CN112494000A - 一种基于多路心音的冠状动脉狭窄可视化量化方法及设备 - Google Patents
一种基于多路心音的冠状动脉狭窄可视化量化方法及设备 Download PDFInfo
- Publication number
- CN112494000A CN112494000A CN202011347924.0A CN202011347924A CN112494000A CN 112494000 A CN112494000 A CN 112494000A CN 202011347924 A CN202011347924 A CN 202011347924A CN 112494000 A CN112494000 A CN 112494000A
- Authority
- CN
- China
- Prior art keywords
- heart sound
- coronary artery
- cardiac cycle
- energy
- heart
- 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
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
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
-
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Vascular Medicine (AREA)
- Cardiology (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种基于多路心音的冠状动脉狭窄可视化量化方法及设备,适用于心音图心电图的分析领域。包括同步采集和记录心电信号以及多路心音信号,保存为音频文件;使用R波和心音特点,分割心跳周期信号数据为S1、收缩期、S2、舒张期;分别计算心跳周期各段和总心跳周期的特征值;采用多模型预测加决策规则进行狭窄程度风险预测;采用不同颜色和高度的柱状图形式表现冠状动脉狭窄风险程度。本发明通过提取多种特征,全方位反应心跳周期特性,通过多机器学习模型以及使用决策规则,提高了模型预测准确率。本发明以能量频谱图和柱状图的形式直观反映出冠状动脉的健康状况。
Description
技术领域
本发明涉及心音图心电图的分析领域,具体地说涉及一种基于多路心音的冠状动脉狭窄可视化量化方法及设备。
背景技术
正常心脏在舒缩活动中产生的心音频率为1~800Hz。人听觉比较敏感的是其中40~400Hz的频带,20Hz以下的振动人耳听不见。
每一心动周期可产生四个心音,一般均能听到的是第一和第二心音。
1.第一心音发生在心缩期,标志心室收缩期的开始。其音调较低(40~60赫兹),持续时间较长(0.1~0.12秒),较响。
2.第二心音发生在心舒期,标志着心室舒张期的开始,它分为主动脉音和肺动脉音两个成分。它是由主动脉瓣和肺动脉瓣迅速关闭,血流冲击,使主动脉和肺动脉壁根部以及心室内壁振动而产生。其音调较高(60~100赫兹),持续时间较短(0.08秒),响度较弱。其强弱可反映主动脉压和肺动脉压的高低,动脉压升高,则第二心音亢进。
3.第三心音发生在第二心音之后,持续较短(0.04~0.05秒),音调较低。它是在心室舒张早期,随着房室瓣的开放,心房的血液快速流入心室,引起心室壁和腱索的振动而产生。可在大部分儿童及约半数的青年人听到,不一定表示异常。
4.第四心音发生在第一心音前的低频振动,持续约0.04秒。是由于心房收缩,血流快速充盈心室所引起的振动,又称心房音。大多数健康成年人可在心音图上记录到低小的第四心音,一般听诊很难发现。
心肌需要持续供给富氧血。冠状动脉(在主动脉刚离开心脏时与其分开)负责运输这种血液。冠状动脉疾病使一条或多条这种动脉缩窄,从而阻塞血流,导致胸痛(心绞痛)或心脏病发作(也称为心肌梗死或MI)。
冠状动脉疾病几乎都是由于胆固醇和其他脂质沉积(称为动脉粥样硬化或动脉粥样硬化性斑块)在冠状动脉管壁形成。这个过程叫做动脉粥样硬化。
冠状动脉局部狭窄区域血流动力学数学物理模型表明:如果在动脉的某一部位出现狭窄,则必将对血液的流动产生影响,血液流经狭窄后再扩张的部分可发生分离并产生漩涡或者湍流。在心脏收缩期因心脏收缩压迫冠脉几乎没有血流,因而检测舒张期血流流过冠脉的一些物理参数能为冠脉状态是否良好提供有力证据。有关实验表明,冠状动脉在25%发生狭窄时,舒张期便能出现高频心音,这对早期诊断很有意义。
发明内容
本发明所要解决的技术问题是如何提供一种可展示冠状动脉正常或狭窄情况的基于多路心音的冠状动脉狭窄可视化量化方法及设备。
为解决上述技术问题,本发明所采取的技术方案是:
一种基于多路心音的冠状动脉狭窄可视化量化方法,包括:
步骤1:同步采集和记录心电信号及多路心音信号,同时将心电信号及多路心音信号存储为音频文件;
步骤2:读取音频文件,依据心电通道数据,计算R波位置,划分心动周期和计算心率,得到不同的心动周期信号数据;
步骤3:根据心动周期划分标准将各心动周期信号划分为S1、收缩期、S2及舒张期四部分;
