CN116115255A - 心音信号人工智能处理方法、可读存储介质、装置及电子设备 - Google Patents

Abstract

本发明公开了心音信号人工智能处理方法、可读存储介质、装置及电子设备，处理方法，包括如下步骤：针对目标确定若干心音信号采集点，并分别赋予识别标识，并针对各心音信号采集点中的至少部分分配心音采集装置，各心音采集装置采集到的心音信号数据配制为适用于响应心音信号采集点的心音信号数据组，有效的各心音信号数据组形成匹配于目标的心音数据集；准备训练完毕的人工智能分类模型，人工智能分类模型用于对心音数据集实施分类处理，以获取分类处理结果。本发明方案，数据处理简单高效，预诊信号响应灵敏，可以极大地改善辅助医疗的效率和响应速度，降低应用成本。

Description

心音信号人工智能处理方法、可读存储介质、装置及电子设备

技术领域

本发明是关于诊疗辅助技术，特别是关于一种心音信号人工智能处理方法、可读存储介质、装置及电子设备。

背景技术

心血管疾病是发病率最高的疾病之一，发展呈现年轻化趋势。为实现心血管疾病的早发现和控制，需要使用简单、方便的检测心血管疾病的方法与设备。

心音诊断是历史悠久的传统心脏听诊技术，具有丰富经验的医生，通过心音听诊可以即时准确地诊断心脏异常和心脏疾病。心音听诊作为心脏疾病检测的一种重要手段，在使用简洁与方便性方面，具有心电图、超声心电图不可取代的优势。

根据心音判别心脏的健康状况，从古沿用至今，是最直接、简单、有效的方法。现有心音听诊方法是通过传统听诊器由医生在患者多个部位听诊，需要医生具有丰富的心音诊断经验才能做出准确诊断。并且，受人耳听力敏感性的限制，传统听诊器往往难以捕捉到心脏和心血管发出的一些微弱但却非常重要的生物声信号。而市场上已出现的那些电子听诊器，仅将所记录的心音信号直观地呈现给医生，不具有心音多通道数据采集与心音自动诊断功能，也不适合医生之外的普通人使用。

公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

发明内容

本发明的目的在于提供一种心音信号人工智能处理方法、可读存储介质、装置及电子设备，有效地克服了现有技术数据处理复杂，响应速度受限等方面的不足。

为实现上述目的，本发明的实施例提供了心音信号人工智能处理方法，包括如下步骤：针对目标确定若干心音信号采集点，并分别赋予识别标识，并针对各心音信号采集点中的至少部分分配心音采集装置，各心音采集装置采集到的心音信号数据配制为适用于响应心音信号采集点的心音信号数据组，心音信号数据为声音幅度的时间函数，经数字化处理成心音信号数据组，有效的各心音信号数据组形成匹配于目标的心音数据集；准备训练完毕的人工智能分类模型，设定阈值(概率值)以及匹配于阈值的疾病分类，人工智能分类模型用于对心音数据集实施分类处理，以获取分类处理结果，其中分类处理的依据为：针对各心音信号数据组的心音信号数据分类结果与预设的匹配于疾病分类的阈值实施比较，依据比较结果则生成响应于疾病分类的预诊信息；心率计算结果是在一组心音数据序列中，依次标定最大值的方法来确定患者心率：预设心音信号幅度校准值B_s,在心音数据集{1,f₁,……,f_n}中，其中f_1-f_n为采集到的表示心音信号幅度的n个心音数据，在其中任意节选a个连续的心音数据，在其中依据心音信号幅度大小找到第一个不小于B_s的最大值(在连续比较过程中，该值大于其前后的相邻值)记为B₁，再连续按顺序找到最大值B₂，……，B_m，B_m为第m个最大值，若m小于2则重新开始节选a个连续的心音数据并排序；患者每分钟心率HR＝60N/(m F_s),式中：m是所连续找到的最大值个数，N是所统计的数据点总数；F_s是采样频率，即每秒采样点数，a不大于F_s。心音采集装置可以为如数字听诊器、心音传感器、智能体检仪等。

