CN114496212A - 一种智能心音听诊辅助心脏疾病诊断系统及辅助诊断方法 - Google Patents
一种智能心音听诊辅助心脏疾病诊断系统及辅助诊断方法 Download PDFInfo
- Publication number
- CN114496212A CN114496212A CN202111499187.0A CN202111499187A CN114496212A CN 114496212 A CN114496212 A CN 114496212A CN 202111499187 A CN202111499187 A CN 202111499187A CN 114496212 A CN114496212 A CN 114496212A
- Authority
- CN
- China
- Prior art keywords
- heart sound
- heart
- module
- diagnosis
- auscultation
- 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
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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
-
- 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
- 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- 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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种智能心音听诊辅助心脏疾病诊断系统及辅助诊断方法,包括心音信号采集模块、声电换能模块、放大器模块、显示器模块、智能诊断模块、打印模块和远程传输模块。心音信号采集模块在心脏的听诊区独立采集信号,采集的心音信号通过声电换能模块转换成电信号;电信号通过放大器模块后进行放大降噪处理,得到电信号波形,智能诊断模块通过采集大量正常与各种心脏疾病的信号进行机器学习,得到一组智能算法,根据电信号波形进行辅助诊断,打印模块可对波形进行打印,通过远程传输模块进行远程传输,实现远程监测。本发明可以采集细微的心音信号并智能给出诊断意见,帮助医生进行诊断,消除因经验缺乏造成的漏诊。
Description
技术领域:
本发明涉及医疗仪器技术领域,具体为一种智能心音听诊辅助心脏疾病诊断系统及辅助诊断方法。
背景技术:
目前临床上心音听诊主要还是使用普通的听诊器,依赖于医生主观的感觉来判断心脏疾病类型及程度,这就导致了判断准确性差异很大。有经验的医生可以捕捉到细微的杂音信号而对疾病做出准确的诊断,而欠缺经验的医生则往往不能捕捉到相应异常信号而造成漏诊或者误诊。虽然现在临床上有心脏彩超、心电图等辅助检查设备但是心音对心脏疾病的诊断仍十分重要,尤其是在基层医院心脏超声和心电图设备缺乏,难以在初期准确判断心脏疾病的发生。专利申请号为CN201910575620.0的专利公开了一种智能听诊系统,包括电子听诊器、患者终端、医生终端和服务器,服务器包括:数据获取模块、数据处理模块、听诊数据库、初步判断模块、数据发送模块、数据接收模块和通知模块,初步判断模块用于将所述患者的听诊数据、正常人的听诊数据和各类病理特征信息进行对比和分析,得到初步判断结果;数据发送模块用于将患者检测的音频信号和将初步判断结果发送给医生终端;数据接收模块用于接收医生终端发送的诊断结果。系统能自动对用户患者的音频信号进行初步判断,得到初步判断结果,给医生提供诊断方向,减少医生的诊断难度和诊断时间。但是这种设备是将患者的听诊信号数据与正常人的听诊数据和各类病理特征信息进行对比和分析来得到初步判断结果的,由于心音信号来源复杂,噪声较多,采用简单的信号对比分析很难准确及时判定心脏是否存在疾病,后续还需要医生的经验判断,初诊的准确率较低。
发明内容:
(一)解决的技术问题
