CN116108345B - 一种基于参数估计的第二心音宽分裂检测方法 - Google Patents
一种基于参数估计的第二心音宽分裂检测方法 Download PDFInfo
- Publication number
- CN116108345B CN116108345B CN202310076875.9A CN202310076875A CN116108345B CN 116108345 B CN116108345 B CN 116108345B CN 202310076875 A CN202310076875 A CN 202310076875A CN 116108345 B CN116108345 B CN 116108345B
- Authority
- CN
- China
- Prior art keywords
- heart sound
- coefficient
- heart
- splitting
- division
- 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
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B7/00—Instruments for auscultation
- A61B7/006—Detecting skeletal, cartilage or muscle noise
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Abstract
本发明公开了一种基于参数估计的第二心音宽分裂检测方法,其可归纳为四个阶段:①心音采集及预处理;②第一心音S1和第二心音S2的自动分割、S2自动提取;③基于高斯混合模型第二心音的数学建模、基于S2模型的第二心音主动脉瓣关闭音A2和肺动脉瓣关闭音P2的自动定位、基于A2和P2的统计特性参数的时间间隔自动获取、基于模型重叠率的第二心音分裂系数的计算、基于分裂系数统计量平稳特性确定自适应移动窗口长度;④以第二心音分裂系数和统计特性参数为准则,利用三维决策图和数字诊断结果确定S2宽分裂的自动检测方案。本发明采用上述流程,实现第二心音宽分裂自动检测,并通过实际数据对本发明所提方法进行验证分析。
Description
技术领域
本发明涉及现代化医学信号处理技术领域,尤其是涉及一种基于参数估计的第二心音宽分裂检测方法。
背景技术
目前心脏病诊断方法包括无创式手段(动态心电图、胸透X射线、心脏影像诊断技术、诊断性心导管检查、心音听诊、超声心动图和多普勒技术等)和有创式手段(血管造影术、心脏导管插入术和经颅面等);其中基于超声心动图的分析结论是诊断心脏病较为有效的依据,但它受制于较高的成本和较长的检查时间(约1小时);而心音分析是一种广泛应用于心脏病理分析及病类诊断的无创、经济且高效的诊断手段。
构成心音信号的两个主要部分,即在心脏收缩期,由主动脉瓣关闭和心室壁扩张时产生的第一心音;以及在心脏舒张期,由主动脉瓣关闭音和肺动脉瓣关闭音有序结合产生的第二心音。而主动脉瓣关闭音和肺动脉瓣关闭音之间产生的时间延迟被医学界称为“分裂”,因此,第二心音分裂程度通常采用主动脉瓣关闭音和肺动脉瓣关闭音之间的时间间隔进行评定,比如以时间间隔小于等于30ms为指标区分生理分裂(正常分裂)和其他异常分裂。然而,人体呼气和吸气阶段对第二心音的分裂程度具有不同程度的影响。相对于生理性分裂,在吸气阶段内第二心音大,而呼气阶段内第二心音/>小这一现象而引起的一种被称之为宽分裂的典型异常分裂,是多种心脏病的早期临床表现,因此能早期高精度检测宽分裂可为预防相关心脏病提供重要参考依据。现有技术通过平滑伪能量分布进行计算并检测,但其计算复杂程度较高,因此,本发明提出一种基于参数估计的第二心音宽分裂检测方法。
发明内容
本发明目的是提供一种基于参数估计的第二心音宽分裂检测方法,提出一种基于高斯混合模型的A2和P2统计量估计方法,为了降低心率对的影响,定义了一种基于高斯混合模型重叠率的S2分裂系数(S2split)来评估S2分裂程度;为了避免由于未考虑整个呼吸阶段而错将S2的宽分裂误判为其他分裂类型,提出了一种基于S2split分裂系数的自适应优化算法以实现呼吸阶段自动分割;为了避免由于只考虑部分呼吸阶段内S2分裂系数而获取单方面的错误结论,本发明提出一种基于正确率CR的诊断结果以避免出现以偏概全的错误结论,此外,为了区分S2分裂和S3,本发明提出基于S2split和/>统计量的检测方法。
为实现上述目的,本发明提供了一种基于参数估计的第二心音宽分裂检测方法,包括以下步骤:
步骤一:心音采集及预处理,使用电子听诊器采集心音数据,采用小波分解对心音进行预处理,获取频率为21.5-689Hz的心音信号HSF,其通过一组尺度函数φ(t)和小波函数来描述,公式如下:
