CN117542380A - 一种基于第二心音分裂系数的房间隔缺损检测方法 - Google Patents
一种基于第二心音分裂系数的房间隔缺损检测方法 Download PDFInfo
- Publication number
- CN117542380A CN117542380A CN202311584704.3A CN202311584704A CN117542380A CN 117542380 A CN117542380 A CN 117542380A CN 202311584704 A CN202311584704 A CN 202311584704A CN 117542380 A CN117542380 A CN 117542380A
- Authority
- CN
- China
- Prior art keywords
- heart sound
- septal defect
- atrial septal
- heart
- coefficient
- 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
- 208000035478 Interatrial communication Diseases 0.000 title claims abstract description 64
- 208000013914 atrial heart septal defect Diseases 0.000 title claims abstract description 64
- 206010003664 atrial septal defect Diseases 0.000 title claims abstract description 64
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 239000000203 mixture Substances 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 8
- 210000001765 aortic valve Anatomy 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013467 fragmentation Methods 0.000 claims description 6
- 238000006062 fragmentation reaction Methods 0.000 claims description 6
- 230000000241 respiratory effect Effects 0.000 claims description 6
- 210000003102 pulmonary valve Anatomy 0.000 claims description 5
- 238000000926 separation method Methods 0.000 claims description 4
- 230000005236 sound signal Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 239000004615 ingredient Substances 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 4
- 238000012795 verification Methods 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000003776 cleavage reaction Methods 0.000 description 5
- 230000007017 scission Effects 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 4
- 208000019622 heart disease Diseases 0.000 description 3
- 208000002330 Congenital Heart Defects Diseases 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000002592 echocardiography Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 210000005241 right ventricle Anatomy 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010033557 Palpitations Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 208000028831 congenital heart disease Diseases 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002565 electrocardiography Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000012729 kappa analysis Methods 0.000 description 1
