CN113449636B - 一种基于人工智能的主动脉瓣狭窄严重程度自动分类方法 - Google Patents
一种基于人工智能的主动脉瓣狭窄严重程度自动分类方法 Download PDFInfo
- Publication number
- CN113449636B CN113449636B CN202110721837.5A CN202110721837A CN113449636B CN 113449636 B CN113449636 B CN 113449636B CN 202110721837 A CN202110721837 A CN 202110721837A CN 113449636 B CN113449636 B CN 113449636B
- Authority
- CN
- China
- Prior art keywords
- aortic valve
- valve stenosis
- heart sound
- artificial intelligence
- segment
- 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
- 206010002906 aortic stenosis Diseases 0.000 title claims abstract description 75
- 208000003017 Aortic Valve Stenosis Diseases 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims abstract description 28
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 22
- 230000005236 sound signal Effects 0.000 claims abstract description 21
- 238000011282 treatment Methods 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims abstract description 11
- 230000009466 transformation Effects 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 230000001360 synchronised effect Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 208000035211 Heart Murmurs Diseases 0.000 description 7
- 238000002592 echocardiography Methods 0.000 description 4
- 208000031481 Pathologic Constriction Diseases 0.000 description 3
- 238000002555 auscultation Methods 0.000 description 3
- 230000036262 stenosis Effects 0.000 description 3
- 208000037804 stenosis Diseases 0.000 description 3
- 230000017531 blood circulation Effects 0.000 description 2
- 210000005240 left ventricle Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010019280 Heart failures Diseases 0.000 description 1
- 206010020880 Hypertrophy Diseases 0.000 description 1
- 208000011682 Mitral valve disease Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000001765 aortic valve Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000011976 chest X-ray Methods 0.000 description 1
- 210000003698 chordae tendineae Anatomy 0.000 description 1
- 230000001447 compensatory effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 208000018578 heart valve disease Diseases 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002107 myocardial effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000036284 oxygen consumption Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000003245 working effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/16—Classification; Matching