CN117204830A - 一种基于心血管疾病的智能诊断系统 - Google Patents
一种基于心血管疾病的智能诊断系统 Download PDFInfo
- Publication number
- CN117204830A CN117204830A CN202311179371.6A CN202311179371A CN117204830A CN 117204830 A CN117204830 A CN 117204830A CN 202311179371 A CN202311179371 A CN 202311179371A CN 117204830 A CN117204830 A CN 117204830A
- Authority
- CN
- China
- Prior art keywords
- waveform
- time domain
- image
- sub
- analysis unit
- 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
- 208000024172 Cardiovascular disease Diseases 0.000 title claims abstract description 24
- 238000003745 diagnosis Methods 0.000 title claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims description 92
- 230000005856 abnormality Effects 0.000 claims description 31
- 238000001914 filtration Methods 0.000 claims description 29
- 230000002159 abnormal effect Effects 0.000 claims description 26
- 230000009467 reduction Effects 0.000 claims description 21
- 238000012512 characterization method Methods 0.000 claims description 16
- 230000002526 effect on cardiovascular system Effects 0.000 claims description 14
- 210000004204 blood vessel Anatomy 0.000 claims description 4
- 208000006029 Cardiomegaly Diseases 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 8
- 238000000034 method Methods 0.000 description 13
- 238000001514 detection method Methods 0.000 description 10
- 210000000748 cardiovascular system Anatomy 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 239000008280 blood Substances 0.000 description 5
- 210000004369 blood Anatomy 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 206010020772 Hypertension Diseases 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005086 pumping Methods 0.000 description 3
- 238000010009 beating Methods 0.000 description 2
- 210000000746 body region Anatomy 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000004092 self-diagnosis Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 206010002329 Aneurysm Diseases 0.000 description 1
- 208000004652 Cardiovascular Abnormalities Diseases 0.000 description 1
- 206010019280 Heart failures Diseases 0.000 description 1