- 210000005240 left ventricle Anatomy 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B7/00—Instruments for auscultation
- A61B7/02—Stethoscopes
- A61B7/04—Electric stethoscopes
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/24—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being the cepstrum
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/45—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of analysis window
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
- G10L25/66—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for extracting parameters related to health condition
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Epidemiology (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种基于第二心音分裂系数的房间隔缺损检测方法,包括第二心音S2自动分割提取;第二心音分裂系数定义及第二心音分裂时间隔计算;房间隔缺损检测方法及评价指标。本发明采用上述一种基于第二心音分裂系数的房间隔缺损检测方法,通过对标准数据库与临床数据进行性能评估及验证,可实现房间隔缺损型心音高精度(>95%)自动检测。
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第二心音分裂系数的房间隔缺损检测方法。
背景技术
房间隔缺损(ASD)作为最常见的先天性心脏病之一,其患者(生理)特征为左心室的血液会从左向右进行分流,导致右心室(RV)容量出现超负荷的现象,并伴有频繁的肺部感染、心悸、中风等一些症状。ASD患者占先天性心脏病患者数量的10-15%,其年龄范围广泛分布在1至60岁。据调查,若能够进行早期检测治疗,治愈率将超过80%。目前常见的检测方法主要包括:超声心动图、X射线、心电图、磁共振成像等,其中超声心动图的分析结论是检测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);而心音分析却是一种有效、快速、廉价且无创的心脏病检测方法。
心音信号主要由两部分构成:第一心音和第二心音。第一心音(S1)是指在心脏收缩期,由主动脉瓣关闭和心室壁扩张引起;第二心音(S2)是由主动脉瓣关闭(A2)和肺动脉瓣关闭(P2)发出的声音构成(除了缺少A2或P2的单个S2)。A2通常在P2之前闭合,产生一个称为“分裂”的时间延迟,并且在呼气阶段和吸气阶段存在差异。当吸气和呼气阶段的分裂没有显著变化时,被称为第二心音固定分裂,其往往是具有房间隔缺损型心脏病的心音在第二心音的特征体现,因此,通过检测第二心音固定分裂可实现主动脉瓣缺损型心脏病。目前为止,对S2分裂检测不足总结如下:①利用时频域难以确定和定位A2和P2;②用时间间隔评价S2的分裂程度易受呼吸活动和心率的影响等。针对以上不足,本发明提出了一种基于第二心音分裂系数的房间隔缺损检测方法。
发明内容
本发明的目的是提供一种基于第二心音分裂系数的房间隔缺损检测方法,其房间隔缺损诊断精度高达95%以上。
为实现上述目的,本发明提供了一种基于第二心音分裂系数的房间隔缺损检测方法,包括以下步骤:
S1、第二心音S2自动分割提取,其中包括:
S11、对采集到的原始心音HS进行滤波处理,获取心音信号HSF,对滤波后的心音HSF进行归一化;
S12、基于二阶中心矩对心音包络HSE提取;
S13、对心音包络HSE[n]采用短时修正希尔伯特变换算法生成特征曲线HSSTMHT,利用HSSTMHT过零点对应第一、第二心音分割点以及其顶点特征,结合心音舒张期和收缩期时间关系实现第二心音S2的自动分割提取;
S2、第二心音分裂系数定义及第二心音分裂时间间隔/>计算,其中包括:
S21、基于高斯混合模型对第二心音数学建模S2M;
S22、基于S2M对第二心音主动脉瓣关闭音A2和肺动脉瓣关闭音P2的特征参数估计并计算分割点SPt;
S23、基于A2和P2重叠率对定义并计算/>
S3、房间隔缺损检测方法,确立基于和/>统计量的房间隔缺损型心音检测准则,需要确定两个额外参数:整个呼吸周期内正确检测为房间隔缺损S2的数量/>和正确比率CR。
优选的,在步骤S11中,采用电子听诊器记录原始心音HS,对HS进行滤波处理获取信号HSF并进行归一化,公式如下:
优选的,在步骤S12中,采用二阶中心矩方法提取HSF的心音包络HSE,公式如下:
其中n=0,1,…,N-1,N表示HSF[n]长度,窗口长度
优选的,在步骤S13中,对于心音包络HSE采用短时修正希尔伯特变换算法生成特征曲线HSSTMHT,公式如下:
其中WM[m]为高斯窗函数,m-n为窗函数的序列值,i=m-(n-(M-1)/2),WE[i]表示短时修正希尔伯特变换算子,公式为
优选的,在步骤S21中,基于高斯混合模型对第二心音建模S2M,
其中,μk,ak,σk分别为第k个高斯函数的对称中心、权重系数和有效时宽。
优选的,在步骤S22中,根据下式,确定A2和P2所对应时间中心A2·tc和P2·tc,
S2M在区间t∈[μ1,μ2]的鞍点SP所对应的时间SPt,将作为A2和P2之间的分割点,公式如下:
优选的,在步骤S23中,包括以下步骤:
S231、定义:OLR是鞍点SP所对应的S2M的幅度值与P2所对应S2M的幅度值的比率,S2分裂系数/>被用来评估高斯混合模型S2M中A2和P2之间的分裂程度,其定义如下:
其中,值越大,分裂程度越严重;而/>表示不存在分裂,即两种混合成分A2和P2完全重叠,/>表示混合成分完全分裂,即两个混合成分之间完全分离;
S232、计算:对于没有第二心音分裂而有第三心音S3的情况下,在使用参数时,将混合成分之间的时间间隔/>定义为:
其中,负的时间间隔可以将ASD与其他分裂情况进行有效地区分。
优选的,在步骤S3中,检测方法包括:
S31、确认第n个移动窗口内包含S2分裂系数和时间间隔的估计值统计量其计算公式如下:
其中,表示第n个移动窗口内S2数量,/>为第n个窗口内分裂系数均值,/>第n个窗口内分裂系数方差,/>第n个为窗口分裂间隔均值;
S32、用第n个移动窗口覆盖的心音初判房间隔缺损ASD的必要条件如下:
其中,THvμ+σ是的阈值;
首先,使用如下标准来区分固定分裂与宽分裂:
其中,THvμ和THvσ分别是和/>的阈值;
其次,使用如下标准来区分固定分裂和第三心音S3:
其中,是/>的阈值;
最后,使用如下标准来区分固定分裂与异常分裂:
其中,是/>的另一个阈值。
优选的,在步骤S3中,正确比率CR的定义过程如下:
当正确比率CR大于某个阈值ThvCR时将给定心音预测为房间隔缺损ASD,即
其中,ThvCR是CR的阈值,Nmw表示被检测为房间隔缺损ASD的有效窗口数量,Nw表示总体移动窗口的数量。
因此,本发明采用上述一种基于第二心音分裂系数的房间隔缺损检测方法,其技术效果如下:
(1)提出了一种基于高斯混合模型简单有效的A2和P2估计方法。
(2)提出了一种基于重叠率的第二心音分裂系数以降低心率对使用误判第二心音分裂。
(3)定义了一种结合与/>的统计量作为ASD检测指标。
(4)为提高检测精度,采用心音检测正确率CR来综合评估S2固定分裂。
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为一种基于第二心音分裂系数的房间隔缺损检测方法流程图;
图2为第二心音S2分割及提取:图2A是正常第二心音的典型例子;图2B为第二心音宽分裂的心音信号;
图3为在吸气阶段常见类型的第二心音分裂:图3A表示第二心音不分裂;图3B表示第二心音固定分裂;图3C表示第二心音宽分裂;图3D第二心音加上额外第三心音S3;
图4所示为:A2和P2两个成分完全重叠(未分裂)、强烈重叠(轻微分裂)、部分重叠(部分分裂)、轻微重叠(强烈分裂)和不重叠(完全分裂);
图5为ASD心音的检测程序说明;图5A为自动提取的每个S2的S2M和长度为9s的移动窗口示意图;图5B为图5A中每个S2对应的估计/>和/>图5C为用于检测ASD的估计特征;
图6为采用不同识别算法而获取的多分类精度构成的混淆矩阵;图6A是MFSC与CNN算法模型的混淆矩阵;图6B是MFCCs与SVM算法模型的混淆矩阵;图6C是IMFCCs与CNN算法模型的混淆矩阵;图6D是PSD与KNN算法模型的混淆矩阵;图6E是MFSC与HMM算法模型的混淆矩阵;图6F是采用本发明方法得到的混淆矩阵。
具体实施方式
以下通过附图和实施例对本发明的技术方案作进一步说明。
除非另外定义,本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的主旨或基本特征的情况下,能够以其它的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内,不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其它实施方式。这些其它实施方式也涵盖在本发明的保护范围内。
还应当理解,以上所述的具体实施例仅用于解释本发明,本发明的保护范围并不限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明/发明的保护范围之内。
对于相关领域普通技术人员已知的技术、方法和设备可能不作为详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
本发明说明书中引用的现有技术文献所公开的内容整体均通过引用并入本发明中,并且因此是本发明公开内容的一部分。
实施例一