by matching signal segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种基于人工智能的主动脉瓣狭窄严重程度自动分类方法，包括如下步骤：读取缓存空间中同步采集的心电信号xECG与心音信号xPCG；通过滤波器对心音信号xPCG进行滤波；设定预设长度L，首先以同步采集的心电信号xECG为参考对心音信号进行分段，再将各分段左对齐，然后将大于L的分段其右端多余部分切除，小于L的分段其右端补零，最后进行归一化，以向量形式输出第i段心音数据xi；将xi输入对数梅尔滤波器组进行变换；计算出三个通道的数据矩阵Δi,0、Δi,1和Δi,2后，输入预先搭建并训练好的卷积神经网络，该神经网络输出概率值：pi＝[pi,mild,pi,moderate,pi,severe]T。通过比较上述输出概率值的大小，输出最终判断结果。本发明能够通过心音自动分析实现主动脉瓣狭窄三种严重程度的分类，且具有较好的鲁棒性。
Description
技术领域
本发明涉及主动脉瓣狭窄严重程度分类技术领域，特别是涉及一种基于人工智能的主动脉瓣狭窄严重程度自动分类方法。
背景技术
心脏杂音是由于血液流动加速或血液流动紊乱产生湍流并形成湍流场(漩涡)使心脏壁或血管壁发生振动所致，常见原因有：瓣膜口狭窄、瓣膜关闭不全、异常通道和赘生物或断裂的腱索等，其中瓣膜口狭窄主要包括二尖瓣狭窄和主动脉瓣狭窄。主动脉瓣狭窄是一种常见的心脏瓣膜病，患有主动脉瓣狭窄的患者在心音的收缩期期间会有明显的杂音产生。由于左心室有较强的代偿性，主动脉瓣狭窄一般不表现出明显的症状，然而在长期的劳作活动下，左心室会出现向心性肥厚，心肌耗氧量增加等问题，最终导致心力衰竭。不同严重程度的主动脉瓣狭窄需要进行不同的治疗手段，因此，对主动脉瓣狭窄的早期严重程度分类就非常重要。
目前，主动脉瓣狭窄的诊断主要有超声心动图、心电图以及胸部X线，其中以超声心动图作为诊断的金标准，主要包括主动脉瓣的计算面积(AVA)、峰值收缩速度(PSV)和平均压力梯度(MPG)这三个参数。然而基于超声心动图的检查价格昂贵且不方便，不适合作为日常的检查手段。
听诊作为一种方便且有效的医疗手段，具有悠久的历史。它是一种非侵入式的检查方法，对人体没有伤害且操作便捷，是医护人员检查内科疾病的常用手段。对于患有主动脉瓣狭窄的患者，医护人员可通过人工识别收缩期内的特异性心脏杂音来对患者进行主动脉瓣狭窄严重程度的早期判断。如图1所示，展示了不同严重程度的主动脉瓣狭窄的心脏杂音示例，其中(a)是轻度；(b)是中度；(c)是重度。但是这种方法局限于医护人员听诊的经验水平和听诊时的周围环境。随着近年来物联网以及计算机技术的蓬勃发展，实现一种能够自动分类主动脉瓣狭窄严重程度的方法成为可能。
目前已有的与主动脉瓣狭窄相关的专利的关注点包括：利用超声心动图来作主动脉瓣狭窄的相关诊断，以及在治疗时使用到的植入式设备、药剂等。然而，都没有提供一种利用心音信号对主动脉瓣狭窄的严重程度作分类的方案。
现有技术中，Kim D等人(Assessment of Severity of Aortic StenosisThrough Time-Fre quency Analysis of Murmur[J].Chest,124(5):1638-1644.)于2003年提出了一种计算频谱图中杂音持续时间来对主动脉瓣狭窄进行分级的方法。首先将记录得到的心音信号通过快速傅里叶变换转变为频谱的形式，然后就将其纸质打印出来，使用卡尺测量杂音在不同频率时的持续时间，参见图2。基于这个持续时间与多普勒超声心动图导出的相关参数作相关来进行严重程度的分类。但是该文献提出的方法有以下几个缺点：
(1)需要结合多普勒超声心动图的相关参数才能进行严重程度的诊断，这增加了此方法的复杂性，不能仅分析心音信号就得出诊断结果；
(2)用卡尺直接测量杂音的持续时间需要人为参与，这就不可避免的会造成人为误差，不能够实现自动诊断；
(3)若心音信号采集时包含周围环境的噪声，在利用快速傅里叶变换得到的频谱图中心脏杂音的持续时间也会相应的受到影响，这会导致测量结果存在误差，影响最终的诊断。
因此，如何实现通过人工智能的方式，对主动脉瓣狭窄严重程度自动分类成为迫切需要。
发明内容
针对现有技术存在的问题，本发明提出的一种基于人工智能的主动脉瓣狭窄严重程度自动分类方法，通过同步采集的心电信号与心音信号和卷积神经网络，实现主动脉瓣狭窄严重程度的实时自动分类。
第一方面，本发明保护一种基于人工智能的主动脉瓣狭窄严重程度自动分类方法，该方法包括如下步骤：
S1，读取缓存空间中同步采集的心电信号xECG与心音信号xPCG；
S2，通过滤波器对心音信号xPCG进行滤波，输出滤波后的心音信号xPCG；
优选地，所述滤波器为6阶Butterworth带通滤波器，通带为50Hz～600Hz。
S3，设定预设长度L，首先以同步采集的心电信号xECG作为参考对滤波后的心音信号xPCG进行分段，再将各分段进行左对齐，然后将长度大于L的分段将其右端多余部分切除，小于L的分段在其右端补零，最后进行归一化处理，以向量的形式输出第i段心音数据xi；
优选地，所述步骤3中，所述分段的过程为：首先，对同步采集的心电信号xECG检测出低点；然后，截取相邻两个低点对应时间的心音数据。
S4，将第i段心音数据xi输入对数梅尔滤波器组进行变换，输出对数梅尔滤波器组变换结果矩阵Fi；
优选地，所述步骤4中，将第i段心音数据xi输入对数梅尔滤波器组进行变换的具体步骤为：
S41，计算xi的短时傅里叶变换谱：首先将xi分为M段，每段包含NFFT个采样点，段间交迭D％，然后令第m段数据表示为xi,m(n),n＝0,1,...,NFFT-1，则该段数据的快速傅里叶变换计算为k＝0,1,...,NFFT/2-1，并计算出|Yi,m(k)|2；其中，h(n)为汉明窗；