针对现有技术的不足,本发明提供一种智能心音听诊辅助心脏疾病诊断系统及辅助诊断方法,解决现有技术由于心音信号来源复杂,噪声较多,采用简单的信号对比分析很难准确及时判定心脏是否存在疾病,后续还需要医生的经验判断,初诊的准确率较低的问题。
(二)技术方案
为解决上述技术问题,本发明提供如下技术方案:一种智能心音听诊辅助心脏疾病诊断系统,包括心音信号采集模块、服务器、打印模块和远程传输模块,所述服务器包括信号处理模块、显示器模块和智能诊断模块;
所述心音信号采集模块有多个,用于在心脏的多个听诊区独立采集心音信号;
所述信号处理模块用于将所述心音信号采集模块采集的心音信号进行A/D转换,转换成电信号后放大并过滤;
所述显示器模块用于显示经过所述信号处理模块处理后的心音信号波形;
所述智能诊断模块用于在已有心音信号数据集的基础上进行深度学习,形成训练好的Boost预测模型,并对所述信号处理模块传输的心音信号进行预测,输出诊断结果;
所述打印模块用于打印诊断结果和心音信号波形;
所述远程传输模块用于远程传输心音信号和诊断结果。
进一步地,所述心音信号采集模块有5个。5个所述心音信号采集模块分别在患者身上不同的听诊区进行心音信号的采集,通过不同听诊区心音信号的强度和频率,计算异常声源的准确位置,以方便准确判断心脏内病变部位。
进一步地,所述信号处理模块包括前置放大电路、低通滤波电路和A/D转换电路。由于心音信号是一种十分微弱的生理信号,因此合理进行信号的放大和滤波是保证监测精准度的必要条件,通过设置前置放大电路、低通滤波电路和A/D转换电路,可以有效地放大信号并滤除放大信号中的噪声,保证经过放大、滤波后的信号尽可能小的失真。
进一步地,所述智能诊断模块采用滑窗切割的方式对心音信号进行分割后,利用Boost训练模型对每一段心音进行预测,再用取平均的方式对整段心音的健康状况进行判定。由于听诊时的环境以及心音传感器做工不同,导致心音的采集质量有着不可忽略的影响,若是采集端设置的心音放大倍数不同,将导致心音数据范围不同,这可能影响网络的收敛速度甚至模型效果,因此需要将数据进行规范化处理。由于卷积网络具有平移不变性,因此不需要对数据特征点进行定位,使用滑窗切割的方式将心音切片,即把一条心音样本切分成许多等长的子心音段,采用滑窗的方式对心音信号进行切割处理,可以保证智能诊断的准确性和数据利用的最大化。
进一步地,所述数据集中所提供的数据由训练集和测试集两部分组成,共包含正常心音和非正常心音两类,采样频率均为2000Hz,数据保存为单通道的wav格式,这些心音数据采集包含成年人和儿童,并且是从人体身上的不同部位采集的,包括主动脉瓣区、肺动脉瓣区、主动脉瓣第二听诊区、肺动脉瓣第二听诊区、三尖瓣区和二尖瓣区,其中正常心音采集自身体健康的人,异常心音采集自确诊心脏疾病的患者。
进一步地,所述数据集中包含两类心音样本,分别为正常心音和异常心音,以一条完整心音为单位,从每类数据中随机抽取90%的数据为所述训练集,剩下的10%为所述验证集,各类的所述训练集合并作为总训练数据,各类的所述验证集合并作为总验证数据,先通过10折交叉验证确定好最佳的迭代次数,再使用全部数据作为最终的训练集,待模型训练完成之后,再进行测试,得出最终结果。通过所述数据集的交叉验证实验,可以得到最佳迭代次数,然后使用所述数据集中的全部训练数据数据进行最佳迭代次数的数据迭代,再使用所述数据集中的所述测试集进行验证,即可证实模型的有效性。
本发明还公开了一种智能心音听诊辅助心脏疾病诊断系统的辅助诊断方法,包括以下步骤:
S1、通过多个所述心音信号采集模块与患者体表不同的听诊区接触,采集心音信号;采集的心音信号经过所述信号处理模块进行滤波、光滑、异常值修正后的趋势明显易识别的波形通过所述显示器模块显示;
S2、所述智能诊断模块用于在已有心音信号数据集的基础上进行深度学习,形成训练好的Boost预测模型,并对所述信号处理模块传输的心音信号进行预测,输出初步诊断结果;
S3、所述打印模块将初步诊断结果和心音信号波形打印,并通过所述远程传输模块将心音信号波形和初步诊断结果远程传输至医生,医生通过初步诊断结果和心音信号波形给出进一步的诊断意见并反馈。
(三)有益效果:
相对于现有技术,本发明的有益效果是:通过设置心音信号采集模块、服务器、打印模块和远程传输模块,服务器包括信号处理模块、显示器模块和智能诊断模块,通过心音信号采集模块实时采集患者的心音信号并进行处理,智能诊断模块在已有心音信号数据集的基础上进行深度学习,形成训练好的Boost预测模型,再对新采集的患者的心音信号进行预测,输出初步诊断结果,并通过远程传输模块将心音信号波形和初步诊断结果远程传输至医生,医生通过初步诊断结果和心音信号波形给出进一步的诊断意见,可以有效提高心脏疾病初诊的准确率,减轻基层医生工作负担。
附图说明:
为了更清楚地说明本发明的技术方案,下面将对实施例中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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它的附图。
图1为本发明实施例所述一种智能心音听诊辅助心脏疾病诊断系统的架构设计原理图;
图2为本发明实施例所述一种智能心音听诊辅助心脏疾病诊断系统的硬件电路框图;
图3为本发明实施例所述一种智能心音听诊辅助心脏疾病诊断系统的放大滤波电路图;
图4为本发明实施例所述一种智能心音听诊辅助心脏疾病诊断系统的心音预测流程示意图;
图5为本发明实施例所述一种智能心音听诊辅助心脏疾病诊断系统的所述SSL深度学习流程示意图;
图6为本发明实施例所述一种智能心音听诊辅助心脏疾病诊断系统的所述Boost模型更新流程示意图;
图7为本发明实施例所述一种智能心音听诊辅助心脏疾病诊断系统的系统软件设计流程框图;
图中:1、心音信号采集模块、2、服务器;21、信号处理模块;211、前置放大电路;212、低通滤波电路;213、A/D转换电路;22、显示器模块;23、智能诊断模块;24、数据存储模块;3、打印模块;4、远程传输模块;5、接收终端;
具体实施方式:
下面将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。
如图1至图7所示的一种智能心音听诊辅助心脏疾病诊断系统,包括心音信号采集模块 1、服务器 2、打印模块3和远程传输模块4,服务器2包括信号处理模块21、显示器模块22和智能诊断模块23,以及数据存储模块24。
心音信号采集模块1有5个,用于在心脏的多个听诊区独立采集心音信号;通过不同听诊区心音信号的强度和频率,可以计算异常声源的准确位置,以方便准确判断心脏内病变部位。
信号处理模块21用于将心音信号采集模块1采集的心音信号进行A/D转换,转换成电信号后放大并过滤;信号处理模块2包括前置放大电路211、低通滤波电路212和A/D转换电路213。由于心音信号是一种十分微弱的生理信号,因此合理进行信号的放大和滤波是保证监测精准度的必要条件,通过设置前置放大电路211、低通滤波电路212和A/D转换电路213,可以有效地放大信号并滤除放大信号中的噪声,保证经过放大、滤波后的信号尽可能小的失真。
显示器模块22用于显示经过信号处理模块21处理后的心音信号波形;
智能诊断模块23用于在已有心音信号数据集的基础上进行深度学习,形成训练好的Boost预测模型,并对信号处理模块21传输的心音信号进行预测,输出诊断结果;
数据存储模块24用于将诊断结果进行存储;
打印模块3用于打印诊断结果和心音信号波形;
远程传输模块4用于向接收终端5远程传输心音信号和诊断结果。
智能诊断模块23采用滑窗切割的方式对心音信号进行分割后,利用Boost训练模型对每一段心音进行预测,再用取平均的方式对整段心音的健康状况进行判定。由于听诊时的环境以及心音传感器做工不同,导致心音的采集质量有着不可忽略的影响,若是采集端设置的心音放大倍数不同,将导致心音数据范围不同,这可能影响网络的收敛速度甚至模型效果,因此需要将数据进行规范化处理。由于卷积网络具有平移不变性,因此不需要对数据特征点进行定位,使用滑窗切割的方式将心音切片,即把一条心音样本切分成许多等长的子心音段,采用滑窗的方式对心音信号进行切割处理,可以保证智能诊断的准确性和数据利用的最大化。
进行Boost预测模型训练的数据来源为数据集,数据集中所提供的数据由训练集和测试集两部分组成,共包含正常心音和非正常心音两类,采样频率均为2000Hz,数据保存为单通道的wav格式,这些心音数据采集包含成年人和儿童,并且是从人体身上的不同部位采集的,包括主动脉瓣区、肺动脉瓣区、主动脉瓣第二听诊区、肺动脉瓣第二听诊区、三尖瓣区和二尖瓣区,其中正常心音采集自身体健康的人,异常心音采集自确诊心脏疾病的患者。
用于Boost训练的数据需要进行以下三个预处理操作:
(1)数据采样:心音一般是一段60s-120s左右的音频,虽然不同数据集的心音采样频率不同,但是由于心音的频率范围为20-800Hz,为了训练和验证模型的有效性,根据奈奎斯特定律,在此统一将心音重采样到2000Hz,既降低了运算量,又可以完整保留心音信息。
(2)数据规范化:若数据的尺度不同会影响模型的收敛速度和准确率,通过Z分数对心音样本进行规范化处理,主要是将数据整体减去其平均数,然后再除以其标准差;通过这样的处理之后,可以将所有数据集中在0附近,标准差为1,使得所有的数据尺度保持一致。
(3)数据切分:为了统一数据长度,将数据通过滑窗采样的方式,将一条心音样本切分成多条长度为5s的心音片段,滑窗宽度为10000,步长为2000,在2000Hz的采样频率下,每个子心音段包含10000个数据点,可提升数据利用率,提高模型的泛化性能。
数据集中包含两类心音样本,分别为正常心音和异常心音,以一条完整心音为单位,从每类数据中随机抽取90%的数据为训练集,剩下的10%为验证集,各类的训练集合并作为总训练数据,各类的验证集合并作为总验证数据,先通过10折交叉验证确定好最佳的迭代次数,再使用全部数据作为最终的训练集,待模型训练完成之后,再进行测试,得出最终结果。通过数据集的交叉验证实验,可以得到最佳迭代次数,然后使用数据集中的全部训练数据数据进行最佳迭代次数的数据迭代,再使用数据集中的测试集进行验证,即可证实模型的有效性。
鉴于卷积神经网络的自动特征提取的特性,使用深度学习模型对已有的心音数据提取结构化特征,再使用结构化的心音数据训练Boost模型,利用Boost模型对心音数据进行最终的分类。
为了提高Boost预测模型的准确率,对于新采集的心音信号,系统采用SSL(Semi-Supervised Learning)深度学习的方式对数据进行标注,可以利用现有模型代替人力进行部分标注工作,并且利用高质量的标注数据进行模型更新。心音信号在经过智能诊断模块23的预测之后将得到分类结果及置信度,系统会将结果及置信度反馈到用户端,同时会将心音文件以及分类结果和置信度存入数据库。如果心音诊断结果的置信度高于0.9,则认为本次心音的模型诊断结果可靠;如果心音诊断结果的置信度低于0.9,则认为模型诊断结果不可靠;待数据库中置信度低于0.9的心音累计到一定量的时候,寻找专业医生进行人工标注,并将心音置信度设置为1。通过SSL深度学习的方法可以极大减少人力成本,随着模型的更新,其性能也会越来越强,人工干预的比例也将越来越低,最终将替代人力。
随着系统服务时间的增加,服务器中累计的心音数据的数量也将直线上升,Boost模型也可以进行动态更新。本系统采用全量和增量两种更新策略,Boost模型更新的流程见图6。
本发明还公开了一种智能心音听诊辅助心脏疾病诊断系统的辅助诊断方法,包括以下步骤:
S1、通过多个所述心音信号采集模块与患者体表不同的听诊区接触,采集心音信号;采集的心音信号经过所述信号处理模块进行滤波、光滑、异常值修正后的趋势明显易识别的波形通过所述显示器模块显示;
S2、所述智能诊断模块用于在已有心音信号数据集的基础上进行深度学习,形成训练好的Boost预测模型,并对所述信号处理模块传输的心音信号进行预测,输出初步诊断结果;
S3、所述打印模块将初步诊断结果和心音信号波形打印,并通过所述远程传输模块将心音信号波形和初步诊断结果远程传输至医生,医生通过初步诊断结果和心音信号波形给出进一步的诊断意见并反馈。
综上,本发明提供的智能心音听诊辅助心脏疾病诊断系统及辅助诊断方法,解决现有技术由于心音信号来源复杂,噪声较多,采用简单的信号对比分析很难准确及时判定心脏是否存在疾病,后续还需要医生的经验判断,初诊的准确率较低的问题。
上面以举例方式对本发明进行了说明,但本发明不限于上述具体实施例,凡基于本发明所做的任何改动或变型均属于本发明要求保护的范围。
Claims (7)
1.一种智能心音听诊辅助心脏疾病诊断系统,包括心音信号采集模块、服务器、打印模块和远程传输模块,其特征在于:所述服务器包括信号处理模块、显示器模块和智能诊断模块;
所述心音信号采集模块有多个,用于在心脏的多个听诊区独立采集心音信号;