- 208000001145 Metabolic Syndrome Diseases 0.000 description 1
- 208000001647 Renal Insufficiency Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 201000000690 abdominal obesity-metabolic syndrome Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 201000006370 kidney failure Diseases 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及医疗图像处理技术领域，尤其涉及一种基于心血管疾病的智能诊断系统，本发明通过设置采集模块以及智能分析模块，通过第一分析单元基于区域图像中的特殊特征标记对应的区域，第二分析单元截取心电信号的时域波形图像段，并计算差异度，判定时域波形图像段为第一波形状态下，基于降噪滤波后的时域波形中的波峰以及波谷计算波形表征值，并判定时域波形图像中是否存在心跳异常，时域波形图像段为第二波形状态下，对任一子波形段进行降噪滤波，并与样本数据库中的异常样本波形段进行拟合，判定子波形段是否存在异常，提升了心血管异常诊断的能力。
Description
技术领域
本发明涉及医疗图像处理技术领域，尤其涉及一种基于心血管疾病的智能诊断系统。
背景技术
心血管疾病(CVD)的总市场规模约为6000亿美元，三分之一的美国成年人患有一种或多种CVD。据估计，仅高血压(HTN)的总花费就超过了900亿美元，其包括用于药物、不必要的并发症、急诊就诊和住院的花费。在大多数情况下，患有HTN的患者同时患有其他疾病，并且HTN可以指示动脉瘤、心脏病、中风肾衰竭、代谢综合征、心力衰竭和其他类型的CVD的风险；因此，CVD对医疗系统来说是巨大的负担。诊室就诊/住院治疗之间的患者随访(patient access)是有限的或根本不存在的，而普通心脏病专家的供应量下降和心脏病患者的需求不断增加则加剧了这种情况。其他因素导致目前提供远程管理患有CVD相关病症的患者的方法存在缺陷。因此，在心血管疾病领域中需要创建用于评估和管理心血管疾病的新的和有用的方法及系统。
中国专利公开号：CN107847156A，该发明提供了一种用于使用包括相机模块的移动计算装置评估具有身体区域的用户的心血管疾病的方法，包括接收用户的身体区域的时间序列图像数据，在一时间段期间采集该时间序列图像数据；从该时间序列图像数据生成光电血管容积图数据集；生成经处理的PPG数据集；基于经处理的PPG数据集确定用户的心血管参数值；对(1)心血管参数值和(2)后续的心血管参数值拟合时间生物学模型，基于所拟合的时间生物学模型来表征用户的随时间的心血管参数变化；并且在移动计算装置处向用户呈现心血管参数变化的分析。
可见，现有技术中还存在以下问题，对于心脏形态对心血管的影响未考虑，使得对于心血管疾病的诊断存在局限性，诊断系统的诊断精准性低。
发明内容
为克服现有技术中对于心脏形态对心血管的影响未考虑，使得对于心血管疾病的诊断存在局限性，诊断系统的诊断精准性低的问题，本发明提供一种基于心血管疾病的智能诊断系统，其包括：
采集模块，包括用以采集不同区域图像的图像采集单元以及用以采集不同区域的心电信号的若干收音单元；
智能分析模块，其与所述检测模块以及图像采集模块连接，包括第一分析单元以及第二分析单元，所述第一分析单元用以接收所述图像采集单元采集的图像，基于区域图像中的特殊特征标记对应的区域，所述特殊特征包括心血管的血管壁薄以及心脏增大；
所述第二分析单元与所述第一分析单元连接，用以对标记区域进行检测，包括，
控制收音单元收集所述标记区域内的心电信号，并实时构建所述心电信号的时域波形图像，每隔预定时间截取时域波形图像段，并提取所述时域波形图像段中各子波形段的波形轮廓，基于各所述子波形段的波形轮廓计算所述时域波形图像的差异度，并基于所述差异度判定所述时域波形图像段的状态，所述波形轮廓包括面积以及周期；
在所述时域波形图像段为第一波形状态下，对所述时域波形图像段进行降噪以及滤波，基于降噪滤波后的时域波形中的波峰以及波谷计算波形表征值，基于所述波形表征值判定所述时域波形图像中是否存在心跳异常，基于所述心跳异常判定所述时域波形图像段是否存在异常；
在所述时域波形图像段为第二波形状态下，提取时域波形图像段中的任一子波形段，对所述子波形段进行降噪以及滤波，将所述子波形段与样本数据库中的正常样本波形段进行拟合，基于拟合重合度判定所述子波形段是否存在异常，并将对所述子波形段的判定结果作为对所述时域波形图像段的判定结果。
进一步地，所述第一分析单元基于区域图像中的特殊特征标记对应的区域，其中，
若所述区域图像中的心血管有血管壁薄以及心脏增大，则所述第一分析单元判定对对应区域进行标记。
进一步地，所述第二分析单元还用以基于各所述子波形段的面积计算面积平均值以及基于各所述子波形段的周期计算周期平均值；