步骤4:分别计算S1、收缩期、S2及舒张期四部分的特征值和总心动周期的特征值;
步骤5:分别用多个心动周期信号的特征值进行多模型训练,筛选出准确率最高的通道的两个模型作为预测模型;
步骤6:使用所述预测模型对测试数据进行冠状动脉的狭窄程度预测,得到预测结果;
步骤7:分别计算每个通道的高频能量水平HV;
步骤8:绘制每个通道的频谱图、能量图、心音图和柱状图:分别将单个病例按通道将心音数据计算平均值得到各路平均心音,对通道平均心音进行连续小波变换,得到能量矩阵和频率序列,依据能量矩阵和频率序列绘制频谱图,将能量矩阵按时刻分别累加得到能量图并绘制心音图,根据所述预测结果和高频能量水平HV绘制柱状图。
进一步的,所述心动周期划分标准包括:对每个心动周期信号进行连续小波变换,进行绝对值计算后按分时刻累加,得到能量分布曲线。心动周期开始记为点A,心动周期开始延后0.12秒记为点B,记AB为S1的起止时刻;能量分布曲线图中心位置两边各0.15秒区间内,记能量最大值时刻为点D,记点D左侧0.4秒为点C,点D右侧0.4秒为点E,记CE为S2的起止时刻;记S1结束至S2开始,为收缩期起止时刻BC;记S2结束至下一心动周期开始时刻为舒张期起止时刻EF。
进一步的,所述特征值包括波形特征、CWT特征、MFCC特征、FFT特征、性别和年龄。
一种基于多路心音的冠状动脉狭窄可视化量化设备,包括心电信号采集模块、心音信号采集模块、存储模块、控制模块及显示模块,
所述心电信号采集模块连接控制模块,用于采集心电信号;
所述心音信号采集模块连接控制模块,用于采集心音信号,采集位置为:R1、R2、R3心音探头采集起于右胸前壁胸骨左缘第三肋间,与胸骨平行放置;L1、L2、L3心音探头采集起于左胸前壁胸骨右缘第三肋间,与胸骨平行放置;
所述存储模块连接控制模块,用于存储心电信号及多路心音信号;
所述显示模块连接控制模块,用于显示以图像的形式显示控制模块处理后的数据;
所述控制模块用于实现所述权利要求1至3所述的基于多路心音的冠状动脉狭窄可视化量化方法。
采用上述技术方案所产生的有益效果在于:本发明采用同步采集心电图和心音图,通过匹配心电图和心音图和心动周期,利用心电心音的对应关系实现对心脏心动周期的分割,利用心电图的R波定位和S1时长特点确定S1,利用心音图能量分布的特点和S2时长特点,确定S2,由此确定收缩期和舒张期,分割成功率高。本发明通过提取多种特征,全方位反应心跳周期特性,通过多机器学习模型以及使用决策规则,提高了模型预测准确率。本发明以能量频谱图和柱状图的形式直观反映出冠状动脉的健康状况。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明的基于多路心音的冠状动脉狭窄可视化量化方法的流程图;
图2是本发明的一个实施例的心音心电图;
图3是本发明的一个实施例的心音采集头和心电吸球位置图;
图4是本发明的一个实施例的部分心音信号数据图;
图5是本发明的一个实施例的S1、S2分割图;
图6是本发明的一个实施例的幅值和qs1计算图;
图7是本发明的一个实施例的能量特征参数计算图;
图8是本发明的一个实施例的FFT特征计算图;
图9是本发明的一个实施例的决策规则图;
图10是本发明的一个实施例的时频能量图、能量时间分布图、心音信号图、能量频率分布图和柱状图。
具体实施方式
下面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的一部分实施例,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。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
本发明公开了一种基于多路心音的冠状动脉狭窄可视化量化方法,包括以下步骤:
步骤1:同步采集和记录心电信号以及多路心音信号,同时将心电信号和心音信号保存为多路的音频文件,如图2所示。采集位置如图3所示,R1、R2、R3心音探头采集起于右胸前壁胸骨左缘第三肋间,与胸骨平行放置;L1、L2、L3心音探头采集起于左胸前壁胸骨右缘第三肋间,与胸骨平行放置。心电吸球放置于如图3所示中同心电导联颜色相同的R、F、L位置。
步骤2:读取音频文件,依据心电通道数据,计算获得R波位置,划分心动周期和计算心率,如图4所示为部分心音信号数据,纵轴为振幅,横轴为时间,单位为秒。
步骤3:对各心跳周期信号分段,划分为S1、收缩期、S2、舒张期。使用每个心跳周期数据,进行连续小波变换,将变换的结果使用绝对值按分时刻累加,得到能量曲线,如图5所示。从心跳周期开始(点A),延后0.12秒(点B),则AB作为S1的起止时刻;在能量曲线图时间轴中心位置两边各0.15秒区间内,计算能量最大值位置(D点)。D点两侧各0.4秒得到点C和点E,则CE作为S2的起止时刻。S1结束到S2开始,为收缩期起止时刻BC。S2结束位置到下一心跳周期开始时刻作为舒张期起止时刻EF。
