CN110610204B - 一种基于频率相关性的心音连通网络特征提取方法 - Google Patents

一种基于频率相关性的心音连通网络特征提取方法 Download PDF

Info

Publication number
CN110610204B
CN110610204B CN201910826983.7A CN201910826983A CN110610204B CN 110610204 B CN110610204 B CN 110610204B CN 201910826983 A CN201910826983 A CN 201910826983A CN 110610204 B CN110610204 B CN 110610204B
Authority
CN
China
Prior art keywords
heart sound
nodes
auscultation
characteristic matrix
frequency correlation
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
Application number
CN201910826983.7A
Other languages
English (en)
Other versions
CN110610204A (zh
Inventor
成谢锋
佘辰俊
王凯
赵鹏军
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN201910826983.7A priority Critical patent/CN110610204B/zh
Publication of CN110610204A publication Critical patent/CN110610204A/zh
Application granted granted Critical
Publication of CN110610204B publication Critical patent/CN110610204B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Surgery (AREA)
  • Public Health (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Veterinary Medicine (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Cardiology (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种基于频率相关性的心音连通网络特征提取方法，该方法将多通道心音拾音部位点作为网络节点，计算各节点间的频率相关性，根据听诊区域划分在大尺度水平上构建模块化心音连通网络，从而实现对该连通网络的特征提取。本发明能够同时采集听诊区模块内不同位置的心音信号，得到较单通道数据更有生理意义和物理意义的多通道心音数据；通过频率相关性分析和相关矩阵的建立，有效地将孤立、分散的数据信息有机地整合在一起，从而实现心音特征的提取和表征，将心音连通网络特征矩阵输入支持向量机可以起到心音分类识别的效果，为后续心音特征的利用和应用奠定了基础。

