CN115040135A - 一种基于心电心音的儿童心血管疾病诊断方法 - Google Patents

一种基于心电心音的儿童心血管疾病诊断方法 Download PDF

Info

Publication number
CN115040135A
CN115040135A CN202210647884.4A CN202210647884A CN115040135A CN 115040135 A CN115040135 A CN 115040135A CN 202210647884 A CN202210647884 A CN 202210647884A CN 115040135 A CN115040135 A CN 115040135A
Authority
CN
China
Prior art keywords
heart sound
heart
signals
frequency spectrum
electrocardio
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.)
Withdrawn
Application number
CN202210647884.4A
Other languages
English (en)
Inventor
张福伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202210647884.4A priority Critical patent/CN115040135A/zh
Publication of CN115040135A publication Critical patent/CN115040135A/zh
Withdrawn legal-status Critical Current

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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/33—Heart-related electrical modalities, e.g. electrocardiography [ECG] specially adapted for cooperation with other devices
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/355—Detecting T-waves
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/366—Detecting abnormal QRS complex, e.g. widening
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Cardiology (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Acoustics & Sound (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本发明公开了一种基于心电心音的儿童心血管疾病诊断方法，涉及心血管疾病诊断技术领域，所述方法包括获取待诊断患儿的心电信号和心音信号；对所述心电信号和心音信号进行处理，得到多维心音特征；将所述多维心音特征输入诊断模型，得到诊断结果。本发明结合了心音信号和心电信号，充分考虑了心血管疾病在心音信号上的体现，提取了包括时域、频域和能量域心音特征的多维心音特征，通过构建诊断模型和多维心音特征，实现了心血管疾病的精准预测。另外，本发明还提供了一种多维心音特征的提取方法，为诊断模型进行心血管疾病精准预测提供了基础支持。本发明具体实用高效等优点。