S42，对|Yi,m(k)|2经由一个梅尔滤波器组滤波，该梅尔滤波器组包含Q个在梅尔频率域范围fMel(f)＝2959×log10(1+f/700),f～[0,fs/2]上均匀间距且E％交迭的三角形滤波器Ψq,q＝1,2,...,Q；梅尔滤波器组滤波后的结果为q＝1,2,...,Q；
S43，计算xi的对数梅尔滤波器组变换矩阵Fi；其中，Fi的第q行m列的元素由Fi[q,m]＝log[yi,m(q)]给出。
S5，将对数梅尔滤波器组变换结果矩阵Fi进行差分计算，计算出三个通道的数据矩阵Δi,0、Δi,1和Δi,2；
优选地，所述计算出三个通道的数据矩阵为：第一个通道上的9×9维数据矩阵Δi,0＝F[:,1:M-2]，第二个通道上的9×9维数据矩阵Δi,1＝F[:,2:M-1]-F[:,1:M-2]，第三个通道上的9×9维数据矩阵Δi,2＝(F[:,3:M]F[:,2:M-1])-Δi,1。
S6，将三个通道的数据矩阵Δi,0、Δi,1和Δi,2输入预先搭建并训练好的卷积神经网络，该神经网络输出概率值：pi＝[pi,mild,pi,moderate,pi,severe]T；
其中，pi,mild为轻度主动脉瓣狭窄的概率，pi,moderate为中度主动脉瓣狭窄的概率，pi,severe为重度主动脉瓣狭窄的概率。
优选地，所述搭建并训练好的卷积神经网络的构建过程如下：
搭建网络：
该卷积神经网络由两层卷积层，两层池化层和两层全连接层组成；其中两层卷积层的卷积核大小分别为3×3和3×3；卷积层使用ReLU作为激活函数；池化层使用最大池化；输出层通过softmax输出3个概率pi,mild、pi,moderate和pi,severe；搭建完成；该卷积神经网络通过在卷积层之后加入池化层来提高网络的容错能力。
训练网络：
对上述搭建完成的卷积神经网路，通过训练集进行训练；在训练该卷积神经网络过程中，加入Adam优化、Dropout学习以及L2正则化，防止过拟合的发生。
其中，训练集为事先采集用于训练的样本集合，主要用来训练神经网络中的参数。
S7，通过比较上述输出概率值的大小，输出“为轻度主动脉瓣狭窄”、“为中度主动脉瓣狭窄”与“为重度主动脉瓣狭窄”三种状态中的一种。
第二方面，本发明保护一种基于人工智能的主动脉瓣狭窄严重程度自动分类装置，该装置包括如下模块：
数据预处理模块，用于对输入的待识别的数据块进行预处理，得到数据块向量，加快模型收敛。
特征提取模块，用于对上述的数据块向量进行特征提取；
特征处理模块，用于将提取到的特征输入预先搭建并训练好的卷积神经网路进行处理；
结果判定模块，用于输出识别结果。
第三方面，本发明还保护一种基于人工智能的主动脉瓣狭窄严重程度自动分类系统，包括心音心电同步采集听诊器和第二方面所述的基于人工智能的主动脉瓣狭窄严重程度自动分类装置。
其中，心音心电同步采集听诊器用于同步获取主动脉瓣狭窄病人的心音与心电信号。
第四方面，本发明还保护相应的两类计算机程序产品、设备：
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述一种基于人工智能的主动脉瓣狭窄严重程度自动分类方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述一种基于人工智能的主动脉瓣狭窄严重程度自动分类方法的步骤。
本发明的有益效果：1、本发明仅分析心音信号便可实现对主动脉瓣狭窄严重程度的分类；2、本发明从诊断到出结果的过程中，不需要人的参与，提高了诊断效率；3、本发明能够有效的去除各种噪声带来的影响，具有较好的鲁棒性。
附图说明
图1(a)为轻度主动脉瓣狭窄病人心脏杂音示例图；
图1(b)为中度主动脉瓣狭窄病人心脏杂音示例图；
图1(c)为重度主动脉瓣狭窄病人心脏杂音示例图；
图2为测量频谱图中心脏杂音在指定频率下持续时间示例图；
图3为基于人工智能的主动脉瓣狭窄严重程度自动分类方法的流程图；
图4为实施例1中基于同步采集的心电信号对心音信号进行自动分段示例图；
图5(a)为实施例1中大于0.7s的数据段将右端切除示例图；
图5(b)为实施例1中小于0.7s的数据段将右端补零示例图；
图6为实施例1中卷积神经网络结构图；
图7为基于人工智能的主动脉瓣狭窄严重程度自动分类装置图；
图8为基于人工智能的主动脉瓣狭窄严重程度自动分类系统图。
具体实施方式
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。本发明的实施例是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显而易见的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
实施例1
本实施例通过读取到的300组同步采集的心音数据xPCG与心电数据xECG(每组数据约包含15个心音周期)和1组待识别的主动脉瓣狭窄严重程度的心音数据，对本发明的技术方案(主要流程如图3所示)进行具体阐述。
S1，读取同步采集的300组训练集和1组待识别的心电信号xECG与心音信号xPCG；
S2，通过通带为50～600Hz的6阶butterworth滤波器对心音信号xPCG进行滤波，滤除低频与高频部分噪声及部分肺音的影响，输出滤波后的心音信号
S3，设定预设长度为0.7s，首先以同步采集的心电信号xECG作为参考对滤波后的心音信号xPCG进行分段，参见图4；再将各分段进行左对齐，然后将长度大于0.7s的分段将其右端多余部分切除，参见图5(a)，小于0.7s的分段在其右端补零，参见图5(b)，使其长度达到0.7s，最后进行归一化处理，以向量的形式输出第i段心音数据xi；
