CN113520356A - 基于柯氏音的心脏疾病早期诊断系统 - Google Patents
基于柯氏音的心脏疾病早期诊断系统 Download PDFInfo
- Publication number
- CN113520356A CN113520356A CN202110769478.0A CN202110769478A CN113520356A CN 113520356 A CN113520356 A CN 113520356A CN 202110769478 A CN202110769478 A CN 202110769478A CN 113520356 A CN113520356 A CN 113520356A
- Authority
- CN
- China
- Prior art keywords
- korotkoff
- korotkoff sound
- signals
- unit
- early diagnosis
- 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
- 208000019622 heart disease Diseases 0.000 title claims abstract description 27
- 238000013399 early diagnosis Methods 0.000 title claims abstract description 22
- 230000005236 sound signal Effects 0.000 claims abstract description 84
- 238000002372 labelling Methods 0.000 claims abstract description 18
- 238000001914 filtration Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000013145 classification model Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 20
- 238000001228 spectrum Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 208000020446 Cardiac disease Diseases 0.000 claims 4
- 238000003745 diagnosis Methods 0.000 abstract description 15
- 238000004458 analytical method Methods 0.000 abstract description 8
- 230000004217 heart function Effects 0.000 abstract description 3
- 210000002302 brachial artery Anatomy 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 230000003595 spectral effect Effects 0.000 description 7
- 230000036772 blood pressure Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 206010007558 Cardiac failure chronic Diseases 0.000 description 1
- 206010019280 Heart failures Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000002555 auscultation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- A61B5/021—Measuring pressure in heart or blood vessels
- A61B5/022—Measuring pressure in heart or blood vessels by applying pressure to close blood vessels, e.g. against the skin; Ophthalmodynamometers
- A61B5/02208—Measuring pressure in heart or blood vessels by applying pressure to close blood vessels, e.g. against the skin; Ophthalmodynamometers using the Korotkoff method
-
- 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
Abstract
