CN109646044A - 一种心音信号质量评价方法及装置 - Google Patents

一种心音信号质量评价方法及装置 Download PDF

Info

Publication number
CN109646044A
CN109646044A CN201910122930.7A CN201910122930A CN109646044A CN 109646044 A CN109646044 A CN 109646044A CN 201910122930 A CN201910122930 A CN 201910122930A CN 109646044 A CN109646044 A CN 109646044A
Authority
CN
China
Prior art keywords
cardiechema signals
heart sound
module
quality
time series
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
Application number
CN201910122930.7A
Other languages
English (en)
Other versions
CN109646044B (zh
Inventor
王新沛
李远洋
焦宇
刘常春
李晗
张�焕
颜昌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Priority to CN201910122930.7A priority Critical patent/CN109646044B/zh
Publication of CN109646044A publication Critical patent/CN109646044A/zh
Application granted granted Critical
Publication of CN109646044B publication Critical patent/CN109646044B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B7/00Instruments for auscultation
    • A61B7/02Stethoscopes
    • A61B7/04Electric stethoscopes
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Acoustics & Sound (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Business, Economics & Management (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本发明公开了一种心音信号质量评价方法及装置,该装置基于一种心音信号质量评价方法,包括:依次连接的心音信号检测模块、A/D转换模块、预处理模块、分段模块、特征提取模块和质量评估模块;所述心音信号采集模块,用于接收心音样本数据和心音信号;所述A/D转换模块,用于接收心音信号进行模数转换;所述预处理模块,用于对转换后的信号进行重采样,构建心音信号时间序列;所述分段模块,用于将心音信号时间序列每个心动周期进行分段;所述特征提取模块,用于分别提取分段后心音信号时间序列的心音特征;所述质量评估模块,用于将心音特征输入信号质量评估模型,根据输出评价心音信号质量。

