CN111524563A - 一种生理音数据库的建立方法及其数据库 - Google Patents
一种生理音数据库的建立方法及其数据库 Download PDFInfo
- Publication number
- CN111524563A CN111524563A CN202010336539.XA CN202010336539A CN111524563A CN 111524563 A CN111524563 A CN 111524563A CN 202010336539 A CN202010336539 A CN 202010336539A CN 111524563 A CN111524563 A CN 111524563A
- Authority
- CN
- China
- Prior art keywords
- physiological
- sound
- information
- sounds
- physiological sound
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000002372 labelling Methods 0.000 claims abstract description 44
- 230000002159 abnormal effect Effects 0.000 claims abstract description 19
- 238000002555 auscultation Methods 0.000 claims abstract description 10
- 238000000586 desensitisation Methods 0.000 claims abstract description 5
- 208000037656 Respiratory Sounds Diseases 0.000 claims description 27
- 238000013473 artificial intelligence Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 206010047924 Wheezing Diseases 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 230000002792 vascular Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 claims 2
- 238000003745 diagnosis Methods 0.000 abstract description 6
- 201000010099 disease Diseases 0.000 abstract description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 4
- 238000004445 quantitative analysis Methods 0.000 abstract 1
- 206010037833 rales Diseases 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000002592 echocardiography Methods 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000005069 ears Anatomy 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 241000288140 Gruiformes Species 0.000 description 1
- 208000035211 Heart Murmurs Diseases 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000004796 pathophysiological change Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 210000000779 thoracic wall Anatomy 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 210000003437 trachea Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
- G06F21/6254—Protecting personal data, e.g. for financial or medical purposes by anonymising data, e.g. decorrelating personal data from the owner's identification
Landscapes
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioethics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供一种生理音数据库的建立方法，所述数据库用于对生理音的评价，其特征在于，所述方法包括：获取数据，获取多组采集的生理音信息及人员信息，采用数字听诊设备对生理音进行收集；标注数据，标注生理音信息，将生理音信息进行标注，其标注分类为异常生理音或正常生理音；脱敏数据，将生理音信息及标注信息进行数据脱敏；构建数据库，构建生理音数据库，以脱敏后的生理声音及标注信息进行分布式存储以构建生理音数据库，该数据库的建立通过对生理音进行定量分析，提取生理音的典型特征进行分类识别，建立科学的、统一的、准确的以及可量化的生理音诊断标准从而提高疾病诊治的水平。
Description
技术领域
本发明涉及医疗数据库技术领域，尤其涉及一种生理音数据库的建立方法及其数据库。
背景技术
生理音包括心音、肺音、肠鸣音、血管回音、气管呼吸音、支气管呼吸音以及关节活动音等各种器官发出的声音。其中呼吸音俗称肺音，它能够反映肺部组织、气管及胸壁等传播媒介的声学特性。心脏杂音则属于心音的一种，具体指在心音与额外心音之外，在心脏收缩或舒张时血液在心脏或血管内产生湍流所致的室壁、瓣膜或血管振动所产生的异常声音，是具有不同频率、不同强度、持续时间较长的噪杂声。通过对生理音的准确分析以及分类，可对相关疾病诊断起到重要的决定性作用。
而呼吸音及其他生理音的频率范围约为50-3000Hz，而人耳的敏感频段约为1000-2000Hz，传统的检测生理音设备(如机械听诊器)的低频响应很差，所以在听诊过程中难以捕捉微弱声音。再加上不同医生存在临床经验和疾病诊断水平的差异，对同一病人的生理音听诊往往有不同的判断结果，甚至大相径庭，更不要说通过生理音判断感染的部位、程度和阶段以及其中的病理生理变化、演变过程，并预判其发展方向和预后。因此，上述缺陷需要得到解决。
发明内容
(一)要解决的技术问题
本发明要解决的问题是建立科学的、统一的、准确的以及可量化的生理音数据库，用于量化的生理音诊断标准，从而提高疾病诊治的水平。
(二)技术方案
本发明一个实施例中提供的一种生理音数据库的建立方法，所述数据库用于对生理音的评价，所述方法包括：
获取数据，获取多组采集的生理音信息及人员信息，采用数字听诊设备对生理音进行收集；
标注数据，标注生理音信息，将生理音信息进行标注，其标注分类为异常生理音或正常生理音；
脱敏数据，将生理音信息及标注信息进行数据脱敏；
构建数据库，构建生理音数据库，以脱敏后的生理音及标注信息进行分布式存储以构建生理音数据库。
在一方面，所述生理音包括但不限于心音、肺音、肠鸣音、血管回音、气管呼吸音、支气管呼吸音以及手足呼吸音中的一种。
在一方面，所述生理音信息为被转化生成代表声学振动电子信号的生理音，所述人员信息包括被采集人员的姓名、性别、生日、身高、体重、采集时间、采集位置。
在一方面，所述标注数据包括人工标注、人工智能标注其中的一种或者多种组合。
在一方面，所述人工标注采用生理音识别人士对被转化生成代表声学振动电子信号的生理音进行人工标注，其标注分类为异常生理音或正常生理音。
在一方面，所述人工标注方法包括选取至少2组生理音识别人士，每组至少2人进行生理音的识别，当每个采集的生理音信息识别一致率大于设定阈值，便判定通过人工识别结果，当每个采集的生理音信息识别一致率小于设定阈值，便判定无法通过人工识别结果，由另一组生理音识别人士进行再次识别，当识别一致率大于设定阈值，便判定通过人工识别结果，当识别一致率小于设定阈值，便判定生理音信息为无效声音。
在一方面，所述人工智能标注将生理音信息进行特征提取，分别从所述生理音信息中提取时域特征值和频域特征值；并用于分类所述的时域特征值与频域特征值并识别时域特征值与频域特征值所属为异常生理音或正常生理音，将所属为异常生理音或正常生理音标注在对应的生理音信息中。
在一方面，所述标注数据还包括对生理音音频质量等级标注，音频质量等级按照音频质量的好坏，依次分级为A、B、C、D、E等级。
在一方面，所述生理音为肺音，所述异常生理音还分为湿罗音和/或哮鸣音。湿罗音和/或哮鸣音可根据具体听诊领域来进行区分。
本发明的另一个目的提供上述生理音数据库的建立方法建立的数据库，该数据库包括生理音文件名的处理装置，该处理装置包括
确定模块，用于根据数据库接收到上传生理音文件的所包含的信息，确定上传人员的单位信息、采集设备信息、生理音类型、采集时间；
获取模块，用于获取所述上传人员的单位信息、采集设备信息、生理音类型、采集时间对应的编码方式；
处理模块，根据对应的编码方式，对所述数据库请求的文件名进行编码；
发送模块，用于向数据库发送编码后得到文件名并替换原有文件名。
(三)有益效果
首先，本发明提供的一种生理音数据库的建立方法，采用数字听诊设备对生理音进行收集，并将采集的生理音转化生成代表声学振动电子信号进行保存来进行数据库的构建，相对于传统的人耳听诊识别，生理音转化后可视化，使得其可以进行定量分析；
其次，本发明提供的一种生理音数据库的建立方法，对生理音进行标注，利用标注，标注包括人工标注或者人工智能标注，人工标注是采用专业人士进行人工标注，多组人工标注其准确率最高，而人工智能标注则是利用大数据对生理音信息进行特征提取进行分析识别而得出，其工作效率高，两种标注组合使用比较提高了标注效率还增加了准确率；
最后，本发明提供的一种生理音数据库的建立方法，对生理音信息和标注信息进行数据脱敏，避免数据信息泄漏。
附图说明
图1为本发明提供的实施例中患者肺音正面采集点示意图；
图2为本发明提供的实施例中患者肺音反面采集点示意图；；
图3为本发明提供的实施例中人工标注表格的示意图。
具体实施方式
下面结合实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本发明一个实施例中提供的一种生理音数据库的建立方法，所述数据库用于对生理音的评价，所述方法包括：获取数据，获取多组采集的生理音信息及人员信息，采用数字听诊设备对生理音进行收集；标注数据，标注生理音信息，将生理音信息进行标注，其标注分类为异常生理音或正常生理音；脱敏数据，将生理音信息及标注信息进行数据脱敏；构建数据库，构建生理音数据库，以脱敏后的生理音及标注信息进行分布式存储以构建生理音数据库。
在一方面，所述生理音包括但不限于心音、肺音、肠鸣音、血管回音、气管呼吸音、支气管呼吸音以及关节活动音中的一种。所述生理音信息为被转化生成代表声学振动电子信号的生理音，所述人员信息包括被采集人员的姓名、性别、生日、身高、体重、采集时间、采集位置。
具体的实施例中，获取数据的方法采用数字听诊器进行数据采集。该数字听诊器具备将声音转化生成代表声学振动电子信号的能力，采集人员可以对患者采集的声音可直接聆听或者外接设备进行查看或者听诊。在采集完数据后，采集人员还需要对采集信息进行记录，记录内容包括但不限于以下内容：采集设备编号、采集时间、采集人、患者(被采集人)编号、床位号、采集位置、采集时长。上述记录信息可采用手动录入在相应的表格中或者录入在相应APP软件、PC端软件中。
在一方面，所述标注数据包括人工标注、人工智能标注其中的一种或者多种组合。所述人工标注采用生理音识别人士对被转化生成代表声学振动电子信号的生理音进行人工标注，其标注分类为异常生理音或正常生理音。所述人工标注方法包括选取至少1组生理音识别人士，每组至少2人进行生理音的识别，当每个采集的生理音信息识别一致率大于设定阈值，便判定通过人工识别结果，当每个采集的生理音信息识别一致率小于设定阈值，便判定无法通过人工识别结果，由另一组生理音识别人士进行再次识别，当识别一致率大于设定阈值，便判定通过人工识别结果，当识别一致率小于设定阈值，便判定生理音信息为无效声音。
具体实施例中，人工标注的生理音识别人士需要具备一定的资质，标注人员资质为具有中级以上临床专业技术职称的呼吸内科专科医生进行评估，标注结果由专家签字、附上身份证复印件、学历、职称证明文件。
其中每批数据至少由两位专家分别标注。
标注工具包括耳机，笔记本电脑，软件Audacity。耳机与笔记本电脑尽量使用同一个型号设备，尽量降低由硬件差异导致的标注差异。
人工标注结果统计方法为第一次标注完成后，对比两位专家标注结果，结果不一致的数据汇总进行第二次标注，由另外一名专家标注。采纳标准为两者一致和三者一致。
具体的标注流程为
按照标注表格(如图3)顺序，参考文件编号，打开相应文件夹。将9个音频文件依次拖进软件界面。
核对当前播放文件的名称，一次仅能包房一个音频文件。
播放结束后，在标注表格上勾选标注结果。备注：湿罗音与哮鸣音可同时勾选。
标注完成后，关闭当前播放音频，拖拽下一条音频数据。
在一方面，所述人工智能标注将生理音信息进行特征提取，分别从所述生理音信息中提取时域特征值和频域特征值；并用于分类所述的时域特征值与频域特征值并识别时域特征值与频域特征值所属为异常生理音或正常生理音，将所属为异常生理音或正常生理音标注在对应的生理音信息中。
具体实施例中，人工智能标注方法包括以下步骤：
构建识别分类参数，从生理中提取两个声音库，其中一个声音库为Cracks(异常生理音)组成，另外一个假Cracks(正常生理音)组成，提取的每个声音文件为20ms并计算出Cracks和假Cracks的时域特征值及频域特诊值，然后利用向量机或神经网络算法进行训练，得出识别分类参数；
找出潜在Cracks，用20ms的窗沿着肺音信号移动，根据计算阈值找出所有潜在Cracks；
潜在Cracks特征提取，并将所有潜在Cracks的时域特征和频域特征计算出来，
分类模型参数识别，根据将所有潜在Cracks计算出来时域特征和频域特征与识别分类参数判断，得出潜在Cracks属于Cracks和假Cracks；
识别所属的类别，根据生理音平均1秒钟所含Cracks的数量来判断所属的类别是正常生理音类别还是何种异常生理音类别。
在一方面，所述标注数据还包括对生理音音频质量等级标注，音频质量等级按照音频质量的好坏，依次分级为A、B、C、D、E等级。
具体的实施例中，对生理音进行声音预处理，用于对生理音去除重采样或弱信号；带通滤波，对生理音转化生成代表声学振动电子信号带通滤波。在根据转化生成代表声学振动电子信号的时域和频域来进行音频质量的好坏，按照音频的时域和频域依次分为A、B、C、D、E等级。
具体的实施例中，以肺音为采集的生理音。则异常生理音还包括湿罗音和/或哮鸣音。在标注过程中可进行同时勾选。而湿罗音和/或哮鸣音可根据具体听诊领域来进行区分。
具体的实施例中，上述生理音数据库的建立方法建立的数据库，该数据库包括生理音文件名的处理装置，该处理装置包括
确定模块，用于根据数据库接收到上传生理音文件的IP地址，确定上传人员的单位信息、采集设备信息、生理音类型、采集时间；
获取模块，用于获取所述上传人员的单位信息、采集设备信息、生理音类型、采集时间对应的编码方式；
处理模块，根据对应的编码方式，对所述数据库请求的文件名进行编码；
发送模块，用于向数据库发送编码后得到文件名并替换原有文件名。
具体的编码方式如下：
单位信息是指采用单位，具体编码方式如下：
通用属性：采集单位
标识(Collection Unit)：CU
特有属性：行政区域，机构识别码，机构属性
行政区域引用GB/T 2260-2002标准定义，长度为6位数字
机构属性代码为2位数字。
使用线分类法，将机构分类两大类，医疗机构和学校机构。
机构识别码：可为n位数字，具体情况根据实际情况来定，当识别码选取4位数字时，即从“0001”到“9999”，以机构在平台输入先后顺序编码。
如标准示例：CU310115110001上海儿童医学中心
CU 310115 11 0001
采集单位 上海市浦东新区 国家筛查中心 识别码
采集设备信息是指采用生理音的设备，具体编码实施情况如下：
采集设备类型：长度两位数字
| 编码 | 设备 |
| 01 | 3m数字听诊器 |
生理音类型是指采用的生理音属于心音还是呼吸音，具体编码方式如下：
声音类型：心音(H)；呼吸音(L)；长度一位英文字母
采集时间是指生理音具体采集日期，其时间可精确到秒，具体情况根据使用者实际操作而定，一般采集时间精确到日。具体编码方式如下：
采集时间：YYMMDD，长度6位数字
综合标准示例：CS01HF000201200206KB47000001其所要表示的意思为使用3m听诊器在2020年2月6日采集的2个月患有新生儿良性心脏杂音的的汉族男性的心音。
综上所述，上述实施方式并非是本发明的限制性实施方式，凡本领域的技术人员在本发明的实质内容的基础上所进行的修饰或者等效变形，均在本发明的技术范畴。
Claims (10)
1.一种生理音数据库的建立方法，所述数据库用于对生理音的评价，其特征在于，所述方法包括：
获取数据，获取多组采集的生理音信息及人员信息，采用数字听诊设备对生理音进行收集；
标注数据，标注生理音信息，将生理音信息进行标注，其标注分类为异常生理音或正常生理音；
脱敏数据，将生理音信息及标注信息进行数据脱敏；
构建数据库，构建生理音数据库，以脱敏后的生理音及标注信息进行分布式存储以构建生理音数据库。
2.根据权利要求1所述的一种生理音数据库的建立方法，其特征在于，所述生理音包括但不限于心音、肺音、肠鸣音、血管回音、气管呼吸音、支气管呼吸音以及关节活动音中的一种。
3.根据权利要求1所述的一种生理音数据库的建立方法，其特征在于，所述生理音信息为被转化生成代表声学振动电子信号的生理音，所述人员信息包括被采集人员的姓名、性别、生日、身高、体重、采集时间、采集位置。
4.根据权利要求1所述的一种生理音数据库的建立方法，其特征在于，所述标注数据包括人工标注、人工智能标注其中的一种或者多种组合。
5.根据权利要求4所述的一种生理音数据库的建立方法，其特征在于，所述人工标注采用生理音识别人士对被转化生成代表声学振动电子信号的生理音进行人工标注，其标注分类为异常生理音或正常生理音。
6.根据权利要求4所述的一种生理音数据库的建立方法，其特征在于，所述人工标注方法包括:选取至少2组生理音识别人士，每组至少2人进行生理音的识别；当每个采集的生理音信息识别一致率大于设定阈值，便判定通过人工识别结果；当每个采集的生理音信息识别一致率小于设定阈值，便判定无法通过人工识别结果，由另一组生理音识别人士进行再次识别，当识别一致率大于设定阈值，便判定通过人工识别结果，当识别一致率小于设定阈值，便判定生理音信息为无效声音。
7.根据权利要求4所述的一种生理音数据库的建立方法，其特征在于，所述人工智能标注将生理音信息进行特征提取，分别从所述生理音信息中提取时域特征值和频域特征值；接着分类所述的时域特征值与频域特征值并识别时域特征值与频域特征值所属为异常生理音或正常生理音，再将所属为异常生理音或正常生理音标注在对应的生理音信息中。
8.根据权利要求1所述的一种生理音数据库的建立方法，其特征在于，所述标注数据还包括对生理音音频质量等级标注，音频质量等级按照音频质量的好坏，依次分级为A、B、C、D、E等级。
9.根据权利要求5所述的一种生理音数据库的建立方法，其特征在于，所述生理音为肺音，所述异常生理音还分为湿罗音和/或哮鸣音。
10.一种根据权利要求1至9任意一项所述的一种生理音数据库的建立方法建立的数据库，其特征在于，该数据库包括生理音文件名的处理装置，该处理装置包括
确定模块，用于根据数据库接收到上传生理音文件的所包含的信息，确定上传人员的单位信息、采集设备信息、生理音类型、采集时间；
获取模块，用于获取所述上传人员的单位信息、采集设备信息、生理音类型、采集时间对应的编码方式；
处理模块，根据对应的编码方式，对所述数据库请求的文件名进行编码；
发送模块，用于向数据库发送编码后得到文件名，并替换原有文件名。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010336539.XA CN111524563A (zh) | 2020-04-26 | 2020-04-26 | 一种生理音数据库的建立方法及其数据库 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010336539.XA CN111524563A (zh) | 2020-04-26 | 2020-04-26 | 一种生理音数据库的建立方法及其数据库 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111524563A true CN111524563A (zh) | 2020-08-11 |
Family
ID=71904835
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010336539.XA Pending CN111524563A (zh) | 2020-04-26 | 2020-04-26 | 一种生理音数据库的建立方法及其数据库 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111524563A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105516372A (zh) * | 2016-02-25 | 2016-04-20 | 深圳天珑无线科技有限公司 | 文件名的处理方法、装置及服务器 |
| CN107273698A (zh) * | 2017-07-06 | 2017-10-20 | 武靖 | 人工智能训练标准库的处理与检测方法、系统 |
| CN107529645A (zh) * | 2017-06-29 | 2018-01-02 | 重庆邮电大学 | 一种基于深度学习的心音智能诊断系统及方法 |
| CN110532424A (zh) * | 2019-09-26 | 2019-12-03 | 西南科技大学 | 一种基于深度学习和云平台的肺音特征分类系统及方法 |
| CN110731791A (zh) * | 2019-10-30 | 2020-01-31 | 郑州大学第一附属医院 | 一种人工智能听诊器及建立病理性声音库的方法 |
| CN110910895A (zh) * | 2019-08-29 | 2020-03-24 | 腾讯科技（深圳）有限公司 | 一种声音处理的方法、装置、设备和介质 |
-
2020
- 2020-04-26 CN CN202010336539.XA patent/CN111524563A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105516372A (zh) * | 2016-02-25 | 2016-04-20 | 深圳天珑无线科技有限公司 | 文件名的处理方法、装置及服务器 |
| CN107529645A (zh) * | 2017-06-29 | 2018-01-02 | 重庆邮电大学 | 一种基于深度学习的心音智能诊断系统及方法 |
| CN107273698A (zh) * | 2017-07-06 | 2017-10-20 | 武靖 | 人工智能训练标准库的处理与检测方法、系统 |
| CN110910895A (zh) * | 2019-08-29 | 2020-03-24 | 腾讯科技（深圳）有限公司 | 一种声音处理的方法、装置、设备和介质 |
| CN110532424A (zh) * | 2019-09-26 | 2019-12-03 | 西南科技大学 | 一种基于深度学习和云平台的肺音特征分类系统及方法 |
| CN110731791A (zh) * | 2019-10-30 | 2020-01-31 | 郑州大学第一附属医院 | 一种人工智能听诊器及建立病理性声音库的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Thompson et al. | Artificial intelligence-assisted auscultation of heart murmurs: validation by virtual clinical trial | |
| Thiyagaraja et al. | A novel heart-mobile interface for detection and classification of heart sounds | |
| CN112166475A (zh) | 基于呼吸系统的声音管理呼吸状况 | |
| Wang et al. | Phonocardiographic signal analysis method using a modified hidden Markov model | |
| US20040260188A1 (en) | Automated auscultation system | |
| Javed et al. | A signal processing module for the analysis of heart sounds and heart murmurs | |
| EP3781036A1 (en) | Electronic stethoscope | |
| Omarov et al. | Artificial Intelligence in Medicine: Real Time Electronic Stethoscope for Heart Diseases Detection. | |
| Nemati et al. | Estimation of the lung function using acoustic features of the voluntary cough | |
| Oliveira et al. | The CirCor DigiScope Phonocardiogram Dataset | |
| CN112017695A (zh) | 一种自动识别生理声音的系统及方法 | |
| Gharehbaghi et al. | An intelligent method for discrimination between aortic and pulmonary stenosis using phonocardiogram | |
| CN111653273A (zh) | 一种基于智能手机的院外肺炎初步识别方法 | |
| EP4348674A1 (en) | Augmented artificial intelligence system and methods for physiological data processing | |
| CN113539486A (zh) | 一种基于中医面舌象动态变化的健康状态辨识系统 | |
| Omarov et al. | Electronic stethoscope for heartbeat abnormality detection | |
| AU2020332707A1 (en) | A method and apparatus for processing asthma patient cough sound for application of appropriate therapy | |
| Ben-Bassat et al. | Evaluating multimembership classifiers: A methodology and application to the MEDAS diagnostic system | |
| CN111524563A (zh) | 一种生理音数据库的建立方法及其数据库 | |
| CN215349053U (zh) | 一种先天性心脏病智能筛查机器人 | |
| Sofwan et al. | Normal and murmur heart sound classification using linear predictive coding and k-Nearest neighbor methods | |
| CN110811673A (zh) | 基于概率神经网络模型的心音分析系统 | |
| Hassanuzzaman et al. | Recognition of Pediatric Congenital Heart Diseases by Using Phonocardiogram Signals and Transformer-Based Neural Networks | |
| Huang et al. | Augmented detection of septal defects using advanced optical coherence tomography network-processed phonocardiogram | |
| Moulana et al. | Heart murmur detection using supervised machine learning |
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 |