CN112971802B - 基于深度学习模型的心音信号检测方法及系统 - Google Patents
基于深度学习模型的心音信号检测方法及系统 Download PDFInfo
- Publication number
- CN112971802B CN112971802B CN202110172871.1A CN202110172871A CN112971802B CN 112971802 B CN112971802 B CN 112971802B CN 202110172871 A CN202110172871 A CN 202110172871A CN 112971802 B CN112971802 B CN 112971802B
- Authority
- CN
- China
- Prior art keywords
- heart sound
- information
- sound signal
- characteristic information
- corresponding relation
- 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
Links
- 210000002216 heart Anatomy 0.000 title claims abstract description 247
- 230000005236 sound signal Effects 0.000 title claims abstract description 226
- 238000013136 deep learning model Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 title description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 44
- 238000001514 detection method Methods 0.000 claims abstract description 33
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 208000024891 symptom Diseases 0.000 claims description 81
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 62
- 201000010099 disease Diseases 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 15
- 230000003205 diastolic effect Effects 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 239000000523 sample Substances 0.000 claims description 4
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 6
- 239000012535 impurity Substances 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000035790 physiological processes and functions Effects 0.000 description 4
- 210000001765 aortic valve Anatomy 0.000 description 3
- 238000002555 auscultation Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 210000003709 heart valve Anatomy 0.000 description 3
- 238000005481 NMR spectroscopy Methods 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 210000004115 mitral valve Anatomy 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000002107 myocardial effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- BALXUFOVQVENIU-KXNXZCPBSA-N pseudoephedrine hydrochloride Chemical compound [H+].[Cl-].CN[C@@H](C)[C@@H](O)C1=CC=CC=C1 BALXUFOVQVENIU-KXNXZCPBSA-N 0.000 description 2
- 210000003102 pulmonary valve Anatomy 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000001020 rhythmical effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 210000000591 tricuspid valve Anatomy 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 102000006822 Agouti Signaling Protein Human genes 0.000 description 1
- 108010072151 Agouti Signaling Protein Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 210000000709 aorta Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 210000005242 cardiac chamber Anatomy 0.000 description 1