在本发明的一个或多个实施方式中，识别标识至少选自目标的身份信息、心音信号采集点编号信息、心音采集装置配制信息，特别是采样频率F_s。

在本发明的一个或多个实施方式中，心音信号采集点至少选自二尖瓣听诊区、三尖瓣听诊区、肺动脉瓣听诊区、主动脉瓣听诊区、主动脉瓣第二听诊区。

在本发明的一个或多个实施方式中，阈值是一个概率值，调整阈值可以调整匹配于阈值分类疾病的诊断准确性。

在本发明的一个或多个实施方式中，训练的人工智能分类模型为一维神经网络，其选自回归模型、支持向量机模型、卷积模型、决策树模型。

在本发明的一个或多个实施方式中，人工智能分类模型的训练为：获取心音样本数据集并对其中的样本数据实施分类标识，构建心音标识分类样本数据集；分割心音标识样本数据集为样本训练集和样本验证集；模型训练获得目标人工智能分类模型。

在本发明的一个或多个实施方式中，可读存储介质，其用于存储程序指令，程序指令被执行时用于实现如前述的心音信号人工智能处理方法。

在本发明的一个或多个实施方式中，装置，包括处理器以及如权利要求8的可读存储介质，处理器读取可读存储介质存储的程序指令，以用于实现如前述的心音信号人工智能处理方法。

在本发明的一个或多个实施方式中，电子设备，至少包括如前述的装置或如前述的可读存储介质，处理器读取可读存储介质存储的程序指令，以用于实现如前述的心音信号人工智能处理方法。

与现有技术相比，根据本发明实施方式的心音信号人工智能处理方法、可读存储介质、装置及电子设备，能够捕捉到心脏和心血管发出的一些微弱但却非常重要的生物声信号，突破了人耳听力敏感度局限，使得诊断信息采集敏感性提高，心率等信息的检测准确率高，还可以实现自动辅助诊断的功能，不但可以给医生提供帮助，更适合普通人使用。

本发明通过借助人工智能参与的辅助预诊断技术，有效避免了传统医生听诊方法费时、费力、需要丰富经验的问题，并能达到具有丰富心音听诊经验的专家的听诊水平，可为患者提供精确的心脏听诊诊断。

通过可以在预诊对象身上多个心音听诊区域的同时开展数据收集，有利于获取完整的患者心音数据，使得人工智能诊断比现有的医生传统听诊诊断更加全面准确。

通过采用心音采集设备和人工智能相结合的辅助听诊技术，突破人耳听力敏感性的限制，甚至可以捕捉到心脏和心血管发出的一些微弱但却非常重要的生物声信号，发现一些传统诊疗技术难以发现的疾病，对目标的生理或者病理状态等的可能性进行预测。

附图说明

图1是根据本发明一实施方式的处理流程示意图；

图2是根据本发明一实施方式的一种数据处理过程示意图；

图3是根据本发明一实施方式的二尖瓣听诊区心音信号；

图4是根据本发明一实施方式的三尖瓣听诊区心音信号；

图5是根据本发明一实施方式的二尖瓣心音数据集上用于计算心率的最大数据点；

图6是根据本发明一实施方式的心音信号人工智能处理方法的过程。

具体实施方式

下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。

除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。

包括而不限于如下实施例所示的技术方案中，心电数据集为{ID,k,f₁,……,f_n}，其中，ID为患者身份标识；k＝1,……,5为心音采集点(听诊区)标识，k＝1为二尖瓣听诊区；k＝2为肺动脉瓣听诊区；k＝3为主动脉瓣听诊区；k＝4为主动脉瓣第二听诊区；k＝5为三尖瓣听诊区；fn为数据采集中第k采集点的第n次采集的心音数据。

需要进一步说明的是，上述听诊区是本发明实施例指定的标注心音听诊区，有经验的操作者如医生或者技术人员也可以依据不同的数据采集需求而在不同的听诊区设置采集点收集心音数据，这些数据同样可以应用于本发明的人工智能分类模型完成预诊分类。

如图1所示，根据本发明优选实施方式的心音信号人工智能处理方法，用于实现计算机参与的智能AI辅助诊断技术，其实施主要依赖于经过验证训练得到的人工智能系统，依据对预诊对象不同位置或者状态下检测得到的心音信号如心音的音调、强度、性质、历时以及包括心音强度改变、心音性质改变、心音分裂以及其它额外心音、杂音、心包摩擦音等方面信息比照，从而以其中一个或者多个信息变化信号特征并与模型实施对照而实现对预诊判断信息的初步确认并获取，这种信息在反馈到用户端如责任医生的电脑端后，则可以起到帮助诊断的作用。

为了满足本发明方案的实施，一个满足要求的智能模型是必须的，如图1和2所展示的1.3，这里的人工智能分类模型可以是一个用于分类的一维神经网络；例如选择回归模型、支持向量机模型、卷积模型、决策树模型等；优选地，分类模型采用一维深度卷积神经网络模型。如ReseNet模型和DenseNet模型或自建的任何包括输入层、卷积层、池化层、激活层、全连接层和分类决策层(SoftMax)的卷积神经网络或深度卷积神经网络模型。

优选的，本发明实施方案可以采用一维神经网络模型的训练方法示例为：1、获取心音样本数据集：在受试患者(ID)身上，按照所标注的心音信号采集点分别采集心音数据(分别通过数字听诊器完成心音数据采集)，获得数据集{ID,k,f₁,……,f_n}，k＝1，…，5，在此，每个采集点采集的心音数据以该采集点序号k标识，fn为第n次采集的心音数据；

2、样本数据标识，样本数据{ID,k,f₁,……,f_n}，k＝1，…，5，由多位医疗专家分别听诊分类标识，构建心音标识(分类)样本数据集；

3、将整理并标注好的心音标识样本数据集分割为样本训练集和样本验证集，这里的分割比例可以为(8：2)；

4、用样本训练集中的数据对一维神经网络模型进行训练；

5、用样本验证集对一维神经网络模型的效能进行验证，以获得最优模型参数，确定训练完毕的一维神经网络模型。

优选地，在构建一维神经网络模型时，输入层包括一级归一化层(Normalization)，用于对输入信号进行归一化处理，具体包括如下步骤：

1)将检测点标识数据序列{k,f₁,……,f_n}送入输入层,k为心音采样点标识,k＝1,……,5；

2)预设心音信号幅度校准值B_s，当单个数据fn不小于Bs，且在当前数据判定为可以参与的有效数据，如在数据序列{k,f₁,……,f_n}找出最大值B_m，查找过程为将数据序列中至少部分连续数据(如连续选择a个)，在其中依据心音信号幅度大小找到第一个不小于B_s的最大值记为B₁，(在连续比较过程中，该值大于其前后的相邻值，比如将该a个数据连续排列形成波动图，则可以获得若干个顶点，如图5所展示的，即可以为视为最大值，取其有效的则纳入统计B_m)再连续按顺序找到最大值B₂，……，B_m，B_m为第m个最大值，若m小于2则重新开始节选a个连续的心音数据并排序；

3)将数据序列的每一个值除以该最大值，得到归一化的数据序列{k,f₁/B_m,……,f_n/B_m}。

4)将输入层经归一化处理后的数据序列输出给卷积神经网络。

需要注意的是，由于每位患者身上可以采集多点心音数据完成听诊数据收集，最终形成以序号标识的多个数据序列{ID,k,f₁,……,f_n}，所以，在用已经训练好的人工智能分类模型对同一患者心音数据进行分析时，需要分别对多点心音数据信号分别进行处理，并最终汇总才能形成最终的预诊分析报告。因此，在对同一患者多点心音数据听诊时，只要有一个采集点的心音数据超过某诊断分类阈值(预设某诊断分类的概率值)，就预诊判断该患者大概率患有该类疾病，并在预诊分析报告中生成相应的预诊结论信息。采用阈值控制分类诊断精度的方法，能够提高心音数据诊断结果的准确率。由于人工智能分类模型可以设计成任意多分类器，所以，可以用人工智能分类模型，通过心音听诊所诊断的疾病种类也很多。

心音信号人工智能处理方法的实现可以包括如下步骤：针对目标(预诊对象)确定若干心音信号采集点，采集点可以是实际而选择二尖瓣听诊区、三尖瓣听诊区、肺动脉瓣听诊区、主动脉瓣听诊区、主动脉瓣第二听诊区中的部分或者全部，并对所选择的采集点分别赋予识别标识，并针对选择的各心音信号采集点分配同一个心音采集装置顺序采集心音信号，或同时全部对应地分配心音采集装置，同时采集所有点的心音信号，进而通过与采集点识别标识等进行编码即可以完成独立的信息采集和存储工作。也就是实现了各心音采集装置采集到的心音信号数据配制为适用于响应心音信号采集点的心音信号数据组。

在此基础上，准备训练完毕的人工智能分类模型，设定阈值以及匹配于阈值的疾病分类，人工智能分类模型用于对获得的心音数据集实施分类处理，以获取分类处理结果，其中分类处理的依据为：针对各心音信号数据组的特征提取，特征分类与阈值比较，溢出则生成响应于疾病分类的预诊信息。

具体而言可以如图2所示的，针对患者1，以二尖瓣听诊区为心音信号采集点1，并于此安排数字听诊器作为在线数字信号采集器，采集心音信号，设置采集时间3min，采样频率为F_s，采样的响应灵敏度0.01s，预设的分类预诊阈值(概率)为80％，开启采集后形成数据集为{患者1,1,f₁,……,f₁₈₀₀}，即针对每一次心跳会采集多个信号，而在同一组数据中可以依据阈值、幅度大小排序等手段，判定针对同一心跳的一个有效数据B_n，从而实现对一次心跳数据的有效筛选和分类识别。由于采样的二尖瓣听诊区的心音信号比其它各点采集的心音信号幅度强，心脏压缩开始产生的第一心音信号峰值明显，便于用来计算心率。

依据该数据集{患者1,1,f₁,……,f₁₈₀₀}，可以采用如图2所示的1.2的心率计算模块所用计算方法来确定患者1的心率数据，具体为：

1、用患者ID下标记为1的心音数据集{1,f₁,……,f_n}计算心率，在{1,f₁,……,f_n}按顺序找到第一个最大值记为B₁，连续按顺序找到第二个最大值B₂，……，B_m，B_m为第m个最大值，m为所统计的最大值个数；

2、统计从第一个最大点B₁到第m个连续最大点B_n的数据点总数N，连续统计不能间断或遗漏；

3、计算每分钟心率：HR＝60N/(mF_s),式中：m是最大值个数，N是所统计的数据点总数；F_s是采样频率，即每秒采样点数，这里是1800。如图3-5展示了不同心音听诊区获得的心音模拟信号，是时间于幅度的关系曲线。

图5展示了用于计算心率的二尖瓣听诊区采集的心音信号，此点采集的信号是所有能采集到的心音信号中的最强信号，图5所示的信号最大点B_n，即图中B₁-B₈所示意的，用小圆圈标注。

图6所示的，数字听诊器61采集患者身体指定部位心音信号，并通过手机62将信号通过互联网63传送给云端服务器64。云端服务器64收到指定患者在指定部位检测的心音信号f_n。关于指定患者用患者ID标识；指定部位用n表示；将指定患者的指定部位心音信号f_n送入64的人工智能分类模型得到分类诊断结构，再将诊断结果通过服务器64返回给指定患者的手机62呈现。