并基于所述面积平均值确定所述子波形段的面积参考值以及基于所述周期平均值确定所述子波形段的周期参考值。
进一步地，所述第二分析单元基于各所述子波形段的波形轮廓按公式(1)计算所述时域波形图像的差异度，
公式(1)中，E1为差异度，Ai为第i个子波形段的面积，Ti为第i个子波形段的周期，n为子波形段的个数，A0为子波形段的面积参考值，T0为子波形段的周期参考值。
进一步地，所述第二分析单元基于所述差异度判定所述时域波形图像段的状态，其中，
将所述差异度与预设的差异阈值进行对比，
若所述差异度大于所述差异阈值，则所述第二分析单元判定所述时域波形图像段的状态为第一波形状态；
若所述差异度小于等于所述差异阈值，则所述第二分析单元判定所述时域波形图像段的状态为第二波形状态。
进一步地，所述第二分析单元在所述时域波形图像段的状态为第一波形状态下，基于降噪滤波后的时域波形按公式(2)计算波形表征值，
公式(2)中，E2为波形表征值，m为降噪滤波后的时域波形的若干波峰方差值，m0为波峰方差参考值，n为降噪滤波后的时域波形的若干波谷方差值，n0为波谷方差参考值。
进一步地，所述第二分析单元基于所述波形表征值判定所述时域波形图像中是否存在心跳异常，其中，
将所述波形表征值与预设的波形表征值参考值进行对比，
若所述波形表征值小于等于所述波形表征值参考值，则所述第二分析单元判定所述时域波形图像中不存在心跳异常；
若所述波形表征值大于所述波形表征值参考值，则所述第二分析单元判定所述时域波形图像中存在心跳异常。
进一步地，所述第二分析单元基于所述心跳异常判定所述时域波形图像段是否存在异常，其中，
所述第二分析单元在判定所述时域波形图像中存在心跳异常的状态下，判定所述时域波形图像段存在异常。
进一步地，所述第二分析单元在所述时域波形图像段的状态为第二波形状态下，基于拟合重合度判定所述子波形段是否存在异常，其中，
将所述拟合重合度与预设的拟合重合度阈值进行比较，
若所述拟合重合度大于所述拟合重合度阈值，则所述第二分析单元判定所述子波形段不存在异常；
若所述拟合重合度小于等于所述拟合重合度阈值，则所述第二分析单元判定所述子波形段存在异常。
进一步地，所述智能分析模块还与报警单元连接，所述报警单元基于所述智能分析模块判定的异常结果进行报警提示。
与现有技术相比，本发明通过设置采集模块以及智能分析模块，通过第一分析单元基于采集模块采集的区域图像中的特殊特征标记对应的区域，第二分析单元基于收音单元采集的音频构建心电信号的时域波形图像，截取时域波形图像段，基于时域波形图像段的波形轮廓计算时域波形图像的差异度，并基于差异度判定时域波形图像段的状态，时域波形图像段为第一波形状态下，基于降噪滤波后的时域波形中的波峰以及波谷计算波形表征值，基于波形表征值判定时域波形图像中是否存在心跳异常，时域波形图像段为第二波形状态下，对时域波形图像段中的任一子波形段进行降噪滤波，将子波形段与样本数据库中的异常样本波形段进行拟合，判定所述子波形段是否存在异常，提升了心血管异常诊断的能力。
尤其，本发明通过第一分析单元基于所述图像采集单元采集的图像对心血管有流速异常的区域进行标记，在实际情况中，心血管中的血管再泵入或是泵出血液的过程中若是流速过大，容易有安全隐患，在血液流速过大时，心脏的跳动频率也会出现异常，产生的心电信号更为突出，标记区域中的心电信号更为突出，更具有数据表征性，便于后续进行对应的分析处理，进而，提高了心血管筛选异常区域的能力。
尤其，本发明通过第二分析单元实时构建心电信号的时域波形图像，每隔预定时间截取时域波形图像段，并判定时域波形图像段的状态，在实际情况中，根据生产监测需求，设定对声波时域波形图像的截取间隔，并在截取后的时域波形图像段中的若干子波形段通过对面积以及周期的综合性评估计算，得出各子波形段的相似度，波形图的面积和周期频率是时域波形图像的基本参数，可以一定程度上的表征各子波形段的相似度，并且，对上述基本参数的提取占用算力较小，更加科学有效地对截取的时域波形图像进行各子波形段之间差异的计算。
尤其，本发明通过第二分析单元在计算出的各子波形段相似度较差的情况下，表征了截取的时域波形图像段的稳定性较差，干扰特征较多，但由于可能存在外界噪音干扰波形检测结果，则需要进一步对时域波形图像段进行降噪滤波处理，并对处理后的波形段结合波峰以及波谷计算波形表征值，波峰与波谷的综合性计算可以得出时域波形图像段的稳定性情况，进而，通过对滤波后时域波形图像段进行分析判定，更加精确地进行自我诊断。
尤其，本发明通过第二分析单元在计算出的各子波形段相似度较好的情况下，表征了截取的时域波形图像段的稳定性较好且具备一定的相似性，所以可以选取其中的子波形段进行降噪滤波检测，通过局部的检测结果可以表征整段截取的时域波形图像段的检测结果，将降噪滤波处理后子波形段与数据库的正常样本波形拟合，判定截取的时域波形图像段是否有异常，进而通过上述过程减少在干扰降噪滤波上的算力消耗，并且监测结果可靠性较高，提升了心血管疾病诊断能力，适用于多心血管共同监测，且减少运算损耗。
附图说明