本发明公开了一种基于柯氏音的心脏疾病早期诊断系统，包含：采集单元，用于采集用户的柯氏音信号；滤波单元，用于对采集到的柯氏音信号进行滤波；预处理单元，用于对降噪后的柯氏音进行预处理；标注单元，用于对预处理后的柯氏音信号进行标注；特征计算单元，用于计算柯氏音信号的特征信息；分类单元，用于接收特征信息和用户的基本信息并通过训练好的分类模型对其进行分类。本发明提供的基于柯氏音的心脏疾病早期诊断系统，用现代时频分析方法对人体肱动脉柯氏音进行分析与特征提取，可确定心脏功能密切相关的柯氏音时频特征，结合身高、体重、年龄及性别等基本信息，采用机器学习的方法实现基于柯氏音信号的心脏疾病诊断。
Description
技术领域
本发明涉及一种基于柯氏音的心脏疾病早期诊断系统。
背景技术
心脏疾病，尤其是慢性心衰疾病的早期诊断方法目前在国内外都是一项科学难题，目前还没有一种较为实用的算法或者产品能够做到准确诊断。
目前，针对心脏疾病的早期诊断主要以心音诊断为主，需要依赖专业医生通过听诊开展心脏状态的诊断。随着数字信号处理技术的发展以及智能算法的引入为心脏疾病的早期诊断方法提供了新的思路。具体为首先对心音信号进行处理，识别第一心音、第二心音及其他杂音的生理特征，并以此类特征作为疾病诊断标准采用AI算法对正常人群及心脏疾病人群进行分类。
基于心音的诊疗方法在标准心音数据库的判别精度、特异性及灵敏度上均可达到较理想的效果。然而该方法对信号的标准化要求较高，在实际信号采集过程中，由于操作人员专业度的限制，测试者很难准确判别主动脉心音、二尖瓣心音及肺动脉心音的测试位置，导致心音测试结果存在较多干扰，会严重影响诊断的精度。同时，高精度的心音诊断技术基于标准心音数据开展的，在实际应用过程中，心音诊断技术在处理噪音信号干扰、特征识别与诊断以及用户体验等环节上存在较大的技术障碍，使得分析方法处理用户自采数据时存在较大的分析误差，导致分析结果的失真，因此虽然该技术能够在实验室条件下可以实现较高的分析精度，但受到分析精度及成本等影响，很难完成技术成果的商业化。
发明内容
本发明提供了一种基于柯氏音的心脏疾病早期诊断系统，采用如下的技术方案：
一种基于柯氏音的心脏疾病早期诊断系统，包含：
采集单元，用于采集用户的柯氏音信号；
滤波单元，用于对采集到的柯氏音信号进行滤波；
预处理单元，用于对降噪后的柯氏音信号进行预处理；
标注单元，用于对预处理后的柯氏音信号进行标注；
特征计算单元，用于统计柯氏音信号的频谱特征并计算柯氏音信号的特征信息；
分类单元，用于接收频谱特征、特征信息和用户的基本信息并通过训练好的分类模型对其进行分类。
进一步地，滤波单元对采集到的柯氏音信号的滤波处理包含排除工频及滤除背景噪声。
进一步地，预处理单元将采集单元采集到的柯氏音信号中的超过1.5-2.5s的间隔且信号明显的与其余规律信号距离较远的信号剔除。
进一步地，预处理单元将采集单元采集到的柯氏音信号中的超过2s的间隔且信号明显的与其余规律信号距离较远的信号剔除。
进一步地，标注单元查找柯氏音信号所有峰值，并标注每个峰值所对应的时间。
进一步地，标注单元通过香农能量平均的方法查找柯氏音信号所有峰值。
进一步地，标注单元进行标注时间峰值之间时间差小于100ms的两个标注中的一个标注取消。
进一步地，特征计算单元包含：
截取模块，用于将柯氏音信号中的每一个柯氏音单独截取出来；
计算模块，用于根据截取出来的每一个柯氏音统计频谱特征并计算特征信息，特征信息包含所有柯氏音信号各频段的总能量比、每个单独柯氏音信号各频段的能量比、心率变异率和柯氏音能量信号变异率；
分类单元根据输入的频谱特征、所有柯氏音信号各频段的总能量比、每个单独柯氏音信号各频段的能量比、心率变异率和柯氏音能量信号变异率以及用户的基本信息对其进行分类。
进一步地，截取模块截取柯氏音信号中的第一个柯氏音起始时间与最后一个柯氏音结束时间之间的全部声学信号作为自动标注后的有效信号，同时根据每个柯氏音的起始时间与终止时间将每一个柯氏音信号截取出来。
进一步地，分类单元中的分类模型为支持向量机。
本发明的有益效果为：用现代时频分析方法对人体肱动脉柯氏音进行分析与特征提取，可确定心脏功能密切相关的柯氏音时频特征，结合身高、体重、年龄及性别等基本信息，采用机器学习的方法实现基于柯氏音信号的心脏疾病诊断。
采用柯氏音诊断心脏疾病的方法是一种全新的分析思路，该方法克服了心音测试遇到的听诊器安装位置不准确的难题，大幅降低噪声干扰，可实现血压监测与心脏疾病的同时诊断，提高了测试效率与用户体验。
附图说明
图1是本发明的基于柯氏音的心脏疾病早期诊断系统；
图2是心衰病人柯氏音频谱特征；
图3是正常人柯氏音频谱特征。。
具体实施方式
以下结合附图和具体实施例对本发明作具体的介绍。
如图1所示为本发明的一种基于柯氏音的心脏疾病早期诊断系统100，其主要包含：采集单元11、滤波单元12、预处理单元13、标注单元14、特征计算单元15和分类单元16。
其中，采集单元11用于采集用户的柯氏音信号，其中，在血压采集过程中采集柯氏音信号。
滤波单元12用于对采集到的柯氏音信号进行滤波。具体地，通过滤波单元12对采集到的柯氏音信号的滤波处理包含排除工频及滤除背景噪声。