- 230000022900 cardiac muscle contraction Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Psychiatry (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Acoustics & Sound (AREA)
- Power Engineering (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请涉及基于深度学习模型的心音信号检测方法及系统，具体而言，涉及心音信号检测领域。本申请提供一种基于深度学习模型的心音信号检测方法，方法包括：获取检测者的心音信号并使用预设算法提取心音信号的特征信息。所述检测系统包括：获取模块、提取模块和输出模块，所述获取模块用于获取检测者的心音信号，所述提取模块用于使用预设算法提取所述心音信号的特征信息，所述输出模块用于将提取的心音信号特征信息输出。通过本发明提供的系统及检测方法，可以对心音信号进行准确提取。
Description
技术领域
本申请涉及心音信号检测领域，具体而言，涉及一种基于深度学习模型的心音信号检测方法及系统。
背景技术
心音信号(heart sound)指由心肌收缩、心脏瓣膜关闭和血液撞击心室壁、大动脉壁等引起的振动所产生的声音。人们在不同的条件下心音信号大小是不同的，不同健康状态的人，心音信号也不相同。
现有技术都是在强调如何区分正常和异常心音信号，但是在实际应用中，一般是根据医师的经验，对心音信号进行判断，导致判断结果主观意识较强，易于产生误判。
发明内容
本发明的目的在于，针对上述现有技术中的不足，提供一种基于深度学习模型的心音信号检测方法及系统，以解决现有技术中在实际应用中，一般是根据医师的经验，对心音信号进行判断，导致判断结果主观意识较强，易于产生误判的问题。
为实现上述目的，本发明实施例采用的技术方案如下：
第一方面，本申请提供一种基于深度学习模型的心音信号检测方法，方法包括：
获取检测者的心音信号；
使用预设算法提取心音信号的特征信息；
根据心音信号的特征信息以及预设的心音信号的特征信息与病症信息的对应关系，得到检测者的病症信息。
可选地，该方法还包括：
获取病症信息与心电信号的对应关系；
使用预设算法获取心电信号的特征信息；
将病症信息与病症信息对应的心电信号的特征信息进行对应，建立病症信息与心电信号的特征信息的第一对应表。
可选地，该方法还包括：
多次获取多个检测者的心电信号和心音信号；
根据病症信息与心电信号的特征信息的对应表，以及心电信号和心音信号的对应关系，建立心音信号与病症信息的第二对应表。
可选地，该方法还包括：
将获取的检测者的心电信号与病症信息的对应关系，与第一对应表进行匹配；
若匹配成功，则根据检测者心电信号与病症信息的对应关系，得到心音信号与病症的对应关系；
若匹配不成功，则将心电信号与病症信息的对应关系，添加到第一对应表中；并且根据心电信号和心音信号的对应关系，得到心音信号与病症信息的对应关系，并将心音信号与病症信息的对应关系添加到第二对应表中。
可选地，该使用预设算法提取心音信号的特征信息的步骤包括：
使用预设滤波算法对检测者的心音信号进行滤波；
使用预设包络算法，得到心音信号中的收缩期和舒张期；
使用梅尔倒频系数提取算法分别提取收缩期的心音信号中的特征信息，和舒张期的心音信号中的特征信息，其中，特征信息包括：梅尔倒频谱系数、倒频率谱、共振峰。
第二方面，本申请提供一种基于深度学习模型的心音信号检测系统，系统包括：获取模块、提取模块和输出模块；
获取模块用于获取检测者的心音信号；
提取模块用于使用预设算法提取心音信号的特征信息；
输出模块用于根据心音信号的特征信息以及预设的心音信号的特征信息与病症信息的对应关系，得到检测者的病症信息。
可选地，该系统还包括第一建立模块；第一建立模块用于获取病症信息与心电信号的对应关系；使用预设算法获取心电信号的特征信息；将病症信息与病症信息对应的心电信号的特征信息进行对应，建立病症信息与心电信号的特征信息的第一对应表。
可选地，该系统还包括第二建立模块；第二建立模块用于多次获取多个检测者的心电信号和心音信号；根据病症信息与心电信号的特征信息的对应表，以及心电信号和心音信号的对应关系，建立心音信号与病症信息的第二对应表。
可选地，该第二建立模块还用于将获取的检测者的心电信号与病症信息的对应关系，与第一对应表进行匹配；若匹配成功，则根据检测者心电信号与病症信息的对应关系，得到心音信号与病症的对应关系；若匹配不成功，则将心电信号与病症信息的对应关系，添加到第一对应表中；并且根据心电信号和心音信号的对应关系，得到心音信号与病症信息的对应关系，并将心音信号与病症信息的对应关系添加到第二对应表中。
可选地，该提取模块具体用于使用预设滤波算法对检测者的心音信号进行滤波；使用预设包络算法，得到心音信号中的收缩期和舒张期；使用梅尔倒频系数提取算法分别提取收缩期的心音信号中的特征信息，和舒张期的心音信号中的特征信息，其中，特征信息包括：梅尔倒频谱系数、倒频率谱、共振峰。
本发明的有益效果是：
本申请提供一种基于深度学习模型的心音信号检测方法，方法包括：获取检测者的心音信号；使用预设算法提取心音信号的特征信息；根据心音信号的特征信息以及预设的心音信号的特征信息与病症信息的对应关系，得到检测者的病症信息；当需要对检测者进行诊断的时候，获取该检测者的心音信号，并将该心音信号中的特征信息提取出来，并根据预先建立的心音信号的特征信息与病症信息的对应关系，将该检测者的心音信号与数据库中的心音信号进行匹配，若匹配成功，则将该心音信号对应的疾病信息输出，作为该检测者的病症信息。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为发明实施例提供的一种基于心音信号的采集系统的结构示意图；
图2为本发明一实施例提供的一种基于心音的检测方法的流程示意图；
图3为本发明一实施例提供的另一种基于心音的检测方法的流程示意图；