步骤4:分别计算心跳周期各段以及总心跳周期特征,共计70个特征值。特征分为波形特征(4个),CWT特征(22个,分能量和瞬时频率特征,针对收缩期和舒张期分别计算)、MFCC特征(36个,针对心跳周期、收缩期和舒张期分别计算)、FFT特征(6个,针对心跳周期、收缩期和舒张期分别计算)以及性别和年龄。
波形特征包括:
DS:心跳周期中舒张期时间与收缩期时间之比,即DS=EF/BC。
s1s2:S1绝对幅值最大值与S2绝对幅值最大值之比。如图5所示,在一个心跳周期信号数据中,在S1的起止时刻中寻找最大值BF,作为S1绝对幅值最大值。在S2的起止时刻中寻找最大值CG作为S2绝对幅值最大值。
s1s2=BF/CG;
qs1:心跳周期起始时刻到s1最大值时刻的时间间隔(秒),如图6所示。
qs1Rate:qs1时长与心跳周期时长之比,如图6所示,
qs1Rate=qs1/AD
CWT特征:
如图7所示,频段分为低频段10-80Hz、中频段80-120Hz和高频段120-500Hz。
h_s,h_d(收缩期\舒张期)高频段能量均值与该频段心跳周期能量均值之比。
m_s,m_d(收缩期\舒张期)中频段能量均值与该频段心跳周期能量均值之比。
l_s,l_d(收缩期\舒张期)低频段能量均值与该频段心跳周期能量均值之比。
el_s,el_d(收缩期\舒张期)低频段总能量与(收缩期\舒张期)10-500频段总能量之比。
em_s,em_d(收缩期\舒张期)中频段总能量与(收缩期\舒张期)10-500频段总能量之比。
eh_s,eh_d(收缩期\舒张期)高频段总能量与(收缩期\舒张期)10-500频段总能量之比。
meanf_s,meanf_d(收缩期\舒张期)瞬时频率均值。
stdf_s,stdf_d(收缩期\舒张期)瞬时频率标准差。
maxf_s,maxf_d(收缩期\舒张期)5%的最高瞬时频率的平均值。计算(收缩期\舒张期)信号数据量,将该段瞬时频率按降序排列,计算其数据量前5%作为特征值。
skew_s,skew_d:(收缩期\舒张期)瞬时频率偏度。偏度,是统计数据分布偏斜方向和程度的度量,是统计数据分布非对称程度的数字特征。定义上偏度是样本的三阶标准化矩。
kurt_s,kurt_d:(收缩期\舒张期)瞬时频率峰度。峰度又称峰态系数。表征概率密度分布曲线在平均值处峰值高低的特征数。直观看来,峰度反映了峰部的尖度。随机变量的峰度计算方法为:随机变量的四阶中心矩与方差平方的比值。
时刻t瞬时频率Ft的计算(该时刻按能量加权的频率均值),基于连续小波变换后的数据。
Aft:该时刻特定频率的能量值;
f:分解后某时刻的各频率成分的数值。
在声音处理领域中,MFCC特征(梅尔频率倒谱(Mel-Frequency Cepstrum))是基于声音频率的非线性梅尔刻度(mel scale)的对数能量频谱的线性变换。梅尔频率倒谱系数广泛被应用于语音识别的功能。针对心跳周期、收缩期和舒张期分别计算MFCC值,各使用其12个系数,共计得到36个特征值。
通过快速傅里叶变换(FFT)的有效算法来计算实值数组的一维n点离散傅里叶变换(DFT),用于信号在时域(或空域)和频域之间的变换。在本发明中,用于将时域转换为频域,得到信号的频率成分,如图8所示。
maxValFrequency,maxValFrequency_s,maxValFrequency_d:FFT能量谱中,最大能量对应的频率记为主频率,分别计算心跳周期的主频率、收缩期的主频率以及舒张期的主频率。
maxValRate,maxValRate_s,maxValRate_d:FFT能量谱中,最大能量与能量谱平均能量之比,分别计算心跳周期、收缩期和舒张期。
再FFT变换结果中,如图8所示,先找到能量最高值A点,然后找到A点对应的横坐标B点,即为主频率。
年龄:以实际年龄除以100后的值作为年龄的特征值。
性别:以1表示男性特征值,以0表示女性特征值。
步骤5:分别使用6个通道特征训练模型,选择准确率最高的通道作为特征提取通道。使用特征通道的特征值,进行多模型训练,寻找对训练数据拟合程度最好的两个模型作为最终的模型,即模型B和模型W;
步骤6:使用选定模型针对测试数据进行预测,根据预测效果,调整计算流程和阈值的选择,以达到最优的预测效果。如图9所示。每个模型的预测结果包括4个数值,分别是预测结果(分别是BR、BW)和针对3种结果的预测的概率(分别是c1、c3、c4和wc1、wc3、wc4),condition表示最终预测结果所使用的判断依据,如图8所示。最终的预测结果pred为正常(C1)、轻度狭窄(C3)和重度狭窄(C4)。如果BR与BW相等,预测的结果和BR、BW保持一致,如果pred等于C3并且c3<0.4,则pred判定为C1。当两个模型预测不一致时,以最严重的结果为最终结果(严重程度C4>C3>C1),供后续判断。如果c1、c3、c4的值都大于0.3并且wc1>0.5,或者pred等于C4且c4<0.45则pred判定为C3;如果pred等于C3且c4或wc4二者有其一大于0.3,则pred判定为C4。以上的判断完成后,如果pred等于C1(两模型都预测为C1),且c4>0.3或wc4>0.3,则最终结果pred判定为C3。
步骤7:分别计算每个通道的高频能量水平HV。
如果maxf_d<=100,则
