CN110755108A - 一种基于智能听诊器的心脏声音分类方法、系统、装置及可读存储介质 - Google Patents
一种基于智能听诊器的心脏声音分类方法、系统、装置及可读存储介质 Download PDFInfo
- Publication number
- CN110755108A CN110755108A CN201911065578.4A CN201911065578A CN110755108A CN 110755108 A CN110755108 A CN 110755108A CN 201911065578 A CN201911065578 A CN 201911065578A CN 110755108 A CN110755108 A CN 110755108A
- Authority
- CN
- China
- Prior art keywords
- heart
- neural network
- convolutional neural
- intelligent stethoscope
- network model
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B7/00—Instruments for auscultation
- A61B7/02—Stethoscopes
- A61B7/04—Electric stethoscopes
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明涉及计算机听觉、人工智能技术领域，尤其为一种基于智能听诊器的心脏声音分类方法，包括如下步骤：步骤S1：心脏声音预处理；步骤S2：声音特征处理；步骤S3：积卷神经网络模型构建及训练；步骤S4：使用模型解析待测心脏声音的分类。本发明，使用卷积神经网络模型对智能听诊器收集而来的心音进行分类，判断心音是否正常或者是属于某种常见异常，为病情诊断提供参考。本申请还公开了一种基于智能听诊器的心脏声音分类系统、装置及计算机可读存储介质，与上述方法具有相同的有益效果。
Description
技术领域
本发明涉及计算机听觉、人工智能技术领域，具体为一种基于智能听诊器的心脏声音分类方法、系统、装置及可读存储介质。
背景技术
人心脏的声音含有非常丰富人体健康信息，传统的方法也就是专业医生诊断心音，医生可以按照自己的经验判断病人的心音是否存在问题。但由于医疗资源分布不均且昂贵，尽管专业医生的诊断结果更加精准，但由于它诊断费时长、成本高昂的缺点让很多人望而却步。
由于机器学习技术和计算机性能近年来的高速增长，使得计算机判断心音异常成为可能。为此，提出，一种基于智能听诊器的心脏声音分类方法、系统、装置及可读存储介质，对收集而来的心音进行分类，并判断心音是否正常或者是属于某种常见异常(如心律不齐)，为病情诊断提供参考。
发明内容
本发明的目的在于提供一种基于智能听诊器的心脏声音分类方法、系统、装置及可读存储介质，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于智能听诊器的心脏声音分类方法，包括如下步骤：
步骤S1：心脏声音预处理；
步骤S2：声音特征处理；
步骤S3：积卷神经网络模型构建及训练；
步骤S4：使用模型解析待测心脏声音的分类。
优选的，步骤S1的实现依次包括如下步骤：
步骤S1.1：心脏声音采集；
步骤S1.2：音频标注；
步骤S1.3：音频分段；
其中，步骤S1.1：心脏声音采集使用智能听诊器采集不同症状的病人的心脏心尖部声音，现采集若干个人的心脏声音，这些人分为人数相同的2类，一类为正常，另一类为心律不齐，他们分别采集15秒左右的10段心音；
步骤S1.2：对于采集而来的数据进行标注，标注为两类分别为正常和心律不齐；
步骤S1.3：将心脏声音切割为标准的10秒长短的音频文件，丢弃位于音频两端的多余部分。
优选的，步骤S2的实现依次包括如下步骤：
步骤S2.1：音频预处理；
步骤S2.2：快速傅里叶变换；
步骤S2.3：计算能量谱；
步骤S2.4：计算Mel滤波能量；
步骤S2.5：计算对数能量；
其中，步骤S2.1：采用公式：H(z)＝1-αz-1对音频预加重，α为加重系数，且0.9<α<1.0；
步骤S2.2：变换公式为
步骤S2.3：将频域信号以复数形式表示如下：
能量谱为：E(k)＝(ak 2+bk 2)；
步骤S2.4：Mel滤波器得到Mel频率为：
Mel滤波器的频率响应计算式为：
步骤S2.5：对数梅尔频谱特征计算公式如下：
最终获取到需要的特征向量。
优选的，卷积神经网络模型，使用多个小卷积核进行连续多层局部感知的VGG构建模型，每一个VGG单元有多个卷积层和一个池化层构成，卷积神经网络的卷积层、池化层、全连接层和输出层的参数学习使用BP算法，卷积层采用了局部连接和参数共享的处理方式，层引入了局部感知野，用于网络的局部连接，在池化层中，采用简单的方式选择相似的区域，
卷积神经网络模型训练的实现依次包括如下步骤：
S3.1：将步骤S2输出的特征向量作为输入，进行归一化处理得到训练集和验证集，将训练集输入卷积神经网络模型中；
S3.2：搭建VGG构建的卷积神经网络模型，对训练集进行训练，训练过程中每批次输入大小为128，迭代训练300次；
S3.3：每次迭代完成后，使用最后一层的模型参数计算出损失误差，并将损失误差进行反向传播，从而更新卷积神经网络模型中的模型参数，并输出准确率和损失值，直至训练完成；
S3.4：输出模型。
为解决上述技术问题，本发明还提供一种基于智能听诊器的心脏声音分类系统，包括：
心脏声音预处理模块，用于采集不同症状的病人的心脏心尖部声音，并对采集的声音进行处理得到所需的音频；
声音特征处理模块，用于获取心脏声音预处理模块处理后的音频，并对音频进行处理得到特征向量；
卷积神经网络模型，用于输入特征向量并计算，获取待测心音属于正常和心律不齐的概率；
显示模块；用于显示卷积神经网络模型输出的分类结果；
其中：心脏声音预处理模块、心脏声音预处理模块、卷积神经网络模型以及显示模块顺次连接。
优选的，心脏声音预处理模块包括智能听诊器，卷积神经网络模型基于使用多个小卷积核进行连续多层局部感知的VGG单元构建的模型。
为解决上述技术问题，本发明还提供一种基于智能听诊器的心脏声音分类装置，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述任一项所述的基于智能听诊器的心脏声音分类方法的步骤。
为解决上述技术问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述的基于智能听诊器的心脏声音分类方法的步骤。
与现有技术相比，本发明的有益效果是：
本发明，使用卷积神经网络模型对智能听诊器收集而来的心音进行分类，判断心音是否正常或者是属于某种常见异常(如心律不齐)，为病情诊断提供参考。
本发明，使用深度学习的方法使机器(如手机、计算机)拥有初步诊断心脏声音的能力，对于某些疾病预防、疾病跟踪、辅助诊断具有实质性的作用，同时具有成本低、诊断时间短的优点，通常只需要几分钟就可以输出诊断结果，在准确度上可以达到85％以上，作为病情参考具有较高准确性。
附图说明
图1为本发明基于智能听诊器的心脏声音分类方法总流程图；
图2为本发明智能听诊器的心脏声音分类系统结构示意图；
图3为本发明基于智能听诊器的心脏声音分类装置结构示意图；
图4为本发明采用声音特征处理模块获得特征向量流程图；
图5为本发明卷积神经网络的结构(及训练)图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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。基于本发明中的实施例，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。
请参阅图1～5，本发明提供一种技术方案：
一种基于智能听诊器的心脏声音分类方法，采用卷积神经网络模型对多种待测心脏声音文件进行分类。主要包括心脏声音预处理、声音特征处理、模型训练和待测心音分类四个部分，具体步骤如下：
1.心脏声音预处理
1.1心脏声音采集
心脏声音采集使用智能听诊器采集不同症状的病人的心脏心尖部声音，现采集100个人的心脏声音，这些人分为2类，一类为正常，另一类为心律不齐，各50人，他们分别采集15秒左右的10段心音，要求环境安静，操作正确。
1.2音频标注
对于采集而来的数据进行标注，标注为两类分别为正常和心律不齐。
1.3音频分段
将心脏声音切割为标准的10秒长短的音频文件，丢弃位于音频两端的多余部分。
2.声音特征处理
2.1音频预处理。预加重可以补偿信号在发声和听觉系统中被压制的高频分量。常用的滤波器设置公式为：α为加重系数，且0.9<α<1.0
H(z)＝1-αz-1
同时还需要进行分帧处理和加窗处理，用来提高音频稳定性和减少频谱能量丢失。
2.2快速傅里叶变换(Fast Fourier Transform,FFT)。FFT主要用来来加速计算，降低时间复杂度。以下是变换公式：
2.3计算能量谱。将频域信号以复数形式表示如下：
能量谱为：
E(k)＝(ak 2+bk 2)
2.4计算Mel滤波能量。Mel滤波器组可以模拟人耳的掩蔽效应，突出音频的共振峰。Mel频率为：
Mel滤波器的频率响应计算式为：
2.5计算对数能量。将Mel频谱能量进行对数处理后，可以将乘性信号转变为加性信号，有利于分离包络和频谱细节。本发明中需要提取的对数梅尔频谱特征计算公式如下：
最终获取到我们需要的特征向量。整个流程为图4所示。
3.模型训练
卷积神经网络(CNN)是典型的神经网络模型，使用多个小卷积核进行连续多层局部感知的VGG构建模型，每一个VGG单元有多个卷积层和一个池化层构成，下面是卷积神经网络的结构图5所示。
卷积神经网络的卷积层、池化层、全连接层和输出层的参数学习使用BP算法。卷积层采用了局部连接和参数共享的处理方式，层引入了局部感知野，用于网络的局部连接，在池化层中，采用简单的方式选择相似的区域。假如输入数据是二维的，指定一个二维的小矩形窗，将小矩形窗按一定的步长移动，并最终遍历输入数据。
下面介绍步骤：
3.1将声音特征处理模块输出的特征向量作为输入，进行归一化处理得到训练集和验证集，将训练集输入卷积神经网络模型中；
3.2搭建如上所介绍的卷积神经网络模型，对训练集进行训练，训练过程中每批次输入大小为128，迭代训练300次。
3.3每次迭代完成后，使用最后一层的模型参数计算出损失误差，并将损失误差进行反向传播，从而更新卷积神经网络模型中的模型参数，并输出准确率和损失值。直至训练完成。
3.4输出模型。
4.待测心音分类
使用上一步训练出来的模型对待测的心脏声音进行分类，首先将待测心音切割成10秒的音频，丢弃位于两端的音频，按照步骤2提取待测心音的声学特征，输入已训练出来的模型，获取待测心音属于正常和心律不齐的概率，最后输出分类结果。
5.总流程如图1所示。
参见图2：本发明还提供一种基于智能听诊器的心脏声音分类系统，包括：
心脏声音预处理模块，用于采集不同症状的病人的心脏心尖部声音，并对采集的声音进行处理得到所需的音频；
声音特征处理模块，用于获取心脏声音预处理模块处理后的音频，并对音频进行处理得到特征向量；
卷积神经网络模型，用于输入特征向量并计算，获取待测心音属于正常和心律不齐的概率；
显示模块；用于显示卷积神经网络模型输出的分类结果；
其中：心脏声音预处理模块、心脏声音预处理模块、卷积神经网络模型以及显示模块顺次连接。
上述心脏声音预处理模块包括智能听诊器，卷积神经网络模型基于使用多个小卷积核进行连续多层局部感知的VGG单元构建的模型。
参见图3，本发明还提供一种基于智能听诊器的心脏声音分类装置，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述任一项所述的基于智能听诊器的心脏声音分类方法的步骤。
为解决上述技术问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述的基于智能听诊器的心脏声音分类方法的步骤。
本发明，使用卷积神经网络模型对智能听诊器收集而来的心音进行分类，判断心音是否正常或者是属于某种常见异常(如心律不齐)，为病情诊断提供参考。
本发明，使用智能听诊器收集高质量的心音数据，对数据进行标注(标注为正常或者属于哪种异常，如心律不齐)。一个声学模型的准确度由训练时选择的声学特征和模型的训练方式决定。良好的声学特征可以使声学分类器的结果更加精准，声学特征通常使用梅尔频率倒谱系数(MFCC)和对数梅尔频谱特征(Log-Mel Spectrogram)，其中MFCC特征是针对人耳听觉而提取的特征，过滤了一些人耳无法听到的信息，但这些信息同样具有价值。因此在声学特征的提取上使用对数梅尔频谱特征。
在模型选择上面，本发明选择了卷积神经网络模型，它更加适用于对数梅尔频谱特征，由于CNN在图像识别中的巨大成功，它的成熟度使得声学分类模型具有优秀的训练效率和准确率。
如公开号CN109919210A公开的一种基于深度卷积网络的心音半监督分类方法，相较于上述公开的技术：本发明使用对数梅尔频谱特征用于卷积神经网络学习，相较于mfcc特征包含更多高频和低频信息，而且更加契合卷积神经网络模型，而上述发明未公布其特征提取方法。本发明使用的卷积神经网络使用VGG卷积单元构成，具有更高的训练效率。
本发明使用深度学习的方法使机器(如手机、计算机)拥有初步诊断心脏声音的能力，对于某些疾病预防、疾病跟踪、辅助诊断具有实质性的作用，同时具有成本低、诊断时间短的优点，通常只需要几分钟就可以输出诊断结果，在准确度上可以达到85％以上，作为病情参考已经绰绰有余了。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种基于智能听诊器的心脏声音分类方法，其特征在于，包括如下步骤：
步骤S1：心脏声音预处理；
步骤S2：声音特征处理；
步骤S3：积卷神经网络模型构建及训练；
步骤S4：使用模型解析待测心脏声音的分类。
2.根据权利要求1所述的一种基于智能听诊器的心脏声音分类方法，其特征在于，步骤S1的实现依次包括如下步骤：
步骤S1.1：心脏声音采集；
步骤S1.2：音频标注；
步骤S1.3：音频分段；
其中，步骤S1.1：心脏声音采集使用智能听诊器采集不同症状的病人的心脏心尖部声音，现采集若干个人的心脏声音，这些人分为人数相同的2类，一类为正常，另一类为心律不齐，他们分别采集15秒左右的10段心音；
步骤S1.2：对于采集而来的数据进行标注，标注为两类分别为正常和心律不齐；
步骤S1.3：将心脏声音切割为标准的10秒长短的音频文件，丢弃位于音频两端的多余部分。
3.根据权利要求1所述的一种基于智能听诊器的心脏声音分类方法，其特征在于，步骤S2的实现依次包括如下步骤：
步骤S2.1：音频预处理；
步骤S2.2：快速傅里叶变换；
步骤S2.3：计算能量谱；
步骤S2.4：计算Mel滤波能量；
步骤S2.5：计算对数能量；
其中，步骤S2.1：采用公式：H(z)＝1-αz-1对音频预加重，α为加重系数，且0.9<α<1.0；
步骤S2.2：变换公式为
步骤S2.3：将频域信号以复数形式表示如下：
能量谱为：E(k)＝(ak 2+bk 2)；
步骤S2.4：Mel滤波器得到Mel频率为：
Mel滤波器的频率响应计算式为：
步骤S2.5：对数梅尔频谱特征计算公式如下：
最终获取到需要的特征向量。
4.根据权利要求1所述的一种基于智能听诊器的心脏声音分类方法，其特征在于，卷积神经网络模型，使用多个小卷积核进行连续多层局部感知的VGG构建模型，每一个VGG单元有多个卷积层和一个池化层构成，卷积神经网络的卷积层、池化层、全连接层和输出层的参数学习使用BP算法，卷积层采用了局部连接和参数共享的处理方式，层引入了局部感知野，用于网络的局部连接，在池化层中，采用简单的方式选择相似的区域，
卷积神经网络模型训练的实现依次包括如下步骤：
S3.1：将步骤S2输出的特征向量作为输入，进行归一化处理得到训练集和验证集，将训练集输入卷积神经网络模型中；
S3.2：搭建VGG构建的卷积神经网络模型，对训练集进行训练，训练过程中每批次输入大小为128，迭代训练300次；
S3.3：每次迭代完成后，使用最后一层的模型参数计算出损失误差，并将损失误差进行反向传播，从而更新卷积神经网络模型中的模型参数，并输出准确率和损失值，直至训练完成；
S3.4：输出模型。
5.一种基于智能听诊器的心脏声音分类系统，其特征在于，包括：
心脏声音预处理模块，用于采集不同症状的病人的心脏心尖部声音，并对采集的声音进行处理得到所需的音频；
声音特征处理模块，用于获取心脏声音预处理模块处理后的音频，并对音频进行处理得到特征向量；
卷积神经网络模型，用于输入特征向量并计算，获取待测心音属于正常和心律不齐的概率；
显示模块；用于显示卷积神经网络模型输出的分类结果；
其中：心脏声音预处理模块、心脏声音预处理模块、卷积神经网络模型以及显示模块顺次连接。
6.根据权利要求5所述的一种基于智能听诊器的心脏声音分类系统，其特征在于，心脏声音预处理模块包括智能听诊器，卷积神经网络模型基于使用多个小卷积核进行连续多层局部感知的VGG单元构建的模型。
7.一种基于智能听诊器的心脏声音分类装置，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1～4任一项所述的基于智能听诊器的心脏声音分类方法的步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1～4任一项所述的基于智能听诊器的心脏声音分类方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911065578.4A CN110755108A (zh) | 2019-11-04 | 2019-11-04 | 一种基于智能听诊器的心脏声音分类方法、系统、装置及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911065578.4A CN110755108A (zh) | 2019-11-04 | 2019-11-04 | 一种基于智能听诊器的心脏声音分类方法、系统、装置及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110755108A true CN110755108A (zh) | 2020-02-07 |
Family
ID=69335539
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911065578.4A Pending CN110755108A (zh) | 2019-11-04 | 2019-11-04 | 一种基于智能听诊器的心脏声音分类方法、系统、装置及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110755108A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111150422A (zh) * | 2020-03-09 | 2020-05-15 | 国微集团(深圳)有限公司 | 智能听诊系统及其听诊方法 |
| CN111248938A (zh) * | 2020-02-24 | 2020-06-09 | 国微集团(深圳)有限公司 | 实时心音信号诊断系统及其诊断方法 |
| CN111753883A (zh) * | 2020-06-05 | 2020-10-09 | 上海交通大学医学院附属上海儿童医学中心 | 一种生理音训练集和测试集的建立方法 |
| CN111759345A (zh) * | 2020-08-10 | 2020-10-13 | 北京中科信利技术有限公司 | 基于卷积神经网络的心脏瓣膜异常分析方法、系统和装置 |
| CN112690823A (zh) * | 2020-12-22 | 2021-04-23 | 海南力维科贸有限公司 | 一种识别肺部生理声音的方法以及系统 |
| CN113470695A (zh) * | 2021-06-30 | 2021-10-01 | 平安科技（深圳）有限公司 | 声音异常检测方法、装置、计算机设备及存储介质 |
| CN113768532A (zh) * | 2021-08-20 | 2021-12-10 | 中北大学 | 基于五路心音信号分类算法的健康检测方法及系统 |
| CN113796889A (zh) * | 2021-08-30 | 2021-12-17 | 西安交通大学 | 一种基于深度学习的辅助电子听诊器信号判别方法 |
| CN113974679A (zh) * | 2020-11-13 | 2022-01-28 | 广东科学技术职业学院 | 一种听诊器、心音检测方法、心音检测器及听诊系统 |
| CN114010220A (zh) * | 2021-10-29 | 2022-02-08 | 平安科技（深圳）有限公司 | 心音信号处理方法、计算机设备及存储介质 |
| CN114305484A (zh) * | 2021-12-15 | 2022-04-12 | 浙江大学医学院附属儿童医院 | 基于深度学习的心脏病心音智能分类方法、装置和介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101930734A (zh) * | 2010-07-29 | 2010-12-29 | 重庆大学 | 一种心音信号分类识别方法及装置 |
| CN102362810A (zh) * | 2011-10-15 | 2012-02-29 | 杭州电子科技大学 | 一种基于虚拟仪器的心音身份识别系统及方法 |
| CN103340650A (zh) * | 2013-07-02 | 2013-10-09 | 杭州电子科技大学 | 基于Android的智能心音听诊与识别系统 |
| CN104887263A (zh) * | 2015-05-21 | 2015-09-09 | 东南大学 | 一种基于心音多维特征提取的身份识别算法及其系统 |
| CN108710108A (zh) * | 2018-06-20 | 2018-10-26 | 上海掌门科技有限公司 | 一种听诊装置及其自动定位方法 |
| CN109044396A (zh) * | 2018-06-25 | 2018-12-21 | 广东工业大学 | 一种基于双向长短时记忆神经网络的智能心音识别方法 |
| CN109243490A (zh) * | 2018-10-11 | 2019-01-18 | 平安科技（深圳）有限公司 | 司机情绪识别方法及终端设备 |
| CN109376603A (zh) * | 2018-09-25 | 2019-02-22 | 北京周同科技有限公司 | 一种视频识别方法、装置、计算机设备及存储介质 |
| CN109903773A (zh) * | 2019-03-13 | 2019-06-18 | 腾讯音乐娱乐科技（深圳）有限公司 | 音频处理方法、装置及存储介质 |
| CN110047512A (zh) * | 2019-04-25 | 2019-07-23 | 广东工业大学 | 一种环境声音分类方法、系统及相关装置 |
-
2019
- 2019-11-04 CN CN201911065578.4A patent/CN110755108A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101930734A (zh) * | 2010-07-29 | 2010-12-29 | 重庆大学 | 一种心音信号分类识别方法及装置 |
| CN102362810A (zh) * | 2011-10-15 | 2012-02-29 | 杭州电子科技大学 | 一种基于虚拟仪器的心音身份识别系统及方法 |
| CN103340650A (zh) * | 2013-07-02 | 2013-10-09 | 杭州电子科技大学 | 基于Android的智能心音听诊与识别系统 |
| CN104887263A (zh) * | 2015-05-21 | 2015-09-09 | 东南大学 | 一种基于心音多维特征提取的身份识别算法及其系统 |
| CN108710108A (zh) * | 2018-06-20 | 2018-10-26 | 上海掌门科技有限公司 | 一种听诊装置及其自动定位方法 |
| CN109044396A (zh) * | 2018-06-25 | 2018-12-21 | 广东工业大学 | 一种基于双向长短时记忆神经网络的智能心音识别方法 |
| CN109376603A (zh) * | 2018-09-25 | 2019-02-22 | 北京周同科技有限公司 | 一种视频识别方法、装置、计算机设备及存储介质 |
| CN109243490A (zh) * | 2018-10-11 | 2019-01-18 | 平安科技（深圳）有限公司 | 司机情绪识别方法及终端设备 |
| CN109903773A (zh) * | 2019-03-13 | 2019-06-18 | 腾讯音乐娱乐科技（深圳）有限公司 | 音频处理方法、装置及存储介质 |
| CN110047512A (zh) * | 2019-04-25 | 2019-07-23 | 广东工业大学 | 一种环境声音分类方法、系统及相关装置 |
Non-Patent Citations (2)
| Title |
|---|
| 宋少帅: "《心音信号分段定位与识别的研究》", 《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》 * |
| 段瑞琪: "《基于MFCC和短时能量混合的心音身份识别》", 《中国优秀博硕士学位论文全文数据库（硕士） 信息科技辑》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111248938A (zh) * | 2020-02-24 | 2020-06-09 | 国微集团(深圳)有限公司 | 实时心音信号诊断系统及其诊断方法 |
| CN111150422A (zh) * | 2020-03-09 | 2020-05-15 | 国微集团(深圳)有限公司 | 智能听诊系统及其听诊方法 |
| CN111753883A (zh) * | 2020-06-05 | 2020-10-09 | 上海交通大学医学院附属上海儿童医学中心 | 一种生理音训练集和测试集的建立方法 |
| CN111759345B (zh) * | 2020-08-10 | 2023-01-20 | 北京中科信利技术有限公司 | 基于卷积神经网络的心脏瓣膜异常分析方法、系统和装置 |
| CN111759345A (zh) * | 2020-08-10 | 2020-10-13 | 北京中科信利技术有限公司 | 基于卷积神经网络的心脏瓣膜异常分析方法、系统和装置 |
| CN113974679A (zh) * | 2020-11-13 | 2022-01-28 | 广东科学技术职业学院 | 一种听诊器、心音检测方法、心音检测器及听诊系统 |
| CN112690823A (zh) * | 2020-12-22 | 2021-04-23 | 海南力维科贸有限公司 | 一种识别肺部生理声音的方法以及系统 |
| CN113470695A (zh) * | 2021-06-30 | 2021-10-01 | 平安科技（深圳）有限公司 | 声音异常检测方法、装置、计算机设备及存储介质 |
| CN113470695B (zh) * | 2021-06-30 | 2024-02-09 | 平安科技（深圳）有限公司 | 声音异常检测方法、装置、计算机设备及存储介质 |
| CN113768532A (zh) * | 2021-08-20 | 2021-12-10 | 中北大学 | 基于五路心音信号分类算法的健康检测方法及系统 |