图4为本发明一实施例提供的另一种基于心音的检测方法的流程示意图；
图5为本发明一实施例提供的一种基于心音的检测系统的模块示意图；
图6为本发明一实施例提供的另一种基于心音的检测系统的模块示意图；
图7为本发明一实施例提供的另一种基于心音的检测系统的模块示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
还需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。
图1为发明实施例提供的一种基于心音信号的采集系统的结构示意图；如图1所示，该系统包括：主服务器10、计算机20、采集设备30和输出设备40，其中，采集设备30、输出设备40和主服务器10分别与该计算机20通信连接，该采集设备30可以为心电信号采集设备，也可以为心音信号心电信号同步采集设备，具体的，该采集设备30可以是12导联心电信号连接线，该心音信号采集装置可以是五路MEMS心音信号采集探头，一般的，该12导联心电信号连接线分别连接在10个常规身体检测部位，分别是胸部电极和四肢电极区，该五路MEMS心音信号采集探头用于采集心脏瓣膜听诊区的二尖瓣区、肺动脉瓣区、主动脉瓣区、主动脉瓣第二听诊区、三尖瓣区位置，该计算机20内置用于处理心音信号、心电信号的软件。
需要说明的是，本申请中在采集设备30和计算机20之间还可以设置电压转换模块、信号处理模块、A/D转换模块、串口通信模块等，电压转换模块包括220V转12V，220转5V等。信号处理模块包括滤波电路、放大电路等。A/D转换模块将传感器输入的模拟信号转换为数字信号，再由串口通信模块传输到计算机20上。
在一些实施例中，主服务器10可以为处理器。在一些实施例中，处理器可以包括一个或多个处理核(例如，单核处理器(S)或多核处理器(S))。仅作为举例，处理器可以包括中央处理单元(Central Processing Unit，CPU)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、专用指令集处理器(Application Specific Instruction-set Processor，ASIP)、图形处理单元(Graphics Processing Unit，GPU)、物理处理单元(Physics Processing Unit，PPU)、数字信号处理器(Digital Signal Processor，DSP)、现场可编程门阵列(Field Programmable Gate Array，FPGA)、可编程逻辑器件(Programmable Logic Device，PLD)、控制器、微控制器单元、简化指令集计算机20(Reduced Instruction Set Computing，RISC)、或微处理器等，或其任意组合。
上述系统还包括：网络、数据库，采集设备30、输出设备40和主服务器10分别通过网络与该计算机20通信连接，该主服务器10有对应的第一数据库。网络可以用于信息和/或数据的交换。在一些实施例中，用户行为分析系统中的一个或多个组件(例如，主服务器10可以连接多个计算机20，用于处理多个计算机20的请求)。在一些实施例中，网络可以是任何类型的有线或者无线网络，或者是他们的结合。仅作为示例，网络可以包括有线网络、无线网络、光纤网络、远程通信网络、内联网、因特网、局域网(Local Area Network，LAN)、广域网(Wide Area Network，WAN)、无线局域网(Wireless Local Area Networks，WLAN)、城域网(Metropolitan Area Network，MAN)、广域网(Wide Area Network，WAN)、公共电话交换网(Public Switched Telephone Network，PSTN)、蓝牙网络、ZigBee网络、或近场通信(Near Field Communication，NFC)网络等，或其任意组合。在一些实施例中，网络可以包括一个或多个网络接入点。例如，网络可以包括有线或无线网络接入点，例如基站和/或网络交换节点，服务数据预测系统的一个或多个组件可以通过该接入点连接到网络以交换数据和/或信息。
第一数据库用于存储主服务器10的数据和/或指令。在一些实施例中，第一数据库可以存储获取的信息和/或数据。在一些实施例中，第一数据库可以存储在本申请中描述的示例性方法的数据和/或指令。在一些实施例中，第一数据库可以包括大容量存储器、可移动存储器、易失性读写存储器、或只读存储器(Read-Only Memory，ROM)等，或其任意组合。作为举例，大容量存储器可以包括磁盘、光盘、固态驱动器等；可移动存储器可包括闪存驱动器、软盘、光盘、存储卡、zip磁盘、磁带等；易失性读写存储器可以包括随机存取存储器(Random Access Memory，RAM)；RAM可以包括动态RAM(Dynamic Random Access Memory，DRAM)，双倍数据速率同步动态RAM(Double Date-Rate SynchronousRAM，DDR SDRAM)；静态RAM(Static Random-Access Memory，SRAM)，晶闸管RAM(Thyristor-Based Random AccessMemory，T-RAM)和零电容器RAM(Zero-RAM)等。作为举例，ROM可以包括掩模ROM(Mask Read-Only Memory，MROM)、可编程ROM(Programmable Read-Only Memory，PROM)、可擦除可编程ROM(Programmable Erasable Read-only Memory，PEROM)、电可擦除可编程ROM(Electrically Erasable Programmable read only memory，EEPROM)、光盘ROM(CD-ROM)、以及数字通用磁盘ROM等。在一些实施例中，第一数据库可以在云平台上实现。仅作为示例，云平台可以包括私有云、公有云、混合云、社区云、分布式云、跨云、多云或者其它类似的等，或其任意组合。