HV=((10h_d)2+(100eh_d)2)/60
如果maxf_d>100,则
HV=((10h_d)2+(100eh_d)2)/60+(maxf_d–100)/50
如果HV计算结果大于4.9,则HV的值设置为4.9
步骤8:绘制每个通道的频谱图、能量图、心音图、柱状图。分别将单个病例按通道将心跳周期原始心音数据计算平均值得到通道平均心音。用通道平均心音进行连续小波变换,得到能量矩阵和频率序列。使用能量矩阵和频率序列绘制频谱图、使用能量矩阵按时刻分别累加得到能量图、绘制心音图。
默认以HV的高度表示对应通道柱状图的高度,如果HV的最大值的映射关系与pred不符合,则进行需进行映射变换:
HV与pred的映射关系:
[0,1)->C1
[1,3)->C3
[3,5)->C4
6个通道中HV的最大值经变换后的新值,其中n表示第n个通道:
nVal=(nmax-nmin)/(omax-omin)×(maxGradeVal-omin)+nmin
nmin,nmax:分别表示预测值所在区间的最小值和最大值
omin,omax:分别表示HV所在区间的最小值和最大值
maxGradeVal:6通道HV的最大值
计算变换系数:
i=nVal/maxGradeVal
计算每个通道的HV新值Hn
Hn=HVn×i
HVn:每个通道HV的值。
在柱状图上以三种不同的颜色和高度表示冠状动脉正常或者狭窄的程度,分级为正常、轻度狭窄风险和重度狭窄风险,如图10所示,左侧柱状图表示预测的冠状动脉情况,右侧柱状图从下到上三种颜色分别表示正常、轻度狭窄风险和重度狭窄风险。
本发明还公开了一种基于多路心音的冠状动脉狭窄可视化量化设备,包括心电信号采集模块、心音信号采集模块、存储模块、控制模块及显示模块,其中:心电信号采集模块连接控制模块,用于采集心电信号;心音信号采集模块连接控制模块,用于采集心音信号,采集位置为:R1、R2、R3心音探头采集起于右胸前壁胸骨左缘第三肋间,与胸骨平行放置;L1、L2、L3心音探头采集起于左胸前壁胸骨右缘第三肋间,与胸骨平行放置;存储模块连接控制模块,用于存储心电信号及多路心音信号;显示模块连接控制模块,用于显示以图像的形式显示控制模块处理后的数据;控制模块用于实现上述基于多路心音的冠状动脉狭窄可视化量化方法。
Claims (4)
1.一种基于多路心音的冠状动脉狭窄可视化量化方法,其特征在于:包括:
步骤1:同步采集和记录心电信号及多路心音信号,同时将心电信号及多路心音信号存储为音频文件;
步骤2:读取音频文件,依据心电通道数据,计算R波位置,划分心动周期和计算心率,得到不同的心动周期信号数据;
步骤3:根据心动周期划分标准将各心动周期信号划分为S1、收缩期、S2及舒张期四部分;
步骤4:分别计算S1、收缩期、S2及舒张期四部分的特征值和总心动周期的特征值;
步骤5:分别用多个心动周期信号的特征值进行多模型训练,筛选出准确率最高的通道的两个模型作为预测模型;
步骤6:使用所述预测模型对测试数据进行冠状动脉的狭窄程度预测,得到预测结果;
步骤7:分别计算每个通道的高频能量水平HV;
步骤8:绘制每个通道的频谱图、能量图、心音图和柱状图:分别将单个病例按通道将心音数据计算平均值得到各路平均心音,对通道平均心音进行连续小波变换,得到能量矩阵和频率序列,依据能量矩阵和频率序列绘制频谱图,将能量矩阵按时刻分别累加得到能量图并绘制心音图,根据所述预测结果和高频能量水平HV绘制柱状图。
2.根据权利要求1所述的一种基于多路心音的冠状动脉狭窄可视化量化方法,其特征在于:所述心动周期划分标准包括:对每个心动周期信号进行连续小波变换,进行绝对值计算后按分时刻累加,得到能量分布曲线。心动周期开始记为点A,心动周期开始延后0.12秒记为点B,记AB为S1的起止时刻;能量分布曲线图中心位置两边各0.15秒区间内,记能量最大值时刻为点D,记点D左侧0.4秒为点C,点D右侧0.4秒为点E,记CE为S2的起止时刻;记S1结束至S2开始,为收缩期起止时刻BC;记S2结束至下一心动周期开始时刻为舒张期起止时刻EF。
3.根据权利要求1所述的一种基于多路心音的冠状动脉狭窄可视化量化方法,其特征在于:所述特征值包括波形特征、CWT特征、MFCC特征、FFT特征、性别和年龄。
4.一种基于多路心音的冠状动脉狭窄可视化量化设备,其特征在于:包括心电信号采集模块、心音信号采集模块、存储模块、控制模块及显示模块,
所述心电信号采集模块连接控制模块,用于采集心电信号;
所述心音信号采集模块连接控制模块,用于采集心音信号,采集位置为:R1、R2、R3心音探头采集起于右胸前壁胸骨左缘第三肋间,与胸骨平行放置;L1、L2、L3心音探头采集起于左胸前壁胸骨右缘第三肋间,与胸骨平行放置;
所述存储模块连接控制模块,用于存储心电信号及多路心音信号;
所述显示模块连接控制模块,用于显示以图像的形式显示控制模块处理后的数据;