预处理单元13用于对降噪后的柯氏音信号进行预处理。具体地，预处理单元13将采集单元11采集到的柯氏音信号中的超过1.5-2.5s的间隔且信号明显的与其余规律信号距离较远的信号剔除。血压采集过程中正常柯氏音信号应该连续出现，相邻的柯氏音信号应该呈现规律性排列特征，如测试得到的柯氏音信号存在超过1.5-2.5s的间隔，且信号明显的与其余规律信号距离较远，则该信号应被视为噪声信号将其剔除，这种情况通常发生在信号初期，由于皮肤与听诊器之间接触不良或受试者移动手臂导致听诊器的异响。作为一种优选的实施方式，在本发明中，预处理单元13将采集单元11采集到的柯氏音信号中的超过2s的间隔且信号明显的与其余规律信号距离较远的信号剔除。
标注单元14用于对预处理后的柯氏音信号进行标注。标注单元14查找柯氏音信号所有峰值，并标注每个峰值所对应的时间。具体而言，标注单元14通过香农能量平均的方法查找柯氏音信号所有峰值。采用香农能量平均的方法提取柯氏音信号的包络线，以包络线最大值的0.2倍作为参考基准，超过该值的信号都将被提取；用以上方法可查找柯氏音信号所有峰值，并标注每个峰值所对应的时间。分析各峰值之间的时间间隔，如果两个峰值之间的时间差小于100ms，可认为是同一个柯氏音信号，在数据处理时将其中一个标注取消，只保留其中一个峰值。
特征计算单元15用于柯氏音信号的频谱特征并计算柯氏音信号的特征信息。
具体地，特征计算单元15包含：截取模块和计算模块。
截取模块用于将柯氏音信号中的每一个柯氏音单独截取出来。具体的，以柯氏音峰值信号作为参考，截取模块截取柯氏音信号中的第一个柯氏音起始时间与最后一个柯氏音结束时间之间的全部声学信号作为自动标注后的有效信号，同时根据每个柯氏音的起始时间与终止时间将每一个柯氏音信号截取出来。
计算模块用于根据截取出来的每一个柯氏音统计频谱特征并计算特征信息，特征信息包含所有柯氏音信号各频段的总能量比、每个单独柯氏音信号各频段的能量比、心率变异率和柯氏音能量信号变异率。
具体的，对自动截取的柯氏音信号进行时频分析，综合采用小波变换、经验模态分解及变分模态分解等多元时频分析方法，将不同频段下的柯氏音信号进行截取，并统计其在每个频段内的能量分布。柯氏音信号的有效频率范围通常在0-500Hz以内，因此可通过频段的分割将柯氏音信号分为等带宽的几组数据，0-50Hz、50-100Hz、100-150Hz、150-200Hz、200-250Hz、250-300Hz、300-350Hz、350-400Hz、400-450Hz、450-500Hz。实时统计各频谱分段的柯氏音信号能量，以能量占比的形式对数据进行二次处理。在统计能量百分比时，以50-500Hz能量作为参考，分别计算各频段能量与50-500Hz能量之间的比例。统计测试时间段内中所有柯氏音信号各频段的总能量比、每个单独柯氏音信号各频段的能量比、心率变异率和柯氏音能量信号变异率等参数。
一段柯氏音信号各频段能量的百分比计算如下：
E1_percentage＝E(0-50)/Etotal(50-500)，
E2_percentage＝E(50-100)/Etotal(50-500)，
E3_percentage＝E(100-150)/Etotal(50-500)，
E4_percentage＝E(150-200)/Etotal(50-500)，
E5_percentage＝E(200-250)/Etotal(50-500)，
E6_percentage＝E(250-300)/Etotal(50-500)，
E7_percentage＝E(300-350)/Etotal(50-500)，
E8_percentage＝E(350-400)/Etotal(50-500)，
E9_percentage＝E(400-450)/Etotal(50-500)，
E10_percentage＝E(450-500)/Etotal(50-500)，
其中，E(0-50Hz)…E(450-500Hz)表示一段柯氏音信号中各频段的能量，Etotal(50-500Hz)表示一段柯氏音信号中50-500Hz之间的所有能量之和。
一段柯氏音信号中每个柯氏音各频段能量的百分比计算如下：
Ei1_percentage＝Ei(0-50Hz)/Ei total(50-500Hz)，
Ei2_percentage＝Ei(50-100Hz)/Ei total(50-500Hz)，
Ei3_percentage＝Ei(100-150Hz)/Ei total(50-500Hz)，
Ei4_percentage＝Ei(150-200Hz)/Ei total(50-500Hz)，
Ei5_percentage＝Ei(200-250Hz)/Ei total(50-500Hz)，
Ei6_percentage＝Ei(250-300Hz)/Ei total(50-500Hz)，
Ei7_percentage＝Ei(300-350Hz)/Ei total(50-500Hz)，
Ei8_percentage＝Ei(350-400Hz)/Ei total(50-500Hz)，
Ei9_percentage＝Ei(400-450Hz)/Ei total(50-500Hz)，
Ei10_percentage＝Ei(450-500Hz)/Ei total(50-500Hz)，
其中，Ei(0-50Hz)…Ei(450-500Hz)表示一段柯氏音信号中每个柯氏音各频段的能量，Ei total(50-500Hz)表示一段柯氏音信号中每个柯氏音50-500Hz之间的能量总和。