在一些实施例中，第一数据库可以连接到网络以与用户行为分析系统中的一个或多个组件通信。用户行为分析系统中的一个或多个组件可以经由网络访问存储在第一数据库中的数据或指令。在一些实施例中，第一数据库可以直接连接到用户行为分析系统中的一个或多个组件；或者，在一些实施例中，第一数据库也可以是主服务器10的一部分。
图2为本发明一实施例提供的一种基于心音的检测方法的流程示意图；如图2所示，本申请提供一种基于深度学习模型的心音信号检测方法，方法包括：
S101、获取检测者的心音信号。
使用心音信号采集设备或者心音信号采集系统获取该检测者的心音信号，在实际应用中采用该五路MEMS心音信号采集探头，该五路MEMS心音信号采集探头用于采集心脏瓣膜听诊区的二尖瓣区、肺动脉瓣区、主动脉瓣区、主动脉瓣第二听诊区、三尖瓣区位置的心音信号，一般的，可以将采集的心音信号绘制为心音信号图，用于表征该心音信号的特征，该心音信号图和心电信号图的横纵坐标表示的物理含义均相同。
S102、使用预设算法提取心音信号的特征信息。
使用预设算法对该该心音信号进行预处理，获取的心音信号中一半存在有杂质音，即杂质信号，杂质信号会影响通过心音信号判断检测者的具体情况的准确度，则可以先去除该心音信号中的杂质，然后提取需要的心音信号对应的特征信息，需要说明的是，该心音信号的特征信息可以表征该心音信号最明显的特征。
S103、根据心音信号的特征信息以及预设的心音信号的特征信息与病症信息的对应关系，得到检测者的病症信息。
心音信号的特征信息与病症信息的对应关系是提前建立的，该心音信号的特征信息与病症信息的对应关系最少应含有该心音信号的特征信息，与该病症信息的对应关系，该心音信号的特征信息与病症信息的对应关系可以为一个心音信号的特征信息对应多个病症信息，也可以是多个心音信号的特征信息对应一个病症信息，在此不做具体限定，将进行预处理和特征提取的特征信息与该对应关系中的特征信息进行对比匹配，若匹配成功，则将该对应关系中的该特征信息对应的病症作为该检测者的病症信息进行输出，即得到检测者的病症信息。
图3为本发明一实施例提供的另一种基于心音的检测方法的流程示意图；如图3所示，可选地，该方法还包括：
S201、获取病症信息与心电信号的对应关系。
获取病症信息与心电信号的对应关系，即在生活中，使用其他手段获取检测者的病症信息，并获取该检测者的心电信号信息，将该病症信息与该心电信号信息对应起来，得到该病症信息与心电信号信息的对应关系；在实际应用中，可以通过获取多个相同的病症信息对应的心电信号信息，并从中得到该病症信息对应的最准确的心电信号信息，且若有极少数的病症信息对应的心电信号信息与该对应关系中的心电信号信息不吻合，则以多数的心电信号信息与该病症信息的对应关系为主，并将该少数情况的心电信号信息与该病症信息的对应关系也加以记载，需要说明的是，一个病症也可以由多个病症特征。
S202、使用预设算法获取心电信号的特征信息。
使用预设算法对该该心电信号进行预处理，获取的心电信号中一半存在有杂质音，即杂质信号，杂质信号会影响通过心电信号判断检测者的具体情况的准确度，则可以先去除该心电信号中的杂质，然后提取需要的心电信号对应的特征信息，需要说明的是，该心电信号的特征信息可以表征该心音信号最明显的特征，该图中信息的具体种类根据实际需要进行设置。
S203、将病症信息与病症信息对应的心电信号的特征信息进行对应，建立病症信息与心电信号的特征信息的第一对应表。
如表1所示，该病症1对应的心电信号的特征信息为：特征1、特征2、特征3，病症2对应的心电信号的特征信息为：特征1、特征2、特征3，病症3对应的心电信号的特征信息为：特征3、特征4、特征5，将该病症信息与心电信号的特征信息的对应关系绘制成对应表，就得到该第一对应表；需要说明的是，该病症1、病症2和病症3均为不同病症，该病症1和病症3具有相同的心电信号的特征信息，该该病症2和病症3具有相同的心电信号的特征信息，在通过心电信号的特征信息区分病症时，可以通过心电信号的特征信息中不同的特征信息进行区分，例如检测者检测得到的心电信号的特征信息为特征1、特征2、特征3、特征4和特征5，就也可以得到该检测者的病症为病症1和病症3，因为不含有病症2所需的特征6。
表1
| 病症名称 | 心电信号的特征信息 |
| 病症1 | 特征1、特征2、特征3 |
| 病症2 | 特征4、特征5、特征6 |
| 病症3 | 特征3、特征4、特征5 |
图4为本发明一实施例提供的另一种基于心音的检测方法的流程示意图；如图4所示，可选地，该方法还包括：
S301、多次获取多个检测者的心电信号和心音信号。
多次获取检测者的心电信号和心音信号，该检测者可以为不同人。
S302、根据病症信息与心电信号的特征信息的对应表，以及心电信号和心音信号的对应关系，建立心音信号与病症信息的第二对应表。
由于获取每个检测者的均是心音信号和心电信号，则可以得到该检测者的心音信号和心电信号的对应关系，并根据病症信息与心电信号的特征信息的对应表，即上述表1，建立该心音信号与病症信息的第二对应表，该第二对应表可以只包括心音信号与病症信息的对应关系，还可以包含心电信号、心音信号与病症信息三者的对应关系，为了方便说明，在此以该心音信号的特征信息为A、B、C、D、E、F进行表示，即病症1对应的心音信号的特征信息为A、B、C；病症2对应的心音信号的特征信息为D、E、F；病症3对应的心音信号的特征信息为C、D、E。
表2
需要说明的是，该心电信号和心音信号虽然在信号机理上有本质的区别，但考虑到人体的自身特征，因为心电信号和心音信号皆为心脏的节律性活动过程中周期心肌收缩和舒张所产生的不同生理机能信号的变化，其信号中都携带了心脏生理机能状态的信号，即同一个人在同一状态下，该心音信号和心电信号具有一定的对应关系。
可选地，该方法还包括：
将获取的检测者的心电信号与病症信息的对应关系，与第一对应表进行匹配；
若匹配成功，则根据检测者心电信号与病症信息的对应关系，得到心音信号与病症的对应关系；
若匹配不成功，则将心电信号与病症信息的对应关系，添加到第一对应表中；并且根据心电信号和心音信号的对应关系，得到心音信号与病症信息的对应关系，并将心音信号与病症信息的对应关系添加到第二对应表中。