所述控制模块用于实现所述权利要求1至3所述的基于多路心音的冠状动脉狭窄可视化量化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011347924.0A CN112494000B (zh) | 2020-11-26 | 2020-11-26 | 一种基于多路心音的冠状动脉狭窄可视化量化方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011347924.0A CN112494000B (zh) | 2020-11-26 | 2020-11-26 | 一种基于多路心音的冠状动脉狭窄可视化量化方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112494000A true CN112494000A (zh) | 2021-03-16 |
CN112494000B CN112494000B (zh) | 2022-11-01 |
Family
ID=74966245
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011347924.0A Active CN112494000B (zh) | 2020-11-26 | 2020-11-26 | 一种基于多路心音的冠状动脉狭窄可视化量化方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112494000B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114159091A (zh) * | 2021-12-17 | 2022-03-11 | 大连理工大学 | 一种基于可穿戴传感器阵列的心音传播关系检测系统 |
CN115349834A (zh) * | 2022-10-18 | 2022-11-18 | 合肥心之声健康科技有限公司 | 一种无症状冠状动脉重度狭窄的心电图筛查方法和系统 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5638823A (en) * | 1995-08-28 | 1997-06-17 | Rutgers University | System and method for noninvasive detection of arterial stenosis |
CN1428129A (zh) * | 2001-12-25 | 2003-07-09 | 客林公司 | 动脉硬化评估仪器 |
CN102512154A (zh) * | 2011-12-31 | 2012-06-27 | 济南汇医融工科技有限公司 | 一种检测冠状动脉狭窄的装置 |
US20130226019A1 (en) * | 2010-08-25 | 2013-08-29 | Diacoustic Medical Devices (Pty) Ltd | System and method for classifying a heart sound |
CN103654760A (zh) * | 2012-09-10 | 2014-03-26 | 焦文华 | 无创颅内压测量方法及应用该方法的无创颅内压分析仪 |
US20180177415A1 (en) * | 2016-12-23 | 2018-06-28 | Tamas Madl | Cardiovascular disease detection |
CN108577883A (zh) * | 2018-04-03 | 2018-09-28 | 上海交通大学 | 一种冠心病筛查装置、筛查系统以及信号特征提取方法 |
CN109497992A (zh) * | 2019-01-04 | 2019-03-22 | 济南汇医融工科技有限公司 | 基于机器学习方法的冠心病智能筛查装置 |
CN109498055A (zh) * | 2018-12-25 | 2019-03-22 | 河北德睿健康科技有限公司 | 心音信号采集分析系统及信号分析方法 |
CN109512456A (zh) * | 2018-12-25 | 2019-03-26 | 河北铭心堂生物科技有限公司 | 一种八通道冠状动脉疾病诊断仪 |
CN109961017A (zh) * | 2019-02-26 | 2019-07-02 | 杭州电子科技大学 | 一种基于卷积循环神经网络的心音信号分类方法 |
KR20190131267A (ko) * | 2018-05-16 | 2019-11-26 | 고려대학교 산학협력단 | 기계 학습을 이용한 관상 동맥 질환 예측 방법 및 시스템 |
CN110537910A (zh) * | 2019-09-18 | 2019-12-06 | 山东大学 | 基于心电和心音信号联合分析的冠心病无创筛查系统 |
CN111242005A (zh) * | 2020-01-10 | 2020-06-05 | 西华大学 | 一种基于改进狼群算法优化支持向量机的心音分类方法 |
US20200205745A1 (en) * | 2018-12-26 | 2020-07-02 | Analytics For Life Inc. | Methods and systems to configure and use neural networks in characterizing physiological systems |