图1为发明实施例的基于心血管疾病的智能诊断系统的模块框图；
图2为发明实施例的第一分析单元的逻辑流程图。
具体实施方式
为了使本发明的目的和优点更加清楚明白，下面结合实施例对本发明做进一步描述；应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非在限制本发明的保护范围。
需要说明的是，在本发明的描述中，术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，还需要说明的是，在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体的连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1所示，其为发明实施例的基于心血管疾病的智能诊断系统的模块框图，本发明实施例中的基于心血管疾病的智能诊断系统，包括：
采集模块，包括用以采集不同区域图像的图像采集单元以及用以采集所述柜体内不同区域的心电信号的若干收音单元；
智能分析模块，其与所述检测模块以及图像采集模块连接，包括第一分析单元以及第二分析单元，所述第一分析单元用以接收所述图像采集单元采集的图像，基于区域图像中的特殊特征标记对应的区域，所述特殊特征包括心血管的血管壁薄以及心脏增大；
所述第二分析单元与所述第一分析单元连接，用以对标记区域进行检测，包括，
控制收音单元收集所述标记区域内的心电信号，并实时构建所述心电信号的时域波形图像，每隔预定时间截取时域波形图像段，并提取所述时域波形图像段中各子波形段的波形轮廓，基于各所述子波形段的波形轮廓计算所述时域波形图像的差异度，并基于所述差异度判定所述时域波形图像段的状态，所述波形轮廓包括面积以及周期；
在所述时域波形图像段为第一波形状态下，对所述时域波形图像段进行降噪以及滤波，基于降噪滤波后的时域波形中的波峰以及波谷计算波形表征值，基于所述波形表征值判定所述时域波形图像中是否存在心跳异常，基于所述心跳异常判定所述时域波形图像段是否存在异常；
在所述时域波形图像段为第二波形状态下，提取时域波形图像段中的任一子波形段，对所述子波形段进行降噪以及滤波，将所述子波形段与样本数据库中的正常样本波形段进行拟合，基于拟合重合度判定所述子波形段是否存在异常，并将对所述子波形段的判定结果作为对所述时域波形图像段的判定结果。
具体而言，本发明对图像采集单元的具体结构不作限定，优选的，其可以为高清工业CCD相机，其已广泛用于医疗视觉摄像领域，此处不再赘述。
具体而言，本发明对收音单元的具体结构不作限定，只需能够对心血管内的工作运行声音进行采集即可，此为现有技术，此处不再赘述。
具体而言，本发明对智能分析模块及其内部的各功能单元的具体结构不作限定，其可以为可实现信息数据接收处理发送的微型控制计算机，也可以为集成相关功能算法的CPU单元，此为现有技术，此处不再赘述。
具体而言，本发明对降噪滤波的具体方式不做限定，可采用多种满足精度的降噪和滤波方式处理心电信号，在本实施例中，可以采用小波法对心电信号进行分解，在小波法中需要基于分解尺度对心电信号进行分解，这个过程的数据处理较为复杂，并且，若想获得较高的精度需要增加分解尺度，分解尺度的增加也会伴随着运算量和运算时间的增加，此为现有技术，不再赘述。
具体而言，本发明中可以按照生产要求来设定截取时域波形图像段的时间间隔，设定的时间间隔可以满足监测需求，且能够有效减小降噪滤波的计算量，本领域技术人员可以依据这一设定逻辑在[1,5]内设定时间间隔，区间单位为h。
具体而言，所述第一分析单元基于区域图像中的特殊特征标记对应的区域，其中，
若所述区域图像中的心血管有血管壁薄以及心脏增大，则所述第一分析单元判定对对应区域进行标记。
具体而言，请参阅图2所示，其为发明实施例的第一分析单元的逻辑流程图，本发明通过第一分析单元基于所述图像采集单元采集的图像对心血管有流速异常的区域进行标记，在实际情况中，心血管中的血管再泵入或是泵出血液的过程中若是流速过大，容易有安全隐患，在血液流速过大时，心脏的跳动频率也会出现异常，产生的心电信号更为突出，标记区域中的心电信号更为突出，更具有数据表征性，便于后续进行对应的分析处理，进而，提高了心血管筛选异常区域的能力。
具体而言，第二分析单元还用以基于各所述子波形段的面积计算面积平均值以及基于各所述子波形段的周期计算周期平均值；
并基于所述面积平均值Aa确定所述子波形段的面积参考值A0以及基于所述周期平均值Ta确定所述子波形段的周期参考值T0；
其中，A0＝[0.1Aa,0.2Aa],T0＝[0.05Ta,0.15Ta]。
具体而言，所述第二分析单元基于各所述子波形段的波形轮廓按公式(1)计算所述时域波形图像的差异度，
公式(1)中，E1为差异度，Ai为第i个子波形段的面积，Ti为第i个子波形段的周期，n为子波形段的个数，A0为子波形段的面积参考值，T0为子波形段的周期参考值。
具体而言，本发明通过第二分析单元实时构建心电信号的时域波形图像，每隔预定时间截取时域波形图像段，并判定时域波形图像段的状态，在实际情况中，根据生产监测需求，设定对声波时域波形图像的截取间隔，并在截取后的时域波形图像段中的若干子波形段通过对面积以及周期的综合性评估计算，得出各子波形段的相似度，波形图的面积和周期频率是时域波形图像的基本参数，可以一定程度上的表征各子波形段的相似度，并且，对上述基本参数的提取占用算力较小，更加科学有效地对截取的时域波形图像进行各子波形段之间差异的计算。
具体而言，所述第二分析单元基于所述差异度判定所述时域波形图像段的状态，其中，
将所述差异度E1与预设的差异阈值Ea进行对比，
若所述差异度E1大于所述差异阈值Ea，则所述第二分析单元判定所述时域波形图像段的状态为第一波形状态；
若所述差异度E1小于等于所述差异阈值Ea，则所述第二分析单元判定所述时域波形图像段的状态为第二波形状态；
其中，所述差异阈值Ea∈[1.5,2.5]。
具体而言，所述第二分析单元在所述时域波形图像段的状态为第一波形状态下，基于降噪滤波后的时域波形按公式(2)计算波形表征值，
公式(2)中，E2为波形表征值，m为降噪滤波后的时域波形的若干波峰方差值，m0为波峰方差参考值，n为降噪滤波后的时域波形的若干波谷方差值，n0为波谷方差参考值；
其中，波峰方差参考值m0与波谷方差参考值n0基于测定所得，获取若干次正常运行状态下的时域波形图像段的波峰方差平均值以及波谷方差平均值，将测得的所述波峰方差平均值作为波峰方差参考值m0，将测得的所述波谷方差平均值作为波谷方差参考值n0。
具体而言，所述第二分析单元基于所述波形表征值判定所述时域波形图像中是否存在心跳异常，其中，
将所述波形表征值E2与预设的波形表征值参考值Eb进行对比，
若所述波形表征值E2小于等于所述波形表征值参考值Eb，则所述第二分析单元判定所述时域波形图像中不存在心跳异常；
若所述波形表征值E2大于所述波形表征值参考值Eb，则所述第二分析单元判定所述时域波形图像中存在心跳异常；
其中，所述波形表征值参考值Eb∈[2.2,2.8]。
具体而言，所述第二分析单元基于所述心跳异常判定所述时域波形图像段是否存在异常，其中，
所述第二分析单元在判定所述时域波形图像中存在心跳异常的状态下，判定所述时域波形图像段存在异常。
具体而言，本发明通过第二分析单元在计算出的各子波形段相似度较差的情况下，表征了截取的时域波形图像段的稳定性较差，干扰特征较多，但由于可能存在外界噪音干扰波形检测结果，则需要进一步对时域波形图像段进行降噪滤波处理，并对处理后的波形段结合波峰以及波谷计算波形表征值，波峰与波谷的综合性计算可以得出时域波形图像段的稳定性情况，进而，通过对滤波后时域波形图像段进行分析判定，更加精确地进行诊断。
具体而言，所述第二分析单元在所述时域波形图像段的状态为第二波形状态下，基于拟合重合度判定所述子波形段是否存在异常，其中，
将所述拟合重合度S与预设的拟合重合度阈值S0进行比较，
若所述拟合重合度S大于所述拟合重合度阈值S0，则所述第二分析单元判定所述子波形段不存在异常；
若所述拟合重合度小于等于所述拟合重合度阈值，则所述第二分析单元判定所述子波形段存在异常；
其中，所述拟合重合度阈值S0基于测定所得，获取若干次正常运行状态下的时域波形图像段的子波形段与数据库内的正常样本波形图像的拟合度平均值Sa，将所述拟合度平均值Sa作为拟合重合度阈值S0；
本发明对波形拟合的方式不做具体限定，在现有技术中波形拟合方式有多种，对于拟合工具可采用matlab以及python相关拟合数据库，此处不再赘述，
对于拟合重合度阈值S0，本发明可通过预先统计所得，其中，采集心血管异常状态下的若干心电信号对应的时域波形图像与数据库中正常样本波形图像进行拟合，求解拟合度平均值Sa，设定S0＝γ×Sa，γ表示精度系数，0.8＜γ＜1.2。
具体而言，本发明通过第二分析单元在计算出的各子波形段相似度较好的情况下，表征了截取的时域波形图像段的稳定性较好且具备一定的相似性，所以可以选取其中的子波形段进行降噪滤波检测，通过局部的检测结果可以表征整段截取的时域波形图像段的检测结果，将降噪滤波处理后子波形段与数据库的正常样本波形拟合，判定截取的时域波形图像段是否有异常，进而通过上述过程减少在干扰降噪滤波上的算力消耗，并且监测结果可靠性较高，提升了心血管自我诊断能力，适用于多心血管共同监测，且减少运算损耗。
具体而言，所述智能分析模块还与报警单元连接，所述报警单元基于所述智能分析模块判定的异常结果进行报警提示，在本实施例中报警单元可以是发声装置，响应时发出报警语音提示。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种基于心血管疾病的智能诊断系统，其特征在于，包括：
采集模块，包括用以采集不同区域图像的图像采集单元以及用以采集不同区域的心电信号的若干收音单元；
智能分析模块，其与采集模块连接，包括第一分析单元以及第二分析单元，所述第一分析单元用以接收所述图像采集单元采集的图像，基于区域图像中的特殊特征标记对应的区域，所述特殊特征包括心血管的血管壁薄以及心脏增大；
所述第二分析单元与所述第一分析单元连接，用以对标记区域进行检测，包括，
控制收音单元收集所述标记区域内的心电信号，并实时构建所述心电信号的时域波形图像，每隔预定时间截取时域波形图像段，并提取所述时域波形图像段中各子波形段的波形轮廓，基于各所述子波形段的波形轮廓计算所述时域波形图像的差异度，并基于所述差异度判定所述时域波形图像段的状态，所述波形轮廓包括面积以及周期；
在所述时域波形图像段为第一波形状态下，对所述时域波形图像段进行降噪以及滤波，基于降噪滤波后的时域波形中的波峰以及波谷计算波形表征值，基于所述波形表征值判定所述时域波形图像中是否存在心跳异常，基于所述心跳异常判定所述时域波形图像段是否存在异常；
在所述时域波形图像段为第二波形状态下，提取时域波形图像段中的任一子波形段，对所述子波形段进行降噪以及滤波，将所述子波形段与样本数据库中的正常样本波形段进行拟合，基于拟合重合度判定所述子波形段是否存在异常，并将对所述子波形段的判定结果作为对所述时域波形图像段的判定结果。
2.根据权利要求1所述的基于心血管疾病的智能诊断系统，其特征在于，所述第一分析单元基于区域图像中的特殊特征标记对应的区域，其中，
若所述区域图像中的心血管有血管壁薄以及心脏增大，则所述第一分析单元判定对对应区域进行标记。
3.根据权利要求2所述的基于心血管疾病的智能诊断系统，其特征在于，所述第二分析单元还用以基于各所述子波形段的面积计算面积平均值以及基于各所述子波形段的周期计算周期平均值；
并基于所述面积平均值确定所述子波形段的面积参考值以及基于所述周期平均值确定所述子波形段的周期参考值。
4.根据权利要求3所述的基于心血管疾病的智能诊断系统，其特征在于，所述第二分析单元基于各所述子波形段的波形轮廓按公式(1)计算所述时域波形图像的差异度，
公式(1)中，E1为差异度，Ai为第i个子波形段的面积，Ti为第i个子波形段的周期，n为子波形段的个数，A0为子波形段的面积参考值，T0为子波形段的周期参考值。
5.根据权利要求4所述的基于心血管疾病的智能诊断系统，其特征在于，所述第二分析单元基于所述差异度判定所述时域波形图像段的状态，其中，
将所述差异度与预设的差异阈值进行对比，
若所述差异度大于所述差异阈值，则所述第二分析单元判定所述时域波形图像段的状态为第一波形状态；
若所述差异度小于等于所述差异阈值，则所述第二分析单元判定所述时域波形图像段的状态为第二波形状态。
6.根据权利要求5所述的基于心血管疾病的智能诊断系统，其特征在于，所述第二分析单元在所述时域波形图像段的状态为第一波形状态下，基于降噪滤波后的时域波形按公式(2)计算波形表征值，
公式(2)中，E2为波形表征值，m为降噪滤波后的时域波形的若干波峰方差值，m0为波峰方差参考值，n为降噪滤波后的时域波形的若干波谷方差值，n0为波谷方差参考值。
7.根据权利要求6所述的基于心血管疾病的智能诊断系统，其特征在于，所述第二分析单元基于所述波形表征值判定所述时域波形图像中是否存在心跳异常，其中，
将所述波形表征值与预设的波形表征值参考值进行对比，
若所述波形表征值小于等于所述波形表征值参考值，则所述第二分析单元判定所述时域波形图像中不存在心跳异常；
若所述波形表征值大于所述波形表征值参考值，则所述第二分析单元判定所述时域波形图像中存在心跳异常。
8.根据权利要求7所述的基于心血管疾病的智能诊断系统，其特征在于，所述第二分析单元基于所述心跳异常判定所述时域波形图像段是否存在异常，其中，
所述第二分析单元在判定所述时域波形图像中存在心跳异常的状态下，判定所述时域波形图像段存在异常。
9.根据权利要求1所述的基于心血管疾病的智能诊断系统，其特征在于，所述第二分析单元在所述时域波形图像段的状态为第二波形状态下，基于拟合重合度判定所述子波形段是否存在异常，其中，
将所述拟合重合度与预设的拟合重合度阈值进行比较，
若所述拟合重合度大于所述拟合重合度阈值，则所述第二分析单元判定所述子波形段不存在异常；
若所述拟合重合度小于等于所述拟合重合度阈值，则所述第二分析单元判定所述子波形段存在异常。
10.根据权利要求1所述的基于心血管疾病的智能诊断系统，其特征在于，所述智能分析模块还与报警单元连接，所述报警单元基于所述智能分析模块判定的异常结果进行报警提示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311179371.6A CN117204830A (zh) | 2023-09-13 | 2023-09-13 | 一种基于心血管疾病的智能诊断系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311179371.6A CN117204830A (zh) | 2023-09-13 | 2023-09-13 | 一种基于心血管疾病的智能诊断系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117204830A true CN117204830A (zh) | 2023-12-12 |
Family
ID=89047532
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311179371.6A Pending CN117204830A (zh) | 2023-09-13 | 2023-09-13 | 一种基于心血管疾病的智能诊断系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117204830A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011212364A (ja) * | 2010-04-01 | 2011-10-27 | Sharp Corp | 心音測定装置 |
| JP2014233598A (ja) * | 2013-06-05 | 2014-12-15 | 国立大学法人山口大学 | 聴診心音信号の処理方法、聴診心音信号の処理装置及び聴診心音信号を処理するためのプログラム |
| JP2015188511A (ja) * | 2014-03-27 | 2015-11-02 | 旭化成株式会社 | 心疾患診断装置、心音解析プログラムおよび媒体 |
| US20170258436A1 (en) * | 2014-10-16 | 2017-09-14 | Viewcare Technologies 1 Aps | Method of detecting dicrotic notch |
| US20180168473A1 (en) * | 2015-05-15 | 2018-06-21 | Bayland Scientific LLC | Compact Wearable Phonocardiogram and Electrocardiogram Continuous Monitoring System |
| KR20200025738A (ko) * | 2018-08-31 | 2020-03-10 | 재단법인 아산사회복지재단 | 심음을 이용한 심혈관계 정보 획득 방법, 그 장치 및 그 프로그램 |
| CN116484308A (zh) * | 2023-06-25 | 2023-07-25 | 火眼科技(天津)有限公司 | 一种基于边缘自适用计算的数据采集方法 |
| CN116522281A (zh) * | 2023-05-24 | 2023-08-01 | 北明天时能源科技(北京)有限公司 | 一种基于微服务架构的分布式供热数据融合系统 |
-
2023
- 2023-09-13 CN CN202311179371.6A patent/CN117204830A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011212364A (ja) * | 2010-04-01 | 2011-10-27 | Sharp Corp | 心音測定装置 |
| JP2014233598A (ja) * | 2013-06-05 | 2014-12-15 | 国立大学法人山口大学 | 聴診心音信号の処理方法、聴診心音信号の処理装置及び聴診心音信号を処理するためのプログラム |
| JP2015188511A (ja) * | 2014-03-27 | 2015-11-02 | 旭化成株式会社 | 心疾患診断装置、心音解析プログラムおよび媒体 |
| US20170258436A1 (en) * | 2014-10-16 | 2017-09-14 | Viewcare Technologies 1 Aps | Method of detecting dicrotic notch |
| US20180168473A1 (en) * | 2015-05-15 | 2018-06-21 | Bayland Scientific LLC | Compact Wearable Phonocardiogram and Electrocardiogram Continuous Monitoring System |
| KR20200025738A (ko) * | 2018-08-31 | 2020-03-10 | 재단법인 아산사회복지재단 | 심음을 이용한 심혈관계 정보 획득 방법, 그 장치 및 그 프로그램 |
| CN116522281A (zh) * | 2023-05-24 | 2023-08-01 | 北明天时能源科技(北京)有限公司 | 一种基于微服务架构的分布式供热数据融合系统 |
| CN116484308A (zh) * | 2023-06-25 | 2023-07-25 | 火眼科技(天津)有限公司 | 一种基于边缘自适用计算的数据采集方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9042973B2 (en) | Apparatus and method for measuring physiological signal quality | |
| US6925324B2 (en) | System and device for multi-scale analysis and representation of physiological data | |
| EP1897028B1 (en) | Method and apparatus for distinguishing between clinically significant changes and artifacts in patient physiological information | |
| Park et al. | Arrhythmia detection from heartbeat using k-nearest neighbor classifier | |
| CN108024717B (zh) | 确定室性期前收缩(pvc)类型和负荷的系统和方法 | |
| US7509159B2 (en) | Method and apparatus for detecting cardiac repolarization abnormality | |
| US8668649B2 (en) | System for cardiac status determination | |
| US7343197B2 (en) | Multi-scale analysis and representation of physiological and health data | |
| AU2017239519A1 (en) | Multivariate residual-based health index for human health monitoring | |
| US20180078216A1 (en) | Non-Invasive Determination of Disease States | |
| US20120330565A1 (en) | System and method for evaluating physiological parameter data | |
| CN101194261A (zh) | 对于加强/重症监护病房患者的稳健性趋势分析的不同时标的形态描绘图 | |
| CN114469131A (zh) | 自适应实时心电信号质量评估方法 | |
| CN111839494A (zh) | 一种心率监测方法及系统 | |
| AU2021236462B2 (en) | Residual-based monitoring of human health | |
| Surrel et al. | Low-power wearable system for real-time screening of obstructive sleep apnea | |
| US10064560B2 (en) | System for cardiac pathology detection and characterization | |
| US9320445B2 (en) | System for cardiac condition detection responsive to blood pressure analysis | |
| CN117204830A (zh) | 一种基于心血管疾病的智能诊断系统 | |
| WO2017099749A1 (en) | Method and system of measurement, correlation, and analysis of simultaneous and independent parasympathetic and sympathetic autonomic nervous system activity | |
| US9020583B2 (en) | Patient signal analysis and characterization | |
| Mohamed et al. | Intrusion detection based on correlation of multiple health signals in wbsn | |
| US20160171170A1 (en) | Measuring respiration or other periodic physiological processes | |
| CN116473524A (zh) | 一种基于光感传感器检测血管硬化参数的方法及系统 | |
| CN114246595A (zh) | 基于振幅整合脑电图的生理状态监测方法、装置和系统 |
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 |