检测本申请对检测病症的判断是否准确的方法包括：将获取的检测者的心电信号与该心电信号对应的病症信息，用于和第一对应表进行匹配，若匹配成功，即该心电信号的特征信息与该第一对应表中的心电信号的特征信息匹配成功的同时，该心电信号对应的病症信息与该第一对应表中的心电信号对应的病症信息也匹配成功，则根据该心音信号与该心电信号的对应关系，得到心音信号与病症的对应关系；若匹配不成功，则将心电信号与病症信息的对应关系，添加到第一对应表中；并且根据心电信号和心音信号的对应关系，得到心音信号与病症信息的对应关系，并将心音信号与病症信息的对应关系添加到第二对应表中，进而完善第一对应表和第二对应表。
可选地，该使用预设算法提取心音信号的特征信息的步骤包括：
使用预设滤波算法对检测者的心音信号进行滤波；
使用预设包络算法，得到心音信号中的收缩期和舒张期；
使用梅尔倒频系数提取算法分别提取收缩期的心音信号中的特征信息，和舒张期的心音信号中的特征信息，其中，特征信息包括：梅尔倒频谱系数、倒频率谱、共振峰。
在实际应用中，预设滤波算法可以为小波去噪，预设包络算法可以为包络提取，使用小波去噪进行更精细的噪声滤除；之后将滤波去噪后的信号进行包络提取、提取信号的包络便以辨识出心音信号周期的组分：S1、收缩期、S2、舒张期等，之后可进行分段定位处理，方便提取特征。再使用MFCC(梅尔倒频系数)分析等时频域特征提取方法，提取出心音信号特征，该心音信号对应的特征信息包括：梅尔倒频谱系数、倒频率谱、共振峰。需要说明的是，对该预设算法提取心音信号的特征信息的步骤中的预设算法根据实际需要进行选择，在此不做具体限定。
本申请提供一种基于深度学习模型的心音信号检测方法，方法包括：获取检测者的心音信号；使用预设算法提取心音信号的特征信息；根据心音信号的特征信息以及预设的心音信号的特征信息与病症信息的对应关系，得到检测者的病症信息；当需要对检测者进行诊断的时候，获取该检测者的心音信号，并将该心音信号中的特征信息提取出来，并根据预先建立的心音信号的特征信息与病症信息的对应关系，将该检测者的心音信号与数据库中的心音信号进行匹配，若匹配成功，则将该心音信号对应的疾病信息输出，作为该检测者的病症信息。
可选地，该心音信号的特征信息与病症信息的对应关系主要由心音信号特征信息和该心音信号所对应的的心电信号与病症信息的对应关系，和其他检测结果(心脏彩超、核磁共振)组合为数据集，通过决策森林算法进行分类得出对应病症信息。
可选地，将心音信号特征信息和该心音信号所对应的的心电信号与病症信息的对应关系，和其他检测结果(心脏彩超、核磁共振)组合为数据集，从数据集中随机选择k个特征(列)，共m个特征(其中k小于等于m)。然后根据这k个特征建立决策树。然后，重复n次，这k个特性经过不同随机组合建立起来n棵决策树(或者是数据的不同随机样本，称为自助法样本)。之后，对每个决策树都传递随机变量来预测结果。存储所有预测的结果(目标)，从n棵决策树中得到n种结果。最后，计算每个预测目标的得票数再选择模式(最常见的目标变量)，将得到高票数的预测目标作为随机森林算法的最终预测。随机森林中的每棵决策树预测最新数据属于哪个病症分类，最终，哪一病症分类被选择最多，就预测这个最新数据属于哪一分类，从而得到心音信号的对应病症分类。
本申请具体的有益效果是：1、心电信号和心音信号虽然在信号机理上有本质的区别，但考虑到人体的自身特征，因为心电信号和心音信号皆为心脏的节律性活动过程中周期心肌收缩和舒张所产生的不同生理机能信号的变化，其信号中都携带了心脏生理机能状态的信号；因此，其有益效果是可以利用典型病人心电信号相关病理特征去标识心音信号中相关联的病理特征，随着数据的积累和心音信号特征提取深度学习模型的训练优化，建立心音信号诊断标准图库；2、本发明采用的深度学习网络模型可以融合决策森林、SVM、RNN、CNN等多种模型为一体，赋予各模型于不同权重实现对心音信号分类辨识诊断综合分析。其有益于提升标准数据库的构建的准确度；3、利用深度学习对心音信号特征提取，同时将其他诊断结果带入深度学习模型中进行训练，因为人体是一个有机的统一整体，某一部分疾病的出现，必定会影响相关脏器的运转，这些疾病信息必然也会在其他人体检查指标中有所反应，有益效果为通过将病人的其他方面的诊断结果带入深度学习模型中可以寻找更多的心音信号特征与疾病相关的特征信息，丰富心音信号标准图库。
图5为本发明一实施例提供的一种基于心音的检测系统的模块示意图；如图5所示，本申请提供一种基于深度学习模型的心音信号检测系统，系统包括：获取模块50、提取模块51和输出模块52；
获取模块50用于获取检测者的心音信号；
提取模块51用于使用预设算法提取心音信号的特征信息；
输出模块52用于根据心音信号的特征信息以及预设的心音信号的特征信息与病症信息的对应关系，得到检测者的病症信息。
图6为本发明一实施例提供的另一种基于心音的检测系统的模块示意图；如图6所示，可选地，该系统还包括第一建立模块53；第一建立模块用于获取病症信息与心电信号的对应关系；使用预设算法获取心电信号的特征信息；将病症信息与病症信息对应的心电信号的特征信息进行对应，建立病症信息与心电信号的特征信息的第一对应表。
图7为本发明一实施例提供的另一种基于心音的检测系统的模块示意图；如图7所示，可选地，该系统还包括第二建立模块54；第二建立模块用于多次获取多个检测者的心电信号和心音信号；根据病症信息与心电信号的特征信息的对应表，以及心电信号和心音信号的对应关系，建立心音信号与病症信息的第二对应表。
可选地，该第二建立模块54还用于将获取的检测者的心电信号与病症信息的对应关系，与第一对应表进行匹配；若匹配成功，则根据检测者心电信号与病症信息的对应关系，得到心音信号与病症的对应关系；若匹配不成功，则将心电信号与病症信息的对应关系，添加到第一对应表中；并且根据心电信号和心音信号的对应关系，得到心音信号与病症信息的对应关系，并将心音信号与病症信息的对应关系添加到第二对应表中。
可选地，该提取模块51具体用于使用预设滤波算法对检测者的心音信号进行滤波；使用预设包络算法，得到心音信号中的收缩期和舒张期；使用梅尔倒频系数提取算法分别提取收缩期的心音信号中的特征信息，和舒张期的心音信号中的特征信息，其中，特征信息包括梅尔倒频谱系数、倒频率谱、共振峰：。以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于深度学习模型的心音信号检测系统，其特征在于，所述系统包括：获取模块、提取模块和输出模块；