-
2020
- 2020-11-26 CN CN202011347924.0A patent/CN112494000B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5638823A (en) * | 1995-08-28 | 1997-06-17 | Rutgers University | System and method for noninvasive detection of arterial stenosis |
CN1428129A (zh) * | 2001-12-25 | 2003-07-09 | 客林公司 | 动脉硬化评估仪器 |
US20130226019A1 (en) * | 2010-08-25 | 2013-08-29 | Diacoustic Medical Devices (Pty) Ltd | System and method for classifying a heart sound |
CN102512154A (zh) * | 2011-12-31 | 2012-06-27 | 济南汇医融工科技有限公司 | 一种检测冠状动脉狭窄的装置 |
CN103654760A (zh) * | 2012-09-10 | 2014-03-26 | 焦文华 | 无创颅内压测量方法及应用该方法的无创颅内压分析仪 |
US20180177415A1 (en) * | 2016-12-23 | 2018-06-28 | Tamas Madl | Cardiovascular disease detection |
CN108577883A (zh) * | 2018-04-03 | 2018-09-28 | 上海交通大学 | 一种冠心病筛查装置、筛查系统以及信号特征提取方法 |
KR20190131267A (ko) * | 2018-05-16 | 2019-11-26 | 고려대학교 산학협력단 | 기계 학습을 이용한 관상 동맥 질환 예측 방법 및 시스템 |
CN109498055A (zh) * | 2018-12-25 | 2019-03-22 | 河北德睿健康科技有限公司 | 心音信号采集分析系统及信号分析方法 |
CN109512456A (zh) * | 2018-12-25 | 2019-03-26 | 河北铭心堂生物科技有限公司 | 一种八通道冠状动脉疾病诊断仪 |
US20200205745A1 (en) * | 2018-12-26 | 2020-07-02 | Analytics For Life Inc. | Methods and systems to configure and use neural networks in characterizing physiological systems |
CN109497992A (zh) * | 2019-01-04 | 2019-03-22 | 济南汇医融工科技有限公司 | 基于机器学习方法的冠心病智能筛查装置 |
CN109961017A (zh) * | 2019-02-26 | 2019-07-02 | 杭州电子科技大学 | 一种基于卷积循环神经网络的心音信号分类方法 |
CN110537910A (zh) * | 2019-09-18 | 2019-12-06 | 山东大学 | 基于心电和心音信号联合分析的冠心病无创筛查系统 |
CN111242005A (zh) * | 2020-01-10 | 2020-06-05 | 西华大学 | 一种基于改进狼群算法优化支持向量机的心音分类方法 |
Non-Patent Citations (1)
Title |
---|
霍瑞鹏: "心电和心音的同步检测与医学应用", 《中国硕士学位论文全文数据库》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114159091A (zh) * | 2021-12-17 | 2022-03-11 | 大连理工大学 | 一种基于可穿戴传感器阵列的心音传播关系检测系统 |
CN114159091B (zh) * | 2021-12-17 | 2023-10-13 | 大连理工大学 | 一种基于可穿戴传感器阵列的心音传播关系检测系统 |
CN115349834A (zh) * | 2022-10-18 | 2022-11-18 | 合肥心之声健康科技有限公司 | 一种无症状冠状动脉重度狭窄的心电图筛查方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112494000B (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Abbas et al. | Phonocardiography signal processing | |