一段柯氏音信号中，每个柯氏音的能量是会发生变化的，当心功能出现障碍时，这种变化将会更明显，因此将每个柯氏音能量与柯氏音平均能量之比定义为柯氏音能量变异率，计算公式做如下表述：
其中，Ei total(50-500Hz)表示一个柯氏音信号中每个柯氏音50-500Hz频段的能量之和。
一段柯氏音信号中，将各柯氏音的时间间隔认定为心跳间隔，当发生心率不齐时，心跳间隔将会发生明显变化，将心跳时间间隔与平均间隔之比定义为心跳变异率，计算公式做如下表述：
其中，Ti表示一段柯氏音信号中各柯氏音的时间间隔。
分类单元16用于接收频谱特征、特征信息和用户的基本信息并通过训练好的分类模型对其进行分类。其中，用户的基本信息包含但不限于身高、体重、年龄和性别。
具体的，分类单元16根据输入的频谱特征、所有柯氏音信号各频段的总能量比、每个单独柯氏音信号各频段的能量比、心率变异率、柯氏音能量信号变异率以及用户的基本信息对其进行分类。在本实施例中，分类单元16中的分类模型为支持向量机。
在本发明中，初期需要对分类模型进行充分训练。依托于权威三甲医院的标准柯氏音数据库对本系统进行自监督学习，且其特征处理方式与上述的过程相同。在保证足够的准确率后，依托医院及社区资源对患者及正常人群进行数据采集与诊断。同步的，采集的数据及诊断结果将实时上传到云端数据库，通过数据库的不断积累，后台将实时更新算法的可靠性与计算精度，实现数据采集-诊断-数据更新-算法改进的正向循环。
在数据采集过程中，需要注意的是，受测试人员由于身体状态的变化，通常会引起测试结果的一致性问题，而单一的柯氏音测试或者血压测试往往会放大测试误差，从而引起诊断结果不准确。因此在每个测试者的数据采集时，应测量3次，以提高算法的鲁棒性与准确性。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。
Claims (10)
1.一种基于柯氏音的心脏疾病早期诊断系统，其特征在于，包含：
采集单元，用于采集用户的柯氏音信号；
滤波单元，用于对采集到的所述柯氏音信号进行滤波；
预处理单元，用于对降噪后的所述柯氏音信号进行预处理；
标注单元，用于对预处理后的所述柯氏音信号进行标注；
特征计算单元，用于统计所述柯氏音信号的频谱特征并计算所述柯氏音信号的特征信息；
分类单元，用于接收所述频谱特征、特征信息和用户的基本信息并通过训练好的分类模型对其进行分类。
2.根据权利要求1所述的基于柯氏音的心脏疾病早期诊断系统，其特征在于，
所述滤波单元对采集到的所述柯氏音信号的滤波处理包含排除工频及滤除背景噪声。
3.根据权利要求1所述的基于柯氏音的心脏疾病早期诊断系统，其特征在于，
所述预处理单元将采集单元采集到的所述柯氏音信号中的超过1.5-2.5s的间隔且信号明显的与其余规律信号距离较远的信号剔除。
4.根据权利要求3所述的基于柯氏音的心脏疾病早期诊断系统，其特征在于，
所述预处理单元将采集单元采集到的所述柯氏音信号中的超过2s的间隔且信号明显的与其余规律信号距离较远的信号剔除。
5.根据权利要求1所述的基于柯氏音的心脏疾病早期诊断系统，其特征在于，
所述标注单元查找所述柯氏音信号所有峰值，并标注每个峰值所对应的时间。
6.根据权利要求5所述的基于柯氏音的心脏疾病早期诊断系统，其特征在于，
所述标注单元通过香农能量平均的方法查找所述柯氏音信号所有峰值。
7.根据权利要求6所述的基于柯氏音的心脏疾病早期诊断系统，其特征在于，
所述标注单元进行标注时间峰值之间时间差小于100ms的两个标注中的一个标注取消。
8.根据权利要求1所述的基于柯氏音的心脏疾病早期诊断系统，其特征在于，
所述特征计算单元包含：
截取模块，用于将所述柯氏音信号中的每一个柯氏音单独截取出来；
计算模块，用于根据截取出来的每一个柯氏音统计所述频谱特征并计算所述特征信息，所述特征信息包含所有柯氏音信号各频段的总能量比、每个单独柯氏音信号各频段的能量比、心率变异率和柯氏音能量信号变异率；
所述分类单元根据输入的所述频谱特征、所有柯氏音信号各频段的总能量比、每个单独柯氏音信号各频段的能量比、心率变异率、柯氏音能量信号变异率以及用户的基本信息对其进行分类。
9.根据权利要求8所述的基于柯氏音的心脏疾病早期诊断系统，其特征在于，
所述截取模块截取所述柯氏音信号中的第一个柯氏音起始时间与最后一个柯氏音结束时间之间的全部声学信号作为自动标注后的有效信号，同时根据每个柯氏音的起始时间与终止时间将每一个柯氏音信号截取出来。
10.根据权利要求8所述的基于柯氏音的心脏疾病早期诊断系统，其特征在于，
所述分类单元中的分类模型为支持向量机。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110769478.0A CN113520356B (zh) | 2021-07-07 | 基于柯氏音的心脏疾病早期诊断系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110769478.0A CN113520356B (zh) | 2021-07-07 | 基于柯氏音的心脏疾病早期诊断系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113520356A true CN113520356A (zh) | 2021-10-22 |