所述获取模块用于获取检测者的心音信号；
所述提取模块用于使用预设算法提取所述心音信号的特征信息；
所述输出模块用于根据心音信号的特征信息以及预设的心音信号的特征信息与病症信息的对应关系，得到检测者的病症信息；
所述提取模块具体用于使用预设滤波算法对所述检测者的心音信号进行滤波；使用预设包络算法，得到所述心音信号中的收缩期和舒张期；使用梅尔倒频系数提取算法分别提取所述收缩期的心音信号中的特征信息，和舒张期的所述心音信号中的特征信息，其中，所述特征信息包括：梅尔倒频谱系数、倒频率谱、共振峰；
所述系统还包括：第一建立模块和第二建立模块，所述第一建立模块用于获取病症信息与心电信号的对应关系，使用所述预设算法获取心电信号的特征信息，将病症信息与病症信息对应的心电信号的特征信息进行对应，建立病症信息与心电信号的特征信息的第一对应表；所述第二建立模块用于多次获取多个检测者的心电信号和心音信号；根据病症信息与心电信号的特征信息的对应表，以及心电信号和心音信号的对应关系，建立心音信号与病症信息的第二对应表；
所述第二建立模块还用于将获取的检测者的心电信号与病症信息和第一对应表进行匹配；若匹配不成功，则将心电信号与病症信息的对应关系，添加到第一对应表中；根据心电信号和心音信号的对应关系，得到心音信号与病症信息的对应关系，并将心音信号与病症信息的对应关系添加到第二对应表中。
2.根据权利要求1所述的一种基于深度学习模型的心音信号检测系统，其特征在于，所述获取模块包括采集设备(30)、提取模块包括主服务器(10)和计算机(20)，输出模块包括输出设备(40)，其中，采集设备(30)、输出设备(40)和主服务器(10)分别与所述计算机(20)通信连接，所述计算机(20)内置用于处理心音信号、心电信号的软件，所述采集设备(30)为心电信号采集设备或者为心音信号心电信号同步采集设备。
3.根据权利要求2所述的一种基于深度学习模型的心音信号检测系统，其特征在于，所述采集设备(30)为12导联心电信号连接线或者为五路MEMS心音信号采集探头。
4.根据权利要求2所述的一种基于深度学习模型的心音信号检测系统，其特征在于，在所述采集设备(30)和计算机(20)之间还设置电压转换模块、信号处理模块、A/D转换模块、串口通信模块，电压转换模块包括220V转12V或者220转5V，信号处理模块包括滤波电路或者放大电路；A/D转换模块将传感器输入的模拟信号转换为数字信号，再由串口通信模块传输到计算机(20)上。
5.一种根据权利要求1～4任一项所述的基于深度学习模型的心音信号检测系统的检测方法，其特征在于包括以下步骤：
S101，获取检测者的心音信号；
S102，使用预设算法提取所述心音信号的特征信息，使用预设算法提取所述心音信号的特征信息的步骤包括：
使用预设滤波算法对所述检测者的心音信号进行滤波；
使用预设包络算法，得到所述心音信号中的收缩期和舒张期；
使用梅尔倒频系数提取算法提取所述收缩期的心音信号中的特征信息，和舒张期的所述心音信号中的特征信息，其中，所述特征信息包括：梅尔倒频谱系数、倒频率谱、共振峰；
S103，根据心音信号的特征信息以及预设的心音信号的特征信息与病症信息的对应关系，得到检测者的病症信息；所述心音信号的特征信息与病症信息的对应关系由如下步骤得到：
S201，获取病症信息与心电信号的对应关系；
S202，使用预设算法获取心电信号的特征信息；
S203，将病症信息与病症信息对应的心电信号的特征信息进行对应，建立病症信息与心电信号的特征信息的第一对应表；
S301，多次获取多个检测者的心电信号和心音信号；
S302，根据所述第一对应表，以及心电信号和心音信号的对应关系，建立心音信号与病症信息的第二对应表，即得到所述心音信号的特征信息与病症信息的对应关系；
将获取的检测者的心电信号与病症信息的对应关系，与第一对应表进行匹配；若匹配不成功，则将心电信号与病症信息的对应关系，添加到第一对应表中；根据心电信号和心音信号的对应关系，得到心音信号与病症信息的对应关系，并将心音信号与病症信息的对应关系添加到第二对应表中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110172871.1A CN112971802B (zh) | 2021-02-08 | 2021-02-08 | 基于深度学习模型的心音信号检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110172871.1A CN112971802B (zh) | 2021-02-08 | 2021-02-08 | 基于深度学习模型的心音信号检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112971802A CN112971802A (zh) | 2021-06-18 |
| CN112971802B true CN112971802B (zh) | 2023-05-12 |
Family
ID=76347655
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110172871.1A Active CN112971802B (zh) | 2021-02-08 | 2021-02-08 | 基于深度学习模型的心音信号检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112971802B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113413163B (zh) * | 2021-08-24 | 2021-11-19 | 山东大学 | 一种混合深度学习和低差异度森林的心音诊断系统 |
| 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 |
| CN113855065B (zh) * | 2021-09-28 | 2023-09-22 | 平安科技（深圳）有限公司 | 基于浅层学习和深度学习融合的心音识别方法及相关装置 |