Hamidi et al. | Classification of heart sound signal using curve fitting and fractal dimension | |
JP5576116B2 (ja) | 心血管音のマルチパラメータ分類 | |
Papadaniil et al. | Efficient heart sound segmentation and extraction using ensemble empirical mode decomposition and kurtosis features | |
US8152731B2 (en) | Wavelet transform and pattern recognition method for heart sound analysis | |
Quiceno-Manrique et al. | Selection of dynamic features based on time–frequency representations for heart murmur detection from phonocardiographic signals | |
Haghighi-Mood et al. | A sub-band energy tracking algorithm for heart sound segmentation | |
CN112494000B (zh) | 一种基于多路心音的冠状动脉狭窄可视化量化方法及设备 | |
US8364249B2 (en) | Automatic generation of heart sounds and murmurs using a lumped-parameter recirculating pressure-flow model for the left heart | |
Gavrovska et al. | Classification of prolapsed mitral valve versus healthy heart from phonocardiograms by multifractal analysis | |
JP2012513858A (ja) | 心音信号を処理する方法及びシステム | |
KR101191667B1 (ko) | 시간 영역 특징을 이용한 심장 질환 진단 장치 | |
CN108143407A (zh) | 一种自动提取心音包络特征的心音分段方法 | |
Nogueira et al. | Classifying heart sounds using images of MFCC and temporal features | |
Alexander et al. | Screening of heart sounds using hidden Markov and Gammatone filterbank models | |
CN115486865A (zh) | 一种基于卷积循环神经网络的心音分类方法 | |
Yıldız et al. | Automated auscultative diagnosis system for evaluation of phonocardiogram signals associated with heart murmur diseases | |
Mustafa et al. | Detection of heartbeat sounds arrhythmia using automatic spectral methods and cardiac auscultatory | |
CN111329508A (zh) | 用于先心病筛查的心脏杂音智能分析方法 | |
Yang et al. | Classification of phonocardiogram signals based on envelope optimization model and support vector machine | |
CN112185545B (zh) | 一种心音段完整性判断模型及心音自适应分段方法 | |
CN111528900A (zh) | 基于巴特沃斯滤波器与香农熵法的心音分段方法和装置 | |
Ghaemmaghami et al. | Automatic segmentation and classification of cardiac cycles using deep learning and a wireless electronic stethoscope | |
US11653844B2 (en) | Risk determination of coronary artery disease | |
Prasad et al. | Analysis of various DWT methods for feature extracted PCG signals |
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 |