上式中,cm表示心音信号的近似系数,dm,n为心音信号的细节系数,第n阶尺度的近似系数和细节系数可通过n+1阶尺度的近似系数和细节系数进行计算,公式如下:
上式中,g(t)和h(t)为高通滤波器和低通滤波器组,将待滤波信号分解为相应的高频和低频分量;
步骤二:心音自动分割和定位,首先采用二阶中心距方法提取滤波后心音HSF的包络线HSF,然后利用短时修正希尔伯特变换STMHT提取心音特征曲线HSSTMHT,再通过特征曲线HSSTMHT的正负过零点结合舒张期和收缩期时间关系实现第一心音S1和第二心音S2的自动定位,并实现对第二心音自动分割及提取;
步骤三:对第二心音进行高斯拟合,获取第二心音模型S2M,S2M的公式如下:
上式中,为第k个高斯成分,曲线以μk为中心、以ak为幅值、以σk为曲线有效时宽,K为2,对应构成第二心音S2的两个成分A2和P2,并且通过拟合优度R2对模型进行评估,其R2可通过如下计算:
上式中,R2的取值范围是0≤R2≤1,为残差平方和,为总均方差平方和;
步骤四:第二心音分裂系数的定义及A2和P2时间间隔的计算,基于重叠率的分裂系数定义为:
S2split=100×(1-OLR)%
上式中,OLR为两个高斯混合模型中重叠率,通过下式进行计算:
上式中,PDF(Xsaddle)为模型鞍点对应的概率密度值,PDF(Xlowestmaximum)为幅度值最小的高斯成分所对应的概率密度值;
当第二心音分裂系数为0%,则A2和P2完全重叠;当第二心音分裂系数为100%时,则A2和P2完全分裂;当A2和P2完全重叠且伴有第三心音S3的情况下,可通过分裂系数结合时间间隔加以甄别,通过下式进行计算:
上式中,是高斯成分k(1,2)的估计参数μk;
步骤五:第二心音宽分裂识别检测,先确定待分析心音信号的自适应分析窗口长度,计算移动窗口内S2split和统计特性参数,结合心音诊断的正确率CR对第二心音宽分裂进行综合评估,具体检测方案如下:
且CR≥0.9
上式中,为S2分裂均值,/>为S2分裂方差值,/>为时间间隔均值,CR为正确率。
优选的,所述步骤一,采集设备的采样频率为44.1kHz,使用16位A/D转换器进行数字化。
优选的,所述步骤二中,对于给定滤波心音HSF[n]的n点,n=0,1,…,N-1时,在时间n的WN邻域内,得到N点包络HSE[n]
式中,n=WN,WN+1,…,N-1-WN。
优选的,所述步骤五中,预测结果是由隶属度模式表示检测结果。
因此,本发明采用上述方法的一种基于参数估计的第二心音宽分裂检测方法,具有以下优点:
(1)提出了一种基于高斯混合模型的A2和P2统计量估计方法,然后利用估计的参数来确定区分S2宽分裂。
(2)提出了一种基于重叠率的第二心音分裂系数以克服心率对使用评价第二心音分裂程度影响;因为重叠率对混合成分的可分离性具有更好的解释已经成功地应用于评价高斯混合模型分离程度研究中。
(3)为避免发生误判,提出了一种基于自适应第二心音分裂系数及第二心音的统计量作为S2宽分裂检测指标。
(4)提出用多周期中的心音诊断正确率CR来综合评估S2宽分裂以避免以偏概全,其诊断正确率提高了15%以上。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明一种基于参数估计的第二心音宽分裂检测方法流程图;
图2为本发明一种基于参数估计的第二心音宽分裂检测方法的第二心音自动提取典型案例一(具有典型S2宽分裂心音信号);
图3为本发明一种基于参数估计的第二心音宽分裂检测方法的第二心音自动提取典型案例二(具有典型S2固定分裂的心音信号);
图4为本发明一种基于参数估计的第二心音宽分裂检测方法的未发生分裂第二心音图;
图5为本发明一种基于参数估计的第二心音宽分裂检测方法的发生固定分裂第二心音图;
图6为本发明一种基于参数估计的第二心音宽分裂检测方法的发生宽分裂第二心音图;
图7为本发明一种基于参数估计的第二心音宽分裂检测方法的带有额外第三心音图;
图8为本发明一种基于参数估计的第二心音宽分裂检测方法的高斯拟合S2M,根据重叠的情况分为不分裂、轻微分裂、部分分裂、强烈分裂和完全分裂的成分A2和P2的信号图;
图9为本发明一种基于参数估计的第二心音宽分裂检测方法的最后依据参数对心音进行分类的流程图;
图10为本发明一种基于参数估计的第二心音宽分裂检测方法的第二心音分裂程度与吸气或呼气阶段的关系图;
图11为本发明一种基于参数估计的第二心音宽分裂检测方法的典型心音与第二心音宽分裂自适应分裂系数测定程序中长度为M的滑动窗口示意图;
图12为本发明一种基于参数估计的第二心音宽分裂检测方法的第二心音宽分裂自适应系数测定程序中估算每个S2对应的分裂系数S2split;
图13为本发明一种基于参数估计的第二心音宽分裂检测方法的移动窗口中包含m个心音周期;
图14为本发明一种基于参数估计的第二心音宽分裂检测方法的概率图,A为滑动窗口中表述总窗口长度为8,滑动窗口为4的宽分裂区,B为滑动窗口中表述滑动窗口为4的预测结果,C为滑动窗口中表述滑动窗口为8的预测结果;
图15为本发明一种基于参数估计的第二心音宽分裂检测方法的典型第二心音宽分裂和生理性分裂结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
本发明提供了一种基于参数估计的第二心音宽分裂检测方法,包括以下步骤:
步骤一:心音采集及预处理,使用电子听诊器采集心音数据,采集设备的采样频率为44.1kHz,使用16位A/D转换器进行数字化,采用小波分解对心音进行预处理,获取频率为21.5-689Hz的心音信号HSF,其通过一组尺度函数φ(t)和小波函数来描述,公式如下:
上式中,cm表示心音信号的近似系数,dm,n为心音信号的细节系数,第n阶尺度的近似系数和细节系数可通过n+1阶尺度的近似系数和细节系数进行计算,公式如下:
上式中,g(t)和h(t)为高通滤波器和低通滤波器组,将待滤波信号分解为相应的高频和低频分量;
步骤二:心音自动分割和定位,首先采用二阶中心距方法提取滤波后心音HSF的包络线HSE,对于给定滤波心音HSF[n]的n点,n=0,1,…,N-1时,在时间n的WN邻域内,得到N点包络HSE[n]
式中,n=WN,WN+1,…,N-1-WN。
然后利用短时修正希尔伯特变换STMHT提取心音特征曲线HSSTMHT,再通过特征曲线HSSTMHT的正负过零点结合舒张期和收缩期时间关系实现第一心音S1和第二心音S2的自动定位,并实现对第二心音自动分割及提取;
步骤三:对第二心音进行高斯拟合,获取第二心音模型S2M,S2M的公式如下:
上式中,为第k个高斯成分,曲线以μk为中心、以ak为幅值、以σk为曲线有效时宽,K为2,对应构成第二心音S2的两个成分A2和P2,并且通过拟合优度R2对模型进行评估,其R2可通过如下计算:
上式中,R2的取值范围是0≤R2≤1,为残差平方和,为总均方差平方和;
步骤四:第二心音分裂系数的定义及A2和P2时间间隔的计算,基于重叠率的分裂系数定义为:
S2split=100×(1-OLR)%
上式中,OLR为两个高斯混合模型中重叠率,通过下式进行计算:
上式中,PDF(Xsaddle)为模型鞍点对应的概率密度值,PDF(Xlowestmaximum)为幅度值最小的高斯成分所对应的概率密度值;
当第二心音分裂系数为0%,则A2和P2完全重叠;当第二心音分裂系数为100%时,则A2和P2完全分裂;当A2和P2完全重叠且伴有第三心音S3的情况下,可通过分裂系数结合时间间隔加以甄别,通过下式进行计算:
上式中,是高斯成分k(1,2)的估计参数μk;
步骤五:第二心音宽分裂识别检测,先确定待分析心音信号的自适应分析窗口长度,计算移动窗口内S2split和统计特性参数,结合心音诊断的正确率CR对第二心音宽分裂进行综合评估,具体检测方案如下:
且CR≥0.9
上式中,为S2分裂均值,/>为S2分裂方差值,/>为时间间隔均值,CR为正确率;预测结果是由隶属度模式表示检测结果。
实施例
如图1,一种基于参数估计的第二心音宽分裂检测方法,主要通过四个阶段完成,第一阶段,心音采集及预处理;第二阶段,基于二阶中心距的第二心音包络线提取、基于短时修正希尔伯特变换的S1和S2自动分割、基于舒张期与收缩期相关关系的S2自动提取;第三阶段,基于高斯混合模型的S2数学模型、基于S2数学模型的A2和P2自动定位、基于重叠率的第二心音S2split和的自动获取、基于分裂系数统计量平稳特性确定自适应移动窗口长度并计算统计结果;第四阶段,以S2HS和/>为准则,利用三维决策图和数字诊断结果确定S2宽分裂的自动检测方案,可分为以下五个步骤。
步骤一:心音采集及预处理,原始心音HS由3M公司Littmann MODEL 3200电子听诊器记录,在采样频率为44.1kHz下,由16位A/D转换器进行数字化,对采集到的心音进行滤波处理,获取频率为21.5-689Hz的心音信号HSF,所滤除的声音包括呼吸音、肺音、环境噪声等,滤波音HSF是使用小波分解WD滤波后的心音,因为小波分解在时间域和频率域使用变化的窗口提供了良好的分辨率,其中宽的频谱适合慢频分量,窄的频谱适合复杂且非平稳的心音分量,经小波分解后的心音信号通过一组尺度函数φ(t)和小波函数来描述,公式如下:
上式中,cm表示心音信号的近似系数,dm,n为心音信号的细节系数在上述公式中,第n阶尺度的近似系数和细节系数可通过n+1阶的尺度的近似系数和细节系数进行计算,公式如下:
上式中,g(t)和h(t)为高通滤波器和低通滤波器组,将输出信号分解为相应的高频和低频分量;
步骤二:心音自适应分割和定位,首先采用二阶中心距方法提取HSF的包络线记为HSE,即对于给定滤波心音HSF[n]的n点,n=0,1,…,N-1时,在时间n的WN邻域内,得到N点包络HSE[n]
其中n=WN,WN+1,…,N-1-WN。
然后采用短时修正希尔伯特变换STMHT提取HSE的包络曲线HSSTMHT,即对于n点心音包络HSE[n](n=0,1,…,N-1)和移动窗口WN[m](m=-(M-1)/2,-(M-1)/2+1,…,(M-1)/2),长度为M(M=44101)的奇数,HSSTMHT由下述公式表示
其中i=m-(n-(M-1)/2)
如图2-3所示,N2P点和P2N点分别表示负到正过零点和正到负过零点;通过HSSTMHT的N2P点,可以自动确定HSE的几何中心峰值;分割点可由HSSTMHT的P2N点确定;因此,可以通过HSSTMHT的过零点定位S1和S2位置和分割点,由于其舒张时间间隔总是大于收缩时间间隔,则第一心音和第二心音可以自动确定及提取;
步骤三:对第二心音进行高斯拟合,获取第二心音模型S2M,如图4-7,描绘出几种典型第二心音分裂波图、其中图4中描绘的是单个第二心音,图5为第二心音固定分裂,图6为吸气阶段第二心音宽分裂,图7为单一第二心音附加第三心音,从图6的②和图7的②很明显可以发现每个S2有两个成分构成,并且两个分量呈现出正态概率分布特征;而从经典无分裂的S2心音信号绝对值图4的②中可以看出其显然呈现正态分布;虽然图7的②显示了由额外的S3和S2被认为是整个S2,但是两个成分之间的距离远远大于来自图6中S2的宽分裂和来自图5中S2的固定分裂的距离,因此,提出了两分量高斯混合模型来估计分量A2和P2的参数,然后利用估计的参数来确定区分S2宽分裂的准则。在统计学,GMM使用高斯分量与参数的线性混合(θk={ak,μk,σk},k=1,2,…。根据估计的高斯分量参数(θk={ak,μk,σk})和S2对应参数,可以将S2拟合为公式如下:
上式中,为第k组分,K为2时,对应第二心音S2中包含的两个分量A2和P2,曲线以位置t=μk为中心,ak为幅值、以σk为曲线有效时宽;在峰值的两侧,曲线的尾部迅速地脱落并接近t轴,通过拟合优度R2对模型进行评估,R2给定公式如下:
上式中,为残差平方和,/>为总均方差平方和,用于评估使用S2M拟合给定|S2|的性能,其取值范围为0≤R2≤1,R2的值越接近1表示匹配越好。
本发明对心音数据进行了分析,其不同类型分裂情况如表1所示,包括656个周期宽分裂(10例)、1433个周期生理分裂(16例)、586个周期固定分裂(13例)、285个周期的单个S2(5例)和233个周期的S3(4例)。此外根据R2的统计值,即μ±σ=0.71±0.06,其满足R2≥0.6,因此,验证了使用高斯混合模型GMM拟合给定心音信号的可行性。
表1心音数据的采集来源
综上所述,本发明提出了利用分裂系数和时间间隔的结合来评估两个分量之间的分离程度的方法—评估S2的宽分裂。
步骤四:第二心音分裂系数的定义及A2和P2的时间间隔的计算,在用于评价两组高斯混合模型可分性的度量指标中,由于重叠率OLR对混合成分的可分离性具有更好的解释并已经成功地应用于评价高斯混合模型分离程度研究中;OLR可由鞍点的概率密度函数PDF值与最小局部最大值的PDF值进行计算,计算公式如下:
上式中,PDF(Xsaddle)为模型鞍点对应的概率密度值,PDF(Xlowestmaximum)为幅度值最小的高斯成分所对应的概率密度值。
如图8所示,按照①到⑤顺序描述了从完全重叠到完全分裂的情况,可以得出OLR和本发明所提出的分裂程度正好是一对相反物理量,因此,本发明定义分裂系数S2split,公式如下:
S2split=100×(1-OLR)%
在上式中,S2split值越大,S2的分裂程度越严重;而S2split=0%表示不存在分裂,两种混合成分A2和P2完全重叠,S2split=100%表示混合成分完全分裂,两个混合成分之间完全分离;对于没有第二心音分裂而有第三心音S3的情况下,由于S2与S3之间的距离较远而导致由于S2split=100%被误判为第二心音宽分裂。如图9所示,若通过对不合适参数的进行评估,易将S2宽分裂划分为其他类(包含S3与固定分裂)。因此,除参数S2split外,为了避免误判S3为P2,将混合成分之间的时间间隔定义为公式如下:
上式中,是高斯成分k(1,2)的估计参数μk;如图10所示,由于/>的时间间隔在吸气时变宽,呼气时变窄,导致吸气和呼气阶段出现明显不同的S2分裂,因此我们首先确定分析心音周期,包括几个合适的呼吸周期。为了更有力的说明包含的不同周期滑动窗口中预测结果,如图11-13给出了基于不同M周期对应预测结果,描述了一个典型心音与S2宽分裂的自适应系数测定方法。
步骤五:第二心音宽分裂识别检测,如图15,S2宽分裂发生在整个呼吸阶段:在吸气阶段,由于静脉回流增加而导致分裂程度增大;而在呼气阶段,其分裂程度有所减轻,图9为典型第二心音宽分裂分类结果,其结果表明:
(1)呼气阶段S2split的最小分裂值比吸气阶段最大分裂值超过10%;
(2)S2split的分裂系数在呼气期和吸气期并非恒定值,但其方差小于整个呼吸期的分裂值;
(3)鉴于呼吸过程具有周期性特征,其S2split的平均值在整个呼吸期基本是一个常数。
因此,为确定第二心音宽分裂,进行如下步骤
(1)首先确定待分析心音信号的合理长度,即包括若干完整的呼吸周期,可避免将宽分裂误判断为固定分裂,因为严重的固定分裂类似于吸气阶段的宽分裂;可避免将宽分裂误判断为生理分裂,因为在某些情况下,吸气阶段的宽分裂与呼气阶段的生理分裂相似;
(2)使用S2split统计量进行评估,为避免得出片面结论,本发明提出自适应S2数量NAda的S2split统计特征,以检测S2宽分裂。
基于宽分裂预测结果
且CR≥0.9
上式中,为S2分裂均值,/>为S2分裂方差值,/>为时间间隔均值,CR为正确率;预测结果是由隶属度模式表示检测结果。
如图14所示,A表述总窗口长度为8,滑动窗口为4的宽分裂区域,B表示的是滑动窗口为4的预测结果,C表述滑动窗口为8的预测结果;其中预测结果由检测到的每种类型的正确率组成,利用三维决策图和数字诊断结果确定了S2宽分裂的自动检测方案。
最后应说明的是:以上实施例仅用以说明本发明的技术方案而非对其进行限制,尽管参照较佳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:其依然可以对本发明的技术方案进行修改或者等同替换,而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (4)
1.一种基于参数估计的第二心音宽分裂检测方法,其特征在于,包括以下步骤:
步骤一:心音采集及预处理,使用电子听诊器采集心音数据,采用小波分解对心音进行预处理,获取频率为21.5-689Hz的滤波后心音信号HSF,其通过一组尺度函数φ(t)和小波函数来描述,公式如下:
上式中,cm表示心音信号的近似系数,dm,n为心音信号的细节系数,第n阶尺度的近似系数和细节系数可通过n+1阶尺度的近似系数和细节系数进行计算,公式如下:
上式中,g(t)和h(t)为高通滤波器和低通滤波器组,h(t)是低通滤波器,g(t)是高通滤波器,待滤波信号通过h(t)产生低频脉冲响应,待滤波信号通过g(t)产生高频的脉冲响应;
步骤二:心音自动分割和定位,首先采用二阶中心距方法提取滤波后心音信号HSF的心音包络线HSE,然后利用短时修正希尔伯特变换STMHT提取心音特征曲线HSSTMHT,再通过心音特征曲线HSSTMHT的正负过零点结合舒张期和收缩期时间关系实现第一心音S1和第二心音S2的自动定位,并实现对第二心音自动分割及提取;
步骤三:对第二心音进行高斯拟合,获取第二心音模型S2M,S2M的公式如下:
上式中,为第k个高斯成分,曲线以μk为中心、以ak为幅值、以σk为曲线有效时宽,K为2,对应构成第二心音S2的两个成分A2和P2,并且通过拟合优度R2对模型进行评估,其R2可通过如下计算:
上式中,R2的取值范围是0≤R2≤1,为残差平方和,为总均方差平方和;
步骤四:第二心音分裂系数的定义及A2和P2时间间隔的计算,基于重叠率的分裂系数定义为:
S2split=100×(1-OLR)%
上式中,OLR为两个高斯混合模型中重叠率,通过下式进行计算:
上式中,PDF(Xsaaddle)为模型鞍点对应的概率密度值,PDF(Xlowestmaximum)为幅度值最小的高斯成分所对应的概率密度值;
当第二心音分裂系数为0%,则A2和P2完全重叠;当第二心音分裂系数为100%时,则A2和P2完全分裂;当A2和P2完全重叠且伴有第三心音S3的情况下,可通过分裂系数结合时间间隔加以甄别,通过下式进行计算:
上式中,是高斯成分k(1,2)的估计参数μk;
步骤五:第二心音宽分裂识别检测,先确定待分析心音信号的自适应分析窗口长度,计算移动窗口内S2split和统计特性参数,结合心音诊断的正确率CR对第二心音宽分裂进行综合评估,具体检测方案如下:
上式中,为S2分裂均值,/>为S2分裂方差值,/>为时间间隔均值,CR为正确率。
2.根据权利要求1所述的一种基于参数估计的第二心音宽分裂检测方法,其特征在于:所述步骤一,采集设备的采样频率为44.1kHz,使用16位A/D转换器进行数字化。
3.根据权利要求1所述的一种基于参数估计的第二心音宽分裂检测方法,其特征在于:所述步骤二中,对于给定滤波后心音信号HSF[n]的n点,n=0,1,...,N-1时,在时间n的WN邻域内,得到N点心音包络线HSE[n]
式中,n=WN,WN+1,...,N-1-WN。
4.根据权利要求1所述的一种基于参数估计的第二心音宽分裂检测方法,其特征在于:所述步骤五中,预测结果是由隶属度模式表示检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310076875.9A CN116108345B (zh) | 2023-01-29 | 2023-01-29 | 一种基于参数估计的第二心音宽分裂检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310076875.9A CN116108345B (zh) | 2023-01-29 | 2023-01-29 | 一种基于参数估计的第二心音宽分裂检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116108345A CN116108345A (zh) | 2023-05-12 |
CN116108345B true CN116108345B (zh) | 2023-08-22 |
Family
ID=86261219
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310076875.9A Active CN116108345B (zh) | 2023-01-29 | 2023-01-29 | 一种基于参数估计的第二心音宽分裂检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116108345B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102302373A (zh) * | 2011-06-30 | 2012-01-04 | 重庆大学 | 基于复用多分辨率小波变换的心音信号特征点检测方法 |
CN103479383A (zh) * | 2013-09-25 | 2014-01-01 | 清华大学 | 心音信号分析的方法及装置和具有其的智能心脏听诊器 |
CN104490417A (zh) * | 2015-01-22 | 2015-04-08 | 苏州本草芙源医疗设备有限公司 | 数字听诊器与心音信号的处理方法 |
CN111759345A (zh) * | 2020-08-10 | 2020-10-13 | 北京中科信利技术有限公司 | 基于卷积神经网络的心脏瓣膜异常分析方法、系统和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11730441B2 (en) * | 2018-08-07 | 2023-08-22 | Pacesetter, Inc. | Methods and devices for detecting heart sounds to monitor cardiac function |
-
2023
- 2023-01-29 CN CN202310076875.9A patent/CN116108345B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102302373A (zh) * | 2011-06-30 | 2012-01-04 | 重庆大学 | 基于复用多分辨率小波变换的心音信号特征点检测方法 |
CN103479383A (zh) * | 2013-09-25 | 2014-01-01 | 清华大学 | 心音信号分析的方法及装置和具有其的智能心脏听诊器 |
CN104490417A (zh) * | 2015-01-22 | 2015-04-08 | 苏州本草芙源医疗设备有限公司 | 数字听诊器与心音信号的处理方法 |
CN111759345A (zh) * | 2020-08-10 | 2020-10-13 | 北京中科信利技术有限公司 | 基于卷积神经网络的心脏瓣膜异常分析方法、系统和装置 |
Non-Patent Citations (1)
Title |
---|
虎乐乐 ; 赵加祥 ; 倪虹 ; 顾超 ; .一种基于短时傅立叶变换的心音分裂时间计算方法.生物医学工程与临床.2009,(01),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116108345A (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fleming et al. | A comparison of signal processing techniques for the extraction of breathing rate from the photoplethysmogram | |
Papadaniil et al. | Efficient heart sound segmentation and extraction using ensemble empirical mode decomposition and kurtosis features | |
CN108416367B (zh) | 基于多传感器数据决策级融合的睡眠分期方法 | |
Hughes et al. | Markov models for automated ECG interval analysis | |
Wang et al. | A robust signal preprocessing framework for wrist pulse analysis | |
CN100418480C (zh) | 基于心音分析的心脏病自动分类系统及其心音分段方法 | |
Leung et al. | Classification of heart sounds using time-frequency method and artificial neural networks | |
US20070260151A1 (en) | Method and device for filtering, segmenting, compressing and classifying oscillatory signals | |
Samieinasab et al. | Fetal phonocardiogram extraction using single channel blind source separation | |
CN110477906B (zh) | 一种心电信号qrs波起止点定位方法 | |
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 | |
CN114469124B (zh) | 一种运动过程中异常心电信号的识别方法 | |
Leung et al. | Analysis of the second heart sound for diagnosis of paediatric heart disease | |
CN112971839B (zh) | 一种基于前馈卷积神经网络的心音分类方法 | |
Dokur | Respiratory sound classification by using an incremental supervised neural network | |
Kiani et al. | Classification of 7 arrhythmias from ecg using fractal dimensions | |
CN106419884B (zh) | 一种基于小波分析的心率计算方法与系统 | |
CN113558584A (zh) | 一种基于信号质量评估的脉搏波预处理方法 | |
CN116108345B (zh) | 一种基于参数估计的第二心音宽分裂检测方法 | |
Marzbanrad et al. | Classification of Doppler ultrasound signal quality for the application of fetal valve motion identification | |
Dokur et al. | Classification of Respiratory Sounds by Using an Artificial Neural Network. | |
CN106725487A (zh) | 一种呼吸率提取方法及装置 | |
Quanyu | Pulse signal analysis based on deep learning network | |
Turkoglu et al. | A wavelet neural network for the detection of heart valve diseases | |
Zhidong | Noninvasive diagnosis of coronary artery disease based on instantaneous frequency of diastolic murmurs and SVM |
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 |