CN116807435A - 一种便携式心音传感装置及心率监测系统 - Google Patents
一种便携式心音传感装置及心率监测系统 Download PDFInfo
- Publication number
- CN116807435A CN116807435A CN202311086926.2A CN202311086926A CN116807435A CN 116807435 A CN116807435 A CN 116807435A CN 202311086926 A CN202311086926 A CN 202311086926A CN 116807435 A CN116807435 A CN 116807435A
- Authority
- CN
- China
- Prior art keywords
- heart sound
- classification
- data
- signal
- sound signal
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 21
- 230000005236 sound signal Effects 0.000 claims abstract description 117
- 206010003119 arrhythmia Diseases 0.000 claims abstract description 29
- 230000006793 arrhythmia Effects 0.000 claims abstract description 27
- 238000013145 classification model Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 6
- 238000001228 spectrum Methods 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 12
- 238000013079 data visualisation Methods 0.000 claims description 10
- 230000033764 rhythmic process Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 206010003658 Atrial Fibrillation Diseases 0.000 claims description 5
- 208000000418 Premature Cardiac Complexes Diseases 0.000 claims description 5
- 208000001871 Tachycardia Diseases 0.000 claims description 5
- 208000006218 bradycardia Diseases 0.000 claims description 5
- 230000036471 bradycardia Effects 0.000 claims description 5
- 230000006794 tachycardia Effects 0.000 claims description 5
- 230000002861 ventricular Effects 0.000 claims description 5
- 206010003662 Atrial flutter Diseases 0.000 claims description 4
- 239000012634 fragment Substances 0.000 claims description 4
- 230000036541 health Effects 0.000 abstract description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000012706 support-vector machine Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000012800 visualization Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 208000019622 heart disease Diseases 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 206010015856 Extrasystoles Diseases 0.000 description 1
- 208000035211 Heart Murmurs Diseases 0.000 description 1
- 208000020128 Mitral stenosis Diseases 0.000 description 1
- 239000002033 PVDF binder Substances 0.000 description 1
- 206010049418 Sudden Cardiac Death Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 201000002064 aortic valve insufficiency Diseases 0.000 description 1
- 238000002555 auscultation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000005189 cardiac health Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 230000010247 heart contraction Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 208000006887 mitral valve stenosis Diseases 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229920002981 polyvinylidene fluoride Polymers 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000012418 validation experiment Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02438—Detecting, measuring or recording pulse rate or heart rate with portable devices, e.g. worn by the patient
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Cardiology (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
提供一种便携式心音传感装置及心率监测系统,属于人工智能医疗技术领域。该装置包括:数据采集模块和数据处理模块;数据采集模块,用于采集被测者的心音信号;数据处理模块包括分类模型,数据处理模块用于将被测者的心音信号对应的特征参数输入所述分类模型,并输出被测者的分类标签,所述分类模型通过以下过程获得:获取样本数据集,以及利用样本数据集对神经网络进行训练得到分类模型;其中样本数据集中的每个样本数据包括心音信号对应的特征参数和分类标签,所述分类标签用于标志被测者是否患有心律不齐疾病。本发明实施例通过数据采集模块采集心音信号,通过数据处理模块中的分类模型检查被测者是否存在心律不齐等问题,从而实现健康监测。
Description
技术领域
本发明涉及人工智能医疗技术领域,具体地涉及一种便携式心音传感装置及心率监测系统。
背景技术
心律不齐是常见的心脏疾病之一,患者需对心跳进行长期监测和管理。
现有的心律不齐监测方案主要有两种。一种依赖心电信号,使用体表电极进行信号采集,然后通过数据传输到专业的心电仪或者计算机进行信号分析和诊断。这种监测方式成本较高,且长期佩戴体表电极可能给被测者带来不适。另一种是采用光学信号进行心率测量,但该方法存在检测精度不高等问题。
发明内容
本发明实施例的目的是提供一种便携式心音传感装置及心率监测系统,通过本发明实施例可以解决或部分解决现有技术中存在的问题。
为了实现上述目的,本发明实施例提供一种便携式心音传感装置,该装置包括:数据采集模块和数据处理模块;
所述数据采集模块,用于采集被测者的心音信号;
所述数据处理模块包括分类模型,所述数据处理模块用于将所述被测者的心音信号对应的特征参数输入所述分类模型,并输出被测者的分类标签,所述分类模型通过以下过程获得:获取样本数据集,以及利用所述样本数据集对神经网络进行训练得到分类模型;
其中,所述样本数据集中的每组样本数据包括心音信号对应的特征参数和分类标签,所述分类标签用于标志被测者是否患有心率不齐疾病,所述分类标签包括正常窦性心律、心动过速、心动过缓、室性早搏、房性早搏、心房扑动和心房颤动中的至少一者。
可选的,该装置还包括通信模块和数据可视化模块;
所述数据可视化模块通过所述通信模块与所述数据处理模块相连,用于显示所述数据处理模块输出的被测者的分类标签,以提示被测者是否患有心律不齐疾病;
所述数据可视化模块通过所述通信模块与所述数据采集模块相连,用于显示所述被测者的实时心率信息。
可选的,所述心音信号对应的特征参数通过以下方式得到:
对心音信号执行加强信号性能的预处理,得到经过预处理的心音信号;
对所述预处理的心音信号进行傅里叶变换,得到所述心音信号的频谱信息;
通过梅尔滤波器组对所述心音信号的频谱信息进行滤波处理,并将所述经过滤波处理的频谱信息进行离散余弦变换,得到梅尔倒谱系数,以作为心音信号对应的特征参数。
可选的,所述对心音信号执行加强信号性能的预处理,得到经过预处理后的心音信号,包括:
采用巴特沃斯滤波器对所述心音信号进行滤波;
将所述滤波后的心音信号进行信号分割,得到心音信号片段;
对所述心音信号片段预加重后进行窗函数处理,得到预处理后的心音信号。
可选的,所述将所述滤波后的心音信号进行信号分割,得到心音信号片段,包括:
将所述滤波后的心音信号划分为第一时间间隔的信号片段,并使用滑动窗口进行分割,以使得每个滑动窗口之间均存在重叠的心音信号,其中所述滑动窗口的大小为第二时间间隔,所述第二时间间隔小于第一时间间隔。
可选的,所述第一时间间隔为4-6秒,所述第二时间间隔为2-3秒。
可选的,利用所述样本数据集对神经网络进行训练,得到分类模型,包括:
将所述样本数据集中的一组样本数据作为测试数据,将所述测试数据以外的样本数据作为训练数据;
利用所述训练数据对包含初始模型参数的所述神经网络进行训练,并利用训练后的神经网络对所述测试数据进行分类,得到一组初始模型分类精度值;
将所述样本数据集中的样本数据依次作为测试数据,重复上述步骤直至得到n组所述初始模型分类精度值,并根据所述n组初始模型分类精度值,计算对应于该初始模型参数的综合模型分类精度值,其中n等于样本数据集中样本数据的组数;
不断调整所述初始模型参数,将所述综合模型分类精度值最大时的初始模型参数作为最优模型参数,以构成分类模型。
可选的,所述初始模型参数为惩罚系数。
可选的,所述根据所述n组初始模型分类精度值,计算得到该初始模型参数对应的综合模型分类精度值,包括:
取n组初始模型分类精度值的平均值作为该初始模型参数对应的综合模型分类精度值。
相应的,本发明实施例还提供一种心律监测系统,包括所述便携式心音传感装置。
本发明实施例通过数据采集模块采集心音信号,通过数据处理模块中的分类模型检查被测者是否存在心律不齐等问题,从而实现健康监测。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施例,但并不构成对本发明实施例的限制。在附图中:
图1是本发明实施例提供的一种便携式心音传感装置的结构框图;
图2是本发明实施例提供的接触式听诊器的结构示意图;
图3是本发明另一实施例提供的便携式心音传感装置的结构框图;
图4是本发明实施例提供的测试得到的模糊矩阵;
图5是本发明实施例提供的被测者工作特征曲线。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
心律不齐是一种常见的不规则心跳类型,可能发生在任何一个心室中造成正常心律的中断。心律不齐频繁发生表明患者可能存在心脏病或其他健康问题,此外,长时间心律不齐会削弱心肌,增加发生心律失常的风险,甚至导致心源性猝死。
心电图(ECG)设备通常用于诊断心律不齐以及心律不齐的严重程度。然而,短时间的ECG无法检查出心律不齐疾病,临床上通常需要24或48小时的动态心电图持续监测才能得出结论。并且,ECG使用皮肤贴附电极进行长期监测可能会干扰被测者的日常生活,给被测者带来不便。
图1是本发明实施例提供的一种便携式心音传感装置的结构框图。
如图1所示,所述便携式心音传感装置,包括:数据采集模块和数据处理模块;
所述数据采集模块,用于采集被测者的心音信号;
所述数据处理模块包括分类模型,所述数据处理模块用于将所述被测者的心音信号对应的特征参数输入所述分类模型,并输出被测者的分类标签,所述分类模型通过以下过程获得:获取样本数据集,以及利用所述样本数据集对神经网络进行训练得到分类模型;
其中,所述样本数据集中的每组样本数据包括心音信号对应的特征参数和分类标签,所述分类标签用于标志被测者是否患有心律不齐疾病,所述分类标签包括正常窦性心律、心动过速、心动过缓、、室性早搏、房性早搏、心房扑动和心房颤动中的至少一者。
本发明实施例通过数据采集模块采集心音信号,通过数据处理模块中的分类模型检查被测者是否存在心律不齐等问题,从而实现健康监测。
在一些可选实施方式中,所述数据采集模块包括心音传感器,所述心音传感器可以为接触式听诊器,如图2所示,所述接触式听诊器由性能稳定的PVDF 压电薄膜结合一个低噪声电子前置放大器组成,能以缓冲输出的方式完成振动信号的拾取。其金属外壳可以最大限度地减少外部环境噪声,从而当中央橡胶垫接收到振动信号时,能输出一个高灵敏度的信号。
此外,接触式听诊器的位置可以根据需要进行手动调整,该接触式听诊器可以与可穿戴夹克结合,夹克的尺寸可以根据被测者的需要用松紧带进行调整。穿戴夹克后接触式听诊器可以自动获取心音信号,从而提高获取的心音信号的质量,保障被测者的舒适度。
进一步地,所述接触式听诊器的采样频率可以设置为1500-2500Hz, 最优为2000Hz。健康的心音信号的频率范围在20Hz到200Hz之间,如果频率超过这个范围,则属于异常心音,如S3和S4,以及二尖瓣狭窄的舒张性杂音。在采集心音信号时频率噪声最高的杂音是主动脉瓣返流,主导频率在400 Hz左右,其他声音的主要频率在100 Hz到400 Hz之间。因此将所述接触式听诊器的采样频率设置为2000Hz,可以避免信号混叠,提高心音信号的获取精度。
在一些可选实施方式中,该装置还包括通信模块和数据可视化模块,所述数据可视化模块通过所述通信模块与所述数据处理模块相连,用于显示所述数据处理模块输出的被测者的分类标签。所述数据可视化模块通过所述通信模块与所述数据采集模块相连,用于显示所述被测者的实时心率信息。所述数据可视化模块可以提供友好的被测者界面和数据展示方式(心音图、心率变异性等数据),使被测者能够直观地了解心脏健康状况;所述通信模块可以是蓝牙、Wi-Fi或其他无线通信技术,使得被测者可以将采集到的心音信号传输到手机、电脑或云服务器进行进一步的存储、分析和分享。同时,通过通信模块医护人员或被测者的监护人可以实时接收和监控心脏数据,以提供更好的医疗或健康管理服务。
进一步地,该装置还包括电源模块,所述电源模块可以为系统提供电力供应,确保系统的正常运行。所述电源模块可以采用可充电电池或其他适当的电源形式,以便被测者可以长时间佩戴并使用该系统。
下面对得到样本数据集中心音信号对应的特征参数和分类标签的过程进行详细介绍。
在一些可选实施方式中,在准备样本数据集时,可以通过专业的心内科医师心音听诊及心音图观察将心音信号进行0-6标注,分别对应正常窦性心律、心动过速、心动过缓、室性早搏、房性早搏、心房扑动及心房颤动,从而得到样本数据中的分类标签。
在一些可选实施方式中,为得到心音信号对应的特征参数,可以通过以下方式对通过心音传感器获取的心音信号进行处理:
S110:对所述心音信号执行加强信号性能的预处理,得到经过预处理的心音信号;
S120:对所述预处理的心音信号进行傅里叶变换,得到所述心音信号的频谱信息;
S130:通过梅尔滤波器组对所述心音信号的频谱信息进行滤波处理,并将所述经过滤波处理的频谱信息进行离散余弦变换,得到梅尔倒谱系数,以作为心音信号对应的特征参数。
其中,步骤S110对心音信号执行加强信号性能的预处理,得到经过预处理后的心音信号,可以包括:
S111:采用巴特沃斯滤波器对所述心音信号进行滤波;
S112:将所述滤波后的心音信号进行信号分割,得到心音信号片段;可选的,可以将所述滤波后的心音信号划分为第一时间间隔的信号片段,并使用滑动窗口进行分割,以使得每个滑动窗口之间均存在重叠的心音信号,其中所述滑动窗口的大小为第二时间间隔,所述第二时间间隔小于第一时间间隔。所述第一时间间隔为4-6秒,最优为5秒,所述第二时间间隔为2-3秒,最优为2.5秒。
S113:对所述心音信号片段预加重后进行窗函数处理,得到预处理后的心音信号。
下面结合具体示例对获取心音信号对应的特征参数的过程进行介绍。
首先,采用巴特沃斯滤波器对心音信号进行滤波。其中巴特沃斯滤波器可以帮助去除心音信号中不需要的频率成分,提高后续心音信号处理的准确性。
进一步地,将所述滤波后的心音信号进行信号分割,得到心音信号片段。其中可以将滤波后的心音信号划分为间隔4-6秒,最优为5秒的片段,并使用滑动窗口进行分割。滑动窗口的大小为2-3秒,最优为2.5秒,使得每个窗口之间存在50%的重叠,从而可以保证对心音信号连续性的分析,以捕捉到心律不齐的细节和变化。
进一步地,对所述心音信号片段预加重后进行窗函数处理,得到预处理后的心音信号。在获取心音信号对应的特征参数时,高频能量在心音信号传播过程中容易丢失,因此需要对心音信号进行预加重,增强心音信号中较高频率的重要特征。同时,通过加窗可以减少信号的频谱泄漏,提高频谱分析的准确性。
其中,可以通过下式对所述心音信号片段预加重:
;
为心音信号,/>为预加重后的心音信号,/>为心音信号序列号;
通过下式对心音信号进行加窗处理:
;
为滑动窗口的大小,/>可以被设置为0.46,/>为加窗后的心音信号;
进一步地,对所述预处理的心音信号进行傅里叶变换,得到所述心音信号的频谱信息,从而提取信号在不同频率上的能量分布情况。
进一步地,通过梅尔滤波器组对所述心音信号的频谱信息进行滤波处理,并将所述经过滤波处理的频谱信息进行离散余弦变换,得到梅尔倒谱系数。
其中,通过下式进行傅里叶变换得到心音信号的频谱信息:
;
是复数单位,/>为频率,/>是心音信号的频谱信息;
通过下式得到心音信号的功率谱:
;
是心音信号的功率谱,/>包含了心音信号在频域中的详细能量特征。但是,人耳对频率的感知呈现对数规律,即人耳对低频的变化更为敏感,对高频的变化则不太敏感,因此,线性频率的特征不是声音识别的最佳选择。本发明实施例使用梅尔标度频率处理音频信号,梅尔标度是信号线性频率的对数变换,其转换如下式所示:
;
是梅尔标度;可以看出,随着频率的增加,梅尔标度值之间的间隔也会增加。梅尔标度在低频时大致是线性的,在高频时是对数的,这种表示方法可以确保梅尔标度上等距离的声音可以被等距离的感知到。
其次,在设计梅尔滤波器时,可以将梅尔尺度上20个三角形滤波器应用于功率谱提取频带,梅尔滤波器组中的每个滤波器是三角形的,中心频率处的响应为1,相邻的两个滤波器的中心频率处的响应线性减小到0。梅尔滤波器的频率响应为:
;
是梅尔滤波器的频率响应,/>为梅尔滤波器组的序列号(例如从 1 到20),/>是第/>个梅尔滤波器的中心频率,对应于频率响应为 1。将滤波器组应用于信号的功率谱后,将功率谱转换为梅尔标度。随后,通过对数运算估算出每个心音信号片段的对数能谱 :
;
式中,是心音信号片段的对数能谱,/>是以 e 为底的自然对数,/>代表梅尔三角滤波器的数量。虽然滤波器组系数可以从/>得出,但这些系数表现出很高的相关性,不适合直接用于机器学习算法。为解决这一问题,本发明实施例采用离散余弦变换对滤波器组系数进行去相关化处理,并生成滤波器组的压缩表示。
其中,可以通过下式进行离散余弦变换:
;
是一个滤波器组中第/>个滤波器对应心音信号的特征参数;
本发明实施例,从每个心音片段中提取MFCC(心音信号对应的特征参数),例如从每个心音片段中提取20组MFCC,然后将所述MFCC的值平均到所有心音片段中,从而得到简洁的心音信号的特征参数。此外,还可以计算所述心音信号的特征参数的标准差,平均值和标准差经过线性融合后,形成特征向量,以提高分类器的准确性。
在一些可选实施方式中,在利用所述样本数据集对神经网络进行训练得到分类模型时,可以首先将所述样本数据集中的一组样本数据作为测试数据,将所述测试数据以外的样本数据作为训练数据;然后,利用所述训练数据对包含初始模型参数的所述神经网络进行训练,并利用训练后的神经网络对测试数据进行分类,得到一组初始模型分类精度值;之后,将所述样本数据集中的样本数据依次作为测试数据,重复上述步骤直至得到n组初始模型分类精度值,并根据所述n组初始模型分类精度值,计算对应于该初始模型参数的综合模型分类精度值;最后,不断调整所述初始模型参数,将所述综合模型分类精度值最大时的初始模型参数作为最优模型参数,以构成分类模型,其中n等于样本数据集中样本数据的组数。
所述初始模型参数可以为惩罚系数,所述根据所述n组初始模型分类精度值,计算得到该初始模型参数对应的综合模型分类精度值,包括:取n组初始模型分类精度值的平均值作为该初始模型参数对应的综合模型分类精度值。其中所述初始模型分类精度值和综合模型分类精度值可以为模型预测的准确率。
在一些具体实施例中,为了确定惩罚系数,可以设置惩罚系数C=2p,p的范围为-4-10,间隔为2,采用C=[2-4,2-2,20,22,24,26,28,210],将以上C值分别输入支持向量机模型中进行多次测试得到分类结果准确性,并选择准确性最高例对应的C值(假设为2P),从而确定更优的区域(2p-2,2p+2);
对选出的更优区域按照上一步骤进行更精细的网格搜索,C=[2p-2,2p-1.5,2p-1,2p -0.5,2p,2p+0.5,2p+1,2p+1.5,2p+2],选取精度最高的作为最优C。
其中评价模型的参数,包括但不限于准确率、FI评分、灵敏度、特异性:
;
式中,Accuracy表示准确率,FI score表示FI评分,Sensitivity表示灵敏度,Specificity表示特异性;TP、TN、FP、FN分别表示被模型预测为正的正样本、被模型预测为负的负样本、被模型预测为正的负样本以及被模型预测为负的正样本。
需要说明的是,本发明实施例提供的分类模型优选为内嵌高斯核的支持向量机模型。支持向量机模型有多种如线性、多项式、高斯和sigmoid,为得到最适合于本发明应用场景的模型,通过性能评价可以得知内嵌高斯核的支持向量机模型更适用于心音信号的识别。
在具体实施例中,数据采集模块紧贴被测者胸口,感知人体心脏跳动的声音信号;将采集到的原始信号经过信号放大、滤波以增强信号强度,去除噪声及不相关频率成分,然后信号被转换为数字信号,并通过通信模块直接传输至数据处理模块或通过无线通信技术如蓝牙或Wifi传输至手机或者电脑等终端。
同时,数据采集模块可以把数字信号存储到存储器中,在数据处理模块中,心音信号将被进一步预处理,包括信号分割、归一化。之后完成信号预加重,然后将信号加汉明窗以减少信号的频谱泄露,提高频谱分析的准确性。通过傅里叶变换计算能谱后使用梅尔滤波器组对能谱滤波得到梅尔频谱,以模拟人耳对声音频率的感知特性。然后,对梅尔频谱进行离散余弦变换提取梅尔倒谱系数。将获得的梅尔倒谱系数输入训练好的心律不齐分类器进行自动分类诊断,得到心律状态。
最后,可视化模块将采集到的心音数据转化为图形或图表的形式展示给被测者,包括心音波形图、心率变化曲线、频谱图等。被测者可以通过可视化图形直观地了解自己的心脏状况,包括心律的规律性、节律性以及可能存在的异常。此外,可视化模块通过不同的符号或颜色标记出心律不齐事件,使被测者能够清晰地辨识出心动过缓、心动过速、房颤等不同类型的心律异常,了解自己的心律异常情况。当系统检测到异常的心律不齐事件时,可视化模块可以通过弹窗、声音或震动等方式提醒被测者,并显示相应的警告信息以实现实时监测和报警。被测者可以通过触摸屏、按钮或移动应用程序进行操作和导航,完成历史数据查看、监测参数设定、报告浏览等。综上所述,可视化模块通过将心音数据和心律不齐分析结果以可视化的形式展示给被测者,提供直观、清晰的信息呈现,帮助被测者更好地理解和管理自身心脏状况。
为验证本发明实施例的效果,进行如下实验:
在一台计算机上进行验证性实验,该计算机配置为inter i7-1250U处理器(1.10GHz)、16GB内存,计算平台为Python 3.11。
本实验中,对包含正常和室性早搏心跳2个类别共5379条心音记录进行划分(每条长度为5秒)。首先随机选取其中20%为训练集,80%为测试集进行交叉验证。训练模型选择基于高斯核的支持向量机。结果显示诊断准确率达到93.4%,F1分数为93.6%,敏感度和特异度都为93.4%,被测者工作特征曲线下面积为0.98。图4为测试得到的模糊矩阵,图5为被测者工作特征曲线,从结果来看该装置具有较高的准确性。
在具体实施例中,所述被测者界面可以包括主屏幕,装置启动后,可以通过主屏幕对心率监测进行一些基本设置。例如装置启动后,被测者可以通过界面选择心音采集模式和采集时长,启动心音数据的采集过程;被测者可以对采集到的心音信号进行预处理的设置,如滤波器类型、预加重等;装置将对采集到的心音数据进行分析和处理,显示心律不齐监测结果,如心律不齐类型和程度。被测者可以通过界面查看处理后的心音数据,如波形图、频谱图、梅尔倒谱系数等。被测者可以选择将心音数据传输到其他设备或存储到云端进行进一步分析和备份。被测者可以进行装置设置和配置,如界面语言、数据存储路径、报警设置等。
相应的,本发明实施例还提供一种心率监测系统,该系统包括所述便携式心音传感装置,该系统可以嵌入衣服中,舒适并易于佩戴,与被测者的衣物或配件结合使用,不会对日常活动和运动造成干扰。
本发明实施例存在以下有益效果:
实时心音采集和心律不齐监测。通过数据采集模块,被测者的心音信号可以实时采集和监测。利用数据处理算法,能够检测和识别心律不齐类型,帮助被测者及时发现潜在的心脏问题;
高质量信号获取。通过预处理步骤如巴特沃斯滤波器、信号预加重、信号分割、加汉明窗和傅里叶变换,可以提高心音信号的质量和清晰度,减少噪音的干扰;
数据可视化。采集到的心音数据可以通过数据处理和可视化技术进行分析和展示。被测者可以使用图表、图形和曲线等方式直观地了解心脏活动的变化和趋势,进一步帮助诊断和健康管理决策;
长期监测和个性化管理。可穿戴式设计使被测者能够长期佩戴并随时随地监测心脏健康状况。通过数据传输功能,被测者可以将心音数据上传到云服务器或与医疗专家分享,实现个性化的健康管理和定制化的干预措施。
舒适性和便携性。可穿戴式心音采集模块轻巧舒适,适合日常佩戴,并与被测者的衣物或配件结合使用,不会干扰正常活动和运动。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种便携式心音传感装置,其特征在于,该装置包括:数据采集模块和数据处理模块;所述数据采集模块,用于采集被测者的心音信号;所述数据处理模块包括分类模型,所述数据处理模块用于将所述被测者的心音信号对应的特征参数输入所述分类模型,并输出被测者的分类标签,所述分类模型通过以下过程获得:获取样本数据集,以及利用所述样本数据集对神经网络进行训练得到分类模型;其中,所述样本数据集中的每组样本数据包括心音信号对应的特征参数和分类标签,所述分类标签用于标志被测者是否患有心率不齐疾病,所述分类标签包括正常窦性心律、心动过速、心动过缓、室性早搏、房性早搏、心房扑动和心房颤动中的至少一者。
2.根据权利要求1所述的便携式心音传感装置,其特征在于,该装置还包括通信模块和数据可视化模块;所述数据可视化模块通过所述通信模块与所述数据处理模块相连,用于显示所述数据处理模块输出的被测者的分类标签,以提示被测者是否患有心律不齐疾病;所述数据可视化模块通过所述通信模块与所述数据采集模块相连,用于显示所述被测者的实时心率信息。
3.根据权利要求1所述的便携式心音传感装置,其特征在于,所述心音信号对应的特征参数通过以下方式得到:对心音信号执行加强信号性能的预处理,得到经过预处理的心音信号;对所述预处理的心音信号进行傅里叶变换,得到所述心音信号的频谱信息;通过梅尔滤波器组对所述心音信号的频谱信息进行滤波处理,并将所述经过滤波处理的频谱信息进行离散余弦变换,得到梅尔倒谱系数,以作为心音信号对应的特征参数。
4.根据权利要求3所述的便携式心音传感装置,其特征在于,所述对心音信号执行加强信号性能的预处理,得到经过预处理后的心音信号,包括:采用巴特沃斯滤波器对所述心音信号进行滤波;将所述滤波后的心音信号进行信号分割,得到心音信号片段;对所述心音信号片段预加重后进行窗函数处理,得到预处理后的心音信号。
5.根据权利要求4所述的便携式心音传感装置,其特征在于,所述将所述滤波后的心音信号进行信号分割,得到心音信号片段,包括:将所述滤波后的心音信号划分为第一时间间隔的信号片段,并使用滑动窗口进行分割,以使得每个滑动窗口之间均存在重叠的心音信号,其中所述滑动窗口的大小为第二时间间隔,所述第二时间间隔小于第一时间间隔。
6.根据权利要求5所述的便携式心音传感装置,其特征在于,所述第一时间间隔为4-6秒,所述第二时间间隔为2-3秒。
7.根据权利要求1所述的便携式心音传感装置,其特征在于,利用所述样本数据集对神经网络进行训练,得到分类模型,包括:将所述样本数据集中的一组样本数据作为测试数据,将所述测试数据以外的样本数据作为训练数据;利用所述训练数据对包含初始模型参数的所述神经网络进行训练,并利用训练后的神经网络对所述测试数据进行分类,得到一组初始模型分类精度值;将所述样本数据集中的样本数据依次作为测试数据,重复上述步骤直至得到n组所述初始模型分类精度值,并根据所述n组初始模型分类精度值,计算对应于该初始模型参数的综合模型分类精度值,其中n等于样本数据集中样本数据的组数;不断调整所述初始模型参数,将所述综合模型分类精度值最大时的初始模型参数作为最优模型参数,以构成分类模型。
8.根据权利要求7所述的便携式心音传感装置,其特征在于,所述初始模型参数为惩罚系数。
9.根据权利要求8所述的便携式心音传感装置,其特征在于,所述根据所述n组初始模型分类精度值,计算得到该初始模型参数对应的综合模型分类精度值,包括:取n组初始模型分类精度值的平均值作为该初始模型参数对应的综合模型分类精度值。
10.一种心率监测系统,其特征在于,包括权利要求1-9任一项所述的便携式心音传感装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311086926.2A CN116807435A (zh) | 2023-08-28 | 2023-08-28 | 一种便携式心音传感装置及心率监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311086926.2A CN116807435A (zh) | 2023-08-28 | 2023-08-28 | 一种便携式心音传感装置及心率监测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116807435A true CN116807435A (zh) | 2023-09-29 |
Family
ID=88113072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311086926.2A Pending CN116807435A (zh) | 2023-08-28 | 2023-08-28 | 一种便携式心音传感装置及心率监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116807435A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205458768U (zh) * | 2015-12-04 | 2016-08-17 | 上海拓萧智能科技有限公司 | 一种健康监测系统 |
CN209032422U (zh) * | 2017-11-08 | 2019-06-28 | 华南师范大学 | 一种心音信号检测设备 |
CN110123367A (zh) * | 2019-04-04 | 2019-08-16 | 平安科技(深圳)有限公司 | 计算机设备、心音识别装置、方法、模型训练装置及存储介质 |
CN111368885A (zh) * | 2020-02-24 | 2020-07-03 | 大连理工大学 | 一种基于深度学习和信息融合的航空发动机气路故障诊断方法 |
CN111657991A (zh) * | 2020-05-09 | 2020-09-15 | 北京航空航天大学 | 一种智能阵列传感器电子听诊系统 |
CN113076846A (zh) * | 2021-03-26 | 2021-07-06 | 山东大学 | 心音分类识别方法及系统 |
CN215424574U (zh) * | 2020-11-05 | 2022-01-07 | 珠海中科先进技术研究院有限公司 | 柯式音电子血压计 |
CN114010220A (zh) * | 2021-10-29 | 2022-02-08 | 平安科技(深圳)有限公司 | 心音信号处理方法、计算机设备及存储介质 |
CN114532993A (zh) * | 2022-03-23 | 2022-05-27 | 电子科技大学 | 一种癫痫患者脑电高频振荡信号的自动检测方法 |
CN115396212A (zh) * | 2022-08-26 | 2022-11-25 | 国科华盾(北京)科技有限公司 | 检测模型的训练方法、装置、计算机设备和存储介质 |
CN115568832A (zh) * | 2021-07-06 | 2023-01-06 | 华为技术有限公司 | 生理特征的检测装置 |
CN115886794A (zh) * | 2021-08-24 | 2023-04-04 | 中国科学院深圳先进技术研究院 | 多分类器的选取方法、冻结步态检测系统、设备、存储介质 |
TWI807753B (zh) * | 2022-04-01 | 2023-07-01 | 矽響先創科技股份有限公司 | 穿戴式心音檢測系統及其相應的方法 |
-
2023
- 2023-08-28 CN CN202311086926.2A patent/CN116807435A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205458768U (zh) * | 2015-12-04 | 2016-08-17 | 上海拓萧智能科技有限公司 | 一种健康监测系统 |
CN209032422U (zh) * | 2017-11-08 | 2019-06-28 | 华南师范大学 | 一种心音信号检测设备 |
CN110123367A (zh) * | 2019-04-04 | 2019-08-16 | 平安科技(深圳)有限公司 | 计算机设备、心音识别装置、方法、模型训练装置及存储介质 |
CN111368885A (zh) * | 2020-02-24 | 2020-07-03 | 大连理工大学 | 一种基于深度学习和信息融合的航空发动机气路故障诊断方法 |
CN111657991A (zh) * | 2020-05-09 | 2020-09-15 | 北京航空航天大学 | 一种智能阵列传感器电子听诊系统 |
CN215424574U (zh) * | 2020-11-05 | 2022-01-07 | 珠海中科先进技术研究院有限公司 | 柯式音电子血压计 |
CN113076846A (zh) * | 2021-03-26 | 2021-07-06 | 山东大学 | 心音分类识别方法及系统 |
CN115568832A (zh) * | 2021-07-06 | 2023-01-06 | 华为技术有限公司 | 生理特征的检测装置 |
CN115886794A (zh) * | 2021-08-24 | 2023-04-04 | 中国科学院深圳先进技术研究院 | 多分类器的选取方法、冻结步态检测系统、设备、存储介质 |
CN114010220A (zh) * | 2021-10-29 | 2022-02-08 | 平安科技(深圳)有限公司 | 心音信号处理方法、计算机设备及存储介质 |
CN114532993A (zh) * | 2022-03-23 | 2022-05-27 | 电子科技大学 | 一种癫痫患者脑电高频振荡信号的自动检测方法 |
TWI807753B (zh) * | 2022-04-01 | 2023-07-01 | 矽響先創科技股份有限公司 | 穿戴式心音檢測系統及其相應的方法 |
CN115396212A (zh) * | 2022-08-26 | 2022-11-25 | 国科华盾(北京)科技有限公司 | 检测模型的训练方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6567728B2 (ja) | 患者の生存性を予測する方法 | |
WO2020119245A1 (zh) | 一种基于可穿戴手环的情绪识别系统及方法 | |
US9585590B2 (en) | Computerized systems and methods for stability-theoretic prediction and prevention of sudden cardiac death | |
WO2019161607A1 (zh) | 心电信息动态监护方法和动态监护系统 | |
TWI650737B (zh) | 一種評估心跳停止發生可能的穿戴式裝置及其方法 | |
US20150245777A1 (en) | Detection of emotional states | |
US9504400B2 (en) | Atrial fibrillation analyzer, atrial fibrillation analysis system, atrial fibrillation analysis method, and program | |
JP2002512832A (ja) | 急性心虚血性状態を検知するための簡約誘導セット | |
Chowdhury et al. | Machine learning in wearable biomedical systems | |
CN103445767B (zh) | 传感监测交互控制全自动自主神经功能检测仪 | |
Tadi et al. | Comprehensive analysis of cardiogenic vibrations for automated detection of atrial fibrillation using smartphone mechanocardiograms | |
Yu et al. | Automatic detection of atrial fibrillation from ballistocardiogram (BCG) using wavelet features and machine learning | |
KR20070087787A (ko) | 생체신호를 통해 실시간으로 감정을 분류하는감정분류시스템과, 감정분류방법 | |
Khatun et al. | Detection of myocardial infarction and arrhythmia from single-lead ECG data using bagging trees classifier | |
Gupta et al. | A support system for automatic classification of hypertension using BCG signals | |
Xu et al. | Fetal movement detection by wearable accelerometer duo based on machine learning | |
US20180184915A1 (en) | Bio-Sensing Glasses to Detect Cardiovascular Disease | |
US20240023817A1 (en) | Compact mobile three-lead cardiac monitoring device with hybrid electrode | |
Rajeswari et al. | A review on remote health monitoring sensors and their filtering techniques | |
CA2937693C (en) | Method and system for evaluating a noise level of a biosignal | |
Fan et al. | An electrocardiogram acquisition and analysis system for detection of human stress | |
JP2008253727A (ja) | モニタ装置、モニタシステム及びモニタ方法 | |
US20210204861A1 (en) | Portable wearable eye movement monitoring system, device and monitoring method | |
CN116807435A (zh) | 一种便携式心音传感装置及心率监测系统 | |
US20240156389A1 (en) | Health monitoring system and method |
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 |