| CN113855063B (zh) * | 2021-10-21 | 2022-11-11 | 华中科技大学 | 一种基于深度学习的心音自动诊断系统 |
| CN115081481A (zh) * | 2022-06-24 | 2022-09-20 | 重庆邮电大学 | 一种基于四元数深度学习框架的心音分类系统 |
| CN118645125B (zh) * | 2024-08-14 | 2024-10-11 | 中国医学科学院阜外医院 | 心脏异常检测方法及设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4548204A (en) * | 1981-03-06 | 1985-10-22 | Siemens Gammasonics, Inc. | Apparatus for monitoring cardiac activity via ECG and heart sound signals |
| JP2003265426A (ja) * | 2002-03-13 | 2003-09-24 | Nippon Koden Corp | 心電位モニタ装置および心臓アブレーションシステム |
| WO2012025815A1 (en) * | 2010-08-25 | 2012-03-01 | Diacoustic Medical Devices (Pty) Ltd | A system and method for classifying a heart sound |
| CN104581516A (zh) * | 2013-10-15 | 2015-04-29 | 清华大学 | 一种医学声信号的双麦克风消噪方法及装置 |
| JP2020047025A (ja) * | 2018-09-20 | 2020-03-26 | 学校法人立命館 | 医療トレーニングを支援する情報処理装置 |
| CN111543978A (zh) * | 2020-05-11 | 2020-08-18 | 中北大学 | 基于心电、心音和脉搏同步诊断的方法及系统 |
| CN112137612A (zh) * | 2020-10-27 | 2020-12-29 | 中北大学 | 心电心音同步采集装置及方法 |
| WO2021004345A1 (zh) * | 2019-07-10 | 2021-01-14 | 东南大学 | 一种基于云架构的心音采集与分析系统及方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9101275B2 (en) * | 2013-03-14 | 2015-08-11 | Cardiac Pacemakers, Inc. | Determining systolic time intervals using heart sounds |
| CN108143407A (zh) * | 2017-12-25 | 2018-06-12 | 四川大学 | 一种自动提取心音包络特征的心音分段方法 |
| CN108903914A (zh) * | 2018-06-01 | 2018-11-30 | 四川长虹电器股份有限公司 | 一种基于emd分解的mfcc的心音类型识别方法 |
| CN108670291A (zh) * | 2018-06-01 | 2018-10-19 | 四川长虹电器股份有限公司 | 基于emd结合改进的mfcc的心音类型识别方法 |
| CN110123367B (zh) * | 2019-04-04 | 2022-11-15 | 平安科技（深圳）有限公司 | 计算机设备、心音识别装置、方法、模型训练装置及存储介质 |
| 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 |
| CN111863035A (zh) * | 2020-07-21 | 2020-10-30 | 上海宜硕网络科技有限公司 | 一种用于心音数据识别的方法、系统与设备 |
| CN112274174A (zh) * | 2020-10-25 | 2021-01-29 | 贵州大学 | 智能电子听诊控制系统、方法、存储介质、电子听诊器 |
-
2021
- 2021-02-08 CN CN202110172871.1A patent/CN112971802B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4548204A (en) * | 1981-03-06 | 1985-10-22 | Siemens Gammasonics, Inc. | Apparatus for monitoring cardiac activity via ECG and heart sound signals |
| JP2003265426A (ja) * | 2002-03-13 | 2003-09-24 | Nippon Koden Corp | 心電位モニタ装置および心臓アブレーションシステム |
| WO2012025815A1 (en) * | 2010-08-25 | 2012-03-01 | Diacoustic Medical Devices (Pty) Ltd | A system and method for classifying a heart sound |
| CN104581516A (zh) * | 2013-10-15 | 2015-04-29 | 清华大学 | 一种医学声信号的双麦克风消噪方法及装置 |
| JP2020047025A (ja) * | 2018-09-20 | 2020-03-26 | 学校法人立命館 | 医療トレーニングを支援する情報処理装置 |
| WO2021004345A1 (zh) * | 2019-07-10 | 2021-01-14 | 东南大学 | 一种基于云架构的心音采集与分析系统及方法 |
| CN111543978A (zh) * | 2020-05-11 | 2020-08-18 | 中北大学 | 基于心电、心音和脉搏同步诊断的方法及系统 |