Description

一种心音信号质量评价方法及装置
技术领域
本公开属于生理信号分析的技术领域,涉及一种心音信号质量评价方法及装置。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
心音信号是人体最重要的生理信号之一,它能够有效地反映心血管的生理和病理状态。当心血管发生病变,例如心肌收缩力的改变、瓣膜狭窄或者关闭不全以及血管内血流速度的变化,都会影响心脏舒缩活动中的振幅或频率,从而使心音的强度和频率发生变化,产生异常的心音或病理性杂音。通过听诊这些变化,能够对患者进行心血管疾病诊断、治疗方案制定和预后效果估计。
由于临床环境的复杂性,采集心音信号的过程中不可避免的会引入人为或者环境因素所造成的干扰和噪声。对于这个问题,现有方法常采用滤波等去噪手段来减少干扰和噪声的影响。但是由于噪声干扰无论在时域、频域还是其他变换域,都可能与心音混叠在一起,因此去噪的方法对于某些噪声干扰的去除效果并不好。为了保证基于心音信号分析的结果准确性,必须对信号的质量进行评估和分类。
发明内容
针对现有技术中存在的不足,本公开的一个或多个实施例提供了一种心音信号质量评价方法及装置,用于对心音信号的质量进行评估和分类;本发明可对正常和疾病状况下的心音信号质量进行判断,有效保证了心音信号的可靠性。
根据本公开的一个或多个实施例的一个方面,提供一种心音信号质量评价方法。
一种心音信号质量评价方法,该方法包括:
接收心音样本数据,构建信号质量评估模型;
接收心音信号,进行模数转换与预处理,得到心音信号时间序列;
将心音信号时间序列每个心动周期进行分段;
分别提取分段后心音信号时间序列的心音特征;
将心音特征输入信号质量评估模型,根据输出评价心音信号质量。
进一步地,在该方法中,所述构建信号质量评估模型的具体步骤包括:
对心音样本数据中的心音信号进行预处理,得到心音信号时间序列;
将心音信号时间序列每个心动周期进行分段;
分别提取分段后心音信号时间序列的心音特征;
对心音特征进行特征选择,得到特征选择结果;
根据特征选择结果构建特征集,以机器学习方法为分类器训练并获得信号质量评估模型。
进一步地,在该方法中,对模数转换后的心音信号进行预处理包括对模数转换后的心音信号进行重采样,构建心音信号时间序列。
进一步地,在该方法中,每个心动周期的所述心音信号时间序列按照第一心音、收缩期、第二心音和舒张期进行分段。
进一步地,在该方法中,所述提取分段后心音信号时间序列的心音特征包括时域、频域、能量、高阶统计量和非线性心音特征。
进一步地,该方法还包括接收人机交互指令,根据人机交互指令辅助评价心音信号质量。
根据本公开的一个或多个实施例的一个方面,提供一种计算机可读存储介质。
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的一种心音信号质量评价方法。
根据本公开的一个或多个实施例的一个方面,提供一种终端设备。
一种终端设备,其包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的一种心音信号质量评价方法。
根据本公开的一个或多个实施例的一个方面,提供一种心音信号质量评价装置。
一种心音信号质量评价装置,基于所述的一种心音信号质量评价方法,包括:依次连接的心音信号检测模块、A/D转换模块、预处理模块、分段模块、特征提取模块和质量评估模块;
所述心音信号采集模块,用于接收心音样本数据和心音信号;
所述A/D转换模块,用于接收心音信号进行模数转换;
所述预处理模块,用于对转换后的信号进行重采样,构建心音信号时间序列;
所述分段模块,用于将心音信号时间序列每个心动周期进行分段;
所述特征提取模块,用于分别提取分段后心音信号时间序列的心音特征;
所述质量评估模块,用于将心音特征输入信号质量评估模型,根据输出评价心音信号质量。
进一步地,在该装置中还包括心音信号检测模块,用于检测心音信号,并将心音信号发送至与其连接的所述心音信号采集模块,所述心音信号检测模块包括依次相连的心音传感器和放大滤波模块。
进一步地,在该装置中还包括信号质量评估模型生成模块,用于接收与其连接的所述心音信号采集模块接收的心音样本数据,构建信号质量评估模型,并发送至与其连接的所述质量评估模块。
进一步地,在该装置中还包括人机交互模块,用于采集人机交互指令并发送至与其连接的所述质量评估模块,所述质量评估模块还用于接收人机交互指令,根据人机交互指令辅助评价心音信号质量。
本公开的有益效果:
本公开提供的心音信号质量评价方法及装置,从分段后的心音信号时间序列中提取时域、频域、能量、高阶统计量和非线性等心音特征,将多类型心音特征输入信号质量评估模型,根据信号质量评估模型的输出判断心音信号的质量。由于多类型心音特征可以从不同角度全面描述心音信号的特性,而信号质量评估模型可以根据多类型心音特征对心音信号质量进行判断,并对不同干扰和噪声进行分类,因此通过本发明提供的心音信号质量评价方法及装置能够准确评价检测到的正常和疾病状况下的心音信号的质量,有效提高心音信号的可用性。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1是根据一个或多个实施例的一种心音信号质量评价方法流程图;
图2是根据一个或多个实施例的一种心音信号质量评价装置结构示意图;
其中,1心音信号检测模块,2A/D转换模块,3预处理模块,4分段模块,5特征提取模块,6质量评估模块,7人机交互模块。
具体实施方式:
下面将结合本公开的一个或多个实施例中的附图,对本公开的一个或多个实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本公开的一个或多个实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本实施例使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要注意的是,附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意,在有些作为备选的实现中,方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,或者它们有时也可以按照相反的顺序执行,这取决于所涉及的功能。同样应当注意的是,流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合,可以使用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以使用专用硬件与计算机指令的组合来实现。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合,下面结合附图与实施例对本公开作进一步说明。
如图1所示,根据本公开的一个或多个实施例的一个方面,提供一种心音信号质量评价方法。
一种心音信号质量评价方法,该方法包括:
S101:接收心音样本数据,构建信号质量评估模型;
S102:接收心音信号,进行模数转换与预处理,得到心音信号时间序列;
S103:将心音信号时间序列每个心动周期进行分段;
S104:分别提取分段后心音信号时间序列的心音特征;
S105:将心音特征输入信号质量评估模型,根据输出评价心音信号质量。
在本实施例的步骤S101中,所述构建信号质量评估模型的具体步骤包括:
S1011:对心音样本数据中的心音信号进行预处理,得到心音信号时间序列;
S1012:将心音信号时间序列每个心动周期进行分段;
在本实施例中,对大样本心音数据进行分段,每个心动周期的心音信号均被分为第一心音、收缩期、第二心音和舒张期四段;
S1013:分别提取分段后心音信号时间序列的心音特征;在本实施例中,从分段后的心音信号时间序列中提取时域、频域、能量、高阶统计量和非线性等心音特征;
S1014:对心音特征进行特征选择,得到特征选择结果;
S1015:根据特征选择结果构建特征集,以机器学习方法为分类器训练并获得信号质量评估模型。
在本实施例的步骤S102中,对模数转换后的心音信号进行预处理包括对模数转换后的心音信号进行重采样,构建心音信号时间序列。
在本实施例的步骤S103中,每个心动周期的所述心音信号时间序列按照第一心音、收缩期、第二心音和舒张期进行分段。
在本实施例的步骤S104中,所述提取分段后心音信号时间序列的心音特征包括时域、频域、能量、高阶统计量和非线性心音特征。
进一步地,步骤S104中提取时域、频域、能量、高阶统计量和非线性等心音特征的具体步骤包括:
S1041:对心动周期、第一心音、第二心音、收缩期和舒张期时间序列分别计算时间特征,包括心动周期、第一心音持续时间、第二心音持续时间、收缩期、舒张期、第一心音持续时间/心动周期、第二心音持续时间/心动周期、收缩期/心动周期、舒张期/心动周期、第一心音持续时间/第二心音持续时间和收缩期/舒张期的均值与方差等;
S1042:对心动周期、第一心音、第二心音、收缩期和舒张期时间序列分别计算幅值特征,包括第一心音幅值/心动周期幅值、第二心音幅值/心动周期幅值、第一心音幅值/收缩期幅值、第二心音幅值/舒张期幅值、第一心音幅值/第二心音幅值和收缩期幅值/舒张期幅值的均值与方差等;
S1043:对心动周期、第一心音、第二心音、收缩期和舒张期时间序列分别计算频域特征,包括心动周期高频频谱值/心动周期总频谱值、心动周期低频频谱值/心动周期总频谱值、心动周期高频频谱值/心动周期低频频谱值、第一心音高频频谱值/第一心音总频谱值、第一心音低频频谱值/第一心音总频谱值、第一心音高频频谱值/第一心音低频频谱值、第二心音高频频谱值/第二心音总频谱值、第二心音低频频谱值/第二心音总频谱值、第二心音高频频谱值/第二心音低频频谱值、收缩期高频频谱值/收缩期总频谱值、收缩期低频频谱值/收缩期总频谱值、收缩期高频频谱值/收缩期低频频谱值、舒张期高频频谱值/舒张期总频谱值、舒张期低频频谱值/舒张期总频谱值和舒张期高频频谱值/舒张期低频频谱值的均值与方差等;
S1044:对心动周期、第一心音、第二心音、收缩期和舒张期时间序列分别计算能量特征,包括心动周期能量、第一心音能量、第二心音能量、收缩期能量、舒张期能量、第一心音能量/心动周期能量、第二心音能量/心动周期能量、第一心音能量/收缩期能量、第二心音能量/舒张期能量、第一心音能量/第二心音能量和收缩期能量/舒张期能量的均值与方差等;
S1045:对心动周期、第一心音、第二心音、收缩期和舒张期时间序列分别计算高阶统计量特征,包括心动周期峰度、第一心音峰度、第二心音峰度、收缩期峰度、舒张期峰度、心动周期散度、第一心音散度、第二心音散度、收缩期散度和舒张期散度的均值与方差等;
S1046:对心动周期、第一心音、第二心音、收缩期和舒张期时间序列分别计算非线性特征,包括心动周期熵、第一心音熵、第二心音熵、收缩期熵和舒张期熵的均值与方差等。
需要注意的是,在本实施例中“/”为除法运算。
在本实施例步骤S1046中,计算得到心动周期熵、第一心音熵、第二心音熵、收缩期熵、舒张期熵的过程为:
S10461:分别获取心动周期、第一心音、第二心音、收缩期和舒张期时间序列;