如图所示,本发明提供了一种基于第二心音分裂系数的房间隔缺损检测方法,包括以下步骤:
S1、第二心音S2自动分割提取包括:
S11、心音采集及预处理
采用3M公司Littmann MODEL 3200型电子听诊器以采样率Fs=44.1kHz采集原始心音HS,对采集到的心音利用母小波dB10进行滤波处理保留频率成分为21.5-689Hz的心音滤波信号HSF,并进行归一化,公式如下:
S12、基于二阶中心矩的心音包络HSE提取
采用二阶中心矩方法提取HSF序列的心音包络HSE,公式如下:
其中n=0,1,…,N-1表示心音序列索引,N表示HSF长度,窗口长度
S13、基于心音包络HSE的特征曲线HSSTMHT提取
对于心音包络HSE采用短时修正希尔伯特变换算法生成特征曲线HSSTMHT(如图2),公式如下:
其中WM[m]为高斯窗函数,m-n为窗函数的序列值,i=m-(n-(M-1)/2),WE[i]表示短时修正希尔伯特变换算子,公式为
S14、S2自动提取
如图2所示,正向过零点N2P对应于S2的峰点(命名为标记◇)和S1的峰点(命名为/>标记□);负向过零点P2N对应于S1到S2的分割点(命名为S12,标记○)和S2到S1的分割点(命名为/>标记▽)。此外,从S1和S2的时间间隔总是小于从S1和S2的时间间隔,如图2B。因此,可以通过HSSTMHT的过零点实现S2的自动定位及提取,图2A和图2B为单个S2信号和典型S2宽分裂的自动提取。
S2、第二心音分裂系数定义及第二心音分裂时间间隔/>计算包括:
S21、基于高斯拟合的第二心音数学建模S2M;
基于S2M的A2和P2估计。在统计数据中,高斯混合模型使用2个高斯成分对给定第二心音包络曲线进行数学建模S2M如图3,公式如下:
其中,μk,ak,σk分别为第k个高斯函数的对称中心、权重系数和有效时宽。
S22、基于S2M对第二心音的主动脉瓣关闭音A2和肺动脉瓣关闭音P2进行特征参数估计并计算分割点SPt
根据下式,确定a2和P2所对应时间中心A2·tc和P2·tc如图3:
其中参数μk(k=1,2)和模型S2M可由上述公式计算。
S2M在区间t∈[μ1,μ2]的鞍点SP所对应的时间SPt,将作为A2和P2之间的分割点(如图3中图标Xsaddle),其SPt由下式确定:
S23、基于A2和P2重叠率对定义并计算/>
S231、的定义:OLR是鞍点SP所对应的S2M的幅度值与P2所对应S2M的幅度值的比率,如图4所示。S2分裂系数/>被用来评估高斯混合模型S2M中A2和P2之间的分裂程度,其定义如下:
在上式中,值越大,分裂程度越严重;而/>表示不存在分裂,即两种混合成分A2和P2完全重叠,/>表示混合成分完全分裂,即两个混合成分之间完全分离。
S232、计算: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/>被误判为第二心音宽分裂。因此,在考虑使用参数/>时,为了避免将第三心音S3误判为肺动脉瓣关闭音P2,将混合成分之间的时间间隔定义为:
其中,负的时间间隔可以将固定分裂与其他分裂进行有效区分。
S3、房间隔缺损检测方法
在房间隔缺损ASD中,在呼气和吸气中存在类似的分离程度。第二心音固定分裂与其他类型的分裂及第三心音S3之间的区别总结如下:①在吸气阶段,S2固定分裂的分裂程度比S2宽分裂的分裂程度轻,但比S2正常分裂和S2逆分裂的分裂程度严重。②在呼气阶段,S2固定分裂的分裂程度与S2宽分裂和S2逆分裂的分裂程度几乎相同,但比S2正常分裂的分裂程度严重。③对于额外心音S3,由于式中K=2,S3被认为是S2的分量。因此,分裂程度可以不小于固定分裂的分裂程度,但是其时间间隔大于固定分裂的时间间隔。同时,为了避免误判,还需要附加两个额外参数——整体呼吸周期内基于正确检测为房间隔缺损S2的数量/>和正确比率CR。
(1)的设置。
通过从第二心音S2的分裂患者中检测到的整个呼吸周期约为3~6s,结合呼吸周期有效长度的实验分析结果,得到移动窗口所覆盖最大第二心音个数的长度为9s,如图5A。首先确定估计的参数/>和/>被表示在图5B。然后根据第n个移动窗口计算的参数用于准确地区分固定分裂与其他类型的S2分裂,对应于图5A信号中所提出的特征 被表示在图5C,计算公式如下:
其中,表示第n个移动窗口内S2数量,/>为第n个窗口内分裂系数均值,/>第n个窗口内分裂系数方差,/>第n个为窗口分裂间隔均值,检测由第n个移动窗口覆盖的心音,判断是否为房间隔缺损ASD的必要条件如下:
其中,THvμ+σ是的阈值。
首先,使用如下标准来区分固定分裂与宽分裂:
其中,THvμ和THvσ分别是和/>的阈值。
其次,使用如下标准来区分固定分裂和第三心音S3:
其中,是/>的阈值。
最后,使用如下标准来区分固定分裂与异常分裂:
其中,是/>的另一个阈值。此外,为了减少由于给定心音的一部分受一些未知误差(诸如图5C中所示的异常值)影响而引起的绝对误差,提出当正确比率CR大于某个阈值ThvCR时将给定心音预测为房间隔缺损ASD。
(2)正确比率CR的定义。
因为必须考虑尽可能长的心音以实现更准确的分析结果,以减少由于给定心音的部分受一些未知误差影响而引起的绝对误差,提出如下不等式,预测给定心音为房间隔缺损ASD:
CR≥ThvCR,
其中,ThvCR是CR的阈值,表示预测心音为ASD的有效移动窗口数的正确比例如下式:
其中,Nmw是其中声音被预测为房间隔缺损ASD的有效窗口数量,Nw表示总体移动窗口的数量。
实施例二
通过标准数据库与临床数据对本发明采用实施例一所提方法进行了性能评估验证。
实验部分共分两个部分:数据集和阈值的确定,以及与最新方法的比较。
第一部分:数据集和阈值的确定。
对由固定分裂、生理性分裂心音、单个第二心音S2、其他分裂和第三心音S3组成的五组声音数据进行分析,总结在表1中。
表1五组声音数据的详细信息
为了确定THvμ+σ,THvμ,THvσ,THvT1,THvT2,THvCR的阈值,随机抽取85%的数据,再将其分成80%和5%:80%用于学习阈值,剩余5%的数据样本用于调整优化阈值。将公式定义的准确度最大的阈值参数确定为THvμ+σ=0.45,THvμ=0.6,THvσ=0.01,THvT1=0.05,THvT2=0.1,THcCR=0.9。
第二部分:与最新方法的比较。
性能指标:用于评估性能的性能指标是总体精度(OA),F1分数和科恩卡帕系数(κ),是基于I×I混淆矩阵计算的,该矩阵由元素cmi,j(i,j=1,…,I),其中cmi,j为目标为j类并分类为i的样本个数。
OA表示总体精度评价分类算法,定义如下:
F1分数是对测试精度的一种度量,同时考虑测试的精度和灵敏度来计算分数,公式如下:
κ表示Cohen’s kappa衡量观察同一现象的两个评分者之间的一致或不一致程度。根据混淆矩阵计算Cohen’s kappa如下:
其中,cmi.表示检测为第i类的样本总数(ci),cm.i表示目标为ci的样本总数,cmi,j表示目标为j分类为i的样本总数。κ统计量的取值范围从-1到+1,由Landis和Koch推导。
对比结果:为评估本发明提出的方法检测房间隔缺损ASD的性能,将本发明提出的方法与表2所示的最先进算法进行对比评估。表2中诊断结果的算法参数设置如下:①MFSC与CNN。使用研究中图所示的卷积神经网络(convolutional neural network,CNN)结构,即包含119帧和60个子滤波器结构的feature map,获得了最高的分类精度结果。②MFCCs与SVM。采用支持向量机(SVM)-C分类器对由20个局部三元模式(LTPs)+13个Mel频率倒谱系数(MFCCs)组成的33个特征进行特征融合,获得了最佳的分类精度结果。③IMFCCs与CNN。使用循环二维CNN结构和MFCC特征可以获得最高的精度结果。④PSD与KNN。选取功率谱密度(PSD)的30个主成分和MFCC的35个主成分得到的准确率结果进行分类器融合。⑤MFSC与HMM。当隐马尔可夫模型(HMM)具有2种状态,帧大小为512个样本,每帧8个MFCCs时,分类精度最高。
本算法在OA、F1和κ三方面都取得了最好的结果。本发明提出的算法的准确率为98.46%,F1得分为0.9821,κ得分为0.9802,均大于算法的最佳准确率95.44%,F1得分为0.9476,κ得分为0.9415。其中,由各类算法实现精度构成的混淆矩阵如图6所示,其结果表明:
(1)对于多分类,虽然本发明算法对第三心音S3的预测精度低于相关的研究,但由于预测其他类型心音的准确率均为100%,因此本发明算法的OA、F1和k均超过了其他算法至少3%;
(2)对于二元分类,从由单个S2、S2的生理分裂、S3和其他分裂组成的其他类型的心音中预测ASD的OA为100%。
此外,当κ等于1,预测结果是“完美的”。因此,本发明提出的方法在检测ASD、单个s2、S2的生理分裂、S3和其他分裂方面的效率通过与表2中最先进的方法进行对比评估。
表2各种分类算法的比较
因此,本发明提出了一种基于第二心音分裂系数的房间隔缺损检测方法,可实现房间隔缺损型心音高精度(>95%)自动检测。
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 (9)
1.一种基于第二心音分裂系数的房间隔缺损检测方法,其特征在于,包括以下步骤:
S1、第二心音S2自动分割提取,其中包括:
S11、对采集到的原始心音HS进行滤波处理,获取心音信号HSF,对滤波后的心音HSF进行归一化;
S12、基于二阶中心矩对心音包络HSE提取;
S13、对心音包络HSE[n]采用短时修正希尔伯特变换算法生成特征曲线HSSTMHT,利用HSSTMHT过零点对应第一、第二心音分割点以及其顶点特征,结合心音舒张期和收缩期时间关系实现第二心音S2的自动分割提取;
S2、第二心音分裂系数定义及第二心音分裂时间间隔/>计算,其中包括:
S21、基于高斯混合模型对第二心音数学建模S2M;
S22、基于S2M对第二心音主动脉瓣关闭音A2和肺动脉瓣关闭音P2的特征参数估计并计算分割点SPt;
S23、基于A2和P2重叠率对定义并计算/>
S3、房间隔缺损检测方法,确立基于和/>统计量的房间隔缺损型心音检测准则,需要确定两个额外参数:整个呼吸周期内正确检测为房间隔缺损S2的数量/>和正确比率CR。
2.根据权利要求1所述的一种基于第二心音分裂系数的房间隔缺损检测方法,其特征在于,在步骤S11中,采用电子听诊器记录原始心音HS,对HS进行滤波处理获取信号HSF并进行归一化,公式如下:
3.根据权利要求2所述的一种基于第二心音分裂系数的房间隔缺损检测方法,其特征在于,在步骤S12中,采用二阶中心矩方法提取HSF的心音包络HSE,公式如下:
其中n=0,1,…,N-1,N表示HSF[n]长度,窗口长度
4.根据权利要求3所述的一种基于第二心音分裂系数的房间隔缺损检测方法,其特征在于,在步骤S13中,对于心音包络HSE采用短时修正希尔伯特变换算法生成特征曲线HSSTMHT,公式如下:
其中WM[m]为高斯窗函数,m-n为窗函数的序列值,i=m-(n-(M-1)/2),WE[i]表示短时修正希尔伯特变换算子,公式为
5.根据权利要求1所述的一种基于第二心音分裂系数的房间隔缺损检测方法,其特征在于,在步骤S21中,基于高斯混合模型对第二心音建模S2M,
其中,μk,ak,σk分别为第k个高斯函数的对称中心、权重系数和有效时宽。
6.根据权利要求5所述的一种基于第二心音分裂系数的房间隔缺损检测方法,其特征在于,在步骤S22中,根据下式,确定A2和P2所对应时间中心A2·tc和P2·tc,
S2M在区间t∈[μ1,μ2]的鞍点SP所对应的时间SPt,将作为A2和P2之间的分割点,公式如下:
7.根据权利要求6所述的一种基于第二心音分裂系数的房间隔缺损检测方法,其特征在于,在步骤S23中,包括以下步骤:
S231、定义:OLR是鞍点SP所对应的S2M的幅度值与P2所对应S2M的幅度值的比率,S2分裂系数/>被用来评估高斯混合模型S2M中A2和P2之间的分裂程度,其定义如下:
其中,值越大,分裂程度越严重;而/>表示不存在分裂,即两种混合成分A2和P2完全重叠,/>表示混合成分完全分裂,即两个混合成分之间完全分离;
S232、计算:对于没有第二心音分裂而有第三心音S3的情况下,在使用参数时,将混合成分之间的时间间隔/>定义为:
其中,负的时间间隔可以将ASD与其他分裂情况进行有效地区分。
8.根据权利要求7所述的一种基于第二心音分裂系数的房间隔缺损检测方法,其特征在于,在步骤S3中,检测方法包括:
S31、确认第n个移动窗口内包含S2分裂系数和时间间隔的估计值统计量其计算公式如下:
其中,表示第n个移动窗口内S2数量,/>为第n个窗口内分裂系数均值,第n个窗口内分裂系数方差,/>第n个为窗口分裂间隔均值;
S32、用第n个移动窗口覆盖的心音初判房间隔缺损ASD的必要条件如下:
其中,THvμ+σ是的阈值;
首先,使用如下标准来区分固定分裂与宽分裂:
其中,THvμ和Thvσ分别是和/>的阈值;
其次,使用如下标准来区分固定分裂和第三心音S3:
其中,是/>的阈值;
最后,使用如下标准来区分固定分裂与异常分裂:
其中,是/>的另一个阈值。
9.根据权利要求8所述的一种基于第二心音分裂系数的房间隔缺损检测方法,其特征在于,在步骤S3中,正确比率CR的定义过程如下:
当正确比率CR大于某个阈值ThvCR时将给定心音预测为房间隔缺损ASD,即
其中,ThvCR是CR的阈值,Nmw表示被检测为房间隔缺损ASD的有效窗口数量,Nw表示总体移动窗口的数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311584704.3A CN117542380A (zh) | 2023-11-23 | 2023-11-23 | 一种基于第二心音分裂系数的房间隔缺损检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311584704.3A CN117542380A (zh) | 2023-11-23 | 2023-11-23 | 一种基于第二心音分裂系数的房间隔缺损检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117542380A true CN117542380A (zh) | 2024-02-09 |
Family
ID=89789672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311584704.3A Pending CN117542380A (zh) | 2023-11-23 | 2023-11-23 | 一种基于第二心音分裂系数的房间隔缺损检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117542380A (zh) |
-
2023
- 2023-11-23 CN CN202311584704.3A patent/CN117542380A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cavusoglu et al. | An efficient method for snore/nonsnore classification of sleep sounds | |
JP2023164839A (ja) | 呼吸器疾患を診断するために疾患シグネチャを使用して咳音を分析するための方法 | |
US9198634B2 (en) | Medical decision support system | |
Mohebbian et al. | Fetal ECG extraction from maternal ECG using attention-based CycleGAN | |
