CN111050633A - 多传感器心脏功能监测和分析系统 - Google Patents

多传感器心脏功能监测和分析系统 Download PDF

Info

Publication number
CN111050633A
CN111050633A CN201880054490.XA CN201880054490A CN111050633A CN 111050633 A CN111050633 A CN 111050633A CN 201880054490 A CN201880054490 A CN 201880054490A CN 111050633 A CN111050633 A CN 111050633A
Authority
CN
China
Prior art keywords
signal
pcg
acoustic
icr
envelope
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
Application number
CN201880054490.XA
Other languages
English (en)
Inventor
威廉·凯撒
尼尔斯·彼得·博格斯特伦
佩尔·亨里克·博格斯特伦
阿曼·马哈詹
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.)
University of California
Original Assignee
University of California
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 University of California filed Critical University of California
Publication of CN111050633A publication Critical patent/CN111050633A/zh
Pending legal-status Critical Current

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
    • 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
    • A61B5/02028—Determining haemodynamic parameters not otherwise provided for, e.g. cardiac contractility or left ventricular ejection fraction
    • 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
    • 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]
    • A61B5/346—Analysis of electrocardiograms
    • 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]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B7/00—Instruments for auscultation
    • A61B7/02—Stethoscopes
    • A61B7/026—Stethoscopes comprising more than one sound collector
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0204—Acoustic sensors
    • 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
    • A61B5/026—Measuring blood flow
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6813—Specially adapted to be attached to a specific body part
    • A61B5/6823—Trunk, e.g., chest, back, abdomen, hip
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/683—Means for maintaining contact with the body
    • A61B5/6831—Straps, bands or harnesses
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Cardiology (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Acoustics & Sound (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Hematology (AREA)

Abstract

提供了一种集成心肺(ICR)系统，用于使用包括多个声传感器的可穿戴装置进行连续射血分数(EF)测量。ICR系统执行表征心脏声信号的信号处理计算，这些信号由心脏血液动力学流动、心脏瓣膜以及组织运动生成，并且ICR系统可以使用先进的机器学习方法来提供EF的准确计算。