S10462:从步骤S10461中的序列中依次取N-m+1个由m个连续点组成的m维行矢量Xm(i),并计算矢量Xm(i)的范数;其中,i=1,2,…,N-m+1;m表示大于等于1小于等于N的整数;N表示步骤S10461中的序列中元素的总数;
S10463:构建下列矢量范数矩阵,计算矢量范数矩阵的统计特征Pm
其中,di,j=|(||Xm(i)||-||Xm(j)||)/max(|||Xm(i+k)||-||Xm(j+k)|||)|为两个矢量Xm(i)与Xm(j)之间的归一化距离,k=0,1,…,m-1,i,j=1,2,…,N-m+1,i≠j;
S10464:将空间维数增加至m+1,重复步骤S10462至步骤S10463,计算统计特征Pm +1,则由分别求取心动周期熵、第一心音熵、第二心音熵、收缩期熵和舒张期熵。
进一步地,该方法还包括接收人机交互指令,根据人机交互指令辅助评价心音信号质量。
根据本公开的一个或多个实施例的一个方面,提供一种计算机可读存储介质。
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的一种心音信号质量评价方法。
根据本公开的一个或多个实施例的一个方面,提供一种终端设备。
一种终端设备,其包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的一种心音信号质量评价方法。
这些计算机可执行指令在设备中运行时使得该设备执行根据本公开中的各个实施例所描述的方法或过程。
在本实施例中,计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本公开的各个方面的计算机可读程序指令。计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
本文所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开内容操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开内容的各个方面。
根据本公开的一个或多个实施例的一个方面,提供一种心音信号质量评价装置。
一种心音信号质量评价装置,基于所述的一种心音信号质量评价方法,包括:依次连接的心音信号检测模块、A/D转换模块、预处理模块、分段模块、特征提取模块和质量评估模块;
所述心音信号采集模块,用于接收心音样本数据和心音信号;
所述A/D转换模块,用于接收心音信号进行模数转换;
所述预处理模块,用于对转换后的信号进行重采样,构建心音信号时间序列;
所述分段模块,用于将心音信号时间序列每个心动周期进行分段;
所述特征提取模块,用于分别提取分段后心音信号时间序列的心音特征;
所述质量评估模块,用于将心音特征输入信号质量评估模型,根据输出评价心音信号质量。
需要注意的是,本实施例中的所述的各个模块可以为软件模块,例如心音信号采集模块可以为终端设备处理器中执行接收心音样本数据和心音信号的软件模块。
进一步地,在该装置中还包括心音信号检测模块,用于检测心音信号,并将心音信号发送至与其连接的所述心音信号采集模块,所述心音信号检测模块包括依次相连的心音传感器和放大滤波模块。心音信号采集模块用于接收所述心音信号检测模块发送的检测到的心音信号。
进一步地,在该装置中还包括信号质量评估模型生成模块,用于接收与其连接的所述心音信号采集模块接收的心音样本数据,构建信号质量评估模型,并发送至与其连接的所述质量评估模块。
进一步地,在该装置中还包括人机交互模块,用于采集人机交互指令并发送至与其连接的所述质量评估模块,所述质量评估模块还用于接收人机交互指令,根据人机交互指令辅助评价心音信号质量。
如图2所示,本实施例的心音信号质量评价装置,包括:心音信号检测模块1,其与A/D转换模块2相连,所述A/D转换模块2与预处理模块3相连,所述预处理模块3与分段模块4相连,所述分段模块4与特征提取模块5相连,所述特征提取模块5与质量评估模块6相连。在本实施例的图2中,省略了心音信号采集模块和质量评估模型生成模块。
所述A/D转换模块2将心音信号检测模块1检测的心音信号进行模数转换,并将转换后的数字信号传送至预处理模块3。
所述预处理模块3对转换后的信号进行重采样,构建心音信号时间序列,并将心音信号时间序列传送至分段模块4。
所述分段模块4对心音信号时间序列进行分段,每个心动周期的心音信号均被分为第一心音、收缩期、第二心音和舒张期四段,并将分段后的心音信号时间序列传送至特征提取模块5。
所述特征提取模块5从分段后的心音信号时间序列中提取时域、频域、能量、高阶统计量和非线性等心音特征,并将上述心音特征传送至质量评估模块6。
所述质量评估模块6将多类型心音特征输入信号质量评估模型,根据信号质量评估模型的输出判断心音信号的质量。
进一步地,心音信号质量评价装置还包括人机交互模块7,其与质量评估模块6相连。
其中,人机交互模块7为打印机或显示装置。人机交互模块7还包括键盘和鼠标,人机交互模块7用于完成信息的输入输出。
进一步地,心音信号检测模块1包括心音传感器,其与放大滤波模块相连。
在本实施例中结合心音信号质量评价装置对其工作步骤进行说明,包括:
步骤(1):心音信号检测模块检测的心音信号传送至A/D转换模块;
步骤(2):A/D转换模块将心音信号检测模块检测的心音信号进行模数转换,并将转换后的数字信号传送至预处理模块;
步骤(3):预处理模块对转换后的信号进行重采样,构建心音信号时间序列,并将心音信号时间序列传送至分段模块;
步骤(4):分段模块对心音信号时间序列进行分段,每个心动周期的心音信号均被分为第一心音、收缩期、第二心音和舒张期四段,并将分段后的心音信号时间序列传送至特征提取模块;
步骤(5):特征提取模块从分段后的心音信号时间序列中提取时域、频域、能量、高阶统计量和非线性等心音特征,并将上述心音特征传送至质量评估模块;
步骤(6):质量评估模块按照信号质量评估模型中对输入特征的规定从多类型心音特征中选择满足要求的特征构成特征集,将构成的特征集输入信号质量评估模型获得相应的输出,根据信号质量评估模型的输出判断心音信号是否含有干扰和噪声。
应当注意,尽管在上文的详细描述中提及了设备的若干模块或子模块,但是这种划分仅仅是示例性而非强制性的。实际上,根据本公开的实施例,上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之,上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。
本公开的有益效果:
本公开提供的心音信号质量评价方法及装置,从分段后的心音信号时间序列中提取时域、频域、能量、高阶统计量和非线性等心音特征,将多类型心音特征输入信号质量评估模型,根据信号质量评估模型的输出判断心音信号的质量。由于多类型心音特征可以从不同角度全面描述心音信号的特性,而信号质量评估模型可以根据多类型心音特征对心音信号质量进行判断,并对不同干扰和噪声进行分类,因此通过本发明提供的心音信号质量评价方法及装置能够准确评价检测到的正常和疾病状况下的心音信号的质量,有效提高心音信号的可用性。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种心音信号质量评价方法,其特征在于,该方法包括:
接收心音样本数据,构建信号质量评估模型;
接收心音信号,进行模数转换与预处理,得到心音信号时间序列;
将心音信号时间序列每个心动周期进行分段;
分别提取分段后心音信号时间序列的心音特征;
将心音特征输入信号质量评估模型,根据输出评价心音信号质量。
2.如权利要求1所述的一种心音信号质量评价方法,其特征在于,在该方法中,所述构建信号质量评估模型的具体步骤包括:
对心音样本数据中的心音信号进行预处理,得到心音信号时间序列;
将心音信号时间序列每个心动周期进行分段;
分别提取分段后心音信号时间序列的心音特征;
对心音特征进行特征选择,得到特征选择结果;
根据特征选择结果构建特征集,以机器学习方法为分类器训练并获得信号质量评估模型。
3.如权利要求1所述的一种心音信号质量评价方法,其特征在于,在该方法中,对模数转换后的心音信号进行预处理包括对模数转换后的心音信号进行重采样,构建心音信号时间序列。
4.如权利要求1所述的一种心音信号质量评价方法,其特征在于,在该方法中,每个心动周期的所述心音信号时间序列按照第一心音、收缩期、第二心音和舒张期进行分段。
5.如权利要求1所述的一种心音信号质量评价方法,其特征在于,在该方法中,所述提取分段后心音信号时间序列的心音特征包括时域、频域、能量、高阶统计量和非线性心音特征。
6.如权利要求1所述的一种心音信号质量评价方法,其特征在于,该方法还包括接收人机交互指令,根据人机交互指令辅助评价心音信号质量。
7.一种计算机可读存储介质,其中存储有多条指令,其特征在于,所述指令适于由终端设备的处理器加载并执行如权利要求1-6任一项所述的一种心音信号质量评价方法。
8.一种终端设备,其包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,其特征在于,所述指令适于由处理器加载并执行如权利要求1-6任一项所述的一种心音信号质量评价方法。
9.一种心音信号质量评价装置,基于如权利要求1-6任一项所述的一种心音信号质量评价方法,包括:依次连接的心音信号检测模块、A/D转换模块、预处理模块、分段模块、特征提取模块和质量评估模块;
所述心音信号采集模块,用于接收心音样本数据和心音信号;
所述A/D转换模块,用于接收心音信号进行模数转换;
所述预处理模块,用于对转换后的信号进行重采样,构建心音信号时间序列;
所述分段模块,用于将心音信号时间序列每个心动周期进行分段;
所述特征提取模块,用于分别提取分段后心音信号时间序列的心音特征;
所述质量评估模块,用于将心音特征输入信号质量评估模型,根据输出评价心音信号质量。
10.如权利要求9所述的一种心音信号质量评价装置,其特征在于,在该装置中还包括心音信号检测模块,用于检测心音信号,并将心音信号发送至与其连接的所述心音信号采集模块,所述心音信号检测模块包括依次相连的心音传感器和放大滤波模块。
进一步地,在该装置中还包括信号质量评估模型生成模块,用于接收与其连接的所述心音信号采集模块接收的心音样本数据,构建信号质量评估模型,并发送至与其连接的所述质量评估模块。
进一步地,在该装置中还包括人机交互模块,用于采集人机交互指令并发送至与其连接的所述质量评估模块,所述质量评估模块还用于接收人机交互指令,根据人机交互指令辅助评价心音信号质量。
CN201910122930.7A 2019-02-19 2019-02-19 一种心音信号质量评价方法及装置 Active CN109646044B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910122930.7A CN109646044B (zh) 2019-02-19 2019-02-19 一种心音信号质量评价方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910122930.7A CN109646044B (zh) 2019-02-19 2019-02-19 一种心音信号质量评价方法及装置

Publications (2)

Publication Number Publication Date
CN109646044A true CN109646044A (zh) 2019-04-19
CN109646044B CN109646044B (zh) 2019-10-18

Family

ID=66123091

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910122930.7A Active CN109646044B (zh) 2019-02-19 2019-02-19 一种心音信号质量评价方法及装置

Country Status (1)

Country Link
CN (1) CN109646044B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111227792A (zh) * 2020-01-10 2020-06-05 京东方科技集团股份有限公司 呼吸暂停的检测方法、系统、电子设备及存储介质
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
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

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2314216A1 (en) * 2009-10-23 2011-04-27 General Electric Company Fetal monitoring system and method
US9226726B1 (en) * 2014-11-25 2016-01-05 John L Semmlow Method and system for detection of cardiac sounds
CN105212960A (zh) * 2015-08-19 2016-01-06 四川长虹电器股份有限公司 心音信号质量评估方法
CN108601577A (zh) * 2016-02-02 2018-09-28 高通股份有限公司 包括传感器阵列的听诊器系统
CN108937857A (zh) * 2018-06-01 2018-12-07 四川长虹电器股份有限公司 一种心音信号的识别与评估方法
WO2019004924A1 (en) * 2017-06-30 2019-01-03 Coala-Life Ab ANALYSIS OF PHONOCARDIOGRAM AND ELECTROCARDIOGRAM DATA FROM A PORTABLE SENSOR DEVICE
EP3427669A1 (en) * 2017-07-10 2019-01-16 Tata Consultancy Services Limited Method and system for classifying phonocardiogram signal quality

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2314216A1 (en) * 2009-10-23 2011-04-27 General Electric Company Fetal monitoring system and method
US9226726B1 (en) * 2014-11-25 2016-01-05 John L Semmlow Method and system for detection of cardiac sounds
CN105212960A (zh) * 2015-08-19 2016-01-06 四川长虹电器股份有限公司 心音信号质量评估方法
CN108601577A (zh) * 2016-02-02 2018-09-28 高通股份有限公司 包括传感器阵列的听诊器系统
WO2019004924A1 (en) * 2017-06-30 2019-01-03 Coala-Life Ab ANALYSIS OF PHONOCARDIOGRAM AND ELECTROCARDIOGRAM DATA FROM A PORTABLE SENSOR DEVICE
EP3427669A1 (en) * 2017-07-10 2019-01-16 Tata Consultancy Services Limited Method and system for classifying phonocardiogram signal quality
CN108937857A (zh) * 2018-06-01 2018-12-07 四川长虹电器股份有限公司 一种心音信号的识别与评估方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111227792A (zh) * 2020-01-10 2020-06-05 京东方科技集团股份有限公司 呼吸暂停的检测方法、系统、电子设备及存储介质
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
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
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

Also Published As

Publication number Publication date
CN109646044B (zh) 2019-10-18

Similar Documents

Publication Publication Date Title
Pandya et al. InfusedHeart: A novel knowledge-infused learning framework for diagnosis of cardiovascular events
CN109646044B (zh) 一种心音信号质量评价方法及装置
Thiyagaraja et al. A novel heart-mobile interface for detection and classification of heart sounds
US11139048B2 (en) Discovering novel features to use in machine learning techniques, such as machine learning techniques for diagnosing medical conditions
CN110288597B (zh) 基于注意力机制的无线胶囊内窥镜视频显著性检测方法
CN109452935B (zh) 使用统计后处理从血管容积图估计血压的无创方法和系统
Sujadevi et al. A hybrid method for fundamental heart sound segmentation using group-sparsity denoising and variational mode decomposition
CN109493342B (zh) 一种基于深度学习的皮肤病图片病变类型分类方法
JPWO2016125256A1 (ja) 異常音診断装置、異常音診断システム、異常音診断方法および異常音診断プログラム
EP4266989A1 (en) Classifying biomedical acoustics based on image representation
CN113116321A (zh) 基于pso-grnn神经网络的无创连续血压测量系统
Jiang et al. Detection of left atrial enlargement using a convolutional neural network-enabled electrocardiogram
CN112336369B (zh) 一种多通道心音信号的冠心病风险指数评估系统
CN113693611A (zh) 基于机器学习的心电数据分类方法及装置
CN109147927A (zh) 一种人机交互方法、装置、设备及介质
Liu et al. Semantic segmentation of qrs complex in single channel ecg with bidirectional lstm networks
KR20190002957A (ko) 컨볼루션 신경망을 이용한 혈관내 초음파 영상에서의 혈관벽 및 루멘 영역화 방법
CN109118526A (zh) 一种基于虚拟现实的老年痴呆图像分析系统及分析方法
CN110580448B (zh) 一种心音分类模型构建、分类方法及装置
JP2023507344A (ja) 患者音からの呼吸器疾患の診断
Altaf et al. Systematic Review for Phonocardiography Classification Based on Machine Learning
Mukherjee et al. A Visual Domain Transfer Learning Approach for Heartbeat Sound Classification
Omarov et al. Digital stethoscope for early detection of heart disease on phonocardiography data
CN113925480B (zh) 基于机器学习的冠心病患者出血风险评估方法
Kurian Deep Convolution Neural Network-Based Classification and Diagnosis of Heart Disease using ElectroCardioGram (ECG) Images

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