优选的，在人工智能诊断分类模型中，首先是提取f_n信号的特征值，再将特征值与预训练模型得到的特征值进行比较，这一过程通常是构建一个方差值，当方差值落入某分类的误差区域的概率达到预测概率值时，可判定f_n为某类疾病特征，从而给出相应预诊断分类结果。

本发明方案实施过程中可以通过心音采集设备、包括网线、互联网装置、WIFI、蓝牙等在内的通讯装置、服务器和终端设备(如电脑、手机等)等来完成：心音采集设备被设置到目标的采集点用于采集心音信号数据；互联网用于传输数据；服务器用于人工智能的分析处理；终端用于接收和呈现诊断结果。注意，本发明心音采集设备优选由电子听诊器硬件和客户端App组成的数字听诊器，App控制电子听诊器采集声音数据，整理和处理数据，并将数据传输给服务器。当然这里需要注意的，通讯装置、服务器可以是非必要的，心音采集装置在采集数据后可以直接存储到U盘等存储装置，而由终端设备读取进行分析处理，即同样可以直接由终端电脑形成有效的预诊分析报告，展示给相关人员如责任医生等。

前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。

Claims (7)

1.一种心音信号人工智能处理方法，包括如下步骤：

针对目标确定若干心音信号采集点，并分别赋予识别标识，并针对各所述心音信号采集点中的至少部分分配心音采集装置，各所述心音采集装置采集到的心音信号数据配制为适用于响应心音信号采集点的心音信号数据组，所述心音信号数据为声音幅度的时间函数，经数字化处理成心音信号数据组，有效的各所述心音信号数据组形成匹配于目标的心音数据集；

准备训练完毕的人工智能分类模型，设定阈值以及匹配于阈值的疾病分类，所述人工智能分类模型用于对所述心音数据集实施分类处理，以获取分类处理结果，其中所述分类处理的依据为：针对各心音信号数据组的心音信号数据分类结果与阈值实施比较，依据比较结果则生成响应于疾病分类的预诊信息；

所述心率计算结果是在一组心音数据序列中，依次标定最大值的方法来确定患者心率：预设心音信号幅度校准值B_s,在心音数据集{1,f₁,……,f_n}中，其中f₁-f_n为采集到的表示心音信号幅度的n个心音数据，在其中任意节选a个连续的心音数据，在其中依据心音信号幅度大小找到第一个不小于B_s的最大值记为B₁，再连续按顺序找到最大值B₂，……，B_m，B_m为第m个最大值，若m小于2则重新开始节选a个连续的心音数据并排序；患者每分钟心率HR＝60N/(mF_s),式中：m是所连续找到的最大值个数，N是所统计的数据点总数；F_s是采样频率，即每秒采样点数，a不大于F_s。

2.如权利要求1所述的心音信号人工智能处理方法，其特征在于，所述心音信号采集点至少选自二尖瓣听诊区、三尖瓣听诊区、肺动脉瓣听诊区、主动脉瓣听诊区、主动脉瓣第二听诊区。

3.如权利要求1所述的心音信号人工智能处理方法，其特征在于，所述阈值是一个概率值，用于调整匹配于阈值分类疾病的诊断准确性。

4.如权利要求1所述的心音信号人工智能处理方法，其特征在于，训练的所述人工智能分类模型为一维神经网络，其选自回归模型、支持向量机模型、卷积模型、决策树模型。

5.可读存储介质，其用于存储程序指令，所述程序指令被执行时用于实现如权利要求1-4任一所述的心音信号人工智能处理方法。

6.装置，包括处理器以及如权利要求5所述的可读存储介质，所述处理器读取所述可读存储介质存储的程序指令，以用于实现如权利要求1-4任一所述的心音信号人工智能处理方法。

7.电子设备，至少包括如权利要求6所述的装置或如权利要求5所述的可读存储介质，处理器读取所述可读存储介质存储的程序指令，以用于实现如权利要求1-4任一所述的心音信号人工智能处理方法。

Images