所述信号处理模块用于将所述心音信号采集模块采集的心音信号进行A/D转换,转换成电信号后放大并过滤;
所述显示器模块用于显示经过所述信号处理模块处理后的心音信号波形;
所述智能诊断模块用于在已有心音信号数据集的基础上进行深度学习,形成训练好的Boost预测模型,并对所述信号处理模块传输的心音信号进行预测,输出诊断结果;
所述打印模块用于打印诊断结果和心音信号波形;
所述远程传输模块用于远程传输心音信号和诊断结果。
2.根据权利要求1所述的一种智能心音听诊辅助心脏疾病诊断系统,其特征在于:所述心音信号采集模块有5个。
3.根据权利要求1所述的一种智能心音听诊辅助心脏疾病诊断系统,其特征在于:所述信号处理模块包括前置放大电路、低通滤波电路和A/D转换电路。
4.根据权利要求1所述的一种智能心音听诊辅助心脏疾病诊断系统,其特征在于:所述智能诊断模块采用滑窗切割的方式对心音信号进行分割后,利用Boost训练模型对每一段心音进行预测,再用取平均的方式对整段心音的健康状况进行判定。
5.根据权利要求1所述的一种智能心音听诊辅助心脏疾病诊断系统,其特征在于:所述数据集中所提供的数据由训练集和测试集两部分组成,共包含正常心音和非正常心音两类,采样频率均为2000Hz,这些心音数据采集包含成年人和儿童,并且是从人体身上的不同部位采集的,包括主动脉瓣区、肺动脉瓣区、主动脉瓣第二听诊区、肺动脉瓣第二听诊区、三尖瓣区和二尖瓣区,其中正常心音采集自身体健康的人,异常心音采集自确诊心脏疾病的患者。
6.根据权利要求5所述的一种智能心音听诊辅助心脏疾病诊断系统,其特征在于:所述数据集中包含两类心音样本,分别为正常心音和异常心音,以一条完整心音为单位,从每类数据中随机抽取90%的数据为所述训练集,剩下的10%为所述验证集,各类的所述训练集合并作为总训练数据,各类的所述验证集合并作为总验证数据,先通过10折交叉验证确定好最佳的迭代次数,再使用全部数据作为最终的训练集,待模型训练完成之后,再进行测试,得出最终结果。
7.根据权利要求1-6任一项所述的一种智能心音听诊辅助心脏疾病诊断系统的辅助诊断方法,其特征在于,包括以下步骤:
S1、通过多个所述心音信号采集模块与患者体表不同的听诊区接触,采集心音信号;采集的心音信号经过所述信号处理模块进行滤波、光滑、异常值修正后的趋势明显易识别的波形通过所述显示器模块显示;
S2、所述智能诊断模块用于在已有心音信号数据集的基础上进行深度学习,形成训练好的Boost预测模型,并对所述信号处理模块传输的心音信号进行预测,输出初步诊断结果;
S3、所述打印模块将初步诊断结果和心音信号波形打印,并通过所述远程传输模块将心音信号波形和初步诊断结果远程传输至医生,医生通过初步诊断结果和心音信号波形给出进一步的诊断意见并反馈。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111499187.0A CN114496212A (zh) | 2021-12-09 | 2021-12-09 | 一种智能心音听诊辅助心脏疾病诊断系统及辅助诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111499187.0A CN114496212A (zh) | 2021-12-09 | 2021-12-09 | 一种智能心音听诊辅助心脏疾病诊断系统及辅助诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114496212A true CN114496212A (zh) | 2022-05-13 |
Family
ID=81491893
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111499187.0A Pending CN114496212A (zh) | 2021-12-09 | 2021-12-09 | 一种智能心音听诊辅助心脏疾病诊断系统及辅助诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114496212A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110720946A (zh) * | 2019-09-26 | 2020-01-24 | 南通大学 | 一种基于深度学习的智能听诊系统 |