Description

一种基于心电心音的儿童心血管疾病诊断方法
技术领域
本发明涉及心血管疾病诊断技术领域，具体涉及一种基于心电心音的儿童心血管疾病诊断方法。
背景技术
据统计，目前1000名新生儿中，大概有8人患有先天性心脏病，其中心室间隔缺损(Ventricular Septal Defect,VSD)是最为常见的先天性心脏病。根据心室间隔缺损患者的情况，有时必须及早进行手术，因此先天性心脏病这类心血管疾病的精确诊断，对儿童具有重大意义。
在心血管疾病的诊断方法中，听诊古时候就有，即根据心音判别心脏的健康状况，但是听诊对于医生来说，需要多年的经验积累。近年来随着计算机技术的不断发展，可以利用计算机从心音信号中抽取与心脏病或心脏功能相关的特征参数。因此，采用计算机进行心血管疾病的判别和心脏功能的评价成为可能。
目前，大多从心音信号中提取特征波形的峰值的时间幅度、时间间隔作为评价指标，进行血管疾病的判断，并没有考虑到心电信号和心音信号的结合，且评价的维度也局限于时域，没有考虑到频域、能量域等维度，因此，本申请提出了一种基于心电心音的儿童心血管疾病诊断方法。
发明内容
针对现有技术中的缺陷，本发明提供了一种基于心电心音的儿童心血管疾病诊断方法；所述方法包括以下步骤：
S1:获取待诊断患儿的心电信号和心音信号；
S2:对所述心电信号和心音信号进行处理，得到多维心音特征；
S3:将所述多维心音特征输入诊断模型，得到诊断结果，其中，所述诊断结果为心血管疾病类型。
优选地，S2中，对心电信号和心音信号进行处理，得到心电心音特征的方法包括：
S21：对心电信号和心音信号进行预处理；
S22：根据预处理后的心电信号和心音信号，获取初始心音特征；
S23：通过时域、频域、能量域分析方法对所述初始心音特征进行分析，得到多维心音特征，所述多维心音特征包括时域心音特征、频域心音特征和能量域心音特征。
优选地，S21中，对心电信号和心音信号进行预处理的方法包括：
S211：对心电信号和心音信号进行截取；
S212：对采样后的心电信号和心音信号进行滤波降噪处理；
S213:对滤波降噪后的心电信号和心音信号进行归一化处理。
优选地，S22中，根据预处理后的心电信号和心音信号，获取初始心音特征的方法包括：
S221：识别预处理后的心电信号的QRS波；
S222：根据QRS波的Q波，从预处理后的心音信号中识别出第一心音的持续和幅值信息，根据所述QRS波的T波，从预处理后的心音信号中识别出第二心音的持续时间和幅值信息；
S223：根据第一心音和第二心音的持续时间和幅值信息，获取收缩期的持续时间和幅值信息、舒张期的持续时间和幅值信息；
S224：将所述第一心音、第二心音、收缩期和舒张期的持续时间和幅值信息作为初始心音特征。
优选地，S23中，通过时域分析方法对所述初始心音特征进行分析，得到时域心音特征的方法包括：分别计算第一心音、收缩期、第二心音和舒张期两两之间的幅值比；分别计算相邻第一心音、收缩期、第二心音和舒张期之间的时间差；计算EMAT％；计算各个幅值比、各个时间差、EMAT％在整个心动周期的均值，得到11个时域心音特征。
优选地，S23中，通过频域分析方法对所述初始心音特征进行分析，得到时域心音特征的方法包括：对所述初始心音特征进行傅里叶变换，得到对应的频谱序列，其中，所述频谱序列包括第一心音频谱序列、第二心音频谱序列、收缩期频谱序列和舒张期频谱序列；分别提取第一心音频谱序列、第二心音频谱序列、收缩期频谱序列和舒张期频谱序列中频率为多个指定频率的数值，求取各个数值在所有心动周期的均值，并形成新的频谱序列；得到4个频域心音特征。
优选地，所述第一心音频谱序列、第二心音频谱序列、收缩期、舒张期对应的多个指定频率为60HZ、70HZ、80HZ、90HZ、100HZ、110HZ、120HZ、130HZ、80HZ、150HZ。
优选地，S23中，通过频域分析方法对所述初始心音特征进行分析，得到时域心音特征的方法包括：分别计算第一心音、收缩期、第二心音和舒张期两两之间的能量比，并求各个能量比在所有心动周期的均值，得到6个能量域心音特征。
优选地，S3中，所述诊断模型包括输入层、隐藏层、输出层和softmax函数，其中，所述输入层由21个神经元组成，所述21个神经元对应多维心音特征；所述隐藏层分别有7和8个神经元；所述输出层由个8神经元组成，对应心血管疾病的类型；最后使用一个softmax函数，用于解决多分类问题而创建。
本发明的有益效果体现在：本发明实施例提供了一种基于心电心音的儿童心血管疾病诊断方法，结合了心音信号和心电信号，充分考虑了心血管疾病在心音信号上的体现，提取了包括时域、频域和能量域心音特征的多维心音特征，通过构建诊断模型和多维心音特征，实现了心血管疾病的精准预测。另外，本发明还提供了一种多维心音特征的提取方法，为诊断模型进行心血管疾病精准预测提供了基础支持。本发明具体实用高效等优点。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1为本发明实施例所提供的一种基于心电心音的儿童心血管疾病诊断方法的流程图；
图2为本发明实施例所提供的诊断模型的构建图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
如图1所示，本发明实施例提供了一种基于心电心音的儿童心血管疾病诊断方法；所述方法包括以下步骤：
步骤一:获取待诊断患儿的心电信号和心音信号；
需要说明的，获取待诊断患儿的心电信号和心音信号的方法为按照常规心电图操作方法将心电图十二导联放好，在此基础上同步放置高精心音探头，同步记录心音的特征,得到待诊断患儿的心电信号和心音信号。
步骤二:对所述心电信号和心音信号进行处理，得到多维心音特征；
在本发明实施例中，对心电信号和心音信号进行处理，得到心电心音特征的方法包括：
A:对心电信号和心音信号进行预处理；其中，对心电信号和心音信号进行预处理的方法包括：对心电信号和心音信号进行截取；对采样后的心电信号和心音信号进行滤波降噪处理；对滤波降噪后的心电信号和心音信号进行归一化处理；
具体的，对心电信号和心音信号进行截取时，需要保证被截取的心电信号和心音信号至少包括11个心动周期，以满足诊断模型的输入序列的长度需求。滤波降噪处理采用无限冲激相应数字带组滤波器进行滤波，该滤波器为现有技术，其工作过程在此不做赘述。
B:根据预处理后的心电信号和心音信号，获取初始心音特征；方法具体为识别预处理后的心电信号的QRS波；根据QRS波的Q波，从预处理后的心音信号中识别出第一心音的持续和幅值信息，根据所述QRS波的T波，从预处理后的心音信号中识别出第二心音的持续时间和幅值信息；根据第一心音和第二心音的持续时间和幅值信息，获取收缩期的持续时间和幅值信息、舒张期的持续时间和幅值信息；将所述第一心音、第二心音、收缩期和舒张期的持续时间和幅值信息作为初始心音特征；
C:通过时域、频域、能量域分析方法对所述初始心音特征进行分析，得到多维心音特征，所述多维心音特征包括时域心音特征、频域心音特征和能量域心音特征。
需要说明的，通过时域分析方法对所述初始心音特征进行分析，得到时域心音特征的方法包括：分别计算第一心音、收缩期、第二心音和舒张期两两之间的幅值比；分别计算相邻第一心音、收缩期、第二心音和舒张期之间的时间差；分别计算每个心动周期的EMAT％；计算各个幅值比、各个时间差、各个EMAT％；得到11个时域心音特征。
具体的，计算每个心动周期中上述所述的各个幅值比和各个时间差和各个EMAT％构建6个幅值比序列、4个时间差序列、1个EMAT％序列，得到11个时域心音特征。
其中，EMAT是从心电图中QRS波起始至第一心音开始(二尖瓣关闭)的时间，包括电-机械延迟时间和二尖瓣关闭前的左室收缩期，是左室收缩前期的一部分，EMAT％是指EMAT在RR间期所占的比例，经研究表明，EMAT％对心血管疾病的具有显著影响，因此，本发明实施例将EMAT％序列作为一个时域心音特征。
为保证序列长度的一致性，若序列长度是预设序列长度的倍数，则根据倍数对序列进行分段，求取各个分段中各个数值的平均值作为新的序列，若序列长度不是预设序列的倍数，则从序列的第一数值进行删除，直到序列长度为预设序列长度的倍数。具体的，本发明实施例所提供的序列长度为10，之前步骤截取的心动周期为12，则构建的时间差序列长度为11，此时删除时间长度序列的第一个数值，得到新的时间差序列，新的时间差序列为预设序列长度的1倍，则将1作为分段参数将时间差序列分为10段，求取10段的平均值，得到长度为10的时间差序列。
需要说明的，通过频域分析方法对所述初始心音特征进行分析，得到时域心音特征的方法包括：对所述初始心音特征进行傅里叶变换，得到对应的频谱序列，其中，所述频谱序列包括第一心音频谱序列、第二心音频谱序列、收缩期频谱序列和舒张期频谱序列；分别提取第一心音频谱序列、第二心音频谱序列、收缩期频谱序列和舒张期频谱序列中频率为多个指定频率的数值，求取各个数值在所有心动周期的均值，并形成新的频谱序列；得到4个频域心音特征。
由于第一心音和第二心音的频谱分布是50～100HZ，若超过100HZ就判定为存在杂音，并且预设的序列长度为10，因此，在本发明实施例中选定的5个指定频率的正常组和5个指定频率的异常组构建频谱心音特征，所述第一心音频谱序列、第二心音频谱序列、收缩期、舒张期对应的多个指定频率为60HZ、70HZ、80HZ、90HZ、100HZ、110HZ、120HZ、130HZ、80HZ、150HZ，并从而得到4个长度为10的频域心音特征。
需要说明的，通过频域分析方法对所述初始心音特征进行分析，得到时域心音特征的方法包括：分别计算第一心音、收缩期、第二心音和舒张期两两之间的能量比，并求各个能量比在所有心动周期的均值，得到6个能量域心音特征。为保证能量域心音特征的长度满足要求，对序列长度进行处理的方法与上述获取用于输对时域心音特征序列长度进行处理的方法相同，在此不做赘述。
步骤三：将所述多维心音特征输入诊断模型，得到诊断结果，其中，所述诊断结果为心血管疾病类型。
如图2所示，在本发明实施例中，所述诊断模型包括输入层、隐藏层、输出层和softmax函数，其中，所述输入层由21个神经元组成，所述21个神经元对应多维心音特征；所述隐藏层分别有7和8个神经元，所述隐藏层为2层双向长短期记忆网络模型；所述输出层由个8个神经元组成，对应心血管疾病的类型；最后使用一个softmax函数，用于解决多分类问题而创建，其输出结果为多个心血管疾病的概率，其概率为0-1之间的数值，且得到的概率之和为1。
在其他实施例中，所述输出层的神经元可以是8个也可以是50个或者100个，可以根据现有的常见心血管疾病进行设置，若增加输出层神经元就需要增加诊断模型训练时的样本，以保证诊断模型诊断的精确性。
在其他实施例中，所述诊断模型可以是全连接神经网络模型，2层全连接层作为全连接神经网络模型的隐藏层，S型生长曲线层作为全连接神经网络模型的输出层；当所述诊断模型为全连接神经网络模型是，其输出结果为多个类型的心血管疾病的概率，其概率为0-1的数值，且输出的概率的和不一定为1。
综上，本发明实施例提供了一种基于心电心音的儿童心血管疾病诊断方法，结合了心音信号和心电信号，充分考虑了心血管疾病在心音信号上的体现，提取了包括时域、频域和能量域心音特征的多维心音特征，通过构建诊断模型和多维心音特征，实现了心血管疾病的精准预测。另外，本发明还提供了一种多维心音特征的提取方法，为诊断模型进行心血管疾病精准预测提供了基础支持。本发明具体实用高效等优点。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (9)

1.一种基于心电心音的儿童心血管疾病诊断方法，其特征在于，包括以下步骤：
S1:获取待诊断患儿的心电信号和心音信号；
S2:对所述心电信号和心音信号进行处理，得到多维心音特征；
S3:将所述多维心音特征输入诊断模型，得到诊断结果，其中，所述诊断结果为心血管疾病类型。
2.根据权利要求1所述的一种基于心电心音的儿童心血管疾病诊断方法，其特征在于，S2中，对心电信号和心音信号进行处理，得到心电心音特征的方法包括：
S21：对心电信号和心音信号进行预处理；
S22：根据预处理后的心电信号和心音信号，获取初始心音特征；
S23：通过时域、频域、能量域分析方法对所述初始心音特征进行分析，得到多维心音特征，所述多维心音特征包括时域心音特征、频域心音特征和能量域心音特征。
3.根据权利要求2所述的一种基于心电心音的儿童心血管疾病诊断方法，其特征在于，S21中，对心电信号和心音信号进行预处理的方法包括：
S211：对心电信号和心音信号进行截取；
S212：对采样后的心电信号和心音信号进行滤波降噪处理；
S213:对滤波降噪后的心电信号和心音信号进行归一化处理。
4.根据权利要求2所述的一种基于心电心音的儿童心血管疾病诊断方法，其特征在于，S22中，根据预处理后的心电信号和心音信号，获取初始心音特征的方法包括：
S221：识别预处理后的心电信号的QRS波；
S222：根据QRS波的Q波，从预处理后的心音信号中识别出第一心音的持续和幅值信息，根据所述QRS波的T波，从预处理后的心音信号中识别出第二心音的持续时间和幅值信息；
S222：根据第一心音和第二心音的持续时间和幅值信息，获取收缩期的持续时间和幅值信息、舒张期的持续时间和幅值信息；
S223：将所述第一心音、第二心音、收缩期和舒张期的持续时间和幅值信息作为初始心音特征。
5.根据权利要求2所述的一种基于心电心音的儿童心血管疾病诊断方法，其特征在于，S23中，通过时域分析方法对所述初始心音特征进行分析，得到时域心音特征的方法包括：分别计算第一心音、收缩期、第二心音和舒张期两两之间的幅值比；分别计算相邻第一心音、收缩期、第二心音和舒张期之间的时间差；计算EMAT％；计算各个幅值比、各个时间差、EMAT％在整个心动周期的均值，得到11个时域心音特征。
6.根据权利要求4所述的一种基于心电心音的儿童心血管疾病诊断方法，其特征在于，S23中，通过频域分析方法对所述初始心音特征进行分析，得到时域心音特征的方法包括：对所述初始心音特征进行傅里叶变换，得到对应的频谱序列，其中，所述频谱序列包括第一心音频谱序列、第二心音频谱序列、收缩期频谱序列和舒张期频谱序列；分别提取第一心音频谱序列、第二心音频谱序列、收缩期频谱序列和舒张期频谱序列中频率为多个指定频率的数值，求取各个数值在所有心动周期的均值，并形成新的频谱序列；得到4个频域心音特征。
7.根据权利要求6所述的一种基于心电心音的儿童心血管疾病诊断方法，其特征在于，所述第一心音频谱序列、第二心音频谱序列、收缩期、舒张期对应的多个指定频率为60HZ、70HZ、80HZ、90HZ、100HZ、110HZ、120HZ、130HZ、80HZ、150HZ。
8.根据权利要求4所述的一种基于心电心音的儿童心血管疾病诊断方法，其特征在于，S23中，通过频域分析方法对所述初始心音特征进行分析，得到时域心音特征的方法包括：分别计算第一心音、收缩期、第二心音和舒张期两两之间的能量比，并求各个能量比在所有心动周期的均值，得到6个能量域心音特征。
9.根据权利要求1所述的一种基于心电心音的儿童心血管疾病诊断方法，其特征在于，S3中，所述诊断模型包括输入层、隐藏层、输出层和softmax函数，其中，所述输入层由21个神经元组成，所述21个神经元对应多维心音特征；所述隐藏层分别有7和8个神经元；所述输出层由个8神经元组成，对应心血管疾病的类型；最后使用一个softmax函数，用于解决多分类问题而创建。
CN202210647884.4A 2022-06-09 2022-06-09 一种基于心电心音的儿童心血管疾病诊断方法 Withdrawn CN115040135A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210647884.4A CN115040135A (zh) 2022-06-09 2022-06-09 一种基于心电心音的儿童心血管疾病诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210647884.4A CN115040135A (zh) 2022-06-09 2022-06-09 一种基于心电心音的儿童心血管疾病诊断方法