| CN112137612A (zh) * | 2020-10-27 | 2020-12-29 | 中北大学 | 心电心音同步采集装置及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112971802A (zh) | 2021-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112971802B (zh) | 基于深度学习模型的心音信号检测方法及系统 | |
| EP3100675B1 (en) | Method and system for recognizing physiological sound | |
| CN109273085B (zh) | 病理呼吸音库的建立方法、呼吸疾病的检测系统及处理呼吸音的方法 | |
| CN109961017A (zh) | 一种基于卷积循环神经网络的心音信号分类方法 | |
| Singh et al. | Short unsegmented PCG classification based on ensemble classifier | |
| Riaz et al. | A novel embedded system design for the detection and classification of cardiac disorders | |
| Patel et al. | Lung Respiratory Audio Prediction using Transfer Learning Models | |
| Kok et al. | A novel method for automatic identification of respiratory disease from acoustic recordings | |
| Kucharski et al. | A deep learning approach for valve defect recognition in heart acoustic signal | |
| Wołk et al. | Early and remote detection of possible heartbeat problems with convolutional neural networks and multipart interactive training | |
| Bourouhou et al. | Heart sounds classification for a medical diagnostic assistance | |
| CN111543978A (zh) | 基于心电、心音和脉搏同步诊断的方法及系统 | |
| Wei et al. | A novel method for automatic heart murmur diagnosis using phonocardiogram | |
| CN113724731B (zh) | 利用音频判别模型进行音频判别的方法和装置 | |
| Hossain et al. | Wavelet and spectral analysis of normal and abnormal heart sound for diagnosing cardiac disorders | |
| Chen et al. | Lungheart-AtME: Adventitious cardiopulmonary sounds classification using MMoE with STFT and MFCCs spectrograms | |
| CN118016055A (zh) | 基于双向长短期记忆网络和多头注意力机制的心音分类方法 | |
| Pessoa et al. | Pediatric Respiratory Sound Classification Using a Dual Input Deep Learning Architecture | |
| Roy et al. | Recent Advances in PCG Signal Analysis using AI: A Review | |
| Chang et al. | Multi-task prediction of murmur and outcome from heart sound recordings | |
| Rahman et al. | Efficient online cough detection with a minimal feature set using smartphones for automated assessment of pulmonary patients | |
| Chowdhury et al. | Detecting Abnormal PCG Signals and Extracting Cardiac Information Employing Deep Learning and the Shannon Energy Envelope | |
| CN111543947B (zh) | 中医声诊方法及系统 | |
| Aly et al. | A new model to detect COVID-19 coughing and breathing sound symptoms classification from CQT and Mel spectrogram image representation using deep learning | |
| El Badlaoui et al. | Discrimination between normal and heart murmurs sound, based on statistical parameters extraction and classification |
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 |