Quiceno-Manrique et al. | Detection of obstructive sleep apnea in ECG recordings using time-frequency distributions and dynamic features | |
US20200107775A1 (en) | Methods and Systems for Monitoring Sleep Apnea | |
Smrdel et al. | Automated detection of transient ST-segment episodes in 24h electrocardiograms | |
WO2021103796A1 (zh) | 心电信号处理方法、心电信号处理装置和电子设备 | |
Kamson et al. | Multi-centroid diastolic duration distribution based HSMM for heart sound segmentation | |
Yamashita et al. | Robust classification between normal and abnormal lung sounds using adventitious-sound and heart-sound models | |
Tang et al. | Automated signal quality assessment for heart sound signal by novel features and evaluation in open public datasets | |
Nemati et al. | Estimation of the lung function using acoustic features of the voluntary cough | |
Li et al. | Classification between normal and adventitious lung sounds using deep neural network | |
US10426426B2 (en) | Methods and apparatus for performing dynamic respiratory classification and tracking | |
Pimentel et al. | Probabilistic estimation of respiratory rate using Gaussian processes | |
Ghaemmaghami et al. | Normal probability testing of snore signals for diagnosis of obstructive sleep apnea | |
EP4167835A1 (en) | Systems and methods for screening obstructive sleep apnea during wakefulness using anthropometric information and tracheal breathing sounds | |
Hajipour et al. | Regularized logistic regression for obstructive sleep apnea screening during wakefulness using daytime tracheal breathing sounds and anthropometric information | |
Matsutake et al. | Discrimination between healthy subjects and patients using lung sounds from multiple auscultation points | |
Ravelo-García et al. | Cepstrum feature selection for the classification of sleep apnea-hypopnea syndrome based on heart rate variability | |
CN117542380A (zh) | 一种基于第二心音分裂系数的房间隔缺损检测方法 | |
CN116108345B (zh) | 一种基于参数估计的第二心音宽分裂检测方法 | |
Mondal et al. | Respiratory sounds classification using statistical biomarker | |
Apandi et al. | Noise Reduction Method based on Autocorrelation for Threshold-Based Heartbeat Detection | |
Balasubramanian et al. | Machine Learning-Based Classification of Pulmonary Diseases through Real-Time Lung Sounds. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |