CN115089206A - 一种对心音信号的预测方法及使用其的心脏听诊装置 - Google Patents

Abstract

本发明涉及一种对心音信号的预测方法及使用其的心脏听诊装置，包括以下步骤：步骤1、从智能听诊器获得关于个体的听诊的原始声音信号进行降噪，并且形成数据片段；步骤2、基于多分辨率深度学习挖掘数据片段信号中蕴含的高层时序语义信息和平移不变性，并最终输出预测结果。本发明所提出的方法综合利用了卷积神经网络和长短时记忆网络，能够充分挖掘听诊的原始声音信号所蕴含的时间和空间高层语义信息，更好地建立听诊声音信号与心脏疾病之间的关联；引入置信度，量化了心脏病预测模型中的不同成员预测不同心脏疾病的判别能力，使得所设计的心脏病预测模型具有较强的适应性和鲁棒性。

Description

一种对心音信号的预测方法及使用其的心脏听诊装置

技术领域

本发明涉及一种医疗器械的算法，尤其是涉及一种对心音信号的预测方法及使用其的心脏听诊装置。

背景技术

最新数据显示，心血管疾病已经成为人类的第一杀手，并且趋于年轻化。在基层，不少心血管疾病特别是结构性心脏病(各种的先天性心脏病和后天的瓣膜性心脏病)大多无法应用传统的心电图机检测出来，只能通过听诊器先由专业的医生听到异常杂音后初筛再经过相关设备(如心脏彩超等)检查后得以确诊。

第一代智能听诊器是在传统听诊器的基础上，采用高灵敏度感应器来收集身体器官发出的声音，通过放大、过滤，将有效的声音通过蓝牙传输给无线耳机或其他接收设备。

第二代心音心电一体测量仪则是在第一代智能听诊器的基础上研发的，将心音和心电同步测量，直观展示给使用者，让医生更为方便的获得心脏的跳动情况。

心律失常的患者，如房颤、室性早搏、房性早搏，阵发性室上性心动过速，严重的心动过缓等其心律不齐多为阵发性发作，及时在医院做心电图也不一定能及时捕捉到异常心律，在家的体检和自我及早发现显得特别的重要。

发明内容

本发明设计了一种对心音信号的预测方法及使用其的心脏听诊装置，其解决的技术问题是现有算法无法充分挖掘听诊的原始声音信号所蕴含的时间和空间高层语义信息，也不能建立听诊声音信号与心脏疾病之间的充分关联。

为了解决上述存在的技术问题，本发明采用了以下方案：

一种对心音信号的预测方法，包括以下步骤：步骤1、从智能听诊器获得关于个体的听诊的心脏原始声音信号进行降噪，并且形成数据片段；步骤2、基于多分辨率深度学习挖掘数据片段信号中蕴含的高层时序语义信息和平移不变性，并最终输出预测结果。

优选地，步骤1中从智能听诊器获得关于个体的听诊的心脏原始声音信号x＝(x₁,x₂,…,x_n)后，首先利用低通滤波器过滤点x中的高频信号，得到去噪后的数据y＝(y₁,y₂,…,y_n)；考虑到心脏疾病所引起的异常声音持续的时间具有多尺度的特点，为充分挖掘y中的信息，从y中提取M个大小不同的数据片段{s⁽¹⁾,s⁽²⁾,…,s^(M)}，其中第k(1≤k≤M)个数据片段是

其中|s^(k)|表示s^(k)中的声音数据的样本点个数。

优选地，步骤2中对于第k个数据片段s^(k)，首先利用具有一维卷积核的卷积神经网络CNN对s^(k)进行处理，得到z^(k)＝CNN(s^(k))；然后采用具有若干个隐含层的长短时记忆网络LSTM_k对进行处理，得到 [o^(k),w^(k)]＝LSTM_k(z^(k))，并且

表示 LSTM_k预测z^(k)属于第i类心脏病的概率，

表示LSTM_k对于做出预测

的置信度，将[o^(k),w^(k)]作为s^(k)的预测结果进行输出；[o^(k),w^(k)]是LSTM_k(z^(k))的输出，其中o^(k)是一个L维的向量

它的第j个元素

表示LSTM_k(z^(k))预测z^(k)的标签是c_j的概率；w^(k)也是一个L维的向量

它的第j个元素

量化了 LSTM_k(z^(k))将z^(k)的标签预测为c_j的置信度。

优选地，重复上述过程，得到关于{s⁽¹⁾,s⁽²⁾,…,s^(M)}的输出{o⁽¹⁾,w⁽¹⁾},{o⁽²⁾, w⁽²⁾},…,{o^(M),w^(M)}，最后采用加权投票的方式，得到最终的预测结果

中的j表示M个预测器投票得到的最有可能的心脏病在L中的索引，c_j表示预测的心脏病，L等于心脏病的种类数，

的每个分量对应一种心脏病。

优选地，待识别的心脏病集合是C＝{c₁,c₂,…,c_L}，L表示心脏病中的种类数。其中，心脏病集合表示不同类型/种类的心脏病的集合，与L 对应，并与预测结果c_j相对应。

优选地，步骤4、最终的预测结果通过蓝牙设备进行播报。

优选地，所述蓝牙设备为蓝牙耳机或蓝牙音箱。

一种心脏听诊装置，使用上述分析预测方法。

优选地，听诊器本体底部的硅胶套为多个单体组成的闭环结构，每个硅胶套单体通过一个伸缩结构与听诊器本体连接，每个伸缩结构能够使得硅胶套单体移动从而使得整个硅胶套形成高低不同的结构，从而确保整个硅胶套紧密贴合在人体上形成密闭的采音环境供振动膜片采集心音。

一种蓝牙音箱或耳机，上述分析预测方法获得的最终输出预测结果通过所述蓝牙音箱或所述蓝牙耳机以语音的方式进行输出。

该对心音信号的预测方法及使用其的心脏听诊装置具有以下有益效果：

(1)本发明所提出的方法综合利用了卷积神经网络和长短时记忆网络，能够充分挖掘听诊的原始声音信号所蕴含的时间和空间高层语义信息，更好地建立听诊声音信号与心脏疾病之间的关联；引入置信度，量化了心脏病预测模型中的不同成员预测不同心脏疾病的判别能力，使得所设计的心脏病预测模型具有较强的适应性和鲁棒性。

(2)本发明相对于使用单个预测器得到最终的预测结果，通过整理M个预测器的结果{o⁽¹⁾,o⁽²⁾,…,o^(M)}得到

的方式，能够提高预测结果的准确率和稳定性，降低预测结果的方差。

(3)本发明通过多个温度传感器与移动终端的配合，使得寒冷天气测量心音时，不会因为听诊器温度过低而导致使用者不适，影响测量的准确性和舒适性。

(4)本发明通过伸缩机构确保在没有人手按压听诊器时，也可以使得听诊器的硅胶圈与人体皮肤紧密贴合形成密闭的采音环境供振动膜片采集心音，确保心音数据采集抗干扰。

附图说明

图1：本发明对心音信号的预测方法中输入输出信号示意图；

图2：本发明心脏听诊装置的外观示意图；

图3：本发明心脏听诊装置电路连接方框示意图；

图4：本发明心脏听诊装置伸缩结构第一示意图；

图5：本发明心脏听诊装置伸缩结构第二示意图；

图6：本发明心脏听诊装置伸缩结构第三示意图；

图7：本发明心脏听诊装置伸缩结构示意图I；

图8：本发明心脏听诊装置伸缩结构示意图I I。

附图标记说明：

1—听诊器本体；11—硅胶套；12—第一温度传感器；13—第二温度传感器；14—发热丝；15—伸缩结构；151—上水平支架；152—移动连接片；1521—固定端；1522—移动端；153—下水平支架；16—第一隔音挡片；17—第二隔音挡片。

具体实施方式

下面结合图1至图8，对本发明做进一步说明：

如图1所示，一种对心音信号的预测方法，包括以下步骤：步骤1、从智能听诊器获得关于个体的听诊的心脏原始声音信号进行降噪，并且形成数据片段；步骤2、基于多分辨率深度学习挖掘数据片段信号中蕴含的高层时序语义信息和平移不变性，并最终输出预测结果。

步骤1中从智能听诊器获得关于个体的听诊的心脏原始声音信号x ＝(x₁,x₂,…,x_n)后，首先利用低通滤波器过滤点x中的高频信号，得到去噪后的数据y＝(y₁,y₂,…,y_n)；考虑到心脏疾病所引起的异常声音持续的时间具有多尺度的特点，为充分挖掘y中的信息，从y中提取M个大小不同的数据片段{s⁽¹⁾,s⁽²⁾,…,s^(M)}，其中第k(1≤k≤M)个数据片段是

其中|s^(k)|表示s^(k)中的声音数据的样本点个数。

步骤2中对于第k个数据片段s^(k)，首先利用具有一维卷积核的卷积神经网络CNN对s^(k)进行处理，得到z^(k)＝CNN(s^(k))；然后采用具有若干个隐含层的长短时记忆网络LSTM_k对进行处理，得到[o^(k),w^(k)]＝LSTM_k(z^(k))，并且

表示LSTM_k预测z^(k)属于第i 类心脏病的概率，

表示 LSTM_k对于做出预测

的置信度，将[o^(k),w^(k)]作为s^(k)的预测结果进行输出； [o^(k),w^(k)]是LSTM_k(z^(k))的输出，其中o^(k)是一个L维的向量

它的第j个元素

表示LSTM_k(z^(k))预测z^(k)的标签是c_j的概率；w^(k)也是一个L维的向量

它的第j个元素

量化了LSTM_k(z^(k))将z^(k)的标签预测为c_j的置信度。

重复上述过程，得到关于{s⁽¹⁾,s⁽²⁾,…,s^(M)}的输出{o⁽¹⁾,w⁽¹⁾},{o⁽²⁾,w⁽²⁾},…, {o^(M),w^(M)}，最后采用加权投票的方式，得到最终的预测结果

中的j表示M个预测器投票得到的最有可能的心脏病在L中的索引，c_j表示预测的心脏病，L等于心脏病的种类数，

的每个分量对应一种心脏病。

待识别的心脏病集合是C＝{c₁,c₂,…,c_L}，L表示心脏病中的种类数, 心脏病集合表示不同类型/种类的心脏病的集合，与L对应，并与预测结果c_j相对应。

步骤4、最终的预测结果通过蓝牙设备进行播报。蓝牙设备为蓝牙耳机或蓝牙音箱。

如图2所示，本发明心脏听诊装置，包括听诊器本体1、移动终端以及远端电脑，听诊器本体1将心音采集后通过蓝牙通讯模块发送至移动终端，移动终端将心音信号通过互联网发送至远端电脑供医生听取和使用。

如图3和图4所示，听诊器本体1上设有第一温度传感器12，其监测环境温度T1；听诊器本体1下方设有硅胶套11，在硅胶套11中设有发热丝14，发热丝14利用听诊器本体1中蓄电池发热，移动终端 2监测到第一温度传感器12采集的环境温度T1小于人体正常体温T2时，启动发热丝14加热，使得硅胶套11接近或达到人体正常体温，确保硅胶套11接触人体时，硅胶套11温度达到人体感应的舒适温度。

还包括第二温度传感器13，第二温度传感器13监测硅胶套11的温度T3，当T3高于预设值T4，移动终端关闭发热丝14的加热功能，避免硅胶套11温度过高给人体产生不适感。

听诊器本体1设有安装腔，在安装腔底部设有振动膜片，安装腔中有基于蓝牙通讯的拾音器，拾音器包括蓝牙主板，蓝牙主板上设有高保真音频传感器、锂电池、USB接口和蓝牙模块，蓝牙模块与移动终端2无线通信，高保真音频传感器、锂电池和USB接口均与蓝牙主板连接。

如图5-图7所示，听诊器本体1底部的硅胶套11为多个单体组成的闭环结构，每个硅胶套单体通过一个伸缩结构15与听诊器本体1连接，每个伸缩结构15能够使得硅胶套单体移动从而使得整个硅胶套11 形成高低不同的结构，从而确保整个硅胶套11紧密贴合在人体上形成密闭的采音环境供振动膜片采集心音。

图5中全部的伸缩结构15都处于最大伸展状态，图5中的最左侧的硅胶套单体处于最大伸展状态，其他硅胶套单体处于半伸缩状态。图6中的最左侧的硅胶套单体和中间的硅胶套单体处于最大伸展状态，其他硅胶套单体处于半伸缩状态。上述伸缩位置可以按照测量位置进行自由调节，使得整个硅胶圈贴合在皮肤上即可。

如图8所示，伸缩结构15包括上水平支架151和下水平支架153，上水平支架151与听诊器本体1连接，下水平支架153与硅胶套单体连接，上水平支架151和下水平支架153之间设有多个移动连接片152，移动连接片152倾斜设置并且一端与上水平支架151固定连接，移动连接片152另一端与下水平支架153活动连接，或者，移动连接片152 倾斜设置并且一端与上水平支架151活动连接，移动连接片152另一端与下水平支架153固定连接；上水平支架151和下水平支架153之间的距离改变时从而使得硅胶套单体上下移动，并且移动连接片152 倾斜角度也发生对应的变化。

活动连接的结构包括在上水平支架151或下水平支架153开有滑槽，滑槽的开口处窄，滑槽的内部宽，移动连接片152一端位于滑槽开口处的薄，位于滑槽内部的厚，从而使得移动连接片152不能脱离滑槽但能够沿着滑槽延伸方向移动。

如图8所示，伸缩结构15为多层，最上层伸缩结构15与听诊器本体1连接，最下层伸缩结构15与硅胶套单体连接；听诊器本体1上设有第一隔音挡片16，硅胶套11设有第二隔音挡片17，第一隔音挡片16和第二隔音挡片17错位设置并且两者能够随着硅胶套11运动相对运动，伸缩结构15伸展或收缩时，第一隔音挡片16和第二隔音挡片17始终形成屏蔽结构避免安装腔底部的振动膜片受外部噪音影响。

本发明心脏听诊装置的控制原理如下：

步骤1、开启听诊器本体电源；

步骤2、移动终端通过蓝牙连接听诊器本体，并且启动第一温度传感器，第一温度传感器采集的温度T1数据发送至移动终端，移动终端判断T1高于或低于人体正常体温T2；如果低于，则启动硅胶套11中的发热丝14发热，如果高于，则直接进入步骤3；

步骤3、将听诊器本体放置在主动脉瓣区或二尖瓣区的皮肤上，通过伸缩结构确保确保整个硅胶套11紧密贴合在人体上形成密闭的采音环境供振动膜片采集心音；

步骤4、听诊器本体1将心音采集后通过蓝牙通讯模块发送至移动终端，移动终端将心音信号通过互联网发送至远端电脑供医生听取和使用。

上面结合附图对本发明进行了示例性的描述，显然本发明的实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围内。

Claims (10)

1.一种对心音信号的预测方法，包括以下步骤：

步骤1、从智能听诊器获得关于个体的听诊的心脏原始声音信号进行降噪，并且形成数据片段；

步骤2、基于多分辨率深度学习挖掘数据片段信号中蕴含的高层时序语义信息和平移不变性，并最终输出预测结果。

2.根据权利要求1所述的对心音信号的预测方法，其特征在于：步骤1中从智能听诊器获得关于个体的听诊的心脏原始声音信号x＝(x₁,x₂,…,x_n)后，首先利用低通滤波器过滤点x中的高频信号，得到去噪后的数据y＝(y₁,y₂,…,y_n)；考虑到心脏疾病所引起的异常声音持续的时间具有多尺度的特点，为充分挖掘y中的信息，从y中提取M个大小不同的数据片段{s⁽¹⁾,s⁽²⁾,…,s^(M)}，其中第k(1≤k≤M)个数据片段是

其中|s^(k)|表示s^(k)中的声音数据的样本点个数。

3.根据权利要求2所述的对心音信号的预测方法，其特征在于：步骤2中对于第k个数据片段s^(k)，首先利用具有一维卷积核的卷积神经网络CNN对s^(k)进行处理，得到z^(k)＝CNN(s^(k))；然后采用具有若干个隐含层的长短时记忆网络LSTM_k对进行处理，得到[o^(k),w^(k)]＝LSTM_k(z^(k))，并且

表示LSTM_k预测z^(k)属于第i类心脏病的概率，

表示LSTM_k对于做出预测

的置信度，将[o^(k),w^(k)]作为s^(k)的预测结果进行输出；[o^(k),w^(k)]是LSTM_k(z^(k))的输出，其中o^(k)是一个L维的向量

它的第j个元素

表示LSTM_k(z^(k))预测z^(k)的标签是c_j的概率；w^(k)也是一个L维的向量

它的第j个元素

量化了LSTM_k(z^(k))将z^(k)的标签预测为c_j的置信度。

4.根据权利要求3所述的对心音信号的分析预测方法，其特征在于：重复上述过程，得到关于{s⁽¹⁾,s⁽²⁾,…,s^(M)}的输出{o⁽¹⁾,w⁽¹⁾},{o⁽²⁾,w⁽²⁾},…,{o^(M),w^(M)}，最后采用加权投票的方式，得到最终的预测结果

中的j表示M个预测器投票得到的最有可能的心脏病在L中的索引，c_j表示预测的心脏病，L等于心脏病的种类数，

的每个分量对应一种心脏病。

5.根据权利要求4所述的对心音信号的预测方法，其特征在于：待识别的心脏病集合是C＝{c₁,c₂,…,c_L}，L表示心脏病中的种类数；其中，心脏病集合表示不同类型/种类的心脏病的集合，与L对应，并与预测结果c_j相对应。

6.根据权利要求1-5中任何一项所述的对心音信号的预测方法，其特征在于：步骤4、最终的预测结果通过蓝牙设备进行播报。

7.根据权利要求6所述的对心音信号的预测方法，其特征在于：所述蓝牙设备为蓝牙耳机或蓝牙音箱。

8.一种心脏听诊装置，其特征在于：使用权利要求1-7中的任何一种预测方法。

9.根据权利要求7所述的心脏听诊装置，其特征在于：听诊器本体(1)底部的硅胶套(11)为多个单体组成的闭环结构，每个硅胶套单体通过一个伸缩结构(15)与听诊器本体(1)连接，每个伸缩结构(15)能够使得硅胶套单体移动从而使得整个硅胶套(11)形成高低不同的结构，从而确保整个硅胶套(11)紧密贴合在人体上形成密闭的采音环境供振动膜片采集心音。

10.一种蓝牙音箱或耳机，其特征在于：权利要求1-7中的任何一种预测方法获得的最终输出预测结果通过所述蓝牙音箱或所述蓝牙耳机以语音的方式进行输出。

Images