Description

一种基于频率相关性的心音连通网络特征提取方法
技术领域
本发明涉及一种心音特征分析方法，尤其涉及一种基于频率相关性的心音连通网络特征提取方法。
背景技术
现有技术一次只能对一个位置进行听诊，不能同时提取、分析不同位置心音的相关性。目前存在单通道电子听诊器和4通道电子听诊器，但是单通道电子听诊器无法解决以上问题。四通道听诊器由于通道数目少，且由于个体差异，听诊区距离有一定区别，较少的通道不能很好的对应上相应的听诊区进行信号采集和相关性分析。所以有必要对多通道的心音信号进行细致的特征分析，再通过支持向量机进行分类识别，可以达到心音分类识别的效果。
发明内容
发明目的：本发明提出一种可以细致区分和表征心音功能连通网络特征的方法。
技术方案：为实现本发明的目的，本发明所述的一种基于频率相关性的心音连通网络特征提取方法，该方法包括步骤。
(1)通过心音传感器阵列采集器获取覆盖心脏5个听诊区的多路心音信号，所述心音传感器阵列包括多个心音传感器，所述5个听诊区包括二尖瓣区、肺动脉瓣区、主动脉瓣区、主动脉瓣第二听诊区和三尖瓣区；
(2)记录心音各拾音部位点作为网络节点；
(3)计算各网络节点间的频率相关性；
(4)根据步骤(3)计算的结果，建立心音连接网络特征矩阵，构建心音连通网络；
(5)将5个听诊区划分为5个模块区域，并定义各模块内的主节点，对模块化心音功能连通网络特征进行表征。
进一步地，所述步骤(2)包括：参考N个心音传感器在传感器阵列中的实际几何位置，每个传感器对应一个网络节点，N个传感器形成N个心音信号拾取通道，同时采集心音数据，并将该数据作为节点数据。
进一步地，所述步骤(3)包括：
(31)任意两节点间建立连接关系，节点间的边表示节点间的频率相关性；
(32)根据如下公式计算边的权值rxy(X,Y)，并将其作为频率相关性的值：
Figure GDA0003711634740000011
其中，X、Y为节点信号，以列向量的形式存储；n代表节点信号长度，Xi、
Figure GDA0003711634740000021
为X的观测值与均值，Yi、
Figure GDA0003711634740000022
为Y的观测值与均值，x，y为节点标号，i为信号中数据点的序号；
(33)当rxy(X,Y)>0表明两个节点信号为正向相关，rxy(X,Y)<0表明两个节点信号为反向相关，rxy(X,Y)＝0节点信号之间不存在频率相关性；|rxy(X,Y)|越大，表明两个节点信号的频率相关性越强。
(41)设定阈值E，E取值范围为0～0.15；
(42)若节点之间的频率相关性的绝对值|rij|小于E，则令rij＝0表示两个节点无连接，其中，i、j为两个节点的标号；
(43)计算心音连接网络特征矩阵A＝{aij}N×N，其中，
Figure GDA0003711634740000023
进一步地，所述步骤(5)包括：
(51)以每个听诊区中心为听诊区模块中心，所述听诊区模块互不重叠，各听诊区模块大小根据实际胸腔大小，按照医用听诊头直径以上的尺度划分；听诊区模块范围内包含的节点为主节点，其余节点为非主节点；
(52)根据心音连接网络特征矩阵，计算各听诊区主节点组成的特征矩阵，包括；主动脉瓣听诊区主节点组成的特征矩阵AA、三尖瓣听诊区主节点组成的特征矩阵AT、二尖瓣听诊区主节点组成的特征矩阵AM、主动脉瓣第二听诊区主节点组成的特征矩阵AE、肺动脉瓣听诊区主节点组成的特征矩阵AP，以及非主节点组成的特征矩阵AO、所有节点组成的特征矩阵A；
(53)建立模块化心音功能连通网络特征矩阵：
B＝[AA,AT,AM,AE,AP,AO,A]
进一步地，步骤(51)中，所述听诊区模块为半径为2-4cm的圆，或者短轴长为1-3厘米、长轴长为2-4厘米的椭圆。
有益效果：本发明所采用的模块化心音功能网络相当于同时对5个听诊区模块进行心音信号采集，且能够采集听诊区模块内不同位置，其同步采集到的多通道心音数据比单通道数据更有生理意义和物理意义；通过频率相关性分析和相关矩阵的建立，能够有效地对同时不同位置的心音的特征进行表征，通过支持向量机的分类识别，可以在表征心音特征的基础上达到心音分类识别的效果。
附图说明
图1是本发明方法流程图；
图2是心音传感器阵列采集器示意图；
图3是模块化心音功能连通网络示意图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
心脏膜瓣听诊区通常有5个：二尖瓣区、肺动脉瓣区、主动脉瓣区、主动脉瓣第二听诊区和三尖瓣区。心音传感器阵列采集器的尺寸远大于心脏的大小，当心音传感器阵列采集器放在心脏位置上时，能完全覆盖心脏5个听诊区，从而获取多路同步采集的心音信号。
针对多路同步采集的心音信号，以记录心音的通道为网络节点，以相关性度量网络节点之间的关系，构建心音连通网络。在此基础上，以听诊区域为模块，将处于5个听诊区域内的节点定义为主节点，听诊区域主节点之间耦合的程度被称为功能连通性，用功能连通性的强度和空间分布的变化在大尺度上描述多通道心音的生理和物理特性的变化，建立起模块化大尺度心音功能连通网络。
如图1所示，本发明所述的一种基于频率相关性的心音连通网络特征提取方法，包括步骤：
(1)通过心音传感器阵列采集器获取覆盖心脏5个听诊区的多路心音信号，所述心音传感器阵列包括多个心音传感器，所述5个听诊区包括二尖瓣区、肺动脉瓣区、主动脉瓣区、主动脉瓣第二听诊区和三尖瓣区；
(2)参考图2中15个心音传感器在传感器阵列中的实际几何位置，将15个心音传感器分别编号1-15，每个传感器编号对应一个网络节点，15个传感器形成15个心音信号拾取通道，同时采集心音数据，并将该数据作为节点数据
(3)计算各网络节点间的频率相关性：
(31)任意两节点间建立连接关系，节点间的边表示节点间的频率相关性；
(32)根据如下公式计算边的权值rxy(X,Y)，并将其作为频率相关性的值：
Figure GDA0003711634740000031
其中，X、Y为节点信号，以列向量的形式存储；n代表节点信号长度，Xi、
Figure GDA0003711634740000032
为X的观测值与均值，Yi、
Figure GDA0003711634740000033
为Y的观测值与均值，x，y为节点标号，i为信号中数据点的序号；
(33)当rxy(X,Y)>0表明两个节点信号为正向相关，rxy(X,Y)<0表明两个节点信号为反向相关，rxy(X,Y)＝0节点信号之间不存在频率相关性；|rxy(X,Y)|越大，表明两个节点信号的频率相关性越强。
(4)根据步骤(3)计算的结果，建立心音连接网络特征矩阵，构建心音连通网络：
(41)设定阈值E，E取值范围为0～0.15；
(42)若节点之间的频率相关性的绝对值|rij|小于E，则令rij＝0表示两个节点无连接，其中，i、j为两个节点的标号；
(43)计算心音连接网络特征矩阵A＝{aij}N×N，其中，
Figure GDA0003711634740000041
(5)将5个听诊区划分为5个模块区域，并定义各模块内的主节点，对模块化心音功能连通网络特征进行表征：
(51)以每个听诊区中心为听诊区模块中心，如图3所示，阴影块A为主动脉瓣听诊区、T为三尖瓣听诊区、M为二尖瓣听诊区、E为主动脉瓣第二听诊区、P为肺动脉瓣听诊区。所述听诊区模块T区域为半径为2-4cm的圆，其他区域为短轴长为1-3厘米、长轴长为2-4厘米的椭圆，且互不重叠，各听诊区模块大小根据实际胸腔大小，按照医用听诊头直径以上的尺度划分；听诊区模块范围内包含的节点为主节点，其余节点为非主节点；两个节点间若有连接关系则用连线表示；否则则令rij＝0，表示两个节点之间没有连线。
(52)根据心音连接网络特征矩阵，计算各听诊区主节点组成的特征矩阵，包括；主动脉瓣听诊区主节点组成的特征矩阵AA、三尖瓣听诊区主节点组成的特征矩阵AT、二尖瓣听诊区主节点组成的特征矩阵AM、主动脉瓣第二听诊区主节点组成的特征矩阵AE、肺动脉瓣听诊区主节点组成的特征矩阵AP，以及非主节点组成的特征矩阵AO、所有节点组成的特征矩阵A；
(53)建立模块化心音功能连通网络特征矩阵：
B＝[AA,AT,AM,AE,AP,AO,A]
该特征矩阵里面的值可以看作图片中的像素点，如采用图像分类识别的方法可以对不同人的心音进行分类识别，同现有的指纹和人脸识别，心音识别也可用于身份识别。

Claims (6)

1.一种基于频率相关性的心音连通网络特征提取方法，其特征在于，包括步骤：
(1)通过心音传感器阵列采集器获取覆盖心脏5个听诊区的多路心音信号，所述心音传感器阵列包括多个心音传感器，所述5个听诊区包括二尖瓣区、肺动脉瓣区、主动脉瓣区、主动脉瓣第二听诊区和三尖瓣区；
(2)记录心音各拾音部位点作为网络节点；
(3)计算各网络节点间的频率相关性；
(4)根据步骤(3)计算的结果，建立心音连接网络特征矩阵，构建心音连通网络；
(5)将5个听诊区划分为5个模块区域，并定义各模块内的主节点，对模块化心音功能连通网络特征进行表征；
(6)将心音连通网络特征矩阵作为支持向量机的输入，进行分类识别。
2.根据权利要求1所述的基于频率相关性的心音连通网络特征提取方法，其特征在于，步骤(2)包括：参考N个心音传感器在传感器阵列中的实际几何位置，每个传感器对应一个网络节点，N个传感器形成N个心音信号拾取通道，同时采集心音数据，并将该数据作为节点数据。
3.根据权利要求1所述的基于频率相关性的心音连通网络特征提取方法，其特征在于，步骤(3)包括：
(31)任意两节点间建立连接关系，节点间的边表示节点间的频率相关性；
(32)根据如下公式计算边的权值rxy(X,Y)，并将其作为频率相关性的值：
Figure FDA0003711634730000011
其中，X、Y为节点信号，以列向量的形式存储；n代表节点信号长度，Xi、
Figure FDA0003711634730000012
分别为X的观测值与均值，Yi、
Figure FDA0003711634730000013
分别为Y的观测值与均值，x，y为节点标号，i为信号中数据点的序号；
(33)当rxy(X,Y)>0表明两个节点信号为正向相关，rxy(X,Y)<0表明两个节点信号为反向相关，rxy(X,Y)＝0节点信号之间不存在频率相关性；|rxy(X,Y)|越大，表明两个节点信号的频率相关性越强。
4.根据权利要求1所述的基于频率相关性的心音连通网络特征提取方法，其特征在于，步骤(4)包括：
(41)设定阈值E，E取值范围为0～0.15；
(42)若节点之间的频率相关性的绝对值|rij|小于E，则令rij＝0表示两个节点无连接，其中，i、j为两个节点的标号；
(43)计算心音连接网络特征矩阵A＝{aij}N×N，其中，
Figure FDA0003711634730000021
5.根据权利要求1所述的基于频率相关性的心音连通网络特征提取方法，其特征在于，所述步骤(5)包括：
(51)以每个听诊区中心为听诊区模块中心，所述听诊区模块互不重叠，各听诊区模块大小根据实际胸腔大小，按照医用听诊头直径以上的尺度划分；听诊区模块范围内包含的节点为主节点，其余节点为非主节点；
(52)根据心音连接网络特征矩阵，计算各听诊区主节点组成的特征矩阵，包括；主动脉瓣听诊区主节点组成的特征矩阵AA、三尖瓣听诊区主节点组成的特征矩阵AT、二尖瓣听诊区主节点组成的特征矩阵AM、主动脉瓣第二听诊区主节点组成的特征矩阵AE、肺动脉瓣听诊区主节点组成的特征矩阵AP，以及非主节点组成的特征矩阵AO、所有节点组成的特征矩阵A；
(53)建立模块化心音功能连通网络特征矩阵：
B＝[AA,AT,AM,AE,AP,AO,A]
所述步骤(6)包括：将步骤(53)中建立的模块化心音功能连通网络特征矩阵作为分类器的输入，送入支持向量机中，可以起到心音分类识别的效果。
6.根据权利要求5所述的基于频率相关性的心音连通网络特征提取方法，其特征在于，步骤(51)中，所述听诊区模块为半径为2-4cm的圆，或者为短轴长1-3厘米、长轴长2-4厘米的椭圆。
CN201910826983.7A 2019-09-03 2019-09-03 一种基于频率相关性的心音连通网络特征提取方法 Active CN110610204B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910826983.7A CN110610204B (zh) 2019-09-03 2019-09-03 一种基于频率相关性的心音连通网络特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910826983.7A CN110610204B (zh) 2019-09-03 2019-09-03 一种基于频率相关性的心音连通网络特征提取方法

Publications (2)

Publication Number Publication Date
CN110610204A CN110610204A (zh) 2019-12-24
CN110610204B true CN110610204B (zh) 2022-08-26

Family

ID=68891085

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910826983.7A Active CN110610204B (zh) 2019-09-03 2019-09-03 一种基于频率相关性的心音连通网络特征提取方法

Country Status (1)

Country Link
CN (1) CN110610204B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111883180A (zh) * 2020-07-13 2020-11-03 中国人民解放军联勤保障部队第九二〇医院 一种无线心音听诊设备及其数据对比方法
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

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106510676A (zh) * 2015-09-10 2017-03-22 创心医电股份有限公司 心率检测方法以及心率检测装置
CN106951714A (zh) * 2017-03-28 2017-07-14 北京大学人民医院 可视化心脏瓣膜听诊区体表定位方法及教学模型
CN108784679A (zh) * 2018-02-26 2018-11-13 河南善仁医疗科技有限公司 多路心音的心音传感器位置识别纠正方法
CN109008999A (zh) * 2018-06-13 2018-12-18 福建工程学院 心音和脉搏波传导时间测量方法及便携式测量装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106510676A (zh) * 2015-09-10 2017-03-22 创心医电股份有限公司 心率检测方法以及心率检测装置
CN106951714A (zh) * 2017-03-28 2017-07-14 北京大学人民医院 可视化心脏瓣膜听诊区体表定位方法及教学模型
CN108784679A (zh) * 2018-02-26 2018-11-13 河南善仁医疗科技有限公司 多路心音的心音传感器位置识别纠正方法
CN109008999A (zh) * 2018-06-13 2018-12-18 福建工程学院 心音和脉搏波传导时间测量方法及便携式测量装置

Also Published As

Publication number Publication date
CN110610204A (zh) 2019-12-24

Similar Documents

Publication Publication Date Title
CN111127441B (zh) 一种基于图节点嵌入的多模态脑影像抑郁识别方法和系统
CN107203692B (zh) 基于深度卷积神经网络的心电数据数字信号处理方法
CN110610204B (zh) 一种基于频率相关性的心音连通网络特征提取方法
CN111091116B (zh) 一种用于判断心律失常的信号处理方法及系统
CN110353725A (zh) 一种基于云架构的心音采集与分析系统及方法
CN110731773B (zh) 一种基于心电波形图全局与局部深度特征融合的异常心电图筛查方法
CN109800624A (zh) 一种基于行人重识别的多目标跟踪方法
CN104970820A (zh) 一种智能听诊系统及检测方法
CN109508755B (zh) 一种基于图像认知的心理测评方法
CN111460953B (zh) 一种基于对抗域自适应学习的心电信号分类方法
Fang et al. Dynamic gesture recognition using inertial sensors-based data gloves
CN110456050B (zh) 便携式智能数字化寄生虫体外诊断仪
CN108447546A (zh) 基于加权网络的大脑功能连接模块划分方法
CN111956208B (zh) 一种基于超轻量级卷积神经网络的ecg信号分类方法
CN108877831A (zh) 基于多标准融合频点筛选的盲源分离快速方法及系统
CN110516533A (zh) 一种基于深度度量的行人再辨识方法
CN111142668B (zh) 一种基于Wi-Fi指纹的定位和活动手势联合识别的交互方法
CN118051831B (zh) 基于CNN-Transformer合作网络模型的水声目标识别方法
CN113298773A (zh) 基于深度学习的心脏视图识别与左心室检测装置、系统
CN103120581B (zh) 整合心跳量测及身份辨识的系统及方法
CN116540178B (zh) 一种音视频融合的噪声源定位方法及系统
CN115414050A (zh) 一种实现情绪识别的eeg脑网络最大团检测方法及系统
CN112336369B (zh) 一种多通道心音信号的冠心病风险指数评估系统
CN106504285A (zh) 贴片式面膜模板构建方法与系统
CN116452792A (zh) 基于深度学习的畜牧业图像识别方法及装置

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