| CN113796889A (zh) * | 2021-08-30 | 2021-12-17 | 西安交通大学 | 一种基于深度学习的辅助电子听诊器信号判别方法 |
| CN114010220A (zh) * | 2021-10-29 | 2022-02-08 | 平安科技（深圳）有限公司 | 心音信号处理方法、计算机设备及存储介质 |
| CN114305484A (zh) * | 2021-12-15 | 2022-04-12 | 浙江大学医学院附属儿童医院 | 基于深度学习的心脏病心音智能分类方法、装置和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110755108A (zh) | 一种基于智能听诊器的心脏声音分类方法、系统、装置及可读存储介质 | |
| EP3608918B1 (en) | Parallel implementation of deep neural networks for classifying heart sound signals | |
| CN106821337B (zh) | 一种有监督的鼾声来源识别方法 | |
| CN109044396B (zh) | 一种基于双向长短时记忆神经网络的智能心音识别方法 | |
| CN105023573B (zh) | 使用听觉注意力线索的语音音节/元音/音素边界检测 | |
| CN109961017A (zh) | 一种基于卷积循环神经网络的心音信号分类方法 | |
| CN111461176A (zh) | 基于归一化互信息的多模态融合方法、装置、介质及设备 | |
| CN107495959A (zh) | 一种基于一维卷积神经网络的心电信号分类方法 | |
| CN110123367B (zh) | 计算机设备、心音识别装置、方法、模型训练装置及存储介质 | |
| CN110970042A (zh) | 一种电子听诊器的肺部啰音人工智能实时分类方法、系统、装置及可读存储介质 | |
| CN111759345A (zh) | 基于卷积神经网络的心脏瓣膜异常分析方法、系统和装置 | |
| CN111368627A (zh) | Cnn结合改进频率小波切片变换的心音分类方法及系统 | |
| CN113436726B (zh) | 一种基于多任务分类的肺部病理音自动化分析方法 | |
| CN113674767A (zh) | 一种基于多模态融合的抑郁状态识别方法 | |
| CN111938650A (zh) | 监测睡眠时呼吸暂停的方法及装置 | |
| CN111862978A (zh) | 一种基于改进mfcc系数的语音唤醒方法及系统 | |
| CN113724731B (zh) | 利用音频判别模型进行音频判别的方法和装置 | |
| Mustafa et al. | Detection of heartbeat sounds arrhythmia using automatic spectral methods and cardiac auscultatory | |
| CN111370120A (zh) | 一种基于心音信号的心脏舒张功能障碍的检测方法 | |
| Wanasinghe et al. | Lung sound classification with multi-feature integration utilizing lightweight cnn model | |
| Touahria et al. | Discrete Wavelet based Features for PCG Signal Classification using Hidden Markov Models. | |
| Arı et al. | A lung sound classification system based on data augmenting using ELM-Wavelet-AE | |
| Zhang et al. | Research on lung sound classification model based on dual-channel CNN-LSTM algorithm | |
| CN116975693A (zh) | 一种基于深度学习和异质集成策略的心音检测方法及系统 | |
| CN116246658A (zh) | 一种基于MobileCBAM-CenterNet的鼾声检测方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200207 |
|
| RJ01 | Rejection of invention patent application after publication |