| CN113520356B CN113520356B (zh) | 2024-04-30 |
Family
ID=
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070016087A1 (en) * | 2005-07-01 | 2007-01-18 | Voith Paul R | Method for acquisition and display of non-invasive blood pressure |
| CN101810475A (zh) * | 2010-04-27 | 2010-08-25 | 哈尔滨工业大学 | 基于柯氏音法和示波法相结合的电子听诊血压计 |
| CN102479504A (zh) * | 2010-11-24 | 2012-05-30 | Jvc建伍株式会社 | 声音判断装置及声音判断方法 |
| JP2015016350A (ja) * | 2014-09-11 | 2015-01-29 | 株式会社Ｔｓｓ | 脈波解析装置 |
| CN105942980A (zh) * | 2016-05-30 | 2016-09-21 | 珠海脉动时代健康科技有限公司 | 一种听诊法血压计特征提取及分类的方法和系统 |
| CN105989601A (zh) * | 2015-12-30 | 2016-10-05 | 安徽农业大学 | 基于机器视觉的农业agv玉米行间导航基准线提取方法 |
| CN106297770A (zh) * | 2016-08-04 | 2017-01-04 | 杭州电子科技大学 | 基于时频域统计特征提取的自然环境声音识别方法 |
| CN108281157A (zh) * | 2017-12-28 | 2018-07-13 | 广州市百果园信息技术有限公司 | 音乐中鼓点节拍的检测方法及计算机存储介质、终端 |
| CN108403094A (zh) * | 2018-03-23 | 2018-08-17 | 中国科学院微电子研究所 | 一种识别脉搏波波峰的方法 |
| CN108420425A (zh) * | 2017-08-22 | 2018-08-21 | 索思（苏州）医疗科技有限公司 | 穿戴式动态母体胎儿心电监测仪 |
| CN108763901A (zh) * | 2018-05-28 | 2018-11-06 | Oppo广东移动通信有限公司 | 耳纹信息获取方法和装置、终端、耳机及可读存储介质 |
| CN108742697A (zh) * | 2018-05-29 | 2018-11-06 | 深圳市太空科技南方研究院 | 心音信号分类方法及终端设备 |
| CN110720902A (zh) * | 2019-11-07 | 2020-01-24 | 浙江华诺康科技有限公司 | 血压测量方法及血压计 |
| CN111150421A (zh) * | 2020-01-17 | 2020-05-15 | 国微集团(深圳)有限公司 | 基于心音信号计算心率的方法 |
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070016087A1 (en) * | 2005-07-01 | 2007-01-18 | Voith Paul R | Method for acquisition and display of non-invasive blood pressure |
| CN101810475A (zh) * | 2010-04-27 | 2010-08-25 | 哈尔滨工业大学 | 基于柯氏音法和示波法相结合的电子听诊血压计 |
| CN102479504A (zh) * | 2010-11-24 | 2012-05-30 | Jvc建伍株式会社 | 声音判断装置及声音判断方法 |
| JP2015016350A (ja) * | 2014-09-11 | 2015-01-29 | 株式会社Ｔｓｓ | 脈波解析装置 |
| CN105989601A (zh) * | 2015-12-30 | 2016-10-05 | 安徽农业大学 | 基于机器视觉的农业agv玉米行间导航基准线提取方法 |
| CN105942980A (zh) * | 2016-05-30 | 2016-09-21 | 珠海脉动时代健康科技有限公司 | 一种听诊法血压计特征提取及分类的方法和系统 |
| CN106297770A (zh) * | 2016-08-04 | 2017-01-04 | 杭州电子科技大学 | 基于时频域统计特征提取的自然环境声音识别方法 |
| CN108420425A (zh) * | 2017-08-22 | 2018-08-21 | 索思（苏州）医疗科技有限公司 | 穿戴式动态母体胎儿心电监测仪 |
| CN108281157A (zh) * | 2017-12-28 | 2018-07-13 | 广州市百果园信息技术有限公司 | 音乐中鼓点节拍的检测方法及计算机存储介质、终端 |