S4，将第i段心音数据xi输入对数梅尔滤波器组进行变换，输出对数梅尔滤波器组变换结果矩阵Fi；
具体地，所述步骤4中，将向量xi输入对数梅尔滤波器组进行变换的具体步骤为：
S41，计算xi的短时傅里叶变换谱：首先将xi分为M＝11段，每段包含NFFT＝1024个采样点，段间交迭55％，然后令第m段数据表示为xi,m(n),n＝0,1,...,NFFT-1，则该段数据的快速傅里叶变换计算为k＝0,1,...,NFFT/2-1，并计算出|Yi,m(k)|2；其中，h(n)为汉明窗。
S42，对|Yi,m(k)|2经由一个梅尔滤波器组滤波，该梅尔滤波器组包含Q＝9个在梅尔频率域范围fMel(f)＝2959×log10(1+f/700),f～[0,fs/2]上均匀间距且55％交迭的三角形滤波器Ψq,q＝1,2,...,Q；梅尔滤波器组滤波后的结果为q＝1,2,...,Q；
S43，计算xi的对数梅尔滤波器组变换矩阵Fi；其中，Fi的第q行m列的元素由Fi[q,m]＝log[yi,m(q)]给出。
S5，将对数梅尔滤波器组变换结果矩阵Fi进行差分计算，计算出三个通道的数据矩阵Δi,0、Δi,1和Δi,2，共约4515个三通道特征。
具体地，所述计算出三个通道的数据矩阵为：第一个通道上的9×9维数据矩阵Δi,0＝F[:,1:M-2]，第二个通道上的9×9维数据矩阵Δi,1＝F[:,2:M-1]-F[:,1:M-2]，第三个通道上的9×9维数据矩阵Δi,2＝(F[:,3:M]F[:,2:M-1])-Δi,1。
S6，将三个通道的数据矩阵Δi,0、Δi,1和Δi,2输入预先搭建并训练好的卷积神经网络，该神经网络输出概率值：pi＝[pi,mild,pi,moderate,pi,severe]T；其中，pi,mild为轻度主动脉瓣狭窄的概率，pi,moderate为中度主动脉瓣狭窄的概率，pi,severe为重度主动脉瓣狭窄的概率。
具体地，所述搭建并训练好的卷积神经网络的构建过程如下：
搭建网络：
该卷积神经网络由两层卷积层，两层池化层和两层全连接层组成；其中两层卷积层的卷积核大小分别为3×3和3×3；卷积层使用ReLU作为激活函数；池化层使用最大池化；输出层通过softmax输出3个概率pi,mild、pi,moderate和pi,severe；搭建完成。
训练网络：
对上述搭建完成的卷积神经网路，通过训练集得到的约4500个三通道特征作为输入，进行训练；在训练该卷积神经网络过程中，加入Adam优化、Dropout学习以及L2正则化，防止过拟合的发生。
S7，通过比较上述输出概率值的大小，输出“为轻度主动脉瓣狭窄”、“为中度主动脉瓣狭窄”与“为重度主动脉瓣狭窄”三种状态中的一种。
实施例2
与上述基于人工智能的主动脉瓣狭窄严重程度自动分类方法相对应，本发明实施例还提供了一种基于人工智能的主动脉瓣狭窄严重程度自动分类装置。如图7所示，该装置包括如下模块：
数据预处理模块701，用于对输入的待识别的数据块进行预处理，得到数据块向量，加快模型收敛。
特征提取模块702，用于对上述的数据块向量进行特征提取；
特征处理模块703，用于将提取到的特征输入预先搭建并训练好的卷积神经网路进行处理；
结果判定模块704，用于输出识别结果。
实施例3
一种基于人工智能的主动脉瓣狭窄严重程度自动分类系统，参见图8所示，包括心音心电同步采集听诊器801和实施例2所述的基于人工智能的主动脉瓣狭窄严重程度自动分类装置7。
其中，心音心电同步采集听诊器用于同步获取主动脉瓣狭窄病人的心音与心电信号。
为描述的方便和简洁，所属领域的技术人员可以清楚地了解到，上述实施例2和实施例3描述的系统和装置的具体工作过程，参考前述实施例1中的对应过程，在此不再赘述。
实施例4
在硬件上本发明通常基于计算机设备实现，该计算机设备通常包括处理器、存储器、网络接口和数据库。其中，处理器用于提供计算和控制能力，存储器包括非易失性存储介质、内存储器。所述非易失性存储介质可以存储有操作系统、计算机程序和数据库；所述内存储器可以为非易失性存储介质中的操作系统和计算机程序的运行提供环境，通过运行计算机程序实现实施例1中基于人工智能的主动脉瓣狭窄严重程度自动分类方案。
实施例5
相应的，本发明在硬件上还可直接体现于计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现实施例1中基于人工智能的主动脉瓣狭窄严重程度自动分类方案。
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，本领域及相关领域的普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。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，本领域及相关领域的普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
Claims (10)
1.一种基于人工智能的主动脉瓣狭窄严重程度自动分类方法，其特征在于，该方法包括如下步骤：
S1，读取缓存空间中同步采集的心电信号xECG与心音信号xPCG；
S2，通过滤波器对心音信号xPCG进行滤波，输出滤波后的心音信号
S3，设定预设长度L，首先以同步采集的心电信号xECG作为参考对滤波后的心音信号进行分段，再将各分段进行左对齐，然后将长度大于L的分段将其右端多余部分切除，小于L的分段在其右端补零，最后进行归一化处理，以向量的形式输出第i段心音数据xi；
S4，将第i段心音数据xi输入对数梅尔滤波器组进行变换，输出对数梅尔滤波器组变换结果矩阵Fi；
S5，将对数梅尔滤波器组变换结果矩阵Fi进行差分计算，计算出三个通道的数据矩阵Δi,0、Δi,1和Δi,2；
S6，将三个通道的数据矩阵Δi,0、Δi,1和Δi,2输入预先搭建并训练好的卷积神经网络，该神经网络输出概率值：pi＝[pi,mild,pi,moderate,pi,severe]T；其中，pi,mild为轻度主动脉瓣狭窄的概率，pi,moderate为中度主动脉瓣狭窄的概率，pi,severe为重度主动脉瓣狭窄的概率；
S7，通过比较上述输出概率值的大小，输出“为轻度主动脉瓣狭窄”、“为中度主动脉瓣狭窄”与“为重度主动脉瓣狭窄”三种状态中的一种。
2.根据权利要求1所述的基于人工智能的主动脉瓣狭窄严重程度自动分类方法，其特征在于，所述步骤3中，所述分段的过程为：首先，对同步采集的心电信号xECG检测出低点；然后，截取相邻两个低点对应时间的心音数据。
3.根据权利要求2所述的基于人工智能的主动脉瓣狭窄严重程度自动分类方法，其特征在于，所述步骤4中，将第i段心音数据xi输入对数梅尔滤波器组进行变换的具体步骤为：
S41，计算xi的短时傅里叶变换谱：首先将xi分为M段，每段包含NFFT个采样点，段间交迭D％，然后令第m段数据表示为xi,m(n),n＝0,1,...,NFFT-1，则该段数据的快速傅里叶变换计算为并计算出|Yi,m(k)|2；其中，h(n)为汉明窗；
S42，对|Yi,m(k)|2经由一个梅尔滤波器组滤波，该梅尔滤波器组包含Q个在梅尔频率域范围fMel(f)＝2959×log10(1+f/700),f～[0,fs/2]上均匀间距且E％交迭的三角形滤波器Ψq,q＝1,2,...,Q；梅尔滤波器组滤波后的结果为
S43，计算xi的对数梅尔滤波器组变换矩阵Fi；其中，Fi的第q行m列的元素由Fi[q,m]＝log[yi,m(q)]给出。
4.根据权利要求1所述的基于人工智能的主动脉瓣狭窄严重程度自动分类方法，其特征在于，所述步骤S5中，所述计算出三个通道的数据矩阵为：第一个通道上的9×9维数据矩阵Δi,0＝F[:,1:M-2]，第二个通道上的9×9维数据矩阵Δi,1＝F[:,2:M-1]-F[:,1:M-2]，第三个通道上的9×9维数据矩阵Δi,2＝(F[:,3:M]-F[:,2:M-1])-Δi,1。
5.根据权利要求4所述的基于人工智能的主动脉瓣狭窄严重程度自动分类方法，其特征在于，所述步骤S6中，所述搭建并训练好的卷积神经网络的构建过程如下：
搭建网络：
该卷积神经网络由两层卷积层，两层池化层和两层全连接层组成；其中两层卷积层的卷积核大小分别为3×3和3×3；卷积层使用ReLU作为激活函数；池化层使用最大池化；输出层通过softmax输出3个概率pi,mild、pi,moderate和pi,severe；搭建完成；
训练网络：
对上述搭建完成的卷积神经网路，通过训练集进行训练；在训练该卷积神经网络过程中，加入Adam优化、Dropout学习以及L2正则化；其中，训练集为事先采集用于训练的样本集合，主要用来训练神经网络中的参数。
6.根据权利要求1-5任一项所述的基于人工智能的主动脉瓣狭窄严重程度自动分类方法，其特征在于，所述滤波器为6阶Butterworth带通滤波器，通带为50Hz～600Hz。
7.基于权利要求1所述的一种基于人工智能的主动脉瓣狭窄严重程度自动分类方法的自动分类装置，其特征在于，所述装置包括：
数据预处理模块(701)，用于对输入的待识别的数据块进行预处理，得到数据段向量；
特征提取模块(702)，用于对上述的数据段向量进行特征提取；
特征处理模块(703)，用于将提取到的特征输入预先搭建并训练好的卷积神经网路进行处理；
结果判定模块(704)，用于输出识别结果。
8.一种基于人工智能的主动脉瓣狭窄严重程度自动分类系统，其特征在于，包括心音心电同步采集听诊器(801)和权利要求7所述的基于人工智能的主动脉瓣狭窄严重程度自动分类装置(7)；
其中，心音心电同步采集听诊器用于同步获取主动脉瓣狭窄病人的心音与心电信号。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的基于人工智能的主动脉瓣狭窄严重程度自动分类方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的基于人工智能的主动脉瓣狭窄严重程度自动分类方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110721837.5A CN113449636B (zh) | 2021-06-28 | 2021-06-28 | 一种基于人工智能的主动脉瓣狭窄严重程度自动分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110721837.5A CN113449636B (zh) | 2021-06-28 | 2021-06-28 | 一种基于人工智能的主动脉瓣狭窄严重程度自动分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113449636A CN113449636A (zh) | 2021-09-28 |
| CN113449636B true CN113449636B (zh) | 2024-03-12 |
Family
ID=77813841
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110721837.5A Active CN113449636B (zh) | 2021-06-28 | 2021-06-28 | 一种基于人工智能的主动脉瓣狭窄严重程度自动分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113449636B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117373674B (zh) * | 2023-12-06 | 2024-02-02 | 四川大学华西医院 | 主动脉瓣狭窄持续性风险预测方法、系统、设备及介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1999057647A1 (en) * | 1998-05-01 | 1999-11-11 | Sarrus Biomedical Ltd. | Method and apparatus for non-invasive diagnosis of cardiovascular and related disorders |
| EP3100675A1 (en) * | 2015-06-03 | 2016-12-07 | IMEDI PLUS Inc. | Method and system for recognizing physiological sound |
| CN107822622A (zh) * | 2017-09-22 | 2018-03-23 | 成都比特律动科技有限责任公司 | 基于深度卷积神经网络的心电图诊断方法和系统 |
| 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 |
| GB202103370D0 (en) * | 2021-03-11 | 2021-04-28 | Univ Oxford Innovation Ltd | Generating neural network models, classifying physiological data, and classifying patients into clinical classifications |
| CN113011302A (zh) * | 2021-03-11 | 2021-06-22 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于卷积神经网络的雷声信号识别系统及方法 |
-
2021
- 2021-06-28 CN CN202110721837.5A patent/CN113449636B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1999057647A1 (en) * | 1998-05-01 | 1999-11-11 | Sarrus Biomedical Ltd. | Method and apparatus for non-invasive diagnosis of cardiovascular and related disorders |
| EP3100675A1 (en) * | 2015-06-03 | 2016-12-07 | IMEDI PLUS Inc. | Method and system for recognizing physiological sound |
| CN107822622A (zh) * | 2017-09-22 | 2018-03-23 | 成都比特律动科技有限责任公司 | 基于深度卷积神经网络的心电图诊断方法和系统 |
| 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 |
| GB202103370D0 (en) * | 2021-03-11 | 2021-04-28 | Univ Oxford Innovation Ltd | Generating neural network models, classifying physiological data, and classifying patients into clinical classifications |
| CN113011302A (zh) * | 2021-03-11 | 2021-06-22 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于卷积神经网络的雷声信号识别系统及方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于卷积神经网络和心电QRS波群的身份识别;梁盛德;王寻;梁金福;;电子测量与仪器学报;20200415(04);全文 * |
| 基于小波变换和样本熵的心音识别研究;郭兴明;汤丽平;;计算机应用研究;20101215(12);全文 * |
| 心音信号分析方法述评;李桥，邵庆余;山东生物医学工程;19940630(02);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113449636A (zh) | 2021-09-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Karar et al. | Automated diagnosis of heart sounds using rule-based classification tree | |
| Wang et al. | Phonocardiographic signal analysis method using a modified hidden Markov model | |
| Schmidt et al. | Segmentation of heart sound recordings by a duration-dependent hidden Markov model | |
| US20230100732A1 (en) | Screening device, method, and system for structural heart disease | |
| Alaskar et al. | The implementation of pretrained AlexNet on PCG classification | |
| Chakrabarti et al. | Phonocardiogram signal analysis-practices, trends and challenges: A critical review | |
| Guo et al. | Analysis and recognition of traditional Chinese medicine pulse based on the hilbert-huang transform and random forest in patients with coronary heart disease | |
| Milani et al. | Abnormal heart sound classification using phonocardiography signals | |
| Dokur et al. | Feature determination for heart sounds based on divergence analysis | |
| Khan et al. | Artificial neural network-based cardiovascular disease prediction using spectral features | |
| Khan et al. | Classification of Multi-Class Cardiovascular Disorders using Ensemble Classifier and Impulsive Domain Analysis | |
| Rujoie et al. | Classification and evaluation of the severity of tricuspid regurgitation using phonocardiogram | |
| Banerjee et al. | Multi-class heart sounds classification using 2D-convolutional neural network | |
| Maity et al. | Transfer learning based heart valve disease classification from Phonocardiogram signal | |
| Li et al. | Classification of heart sound signals with BP neural network and logistic regression | |
| Mustafa et al. | Detection of heartbeat sounds arrhythmia using automatic spectral methods and cardiac auscultatory | |
| Babu et al. | Automatic recognition of fundamental heart sound segments from PCG corrupted with lung sounds and speech | |
| CN113449636B (zh) | 一种基于人工智能的主动脉瓣狭窄严重程度自动分类方法 | |
| Guo et al. | DS-CNN: Dual-stream convolutional neural networks based heart sound classification for wearable devices | |
| Akbari et al. | Systolic Murmurs Diagnosis Improvement by Feature Fusion and Decision Fusion | |
| Kamarulafizam et al. | Classification of heart sound based on multipoint auscultation system | |
| Daniel et al. | IoT-based ensemble method on PCG signal classification to predict heart diseases | |
| El Badlaoui et al. | Phonocardiogram classification based on MFCC extraction | |
| Zhiming et al. | Multi-label classification of heart sound signals | |
| Balbin et al. | Arrhythmia Detection using Electrocardiogram and Phonocardiogram Pattern using Integrated Signal Processing Algorithms with the Aid of Convolutional Neural Networks |
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 |