CN112489796A (zh) * | 2020-12-30 | 2021-03-12 | 浙江省肿瘤医院 | 一种智能听诊辅助诊断系统及诊断方法 |
-
2021
- 2021-12-09 CN CN202111499187.0A patent/CN114496212A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110720946A (zh) * | 2019-09-26 | 2020-01-24 | 南通大学 | 一种基于深度学习的智能听诊系统 |
CN112489796A (zh) * | 2020-12-30 | 2021-03-12 | 浙江省肿瘤医院 | 一种智能听诊辅助诊断系统及诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11783924B2 (en) | ECG information processing method and ECG workstation | |
CN102655814B (zh) | 用于心音图信号的信号处理设备和方法 | |
CN110353725A (zh) | 一种基于云架构的心音采集与分析系统及方法 | |
EP3698709A1 (en) | Electrocardiogram information processing method and electrocardiogram workstation system | |
CN112971839B (zh) | 一种基于前馈卷积神经网络的心音分类方法 | |
CN111685774B (zh) | 基于概率集成回归模型的osahs诊断方法 | |
CN105726013A (zh) | 一种具有心电信号质量判别功能的心电监测系统 | |
CN109346164A (zh) | 一种中医临床案例的自动采集设备及方法 | |
CN111598868A (zh) | 一种肺部超声图像识别方法和系统 | |
US20200170562A1 (en) | Methods and devices for determining signal quality for a swallowing impairment classification model | |
CN117017310A (zh) | 基于知识蒸馏的声电双模先天性心脏病预测装置 | |
CN110491504B (zh) | 一种心音信号医学指标数据的获取方法 | |
CN109431499B (zh) | 植物人家庭看护辅助系统和辅助方法 | |
CN114496212A (zh) | 一种智能心音听诊辅助心脏疾病诊断系统及辅助诊断方法 | |
CN110811673A (zh) | 基于概率神经网络模型的心音分析系统 | |
Bandyopadhyaya et al. | Automatic lung sound cycle extraction from single and multichannel acoustic recordings | |
CN215349053U (zh) | 一种先天性心脏病智能筛查机器人 | |
CN205814348U (zh) | 心脏瓣膜心音信号机械振动智能分析系统 | |
CN111938652A (zh) | 人工智能诊断模式在支气管哮喘早期诊断中的应用 | |
CN112842355A (zh) | 基于深度学习目标检测的心电信号心搏检测识别方法 | |
CN110074879A (zh) | 一种多功能发声无线听诊装置及听诊提醒分析方法 | |
CN211300047U (zh) | 一种基于神经网络的智能心肺听诊系统 | |
CN113520356B (zh) | 基于柯氏音的心脏疾病早期诊断系统 | |
CN113345471B (zh) | 基于人工智能心音识别方法、终端和可读存储介质 | |
CN202723879U (zh) | 一种肺音自动分析仪 |
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 |