| CN108403094A (zh) * | 2018-03-23 | 2018-08-17 | 中国科学院微电子研究所 | 一种识别脉搏波波峰的方法 |
| CN108763901A (zh) * | 2018-05-28 | 2018-11-06 | Oppo广东移动通信有限公司 | 耳纹信息获取方法和装置、终端、耳机及可读存储介质 |
| CN108742697A (zh) * | 2018-05-29 | 2018-11-06 | 深圳市太空科技南方研究院 | 心音信号分类方法及终端设备 |
| CN110720902A (zh) * | 2019-11-07 | 2020-01-24 | 浙江华诺康科技有限公司 | 血压测量方法及血压计 |
| CN111150421A (zh) * | 2020-01-17 | 2020-05-15 | 国微集团(深圳)有限公司 | 基于心音信号计算心率的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107358196B (zh) | 一种心搏类型的分类方法、装置及心电仪 | |
| US7025729B2 (en) | Apparatus for detecting sleep apnea using electrocardiogram signals | |
| Jezewski et al. | Determination of fetal heart rate from abdominal signals: evaluation of beat-to-beat accuracy in relation to the direct fetal electrocardiogram | |
| US20170188868A1 (en) | System and method of identification of the heart valve signals | |
| US7949389B2 (en) | Fetal ECG monitoring | |
| WO2019161609A1 (zh) | 多参数监护数据分析方法和多参数监护仪 | |
| US8892181B2 (en) | Non-invasive fetal monitoring | |
| CN109907752A (zh) | 一种去除运动伪影干扰与心电特征检测的心电诊断与监护方法及系统 | |
| US20130102856A1 (en) | Non-invasive detection of fetal or maternal illness | |
| US10004473B2 (en) | Heart rate detection method and device using heart sound acquired from auscultation positions | |
| CN110881967A (zh) | 一种无创多节段外周动脉血管弹性功能检测方法及其仪器 | |
| Kazemnejad et al. | An open–access simultaneous electrocardiogram and phonocardiogram database | |
| CN111568410A (zh) | 一种基于12导联和卷积神经网络的心电数据分类方法 | |
| CN113827215B (zh) | 一种基于毫米波雷达的多种心律失常自动诊断方法 | |
| CN106901694A (zh) | 一种呼吸率提取方法及装置 | |
| CN113520356B (zh) | 基于柯氏音的心脏疾病早期诊断系统 | |
| CN113520356A (zh) | 基于柯氏音的心脏疾病早期诊断系统 | |
| CN110811673A (zh) | 基于概率神经网络模型的心音分析系统 | |
| CN114886416A (zh) | 一种基于心冲击图信号的心率和心动周期检测方法 | |
| Rohan et al. | Various methods for identification of obstructive sleep apnea using electrocardiogram features | |
| CN111528831B (zh) | 一种心肺音采集方法、装置和设备 | |
| Moukadem et al. | Automatic heart sound analysis module based on Stockwell transform | |
| Rohan et al. | Classification of Cardiac Arrhythmia Diseases from Obstructive Sleep Apnea Signals using Decision Tree Classifier | |
| CN114580477A (zh) | 一种基于多时间序列融合的可穿戴动态呼吸率估测系统 | |
| JP2023035888A (ja) | 無線レーダー信号に基づいて心拍データを抽出するための装置及び方法 |
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 |