷积神经网络的系数矩阵，该系数矩阵为模型的参数；F_k，k＝1，2，...，n，为第k层卷积神经网络传递函数，一般为卷积函数、池化函数非线性激活函数和SoftMax函数等；

第三步，计算预测输出O_p和实际输出Y_p的误差Err_p，如式(2)所示：

Err_p＝O_p-Y_p (2)

第四步，按极小化误差的方向反向传播调整W^(t)，i＝1，2，...，n，使得Err_p最小。

模型训练的过程就是循环反复执行上述4步的操作，当训练的误差Err_p不再减小或者达到指定的训练次数时，停止训练，最后一次反向传播调整后的

i＝1，2，...，n即为模型的参数，其中T为模型训练误差达到最小的迭代次数或为指定的训练次数。

模型训练过程中的正向传播过程亦是在网络训练完毕后预测心电或心音异常类型结果的过程，计算公式如式(3)所示：

其中，主机A00基于心电信号、心音信号、脉搏波信号和心脏收缩功能检测模块计算心脏收缩功能评价指标，主要是通过对预处理后的心电信号、心音信号和脉搏波信号进行特征提取，上述信号特征点位置如图4所示，具体处理过程如下：

第一步，通过预处理模块对心电信号、心音信号和脉搏波信号进行预处理；

第二步，根据小波方法提取心电信号的R波位置，根据R波位置，定位提取心电信号的Q波位置，根据相邻R波位置的差可以得到心率HR；

第三步，根据心电信号的R波位置定位提取同步采集得到的心音信号的S1和S2特征点位置；

第四步，根据心音信号的S1和S2特征点位置定位提取同步采集得到的脉搏波信号的起始点位置B和切迹特征点位置QJ，射血时间ET＝QJ-B，射血前时间PEP＝S2-Q-ET；

第五步，计算评价心脏收缩功能的指标每搏输出量SV，心输出量CO，心指数CI，射血指数PEPLVET，计算公式如式(4)、(5)、(6)和(7)所示：

SV＝k₁*ET+k₂*HR+k₃*Height+k₄*Weight+k₅*Age+k₆ (4)

CO＝SV*HR (5)

其中k_t，i＝1，2，...，6和g_jj＝1，2，3为经验系数。Height、Weight和Age为受试者的身高、体重和年龄。

其中，主机A00基于心电异常类型结果、心音异常类型结果、心脏收缩功能指标、个人一般信息、生活习惯、临床症状、体征和心衰病程检测模块得到对应的心衰病程评估结果，心衰病程检测模块主要包括通过预先建立的心电异常类型结果、心音异常类型结果、心脏收缩功能指标、个人一般信息、生活习惯、临床症状、体征与心衰病程的模型函数。具体实现过程如下：

获取结构化输入特征和其对应的心衰病程结果。结构化输入特征包括：

通过预处理后的心电信号和心电异常检测模块获取心电信号异常类型结果；

通过预处理后的心音信号和心音异常检测模块获取心音信号异常类型结果；

通过预处理后的心电信号、心音信号、脉搏波信号和心脏收缩功能检测模块获取SV、C0、CI和PEPLVET指标；

通过输入终端和网络传输模块获取传递过来个人一般信息、生活习惯、临床症状和体征；

然后建立结构化输入特征与心衰病程的机器学习模型，本发明采用BP神经网络机器学习方法，模型训练过程如下：

模型训练分4步完成：

第一步，从样本集中取一个样本(X_p，Y_p)，将X_p输入到BP神经网络中。其中X_p代表样本p结构化特征，Y_p代表该样本p对应的心衰病程结果，其中p＝1，2，...，N，N为样本数；

第二步，计算相应的预测输出O_p，在此阶段，结构化特征从输入层，经过中间层，传输到输出层，在此过程中，BP神经网络执行前向传播如下计算，如式(8)所示：

O_p＝g(f(W′_1j*X_p+b_1j)*W′_2j+b_2j) (8)

其中W′_1j，b_1j，W′_2j，b_2j为第j次迭代训练BP神经网络的系数向量和偏置向量，它们为模型的参数；

第三步，计算预测输出O_p和实际输出Y_p的误差Err_p，如式(9)所示：

Err_p＝O_p-Y_p (9)

第四步，按极小化误差的方向反向传播调整W′_1j，b_1j，W′_2j，b_2j，使得Err_p最小。

模型训练的过程就是反复执行上述4步的操作，当训练的误差Err_p不再减小或者达到指定的训练次数时，停止训练，最后一次反向传播调整后的W′_1j＝T，b_1j＝T，W′_2j＝T，b_2j＝T即为模型的参数，其中T为模型训练误差达到最小的迭代次数或为指定的训练次数。

模型训练过程中的正向传播过程亦是在BP神经网络训练完毕后预测心衰病程结果的过程，计算公式如式(10)所示：

O_p＝g(f(W′_T*X_p+b_T)*W_T′+b_T) (10)

其中f为中间层激励函数，g为输出层SoftMax函数。

在一实施例中，结构化输入特征中，个人一般信息包括：年龄、性别、身高、体重、职业类型等：牛活习惯包括：是否吸烟、是否饮酒、吸烟量、饮酒量、吸烟年数、饮酒年数、是否高盐饮食、是否高脂饮食、是否规律运动等；临床症状包括：是否心绞痛、是否胸闷、是否憋气、是否心慌气短、是否夜间呼吸困难、是否头晕、是否晕厥、是否休克、是否眩晕、是否头昏、是否乏力等；体征包括：是否下肢水肿、肺部是否闻及干湿性啰音、颈静脉是否充盈怒张等；心电异常类型包括：正常心电、房室交界性早搏、室性心动过速、室性心动过缓、心室扑动、心室颤动、室性早搏、房性早搏、房室传导阻滞等；心音异常类型包括：正常心音、奔马律心音、钟摆律心音等。

下面给出具体实例对本发明进一步说明。

比如，受试者的一般信息如表1所示：

表1受试者的一般个人信息

年龄(岁)	性别	身高(cm)	体重(kg)	职业
					75	男	168	89	设计师

受试者的生活习惯如表2所示：

表2受试者的生活习惯

受试者的临床症状如表3所示：

表3受试者的临床症状

受试者的体征如表4所示：

表4受试者的体征

心电信号类型：房室交界性早搏，如图5所示。通过心电异常检测模块将受试者的心电信号类型预测为房室交界性早搏。

心音信号类型：奔马律心音，如图6所示。通过心音异常检测模块将受试者的心音信号类型预测为奔马律心音类型。

心脏收缩功能指标，通过心脏收缩功能检测模块得到的心脏收缩功能指标如表5所示：

表5受试者的心脏收缩功能指标

最终通过上述得到的结构化输入特征输入到心衰检测模块得到该受试者的心衰评价结果为心衰高危(心衰评估结果分为：低危、中危和高危)。

用于进行心衰病程结果评估的结构化特征中的一种、多种，或者是其中几种的集合，也可以是除本实施例所罗列之外的现有分析方法中所得到的相应结构化特征。

本专利中所述的脉搏波信号，可以是颈动脉处获取的脉搏波、桡动脉处获取的脉搏波、手指光电容积脉搏波的任意一种。

以上应用了具体个例对本发明进行描述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换。

Claims (2)

1.一种基于机器学习的心衰检测装置，其特征在于，包括生理信号采集装置、模数转换装置、主机、输入终端和网络通信块；

生理信号采集装置，包括心电采集装置、心音采集装置和脉搏波采集装置，用于采集受试者的原始心电信号、原始心音信号和原始脉搏波信号；

模数转换装置，与生理信号采集装置连接，用于将所述原始心电信号、原始心音信号和原始脉搏波信号进行模数转换，得到心电信号、心音信号和脉搏波信号；

主机，与模数转换装置连接，接收来自模数转换装置得到的所述心电信号、心音信号和脉搏波信号；

输入终端，用于输入受试者的个人一般信息、临床症状、生活习惯和体征信息；

网络通信模块，与所述输入终端模块连接，接收所述输入终端模块输入的个人一般信息、临床症状、生活习惯和体征信息，通过网络通信协议传输至主机；

所述主机包括：

信号预处理模块，对所述心电信号、心音信号以及脉搏波信号进行预处理，得到预处理后的心电信号、预处理后的心音信号以及预处理后的脉搏波信号；

心电异常检测模块，根据所述预处理后的心电信号计算心电信号异常类型结果；

心音异常检测模块，根据所述预处理后的心音信号计算心音信号异常类型结果；

心脏收缩功能检测模块，根据预处理后的心电信号、预处理后的心音信号以及预处理后的脉搏波信号得到心脏收缩功能指标；

心衰病程检测模块，将所述心电信号异常类型结果、所述心音信号异常类型结果、所述心脏收缩功能指标、受试者的个人一般信息、临床症状、生活习惯和体征信息输入到预先建立的机器学习模型函数中，得到对应的心衰病程评价结果；

所述心脏收缩功能检测模块中得到的心脏收缩功能指标，包括：每搏输出量SV，心输出量CO，心指数CI，射血指数PEPLVET；

所述心脏收缩功能检测模块中得到心脏收缩功能指标的具体过程，如下所述：

(1)通过预处理模块对心电信号、心音信号和脉搏波信号进行预处理；

(2)根据小波方法提取心电信号的R波位置，根据R波位置，定位提取心电信号的Q波位置，根据相邻R波位置的差得到心率HR；

(3)根据心电信号的R波位置定位提取同步采集得到的心音信号的S1和S2特征点位置；

(4)根据心音信号的S1和S2特征点位置定位提取同步采集得到的脉搏波信号的起始点位置B和切迹特征点位置QJ，射血时间LVET＝QJ-B,射血前时间PEP＝(S2-Q)-LVET；

(5)计算评价心脏收缩功能的指标每搏输出量SV，心输出量CO，心指数CI，射血指数PEPLVET，计算公式如下：

SV＝k₁*LVET+k₂*HR+k₃*Height+k₄*Weight +k₅*Age+k₆，

CO＝SV*HR，

其中k_i，i＝1，2，...，6和g_j，j＝1，2，3为经验系数；Height、Weight和Age为受试者的身高、体重和年龄。

2.如权利要求1所述的基于机器学习的心衰检测装置，其特征在于，所述心衰病程检测模块中预先建立的机器学习模型函数的建立过程具体如下：

预先获取不同心衰病程的结果，以及采集心电信号、心音信号、脉搏波信号、个人一般信息、临床症状、生活习惯和体征信息；

通过心电信号、信号预处理模块和心电异常检测模块获取心电信号异常类型；

通过心音信号、信号预处理模块和心音异常检测模块获取心音信号异常类型；

通过心电信号、心音信号和脉搏波信号、信号预处理模块、心脏收缩功能检测模块获取心脏收缩功能指标；

将心电信号异常类型、心音信号异常类型、心脏收缩功能指标、个人一般信息、临床症状、生活习惯和体征信息作为结构化输入特征，心衰病程结果作为标签输出，进行机器学习，得到上述输入特征信息与心衰病程相对应的模型函数。

Images