Publications (1)

Publication Number Publication Date
CN115040135A true CN115040135A (zh) 2022-09-13

Family

ID=83162132

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210647884.4A Withdrawn CN115040135A (zh) 2022-06-09 2022-06-09 一种基于心电心音的儿童心血管疾病诊断方法

Country Status (1)

Country Link
CN (1) CN115040135A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024007152A1 (zh) * 2022-07-05 2024-01-11 张福伟 一种基于心电心音的儿童心血管疾病诊断方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024007152A1 (zh) * 2022-07-05 2024-01-11 张福伟 一种基于心电心音的儿童心血管疾病诊断方法

Similar Documents

Publication Publication Date Title
CN108714026B (zh) 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法
Leung et al. Classification of heart sounds using time-frequency method and artificial neural networks
CN102283670B (zh) 一种心音信号量化分析方法及装置
CN111759345B (zh) 基于卷积神经网络的心脏瓣膜异常分析方法、系统和装置
CN107529645A (zh) 一种基于深度学习的心音智能诊断系统及方法
CN112971839B (zh) 一种基于前馈卷积神经网络的心音分类方法
US20040138572A1 (en) Heart diagnosis system
Choi et al. Selection of wavelet packet measures for insufficiency murmur identification
CN104473660B (zh) 一种基于子带能量包络自相关特征的异常心音识别方法
Sedighian et al. Pediatric heart sound segmentation using Hidden Markov Model
Dokur et al. Feature determination for heart sounds based on divergence analysis
Sinha et al. Backpropagation artificial neural network classifier to detect changes in heart sound due to mitral valve regurgitation
Avanzato et al. Heart sound multiclass analysis based on raw data and convolutional neural network
CN112568886A (zh) 心律的检测方法、电子设备以及计算机可读存储介质
JP7487965B2 (ja) グラフ畳み込みに基づく心電図心拍数マルチタイプの予測方法
CN114469124A (zh) 一种运动过程中异常心电信号的识别方法
CN115040135A (zh) 一种基于心电心音的儿童心血管疾病诊断方法
Vepa et al. Segmentation of heart sounds using simplicity features and timing information
Kumar et al. Third heart sound detection using wavelet transform-simplicity filter
CN110811673A (zh) 基于概率神经网络模型的心音分析系统
Zannat et al. Automated system for features extraction from pcg signal
CN113197583A (zh) 一种基于时频分析和循环神经网络的心电图波形分割方法
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
Golpaygani et al. Detection and identification of S1 and S2 heart sounds using wavelet decomposition method
Pachauri et al. Wavelet transform based arterial blood pressure waveform delineator

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20220913