Description

多传感器心脏功能监测和分析系统
【相关申请的交叉引用】
本申请要求2017年8月31日提交的美国临时专利申请编号62/552864的优先权和权益，本文以引证的方式将该申请全文并入
【关于政府赞助的研究或开发的声明】
不适用
【受版权保护的材料注意事项】
根据美国和其他国家的版权法，本专利文献中的部分材料可能受版权保护。版权所有人不反对任何人拓制专利文献或专利公开，就如在美国专利商标局公开可用的文件或记录中出现的那样，但无论怎样都在其他方面保留所有版权。因此，版权所有人不放弃其任何使该专利文献保持保密的权利，包括但不限于其依据37C.F.R.§1.14的权利。
【技术领域】
本公开的技术总体涉及患者监测，更具体地涉及监测心脏功能。
【背景技术】
心脏功能监测已经迫切需要对由于充血性心力衰竭(CHF)而处于危险中的患者启用持续警惕性监测。超过500万的美国人患有CHF，占美国死亡人数的九分之一以上。心脏功能的急剧恶化是准许住院治疗的最常见原因之一和医疗保健服务费用的主要因素。存在对心脏功能的连续、非侵入性监测的迫切且未满足的需要，该监测可以通过处于危险中的患者的识别以及早期预防和干预疾病状况的机会来减轻心脏病的负担。过去的技术解决方案只专注于监测心电图(ECG)信号源。然而，心脏的关键生物力学功能没有得到监测，由此限制了评估的本质。
当前用于测量EF的方法包括使用先进的超声心动图技术和MRI系统进行的时间点评估以及包括放射性核素心室造影术或放射性核素血管造影术的方法。然而，这些方法的应用昂贵，需要专家技术人员的存在和支持，并且不能进行连续监测。
【发明内容】
CHF的重要诊断指标是左心室射血分数(EF)心脏功能的关键降低的测量。EF值是每次心跳期间输送的左心室中的血液量的分数。低EF值指示CHF状况存在，并且提供确定患者护理所需的数据点。EF的大幅降低指示死亡风险。
因此，本技术的一个方面是一种集成心肺(ICR)系统，该系统使得能够用可穿戴装置进行连续EF测量，这为临床医生提供了针对患者护理的最关键的评估标准。在优选实施方式中，ICR系统执行表征心脏声信号的信号处理计算，这些信号由心脏血液动力学流动、心脏瓣膜以及组织运动生成。在另一个实施方式中，信号处理伴随有先进的机器学习方法，以提供EF的准确计算。
在说明书的以下部分中将公布本文描述的技术的另外方面，其中，详细描述是为了完全公开本技术的优选实施方式而不对其施加限制的目的。
【附图说明】
本文描述的技术将参考仅用于例示性目的的附图来更充分地理解：
图1示出了本描述的ICR监测系统的示意图。
图2A示出了基于与标准听诊器系统一起使用的典型听诊部位的代表ICR声传感器位置的图像。图2B示出了在常规的RA、LA以及LL监测部位处应用的代表ECG传感器电极位置的图像。
图3例示了没有声传感器的ICR传感器支架的实施方式的示意图。
图4例示了具有多个声传感器的ICR传感器支架的示意图，该多个声传感器形成定位在患者腹部周围的ICR传感器应用系统。
图5示出了根据本说明书的ICR声传感器的侧视图。
图6A至图6E示出了对干净的ECG信号的R波检测过程的图像。
图7A至图7D例示了根据本说明书的示例性PCG信号噪声抑制方案。
图8A至图8C分别示出了连续心动周期的PCG信号段、低频包络以及自相关的图。
图9A至图9C示出了估计S1位置的互相关方法。
图10A至图10C示出了用于收缩间隔估计的高频包络段的自相关的方法。
图11A和图11B示出了PCG信号心动周期的时间特征提取。
图12A至图12C示出了PCG特征提取以及与EF的相关性。
图13A至图13C示出了S1事件的AM-FM分解。
【具体实施方式】
1.引言
CHF的重要诊断指标是左心室射血分数(EF)心脏功能的测量。EF值是每次心跳期间输送的左心室中的血液量的分数。低EF值指示CHF状况，并且提供确定患者护理所需的数据点。EF的大幅降低指示死亡风险。包括ECG在内的其他测量均未指示该风险，因为这些方法不直接测量心脏功能。
本文描述的ICR系统使得能够用可穿戴装置进行连续EF测量，这为临床医生提供了针对患者护理的最关键的评估标准。具体地，ICR系统将紧凑的可穿戴声传感器装置和ECG传感器电极应用在方便的患者皮带或粘合附着应用系统中。ICR系统执行表征心脏声信号的信号处理计算，这些信号由心脏血液动力学流动、心脏瓣膜以及组织运动生成。信号处理伴随有先进的机器学习方法，以提供EF的准确计算。
ICR系统经由连续且方便的监测来有益地提供临床患者护理，这在对患者和临床医生以及可以推进基本护理的医院设施有利的情况下确保患者安全。ICR系统有益地还通过为原本将不接受评估的患者提供心脏功能监测来有利于门诊治疗。最后，ICR系统有益地还有利于居家监测，这提供了前所未有的心脏功能远程诊断能力，该能力使得能够早期干预并提供先进的围手术期护理。
2.ICR系统部件
在图1所例示的优选实施方式中，ICR监测系统100通常采用以下部件：ICR声传感器40、ECG传感器电极60以及ICR患者监测器102。监测器102包括输入106，该输入用于经由引线54从ICR声传感器40和ECG传感器电极60接收信号。应用编程110设置在存储器108内，用于经由在处理器104上执行来分析来自ICR声传感器40和ECG传感器电极60的数据。患者监测器102还可以包括用于输出计算出的分析结果的显示器112。应理解，系统的简化版本仅并入了ICR声传感器(不需要ECG传感器)，其中，应用编程被配置为经由PCG选通分段方案(在下面进一步详细描述)来分析声数据。
图1中示出了一个ICR声传感器40，然而，如图3和图4所示，可以将多个声传感器40与ICR传感器支架20一起使用来形成ICR传感器应用系统50。如将在下面进一步详细地说明的，ICR传感器支架20被配置为在基于与标准听诊器系统一起使用的典型听诊部位(图2A)的位置处将ICR声传感器40支承在患者10的身体上，这些位置例如为主动脉部位位置12a、肺部位位置12b、三尖瓣部位位置12c以及二尖瓣部位位置12d。
在一个实施方式中，ICR监测系统100包括用于ICR声传感器40的测量能力和标准三引线的光隔离的ECG测量。图2B示出了分别在常规的RA、LA以及LL监测部位处应用的代表ECG传感器电极60的位置14a、14b以及14c的图像。
在一个实施方式中，ICR监测系统100测量来自四个测量部位12a至12d的声信号以及来自ECG部位14a至14c的ECG信号这两者。如下面进一步详细地说明的，EF的计算基于对S1和S2特性以及S1和S2事件相对于ECG信号中的QRS事件的到达的时间的分析。
在另选实施方式中，如下面进一步详细提供的，ICR监测系统被配置为使用PCG选通分段方法来仅监测来自ICR声传感器40的声信号。在这种系统中，ECG传感器或其他传感器输入不是必要的。
2.1ICR传感器应用系统
在图3和图4所示的优选实施方式中，图3的ICR传感器支架20与ICR声传感器40一起放置在患者10的上腹部周围，以形成ICR传感器应用系统50。ICR传感器应用系统50将ICR声传感器40保持在适当的位置(例如，在听诊位置12a-12d)，以允许以一种形式进行连续信号记录，该形式对患者舒适，对护理提供者方便且准确，并且提供使得能够单次使用的低成本一次性部件。
图3例示了没有声传感器40的ICR传感器支架20的实施方式。ICR传感器支架20包括两个胸带22、24，它们被配置为水平地环绕患者定位。垂直分离器部件26固定到上胸带22，并且被配置为经由可释放的紧固件28(例如，压合带hook-and-loop)可释放地附接到下胸带24。耦合两个胸带22、24的垂直分离器部件26指示带的垂直位置。在垂直分离器26上端处的小半圆形指示器30指示胸骨的熟悉且容易识别的胸骨上切迹。胸带22、24各自包括一对标记36，它们被配置为将ICR声传感器40的附接单独定位在优选位置处，这些优选位置用于患者10的腹部/胸部内的声监测。
为了方便应用，每个胸带22、24包括柔性的加劲部分34和弹性部分32。所有材料，包括弹性部分32，优选地由不含乳胶的生物相容性材料组成。
在一个实施方式中，ICR传感器支架20以不同尺寸套件的形式提供，以匹配不同的患者尺寸，例如，标记为特小(XS)、小(S)、中(M)、大(L)以及特大(XL)的5种尺寸。这些尺寸可以根据表1根据受试者的身高来选择。
图4例示了具有四个声传感器40的ICR传感器支架20，该四个声传感器形成定位在患者10腹部周围的ICR传感器应用系统50。凭借在胸骨的胸骨上切迹处定位的垂直分离器26的上端处的半圆形指示器30，ICR声传感器40对齐在用于声感测的合适位置处，例如，上胸带22上的ICR声传感器40与主动脉部位位置12a和肺部位位置12b对齐，而下胸带24上的ICR声传感器40与三尖瓣部位位置12c和二尖瓣部位位置12d对齐。
在一个实施方式中，ICR传感器支架20和/或ICR传感器应用系统50被配置为一次性的单次使用装置，该装置确保合适且方便的附接以及患者的舒适。在图4所示的实施方式中，示出了相同的声传感器40被应用于受试者。每个声传感器40可以具有公48/母52引线连接，这些引线连接用颜色编码，以便经由引线54附接到ICR患者监测器。
图5示出了根据本说明书的示例性ICR声传感器40的侧面立体图。ICR声传感器40包括具有腈(无乳胶)膜42的半圆顶形状的壳体44。在壳体的与膜42相对的端46处，可以定位可释放的附接装置(例如，压合带材料的圆形区域，未示出)，以使得声传感器40能够在指定的标记36处附接到ICR传感器支架20。应理解的是，在每个部位处应用的声传感器40用颜色编码的公连接器48连接到患者监测器引线54，该公连接器与对应的母连接器52匹配。
在一个实施方式中，凭借以下步骤，到患者10身体的传感器附着在确保垂直和横向位置这两者的情况下是直接的：
(a)将ICR传感器支架20的上胸带22应用并定位为紧接在腋下位置下方。为了舒适调节带张力，以适合患者的腰围。
(b)通过将垂直分离器26的切迹30定位为与患者胸骨对齐来指示横向位置。
(c)在ICR传感器支架20的胸带24附接在垂直分离器26的下端处的情况下定位该胸带。为了舒适调节带张力，以适合患者的腰围。
(d)然后经由标记36指示传感器位置，并且应用声传感器40。在一个实施方式中，在每个胸带22、24处用在传感器44壳体与对应的压合带部分28之间的简单压合带附接来应用声传感器40。
(e)还可以在图2B所指示的LA、RA以及LL标准位置处添加ECG传感器。
(f)将颜色编码的互连电缆/引线54连接在公/母连接器48/52处，以将每个传感器耦合到患者监测器102的对应输入。
(g)还可以通过键控连接器的存在来确保传感器40附接颜色分配，这些键控连接器仅允许应用合适分配的传感器颜色代码。
3.ICR系统分析
本部分详述在用于根据本说明书的ICR监测系统100计算EF和其他心脏度量的数据获取和信号处理中使用的方法。下面详述的方法优选地被实施为在应用编程110的一个或多个模块内的机器可读代码中的指令，这些指令可以在监测器102或其他外部处理装置上执行。
3.1 ECG信号处理和分析
在使用ECG选通分段(下面将进一步详细描述)方法的情况下，使用传统ECG电极测量的ECG信号用于使得能够将心音图(PCG)声标记定时并适当识别为属于心动周期的S1、S2或另一部分。在每个心动周期中，心室的电去极化导致在ECG信号中观察到的电压发生位移，该信号被称为R波。R波通常是ECG信号中最突出的特征。如果可以在每个心动周期内准确识别R波，那么可以将信号分解为单独的心动周期，以将ECG信号分段。如果同步获取ECG和PCG，则可以将该同一分解应用于PCG。由此，当实施在本说明书的方法中时，ECG信号处理的主要目的是鲁棒的R波检测。
R波检测由于若干因素而复杂。首先，由于ECG电极放置的变化或某些心脏状况的存在，R波的振幅和形态可能发生很大变化。这些原因也带来T波振幅的变化。ECG的T波反映了心动周期中心室的电复极化。在某些场景中，这可能导致R波和T波具有类似的振幅。这在尝试仅基于振幅准则来识别R波时产生困难。
进一步地，若干噪声源可能破坏ECG信号，包括1)电源线干扰、2)电极接触噪声、3)运动伪影、4)肌肉收缩以及5)由于呼吸的基线漂移和振幅调制。电源线干扰包括60Hz噪声，该噪声可能高达峰到峰ECG振幅的50％。基线漂移和振幅调制通常由受试者的呼吸引起，这产生ECG基线的大周期性变化。电极接触噪声由于电极与皮肤之间的耦合的劣化而引起。引起的噪声级取决于劣化的严重程度。如果电极与皮肤之间的接触完全丧失，则系统被有效断开，这导致ECG信号中的大伪影。如果耦合降低但电极与皮肤之间仍然存在一定程度的接触，则引入较低振幅的噪声，这在耦合次优时可能持续。受试者的运动和肌肉收缩也可能加剧耦合问题，这可能进一步影响电极与皮肤之间的接触表面积。
为了减轻这些影响，ICR系统100的一个实施方式使用先进的预处理技术，这些技术可以在应用编程110内实施，包括：
(a)对所获取的ECG信号进行带通滤波；
(b)使滤波后的信号与其导数相乘；
(c)计算包络；
(d)在计算出的包络中识别R波；
(e)识别滤波后的信号中的对应峰；以及
(f)确定滤波后的信号中的R波初动(onset)。
带通滤波用于使基线漂移、电力线干扰以及其他噪声源的影响最小化，同时维持基础的ECG信号。带通滤波器可以通过其下限和上限截止频率来定义，并且这两个频率之间的区域称为通带。虽然最佳截止频率可以基于硬件变化，但示例实施方式可以具有在1Hz至30Hz之间的通带。对于无限脉冲响应(IIR)和有限脉冲响应(FIR)滤波器这两者，存在许多定义明确的滤波器设计工具，这些工具允许基于块带拒绝、通带衰减、滤波器阶数的期望规范以及其他性能规范来设计带通滤波器。在ICR系统中，带通滤波器的应用可以显著改善信噪比，并且对滤波后的信号f(t)执行后续预处理。
在典型的ECG信号中，R波具有大振幅的特性，并且仅基于振幅的R波候选的选择可以是有效的。然而，在某些情况下，T波可能变得与R波一样突出，并且使得该直接的方法无效。为了减轻升高的T波的影响，ICR系统利用R波的另一个特性，即其相对于典型T波的更高频率含量。通过计算信号f(t)的导数(放大高频含量的运算)，生成具有放大的R波振幅的信号。随后将f(t)与其导数相乘产生新信号g(t)，该新信号相对于有时有问题的T波大大强调了R波。
使用希尔伯特(Hilbert)变换计算产生信号g(t)的包络，然后以8Hz的截止频率对该包络进行低通滤波，以进一步放大R波，并且产生的包络通过除以其第98个百分位的值来归一化。请注意，使用该方法而不是除以最大值来减少包络中的虚假离群值的影响。
产生的信号的峰值检测利用已知的峰值检测算法，最小峰高被设置为最大包络高度的50％。可以强加若干条件来消除不太可能与R波关联的峰。例如，在随后的处理之前，可以使用快速演替的过大振幅或过多数量的峰来指导去除假峰。
一旦在包络中识别了R波的峰位置，就将R波初动确定为高于某个阈值的最后一个值。这里的示例阈值可能是包络峰值的50％。
图6A至图6E示出了对干净的ECG信号的示例性R波检测过程。图6A示出了原始ECG信号。图6B示出了滤波后的ECG信号的导数。图6C示出了由信号乘以其导数产生的函数的包络，其中检测到的峰由正方形标记。图6D示出了滤波后信号的包络，其中检测到的峰由菱形标记，并且R波初动由实心圆标记。图6E示出了滤波后的ECG信号，其中R波初动由实心圆标记。
3.2 PCG信号处理
3.2.1 噪声抑制
PCG信号也容易受到来自种种来源的噪声的影响，这些来源诸如无意识的受试者活动、有意识的受试者活动、与传感器的外部接触以及环境噪声。
无意识的受试者活动包括受试者的无意识生理活动，诸如呼吸和消化音。该组中的另一个常见的噪声源是传感器下方组织的微观运动，即使是看似静止的受试者也是如此。该运动导致PCG信号的持续波动，其振幅通常较低。然而，如果心脏信号强度低，则该噪声可能掩蔽基础的心脏事件。
有意识的受试者活动包括诸如语音和受试者运动的活动。这些噪声源通常将产生PCG信号中的较大干扰。类似地，另一个对象(诸如衣服或手)与传感器壳体的外部接触也可能在信号中产生较大的伪影。
环境噪声通常包括不涉及受试者或传感器的所有外部噪声源。这可能包括非受试者语音、背景音乐/电视以及医院设备噪声。凭借传感器到组织的适当耦合，除了极端情况外，这种噪声因素通常对PCG信号质量的影响最小。
PCG信号预处理包括带通滤波，然后是短时频谱振幅对数最小均方误差(STSA-对数-MMSE)噪声抑制。带通滤波可以用25Hz和100Hz的截止频率来执行，已发现这在减小带外噪声源的振幅的同时保留PCG信号。
在本说明书的方法中，生成信号噪声的模型，并且考虑短时间段的数据。针对每个时间段计算除噪声之外的声活动的存在概率，并且根据该概率计算增益。对于低概率，增益较低，而对于高概率，增益接近统一，从而降低了音频的纯噪声段的振幅。应当注意，这些模型和对应的增益在频域中考虑。到频域的转换使用快速傅里叶变换(FFT)来执行，并且返回时域的转换使用快速傅里叶逆变换(IFFT)来执行。
对于PCG分析，可以进行STSA-对数-MMSE算法的自适应。尽管典型的STSA-对数-MMSE应用通常需要记录已知的只有噪声数据，但是可以利用基于ECG分段的心动周期的定时的已有知识来确定声不活动的区域。例如，已知在每个心动周期内将存在不包含心音的区域。即使存在包括杂音的所有心音，也有不含这种声音的区域。由此，在第25个百分位中具有RMS能量的每个心动周期的区域可能具有最小的心脏声标记的特性。这允许噪声模型的在线生成以及这种模型的自适应更新。
图7A至图7D例示了根据本说明书的PCG信号噪声抑制的示例。图7A示出了原始带通滤波后的信号。图7B示出了原始信号的频谱图。图7C示出了去噪或噪声抑制的信号的频谱图，该频谱图演示了噪声的显著降低。图7D示出了最终的去噪信号，也演示了噪声的显著降低。
3.3 信号分段
PCG信号分析通常包括三个主要阶段：分段、特征提取以及分类/回归。在分段阶段，检测并标记心脏声事件。这些事件可以包括S1、S2、S3和S4声音以及杂音。在优选实施方式中，ICR系统100主要利用基本的心音S1和S2，因为这些事件拥有我们经由PCG信号的分析来估计射血分数(EF)的目标所需的关键信息。
本说明书详述了PCG信号分段的两种示例性方法，下文中被描述为PCG选通分段和ECG选通分段。在PCG选通分段中，仅通过检查PCG信号本身来对PCG信号进行分段，而无需来自同步ECG信号的任何补充信息。通常，在该方法中，首先存在检测阶段，在该阶段中，应用事件检测方法来定位心音。在此，应用信号处理方法来强调信号中的心脏活动的区域。然后，应用决策方法来基于某些预定准则识别心音。
接着，在标记阶段，将声音标记为上述类型之一。通常，该阶段主要集中在S1和S2声音上。在此，连续事件之间的间隔持续时间以及事件本身的特性可以用于识别某个事件属于哪个组。同一心动周期的S1与S2之间的间隔是收缩间隔，并且一个心动周期的S2与下一个心动周期的S1之间的间隔是舒张间隔。然而，在直接PCG分段中，先验地未知每个心动周期的断点位于哪里。由此，当呈现有两个连续事件时，确定它们是对应于第n个心动周期的S1和S2事件还是第n个周期的S2事件和第n+1个周期的S1事件可能具有挑战性。
最后，在分解阶段，将PCG信号分解为单独的心动周期，发生在每个周期期间的对应事件和事件之间的间隔归因于该周期。这允许单独分析每个心动周期。
在ICR系统100的一个实施方式中，实施了一种ECG选通框架，该框架分析ECG信号，具体为R波初动，以使得能够对PCG信号分段定时。该方法使用ECG和PCG信号的短时周期性(即使在异常心律的情况下也存在的特性)。
为了确保周期性，在包含两个连续的心动周期的段中分析PCG信号。假设连续心动周期的收缩间隔是一致的(我们发现即使在心律失常的情况下也是如此)，对这种段执行相关方法分析允许准确检测和标记S1和S2声音。
PCG分段的第一步是从上述处理后的降噪信号生成PCG包络。包络可以使用希尔伯特变换或通过计算信号的绝对值并将其穿过低通滤波器来生成。可以考虑若干不同的拐点频率，并且可以生成若干包络并将其用于后续处理。
包络可以通过应用阈值以去除低电平噪声来进一步处理。最后，可以通过将信号升高到小于1的某一功率来调节，这种变换倾向于对包络中峰的高度进行归一化，使得所有峰近似相同地加权。
随后在包含两个心跳的段中分析包络，这是通过对先前生成的高质量ECG信号进行分析启用的初步分段。每个心跳在一个窗口中作为第二事件处理，并且在下一窗口中作为第一事件处理。这样，每个心动周期都被分析两次，从而提高了适当检测该跳动的可能性。
向每个双跳包络应用自相关函数。该运算符通常用于检测信号的周期性，并且该特性在PCG分析中有用。图8A至图8C中突出了该过程。图8A示出了连续心动周期的PCG信号段的图。图8B示出了对应段的低频包络的图。图8C示出了低频包络的自相关的图。在图8C中，由表示的对应间隔标记若干峰。应当注意，在图8A至图8C之间存在x轴上的缩放比例的差异。
图8B所示的包络经受自相关运算符，这产生图8C所示的对称信号a(t)。a(t)示出了中心峰，该峰对应于本身具有零时移的包络的点积。还存在相对于该中心峰移位一个时段T的第二主峰。这对应于具有包络移位T的包络的点积，使得与一个心跳关联的峰与后续跳动的峰对齐，从而导致正干扰。在图8C中还明显的是被收缩期和舒张期移位的更小峰，这些更小峰由于S1峰与S2峰的重叠引起。
上述自相关使得能够计算有价值的质量度量。对于高质量的PCG记录，N+T处的峰尖且突出。该突出被量化为其高度相对于其周围的最低点的差。该信号质量指标用于量化信号质量，这在指导后续算法方面至关重要。例如，如果一个传感器具有相对于其他传感器低质量的特性，则其在分类器中的作用相对于其他传感器可能贬值或权重降低。另选地，该特征可以用于警告系统操作员信号质量不足，该信号质量不足指示不良的传感器放置。
关于现在确定的心动周期T，下一步是确定心动周期内的单独心脏事件的位置。为了定位S1事件，将生成梳状函数，该梳状函数的值在除周期的整数倍外所有位置处均为零。该函数与PCG包络的卷积产生一系列峰，因为梳中的德尔塔(δ)函数穿过包络中的峰。当这些δ与S1事件对齐时，将生成大峰，并且该峰的偏移等于PCG信号中的S1事件的偏移。这在原始PCG信号中产生搜索间隔，已知S1事件发生在在该搜索间隔内。图9A至图9C中演示了该过程，示出了估计S1位置的互相关方法。图9A示出了函数f(n)的图。图9B示出了PCG信号段的低频包络的图。图9C示出了f(n)与低频包络的互相关的图。在图9C中，S1峰搜索间隔用虚线标记。
在S1现在被定位的情况下，剩下的任务是确定S2的位置。为此，再次讨论PCG包络的自相关a(t)。如上所述，a(t)包含与收缩和舒张tie间隔关联的副峰。如图10A至图10C所示，收缩间隔由中心峰之后的第一峰的位置给出。由此，S2事件的搜索区域被限定到该峰附近的区域。因为S2事件在PCG信号中并不总是明显，所以这些峰可能无法辨别，并且在此附近搜索峰可能在已知不发生S2事件的区域中产生峰。由此，搜索限于以N+0.2T和N+0.55T为界的区域。不考虑该间隔之外的峰。图10A至图10C中演示了该过程，例示了用于收缩间隔估计的高频包络段的自相关。图10A示出了PCG信号段的图。图10B示出了高频包络的图。图10C示出了高频包络的产生的自相关。在图10C中，虚线表示N+0.2T＜n＜N+0.55T的边界。
作为PCG信号分段中的最后一步，可以应用错误事件去除方法。这可以利用定时和持续时间特性以及其他已知信号特性。例如，R波的初动与S1声音的初动之间的时间间隔通常非常一致，这是可以用来去除在预期时间之前或之后显著出现的检测到的S1峰的特性。
另外，心脏事件具有持续时间为20ms至250ms的特性。如果检测到的峰的持续时间在该范围之外，则它可能是噪声的伪影，并且可以从考虑去除。
3.4 PCG特征和特征提取
3.4.1 时间和振幅特征
对健康和患病个体执行的广泛研究使得能够探索和发现被示出为与射血分数(EF)相关的特征。这些特征可以利用时间和振幅特性(TA)、频率特性或其他信号特性。
图11A和图11B示出了PCG信号心动周期的时间特征提取。图11A示出了PCG信号和所提取的特征1-7。图11B示出了对应的ECG信号。
参照图11A，已经提取了大量TA特征并将其确定为在计算EF中具有价值。所提取的时间特征包括但不限于：1)机电启动时间(EMAT)，该EMAT被定义为QRS复合波初动与S1峰之间的间隔；2)QS2，这是从QRS复合波的初动到第二心音的主动脉分量的第一高频振动测量的总机电收缩间隔；3)S1持续时间；4)S2持续时间；5)二尖瓣停止到开放时间(MCOT)；6)左心室射血时间(LVET)，该LVET从开始上行程到颈动脉搏动图的切迹的谷测量；以及7)左心室收缩时间(LVST)，该LVST被定义为S1峰与S2峰之间的间隔。S1和S2持续时间被计算为各个事件的端点之间的间隔。由于我们无法利用颈动脉脉搏信号，因此在此将LVET估计为S1事件结束与S2事件开始之间的间隔。二尖瓣停止到开放时间是从二尖瓣流入的停止到初动的间隔。它可以从PCG信号估计为S1事件开始与S2事件开始之间的间隔。
其他特征可以从信号的包络导出。例如，已广泛研究了S2与S1包络峰之间的时间差。
时间特征还可以通过心动周期来归一化，这产生另外的归一化的时间特征。进一步地，PCG数据允许计算Tie指数(也称为心肌性能指数)，作为比率(MCOT–LVET)/LVET。
除了时间特性之外，特征集还可以包括S1和S2事件的振幅特性以及舒张和收缩间隔。这些特征可以从PCG信号及其包络这两者导出。对于S1和S2事件间隔这两者，都考虑了以下特征：通过整个心动周期的PCG信号的均方根(RMS)归一化的PCG信号段的RMS；通过整个心动周期的PCG信号的方差归一化的PCG信号段的峰值振幅；以及通过整个心动周期的包络平均值归一化的包络段的峰值振幅。对于舒张和收缩间隔，所检查的特征包括通过整个心动周期的PCG信号的RMS归一化的PCG信号段的RMS。该归一化被执行为减小特征对绝对振幅的依赖性。振幅特征还可以以多种方式组合，包括S1和S2特征的比率分析(例如S1 RMS：S2 RMS)、以及S1和S2 RMS与舒张和收缩RMS的比率。
最后，对时间和振幅特征执行的线性和非线性组合产生时间-振幅特征。一个这种示例将是S1 RMS乘以信号包络中的S1和S2峰的时间差。图12A至图12C示出了PCG特征提取以及与EF的相关性。图12A示出了EF vs.S1与S2包络峰之间的时间间隔，图12B示出了EFvs.S1 RMS。图12C示出了EF vs.图12A和图12B中的特征的乘法。CC＝皮尔逊(Pearson)的相关系数。如图12A至图12C所示，特征的该组合演示了与EF的相关性比各个时间和振幅分量更强。
3.4.2 频率特性
已经发现频域产生有价值特征的另外集合。具体地，发现S1和S2声音的AM-FM分解提供强力的降维能力，并且使得能够发现与EF强烈相关的新特征。图13A至图13C示出了S1事件的AM-FM分解。图13A例示了S1事件的PCG信号段。图13B示出了AM分量。图13C示出了FM分量(载波信号)。
在AM-FM分解中，PCG信号被表示为包络b(t)乘以载波信号f(t)，f(t)被定义为具有单位振幅。通过将原始信号除以b(t)的模型，恢复具有单位振幅的载波信号，并且该信号的FFT产生其频率含量。已经发现被定义为心音图载波信号分析(PCSA)的该过程，产生与EF强烈相关的特征。
例如，一个有价值的特征已经被定义为在f(t)的高频带中包含的能量含量相对于在低频带中包含的能量含量之间的比率。与频带关联的能量被计算为f(t)的FFT的和，限制由频带的上限和下限提供。例如，频带可能由分别为10Hz和15Hz的下限和上限定义，并且在该频带中包含的能量将被计算为从10Hz到15Hz的FFT的和。通过定义低频带和高频带，为每个频带计算关联能量，然后计算这些能量的比率RPCSA，可以计算出强力的PCSA特征。
3.5优化PCSA频率比
计算出的数量RPCSA由四个值参数化，即，上下频带的上下限。为了针对随后的EF计算优化该计算值，必须基于训练数据选择这四个值。为此，考虑了皮尔逊相关系数(PCC)以及线性回归相关系数。这两个值量化了输入变量(在这种情况下为RPCSA)与输出变量(在这种情况下为EF)相关的程度。零值指示零相关，而绝对值一指示完美相关。由此，在计算RPCSA时选择最佳参数等效于以这四个频率值作为输入来最大化RPCSA与EF之间的相关系数。可以对频带放置约束，以减小四维搜索空间的尺寸。例如，频带的上限必须大于其下限。进一步地，高频带的下限必须高于低频带的上限。
已经使用了许多方法来执行该优化。可以使用蛮力法，该方法考虑频带的所有可能组合，计算每种组合的结果相关系数，并且记录该系数的最大值。另选地，可以用随机选择的初始种子来执行约束非凸优化例程多次，每次收敛到局部最大值。最大的这种局部最优将被认为是最佳解决方案。最后，可以通过例如约束上下频带的宽度并且仅改变它们各自的中心频率来考虑更低维的搜索空间。产生的二维优化可以以可能忽略最佳解决方案的代价更快地执行。上述任何方法可以通过高度并行化的计算结构(诸如计算机集群或网络)更快速地计算。
3.6 分层分类方法
多层系列的神经网络(NN)分类器使用上述特征来计算关联的EF值。在该配置中，首先使用全局分类器来将受试者分配给若干子组之一。该分类器计算EF估计值，并且受试者根据定义的阈值分配到子组。子组可以例如被定义为超低EF、低EF、中EF以及高EF，但其他子组划分是可能的。
一旦受试者被分配到子组，就计算出特定于所分配子组的新特征集。这些特征然后用作专门为该EF子范围设计的NN分类器的输入。
作为示例，全局分类器可以将38的EF值分配给受试者，这会将受试者置于低EF类别中。其后，将为该受试者计算新特征集，并且将使用低EF NN分类器来分配EF值，该EF值随后将被报告为计算出的EF值。作为另选示例，全局分类器可以将68的值分配给受试者，这会将受试者置于高EF子组中。其后，计算新特征集，并且使用高EF分类器对受试者重新分类。产生的值将作为与该受试者关联的计算出的EF值输出。
3.7 EF离群值状况的检测
有许多医疗状况可能导致ICR计算出的EF显著偏离经由超声心动图测得的值。例如，在肥厚型心肌病的情况下，心脏壁变大，这导致舒张末期容积减小。在这些情况下，即使是减小的射血量也可能导致很高的EF，这使受试者处于一种被称为高动力性EF的状态下。
在该心脏状况和其他心脏状况下呈现出的生理机能可能对上述分类器的应用提出了难题。这样，启用检测这种状况的鉴别器并启用单独的EF计算至关重要。
已经证明，PCSA分析也对此有用。在临床试验中遇到的高动力性受试者展示出独特的PCSA特征，这使得能够预先分类为高动力性。已经开发专门的PCSA比率来有效地分离或区分这种受试者。
3.8 系统状态机
临床使用中的适当EF分类使用适当的传感器放置、足够高质量数据的获取、到EF子组中的分类以及随后的EF计算。
为了初始化测量，临床医生将传感器放置在规定的位置，然后开始记录。记录的初始阶段使得临床医生能够微调传感器的放置，直到检测到足够的数据质量为止。系统保持在该传感器调节状态，直到在足够的时间段内从足够数量的传感器接收到高质量数据为止。
在成功完成该阶段后，系统进入校准阶段，在该阶段，以预设的时间量记录数据。如果数据质量在该阶段期间过度劣化，则系统转变回传感器调节状态。
在校准阶段期间，尚没有足够的数据来将受试者预分类到EF子组中。这样，在该阶段期间无法报告EF。然而，为了减少与EF计算关联的延迟，在此期间计算与所有子组分类器关联的特征和EF值。一旦校准阶段过去，全局EF分类器就能够计算EF值，随后将受试者预分类到子组之一中。检索对应分类器的预先计算的EF值，并且报告它们的平均值。
3.9 手术植入的传感器系统
除了先前描述的系统实施方式之外，可以实施涉及可植入传感器的系统配置。尽管先前的系统考虑使用安装在身体外部的传感器，但声换能器和压力换能器的小尺寸和低功率要求使得能够将这种器件手术植入期望的位置中。提高的声源接近性产生改善的耦合和改善的信号质量。进一步地，减轻了外部干扰的影响。
这种实施方式可以连续地或偶尔地操作，并且原始数据或处理后的数据可以被发送到受试者外部的装置。能量可以由可以能够无线充电的植入式电池来提供，从而使得能够长期使用。最后，系统可用来临时监测，然后手术去除或准永久使用，诸如由起搏器和植入式除颤器支持的系统。
本文可以参考根据本技术的实施方式的方法和系统的流程图图示和/或也可以被实施为计算机程序产品的规程、算法、步骤、运算、公式或其他计算描述来描述本技术的实施方式。在这点上，流程图的每个方框或步骤和流程图中的方框(和/或步骤)的组合、以及任何规程、算法、步骤、运算、公式或计算描述，都可以通过各种装置来实施，诸如包括以计算机可读程序代码具体实施的一个或多个计算机程序指令的硬件、固件和/或软件。如将理解的，任何这种计算机程序指令可以由一个或多个计算机处理器执行，包括但不限于通用计算机或专用计算机或产生机器的其他可编程处理设备，使得在计算机处理器或其他可编程处理设备上执行的计算机程序指令创建用于实施指定功能的装置。
因此，本文描述的流程图的方框、以及规程、算法、步骤、运算、公式或计算描述支持用于执行指定功能的装置的组合、用于执行指定功能的步骤的组合以及用于执行指定功能的计算机程序指令(诸如具体实施在计算机可读程序代码逻辑装置中)。还将理解，流程图图示的每个方框以及本文描述的任何规程、算法、步骤、运算、公式或计算描述及其组合，可以通过执行指定功能或步骤的基于专用硬件的计算机系统、或专用硬件和计算机可读程序代码的组合来实施。
此外，这些计算机程序指令(诸如具体实施在计算机可读程序代码中)还可以被存储在一个或多个计算机可读存储器或存储装置中，该存储器或存储装置可以引导计算机处理器或其他可编程处理设备以特定方式来起作用，使得在计算机可读存储器或存储装置中存储的指令产生制品，该制品包括实施在流程图的方框中指定的功能的指令装置。计算机程序指令还可以由计算机处理器或其他可编程处理设备来执行，以使得在计算机处理器或其他可编程处理设备上执行一系列操作步骤，以产生计算机实施的处理，使得在计算机处理器或其他可编程处理设备上执行的指令提供用于实施在流程图的方框、规程、算法、步骤、运算、公式或计算描述中指定的功能的步骤。
还将理解，如本文使用的词语“编程”或“可执行程序”是指可以由一个或多个计算机处理器执行来执行如本文描述的一个或多个功能的一个或多个指令。指令可以在软件、固件或软件和固件的组合中来具体实施。指令可以存储在永久介质中的装置本地，或者可以远程存储，诸如存储在服务器上，或者全部或部分指令可以本地和远程存储。远程存储的指令可以通过用户发起或基于一个或多个因素自动下载(推送)到装置。
还将理解，如本文使用的，词语处理器、硬件处理器、计算机处理器、中央处理单元(CPU)以及计算机被同义地用来表示能够执行指令并与输入/输出接口和/或外围装置进行通信的装置，并且词语处理器、硬件处理器、计算机处理器、CPU以及计算机旨在包含单个或多个装置、单核和多核装置及其变体。
根据本文的描述，将理解，本公开包含多个实施方式，这些实施方式包括但不限于以下实施方式：
1.一种用于监测心脏功能的装置，该装置包括：(a)多个集成心肺(ICR)声传感器，被配置为置于患者的胸部上；(b)处理器，联接到多个ICR声传感器；以及(c)非暂时性存储器，存储可由处理器执行的指令；(d)其中，所述指令在由处理器执行时执行以下步骤：(i)从多个ICR声传感器接收心音图(PCG)声信号；(ii)将PCG声信号分段，以在PCG声信号中定位一个或多个心脏事件；(iii)从PCG声信号提取一个或多个时间和振幅特性；(iv)将所提取的特性分类为一个或多个子组；以及(v)基于分类的特性计算射血分数(EF)。
2.根据任意前述或以下实施方式的装置或方法，其中，将PCG声信号分段包括：检测PCG声信号内的心音；基于预定义的准则识别心音；基于连续事件之间的间隔将心音标记为S1和S2；以及将PCG信号分解为单独的心动周期。
3.根据任意前述或以下实施方式的装置或方法，还包括：(e)多个ECG传感器，被配置为置于患者的胸部上并联接到处理器；(f)其中，所述指令在由处理器执行时还执行以下步骤：(i)从多个ECG传感器接收ECG传感器信号；(ii)处理ECG传感器信号，以计算ECG传感器信号中的R波初动；(iii)其中，R波初动用于使得能够在心动周期内定时并识别PCG声标记。
4.根据任意前述或以下实施方式的装置或方法，其中，识别PCG声标记包括识别心动周期内的S1和S2事件。
5.根据任意前述或以下实施方式的装置或方法，其中，所提取的时间特性包括以下一项或多项：机电启动时间(EMAT)、总机电收缩间隔(QS2)、S1持续时间、S2持续时间、二尖瓣停止到开放时间(MCOT)、左心室射血时间(LVET)以及左心室收缩时间(LVST)。
6.根据任意前述或以下实施方式的装置或方法，其中，在包含两个连续心动周期的包络段内分析PCG信号；并且其中，所提取的振幅特性包括以下一项或多项：通过整个心动周期的PCG信号的均方根(RMS)归一化的PCG信号包络段的RMS；通过整个心动周期的PCG信号的方差归一化的PCG信号段的峰值振幅；以及通过整个心动周期的包络平均值归一化的包络段的峰值振幅。
7.根据任意前述或以下实施方式的装置或方法，还包括：通过执行心音图载波信号分析(PCSA)，从PCG信号提取一个或多个频率特性。
8.根据任意前述或以下实施方式的装置或方法，其中，PCSA包括产生具有单位振幅的载波信号的、PCG信号内的S1和S2事件的AM-FM分解。
9.根据任意前述或以下实施方式的装置或方法，其中，处理ECG传感器信号以计算信号中的R波初动包括：(a)对ECG传感器信号进行带通滤波；(b)将滤波后的信号乘以其导数；(c)计算相乘后信号的包络；(d)识别计算出的包络中的R波；(e)识别滤波后的信号中的对应峰；以及(f)确定滤波后的信号中的R波初动。
10.根据任意前述或以下实施方式的装置或方法，其中，将所提取的特性分类包括：跨多个患者应用神经网络(NN)，以生成全局分类器；以及基于计算出的EF值将患者分配到子组集，其中，每个这种子组都有其自己的NN子分类器。
11.根据任意前述或以下实施方式的装置或方法，其中，布置在ICR传感器支架内的多个ICR声传感器被配置为在基于典型听诊部位的位置处将ICR声传感器支承在患者上。
12.根据权利要求1的装置，其中，指令还被配置为：使用短时频谱振幅对数最小均方误差(STSA-对数-MMSE)噪声抑制来预处理PCG声信号；其中，基于所获取的R波初动的心动周期的定时，被用于将声音不活动的区域确定为STSA-对数-MMSE的输入。
13.一种用于监测心脏功能的方法，该方法包括：从置于患者的胸部上的多个ICR声传感器接收心音图(PCG)声信号；将PCG声信号分段，以在PCG声信号中定位一个或多个心脏事件；从PCG声信号提取一个或多个时间和振幅特性；将所提取的特性分类为一个或多个子组；基于分类的特性计算射血分数(EF)；以及输出计算出的EF，以便显示；其中，所述方法通过处理器执行存储在非暂时性存储器上的指令来执行。
14.根据任意前述或以下实施方式的装置或方法，其中，将PCG声信号分段包括：检测PCG声信号内的心音；基于预定义的准则识别心音；基于连续事件之间的间隔将心音标记为S1和S2；以及将PCG信号分解为单独的心动周期。
15.根据任意前述或以下实施方式的装置或方法，还包括：与接收PCG声信号同时地，从置于患者的胸部上的多个ECG传感器接收ECG传感器信号；处理ECG传感器信号，以计算ECG传感器信号中的R波初动；并且其中，R波初动用于使得能够在心动周期内定时并识别PCG声标记。
16.根据任意前述或以下实施方式的装置或方法，其中，识别PCG声标记包括识别心动周期内的S1和S2事件。
17.根据任意前述或以下实施方式的装置或方法，其中，所提取的时间特性包括以下一项或多项：机电启动时间(EMAT)、总机电收缩间隔(QS2)、S1持续时间、S2持续时间、二尖瓣停止到开放时间(MCOT)、左心室射血时间(LVET)以及左心室收缩时间(LVST)。
18.根据任意前述或以下实施方式的装置或方法，其中，在包含两个连续心动周期的包络段内分析PCG信号；并且其中，所提取的振幅特性包括以下一项或多项：通过整个心动周期的PCG信号的均方根(RMS)归一化的PCG信号包络段的RMS；通过整个心动周期的PCG信号的方差归一化的PCG信号段的峰值振幅；以及通过整个心动周期的包络平均值归一化的包络段的峰值振幅。
19.根据任意前述或以下实施方式的装置或方法，还包括：通过执行心音图载波信号分析(PCSA)从PCG信号提取一个或多个频率特性。
20.根据任意前述或以下实施方式的装置或方法，其中，PCSA包括产生具有单位振幅的载波信号的、PCG信号内的S1和S2事件的AM-FM分解。
21.根据任意前述或以下实施方式的装置或方法，其中，处理ECG传感器信号以计算信号中的R波初动包括：对ECG传感器信号进行带通滤波；将滤波后的信号乘以其导数；计算相乘后信号的包络；识别计算出的包络中的R波；识别滤波后的信号中的对应峰；及确定滤波后的信号中的R波初动。
22.根据任意前述或以下实施方式的装置或方法，其中，将所提取的特性分类包括：跨多个患者应用神经网络(NN)，以生成全局分类器；以及基于计算出的EF值将患者分配到子组集，其中，每个这种子组都有其自己的NN子分类器。
23.根据任意前述或以下实施方式的装置或方法，其中，指令还被配置为：使用短时频谱振幅对数最小均方误差(STSA-对数-MMSE)噪声抑制来预处理PCG声信号；其中，基于所获取的R波初动的心动周期的定时，被用于将声音不活动的区域确定为STSA-对数-MMSE的输入。
24.一种用于监测心脏功能的装置，该装置包括：(a)多个ECG传感器，被配置为置于患者的胸部上；(b)多个集成心肺(ICR)声传感器，被配置为置于患者的胸部上；(c)处理器，联接到多个ECG传感器和ICR声传感器；以及(d)非暂时性存储器，存储可由处理器执行的指令；(e)其中，所述指令在由处理器执行时执行以下步骤：(i)从多个ECG传感器接收信号；(ii)处理ECG传感器信号，以计算信号中的R波初动；(iii)从ICR声传感器接收心音图(PCG)声信号；(iv)处理PCG声信号，以在PCG声信号中定位一个或多个心脏事件；以及(v)从PCG声信号提取一个或多个时间和振幅(TA)特性。
25.根据任意前述或以下实施方式的装置或方法，其中，一个或多个时间和振幅(TA)特性包括以下一项或多项：机电启动时间(EMAT)、总机电收缩间隔(QS2)、S1持续时间、S2持续时间、二尖瓣停止到开放时间(MCOT)、左心室射血时间(LVET)以及左心室收缩时间(LVST)。
26.根据任意前述或以下实施方式的装置或方法，其中，处理ECG传感器信号以计算信号中的R波初动包括：(a)对ECG传感器信号进行带通滤波；(b)将滤波后的信号乘以其导数；(c)计算相乘后的信号的包络；(d)识别计算出的包络中的R波；(e)识别滤波后的信号中的对应峰；以及(f)确定滤波后的信号中的R波初动。
27.一种用于监测心脏功能的方法，该方法包括：(a)从多个ECG传感器接收信号；(b)处理ECG传感器信号，以计算信号中的R波初动；(c)从多个ICR声传感器接收心音图(PCG)声信号；(d)处理PCG声信号，以在PCG声信号中定位一个或多个心脏事件；以及(e)从PCG声信号提取一个或多个时间和振幅(TA)特性，其中，该方法通过处理器执行存储在非暂时性存储器上的指令来执行。
28.根据任意前述或以下实施方式的装置或方法，其中，一个或多个时间和振幅(TA)特性包括以下一项或多项：机电启动时间(EMAT)、总机电收缩间隔(QS2)、S1持续时间、S2持续时间、二尖瓣停止到开放时间(MCOT)、左心室射血时间(LVET)以及左心室收缩时间(LVST)。
29.根据任意前述或以下实施方式的装置或方法，其中，处理ECG传感器信号以计算信号中的R波初动包括：(a)对ECG传感器信号进行带通滤波；(b)将滤波后的信号乘以其导数；(c)计算相乘后信号的包络；(d)识别计算出的包络中的R波；(e)识别滤波后的信号中的对应峰；以及(f)确定滤波后的信号中的R波初动。
如本文使用的，单数形式“一”、“一个”可以包括复数参考，除非上下文另外清楚指示。对单数形式的对象的参考不旨在意指“一个且仅一个”，除非明确地这样陈述，相反意指“一个或多个”。
如本文使用的，词语“集合”是指一个或多个对象的集合。由此，例如，对象的集合可以包括单个对象或多个对象。
如本文使用的，词语“大致”和“大约”用于描述和说明小变化。当与事件或情况结合使用时，这些词语可以指事件或情况精确发生的情况以及事件或情况非常接近的发生的情况。当与数值结合使用时，这些词语可以指小于或等于该数值的±10％的变化范围，诸如小于或等于±5％、小于或等于±4％、小于或等于±3％、小于或等于±2％、小于或等于±1％、小于或等于±0.5％、小于或等于±0.1％或小于或等于±0.05％。例如，“大致”对齐可以指小于或等于±10°的角度变化范围，诸如小于或等于±5°、小于或等于±4°、小于或等于±3°、小于或等于±2°、小于或等于±1°、小于或等于±0.5°、小于或等于±0.1°或小于或等于0.05°。
另外，数量、比率以及其他数值在本文有时可以以范围格式呈现。应理解，这种范围格式是为了方便和简洁而使用，并且应该灵活地理解为包括明确指定为范围限制的数值，但也包括该范围内包含的所有单独数值或子范围，就好像每个数值和子范围被明确指定。例如，在大约1到大约200范围内的比率应被理解为包括明确列举的大约1和大约200的极限，但也包括单独的比率，诸如大约2、大约3以及大约4，以及子范围，诸如大约10到大约50、大约20大约100等。
虽然本文的描述包含许多细节，但这些细节不应被解释为限制本公开的范围，而仅仅是提供一些当前优选实施方式的图示。因此，将理解，本公开的范围完全包含对于本领域技术人员可以变得明显的其他实施方式。
为本领域普通技术人员所知的所公开实施方式的元件的所有结构和功能等同物在本文以引证的方式明确并入且旨在由当前权利要求包含。此外，不管本公开中的元件、部件或方法步骤是否在权利要求中明确列举，该元件、部件或方法步骤都不旨在专用于公众。本文没有权利要求的元素要被解释为“装置加功能”元素，除非元素使用短于“用于……的装置”来明确列举。本文没有权利要求的元素要被解释为“步骤加功能”元素，除非元素使用短于“用于……的步骤”来明确列举。
表1根据患者身高的传感器应用系统尺寸范围
ICR传感器应用系统尺寸 患者身高(英寸) 患者身高(cm)
特小(XS) (小于66) (小于168)
小(S) (66-68) (168-173)
中(M) (68-71) (173-180)
大(L) (71-74) (180-188)
特大(XL) (大于74) (大于188)

Claims (23)

1.一种用于监测心脏功能的装置，所述装置包括：
(a)多个集成心肺ICR声传感器，被配置为置于患者的胸部上；
(b)处理器，联接到所述多个ICR声传感器；以及
(c)非暂时性存储器，存储可由所述处理器执行的指令；
(d)其中，所述指令在由所述处理器执行时执行以下步骤：
(i)从所述多个ICR声传感器接收心音图PCG声信号；
(ii)将所述PCG声信号分段，以在所述PCG声信号中定位一个或多个心脏事件；
(iii)从所述PCG声信号提取一个或多个时间和振幅特性；
(iv)将所提取的特性分类为一个或多个子组；以及
(v)基于分类的特性计算射血分数EF。
2.根据权利要求1所述的装置，其中，将所述PCG声信号分段包括：
检测所述PCG声信号内的心音；
基于预定义的准则识别所述心音；
基于连续事件之间的间隔将心音标记为S1和S2；以及
将所述PCG信号分解为单独的心动周期。
3.根据权利要求1所述的装置，还包括：
(e)多个心电图ECG传感器，被配置为置于患者的胸部上并联接到所述处理器；
(f)其中，所述指令在由所述处理器执行时还执行以下步骤：
(i)从所述多个ECG传感器接收ECG传感器信号；
(ii)处理所述ECG传感器信号，以计算所述ECG传感器信号中的R波初动；
(iii)其中，所述R波初动用于使得能够在心动周期内定时并识别PCG声标记。
4.根据权利要求3所述的装置，其中，识别PCG声标记包括识别所述心动周期内的S1和S2事件。
5.根据权利要求4所述的装置，其中，所提取的时间特性包括以下一项或多项：
机电启动时间EMAT、总机电收缩间隔QS2、S1持续时间、S2持续时间、二尖瓣停止到开放时间MCOT、左心室射血时间LVET以及左心室收缩时间LVST。
6.根据权利要求4所述的装置，
其中，在包含两个连续心动周期的包络段内分析所述PCG信号；并且
其中，所提取的振幅特性包括以下一项或多项：通过整个心动周期的PCG信号的均方根RMS归一化的PCG信号包络段的RMS；通过整个心动周期的PCG信号的方差归一化的PCG信号段的峰值振幅；以及通过整个心动周期的包络平均值归一化的包络段的峰值振幅。
7.根据权利要求1所述的装置，还包括：
通过执行心音图载波信号分析PCSA从所述PCG信号提取一个或多个频率特性。
8.根据权利要求7所述的装置，其中，PCSA包括产生具有单位振幅的载波信号的、所述PCG信号内的S1和S2事件的AM-FM分解。
9.根据权利要求3所述的装置，其中，处理所述ECG传感器信号以计算所述信号中的R波初动包括：
(a)对所述ECG传感器信号进行带通滤波；
(b)将滤波后的信号乘以其导数；
(c)计算相乘后信号的包络；
(d)识别计算出的包络中的R波；
(e)识别滤波后的信号中的对应峰；以及
(f)确定滤波后的信号中的R波初动。
10.根据权利要求1所述的装置，其中，将所提取的特性分类包括：跨多个患者应用神经网络NN，以生成全局分类器；以及基于计算出的EF值将患者分配到子组集，其中，每个这种子组都有其自己的NN子分类器。
11.根据权利要求1所述的装置，其中，布置在ICR传感器支架内的所述多个ICR声传感器被配置为在基于典型听诊部位的位置处将所述ICR声传感器支承在所述患者上。
12.根据权利要求1所述的装置，其中，所述指令还被配置为：
使用短时频谱振幅对数最小均方误差，STSA-对数-MMSE，噪声抑制来预处理所述PCG声信号；
其中，基于所获取的R波初动的心动周期的定时，被用于将声音不活动的区域确定为STSA-对数-MMSE的输入。
13.一种用于监测心脏功能的方法，所述方法包括：
从置于患者的胸部上的多个集成心肺ICR声传感器接收心音图PCG声信号；
将所述PCG声信号分段，以在所述PCG声信号中定位一个或多个心脏事件；
从所述PCG声信号提取一个或多个时间和振幅特性；
将所提取的特性分类为一个或多个子组；
基于分类的特性计算射血分数EF；以及
输出计算出的EF，以便显示；
其中，所述方法通过处理器执行存储在非暂时性存储器上的指令来执行。
14.根据权利要求13所述的方法，其中，将所述PCG声信号分段包括：
检测所述PCG声信号内的心音；
基于预定义的准则识别所述心音；
基于连续事件之间的间隔将心音标记为S1和S2；以及
将所述PCG信号分解为单独的心动周期。
15.根据权利要求13所述的方法，还包括：
与接收所述PCG声信号同时地，从置于所述患者的胸部上的多个心电图ECG传感器接收ECG传感器信号；
处理所述ECG传感器信号，以计算所述ECG传感器信号中的R波初动；以及
其中，所述R波初动用于使得能够在心动周期内定时并识别PCG声标记。
16.根据权利要求15所述的方法，其中，识别PCG声标记包括识别所述心动周期内的S1和S2事件。
17.根据权利要求16所述的方法，其中，所提取的时间特性包括以下一项或多项：
机电启动时间EMAT、总机电收缩间隔QS2、S1持续时间、S2持续时间、二尖瓣停止到开放时间MCOT、左心室射血时间LVET以及左心室收缩时间LVST。
18.根据权利要求16所述的方法，
其中，在包含两个连续心动周期的包络段内分析所述PCG信号；并且
其中，所提取的振幅特性包括以下一项或多项：通过整个心动周期的PCG信号的均方根RMS归一化的PCG信号包络段的RMS；通过整个心动周期的PCG信号的方差归一化的PCG信号段的峰值振幅；以及通过整个心动周期的包络平均值归一化的包络段的峰值振幅。
19.根据权利要求13所述的方法，还包括：
通过执行心音图载波信号分析PCSA从所述PCG信号提取一个或多个频率特性。
20.根据权利要求19所述的方法，其中，PCSA包括产生具有单位振幅的载波信号的、所述PCG信号内的S1和S2事件的AM-FM分解。
21.根据权利要求15所述的方法，其中，处理所述ECG传感器信号以计算所述信号中的R波初动包括：
对所述ECG传感器信号进行带通滤波；
将滤波后的信号乘以其导数；
计算相乘后信号的包络；
识别计算出的包络中的R波；
识别滤波后的信号中的对应峰；以及
确定滤波后的信号中的R波初动。
22.根据权利要求13所述的方法，其中，将所提取的特性分类包括：跨多个患者应用神经网络NN，以生成全局分类器；以及基于计算出的EF值将患者分配到子组集，其中，每个这种子组都有其自己的NN子分类器。
23.根据权利要求13所述的方法，其中，所述指令还被配置为：
使用短时频谱振幅对数最小均方误差，STSA-对数-MMSE，噪声抑制来预处理所述PCG声信号；
其中，基于所获取的R波初动的心动周期的定时，被用于将声音不活动的区域确定为STSA-对数-MMSE的输入。
CN201880054490.XA 2017-08-31 2018-08-10 多传感器心脏功能监测和分析系统 Pending CN111050633A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201762552864P 2017-08-31 2017-08-31
US62/552,864 2017-08-31
PCT/US2018/046378 WO2019045996A1 (en) 2017-08-31 2018-08-10 SYSTEMS FOR MONITORING AND ANALYZING MULTI-SENSOR CARDIAC FUNCTION

Publications (1)

Publication Number Publication Date
CN111050633A true CN111050633A (zh) 2020-04-21

Family

ID=65436326

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880054490.XA Pending CN111050633A (zh) 2017-08-31 2018-08-10 多传感器心脏功能监测和分析系统

Country Status (4)

Country Link
US (1) US11234601B2 (zh)
EP (1) EP3675717B1 (zh)
CN (1) CN111050633A (zh)
WO (1) WO2019045996A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111887894A (zh) * 2020-07-24 2020-11-06 辰浩医疗科技(广东)有限公司 一种胎心仪多普勒信号的归一化软件处理方法及系统

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110831494A (zh) * 2017-06-30 2020-02-21 考拉生命公司 对来自便携式传感器装置的心音图数据和心电图数据进行分析
CA3078227A1 (en) 2017-10-04 2019-04-11 Ausculsciences, Inc. Auscultatory sound-or-vibration sensor
US11284827B2 (en) 2017-10-21 2022-03-29 Ausculsciences, Inc. Medical decision support system
AU2019325258A1 (en) * 2018-08-21 2021-03-25 Eko Devices, Inc. Methods and systems for determining a physiological or biological state or condition of a subject
TWI731263B (zh) * 2018-09-06 2021-06-21 宏碁股份有限公司 智慧型背帶及定義人體姿態的方法
EP4099895A4 (en) * 2020-02-05 2023-06-21 Nuvo Group Ltd. MATERNAL UTERINE ACTIVITY DETECTION SYSTEMS AND METHODS
TWI729808B (zh) * 2020-05-14 2021-06-01 廣達電腦股份有限公司 聽診裝置及應用聽診裝置的聽診方法
US11763449B2 (en) * 2020-07-24 2023-09-19 Zoll Medical Corporation Systems and methods for generating and applying matrix images to monitor cardiac disease
US20220304631A1 (en) * 2021-03-29 2022-09-29 The Regents Of The University Of California Multisensor pulmonary artery and capillary pressure monitoring system
TWI771077B (zh) * 2021-06-23 2022-07-11 矽響先創科技股份有限公司 穿戴式身體音訊擷取裝置及相應監控系統
DE102021121630A1 (de) * 2021-08-20 2023-02-23 Heinrich-Heine-Universität Düsseldorf Vorrichtung zur simultanen Auskultation an zwei Auskultationspunkten

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050177062A1 (en) * 2002-10-07 2005-08-11 Cnsystems Medizintechnik Gmbh Impedance-based measuring method for hemodynamic parameters
US20080154144A1 (en) * 2006-08-08 2008-06-26 Kamil Unver Systems and methods for cardiac contractility analysis
CN201244022Y (zh) * 2008-08-28 2009-05-27 华南理工大学 脉搏波测量与生理特征参数分析仪
US20160038041A1 (en) * 2012-09-14 2016-02-11 Covidien Lp System and method for determining stability of cardiac output
CN106456017A (zh) * 2014-05-15 2017-02-22 加利福尼亚大学董事会 多传感器生理监测系统和方法

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7158830B2 (en) 1998-05-08 2007-01-02 Cardiac Pacemakers, Inc. Method and apparatus for optimizing stroke volume during DDD resynchronization therapy using adjustable atrio-ventricular delays
US7113825B2 (en) 2002-05-03 2006-09-26 Cardiac Pacemakers, Inc. Method and apparatus for detecting acoustic oscillations in cardiac rhythm
US7733224B2 (en) 2006-06-30 2010-06-08 Bao Tran Mesh network personal emergency response appliance
WO2007106455A2 (en) 2006-03-10 2007-09-20 Optical Sensors Incorporated Cardiography system and method using automated recognition of hemodynamic parameters and waveform attributes
US20080167566A1 (en) 2006-08-08 2008-07-10 Kamil Unver Systems and methods for determining systolic time intervals
EP2092885B1 (fr) 2008-02-20 2015-01-28 Ela Medical Dispositif d'analyse d'un signal d'accélération endocardiaque
US8515201B1 (en) 2008-09-18 2013-08-20 Stc.Unm System and methods of amplitude-modulation frequency-modulation (AM-FM) demodulation for image and video processing
EP2712549B1 (fr) 2012-10-01 2015-03-11 Sorin CRM SAS Dispositif d'évaluation de la désynchronisation ventriculaire temporelle
US9715885B2 (en) 2013-03-05 2017-07-25 Nec Corporation Signal processing apparatus, signal processing method, and signal processing program
WO2016100906A1 (en) * 2014-12-18 2016-06-23 Zoll Medical Corporation Pacing device with acoustic sensor
WO2016149583A1 (en) * 2015-03-18 2016-09-22 Zoll Medical Corporation Medical device with acoustic sensor
US10729337B2 (en) 2015-05-05 2020-08-04 The Johns Hopkins University Device and method for non-invasive left ventricular end diastolic pressure (LVEDP) measurement
US10219713B2 (en) 2015-05-15 2019-03-05 Bayland Scientific LLC Compact wearable phonocardiogram and electrocardiogram continuous monitoring system
WO2017214198A1 (en) 2016-06-06 2017-12-14 Tosense, Inc. Physiological monitor for monitoring patients undergoing hemodialysis
US11490849B2 (en) 2017-01-03 2022-11-08 AventuSoft, LLC System and method of marking cardiac time intervals from the heart valve signals
CN111031902B (zh) 2017-08-31 2022-10-11 加利福尼亚大学董事会 多传感器心搏出量监测系统和分析法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050177062A1 (en) * 2002-10-07 2005-08-11 Cnsystems Medizintechnik Gmbh Impedance-based measuring method for hemodynamic parameters
US20080154144A1 (en) * 2006-08-08 2008-06-26 Kamil Unver Systems and methods for cardiac contractility analysis
CN201244022Y (zh) * 2008-08-28 2009-05-27 华南理工大学 脉搏波测量与生理特征参数分析仪
US20160038041A1 (en) * 2012-09-14 2016-02-11 Covidien Lp System and method for determining stability of cardiac output
CN106456017A (zh) * 2014-05-15 2017-02-22 加利福尼亚大学董事会 多传感器生理监测系统和方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111887894A (zh) * 2020-07-24 2020-11-06 辰浩医疗科技(广东)有限公司 一种胎心仪多普勒信号的归一化软件处理方法及系统

Also Published As

Publication number Publication date
US20190059748A1 (en) 2019-02-28
EP3675717A4 (en) 2021-05-19
US11234601B2 (en) 2022-02-01
WO2019045996A1 (en) 2019-03-07
EP3675717B1 (en) 2023-12-06
EP3675717A1 (en) 2020-07-08
EP3675717C0 (en) 2023-12-06

Similar Documents

Publication Publication Date Title
US11234601B2 (en) Multisensor cardiac function monitoring and analytics systems
US20240130627A1 (en) Continuous non-invasive monitoring of a pregnant human subject
US7025729B2 (en) Apparatus for detecting sleep apnea using electrocardiogram signals
CA2979953C (en) Continuous non-invasive monitoring of a pregnant human subject
EP2375982B1 (en) Method and apparatus for the analysis of ballistocardiogram signals
CN107257653B (zh) 用于处理用在对对象的生命体征进行监测中的加速度计信号的处理设备、系统和方法
JP2018512243A5 (zh)
CN111031902B (zh) 多传感器心搏出量监测系统和分析法
WO2019079829A1 (en) METHOD FOR PRETREATMENT AND SCREENING OF AUSCULTATORY AUDIO SIGNALS
EP3399905A1 (en) System and method of extraction, identification, making and display of the heart valve signals
Fedotov et al. Motion artifacts reduction in wearable respiratory monitoring device
US20220304631A1 (en) Multisensor pulmonary artery and capillary pressure monitoring system
Berset et al. Robust heart rhythm calculation and respiration rate estimation in ambulatory ECG monitoring
US20230329563A1 (en) Phonocardiogram (pcg) signal processing systems and methods for determining cardiac tissue and valvular blood flow parameters
Baek et al. Automated Detection of the Onset of Ventricular Depolarization in Challenging Clinical ECG Data

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40019951

Country of ref document: HK

WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200421

WD01 Invention patent application deemed withdrawn after publication