DE102007063008A1 - Method and device for cardiovascular and respiratory monitoring using hidden Markov models and neural networks - Google Patents

Method and device for cardiovascular and respiratory monitoring using hidden Markov models and neural networks Download PDF

Info

Publication number
DE102007063008A1
DE102007063008A1 DE102007063008A DE102007063008A DE102007063008A1 DE 102007063008 A1 DE102007063008 A1 DE 102007063008A1 DE 102007063008 A DE102007063008 A DE 102007063008A DE 102007063008 A DE102007063008 A DE 102007063008A DE 102007063008 A1 DE102007063008 A1 DE 102007063008A1
Authority
DE
Germany
Prior art keywords
respiratory
feature extraction
neural networks
hidden markov
heart
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.)
Withdrawn
Application number
DE102007063008A
Other languages
German (de)
Inventor
Guy Leonard Kouemou
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kouemou Guy Leonard Dr Ing
Original Assignee
Kouemou Guy Leonard Dr Ing
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Kouemou Guy Leonard Dr Ing filed Critical Kouemou Guy Leonard Dr Ing
Priority to DE102007063008A priority Critical patent/DE102007063008A1/en
Priority to PCT/DE2008/002033 priority patent/WO2009079976A2/en
Publication of DE102007063008A1 publication Critical patent/DE102007063008A1/en
Withdrawn legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B7/00—Instruments for auscultation
    • A61B7/003—Detecting lung or respiration noise
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • 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)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Pulmonology (AREA)
  • Data Mining & Analysis (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Epidemiology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

Die Erfindung betrifft ein Verfahren und eine Vorrichtung zum Herz-, Kreislauf- und Atmungsmonitoring mittels Hidden Markov Modellen und Neuronalen Netzwerken. Mittels einem einfachen akustischen Sensorsystem, am Beispiel eines Körperschall-Mikrofons, werden Herz-, Atem- und Strömungsgeräusche im Brustkorbbereich eines Patienten aufgezeichnet und mittels eines Analog-Digital-Wandlers in einem PC digitalisiert. Basierend auf Methoden der Signalverarbeitung und der künstlichen Intelligenz, wie Hidden Markov Modellen und Neuronalen Netzwerken, wird anschließend eine lernfähige Software so trainiert, dass einerseits pathologische und nichtpathologische Geräuschklassen erkannt werden und andererseits aufgrund einer darauffolgenden statistischen Auswertung zu Krankheitsbildern, z.B. Herzrhythmusstörungen, Kreislaufstörungen oder Atemwegserkrankungen, zugeordnet werden.The invention relates to a method and a device for cardiovascular and respiratory monitoring by means of hidden Markov models and neural networks. By means of a simple acoustic sensor system, using the example of a structure-borne sound microphone, cardiac, respiratory and flow noises are recorded in the chest region of a patient and digitized by means of an analog-to-digital converter in a PC. Based on methods of signal processing and artificial intelligence, such as Hidden Markov models and neural networks, a learning software is then trained so that on the one hand pathological and non-pathological noise classes are recognized and on the other hand, due to a subsequent statistical analysis of disease patterns, e.g. Cardiac arrhythmias, circulatory disorders or respiratory diseases.

Description

Heutzutage werden weltweit mehrere unterschiedliche Geräte zur Überwachung der Herzkreislauf und Atmungsfunktionalitäten eingesetzt. Diese Geräte werden klinisch vorwiegend in den zwei Gruppierungen Beatmungs- oder Atmungsmonitoringsysteme kategorisiert.nowadays There are several different monitoring devices worldwide the cardiovascular and respiratory functionalities used. These devices are clinically predominantly in the two groupings Respiratory or respiratory monitoring systems categorized.

Aus der DE9200249U1 ist eine Vorrichtung bekannt, die Lebensfunktionen von Patienten mittels eines elektrischen Sensors, der mit der Schreib- oder Aufzeichnungsvorrichtung eines Elektrokardiogrammgerätes verbunden ist, überwacht. Da hierfür ein EKG oder ein ähnliches Gerät benötigt wird, entstehen hier sehr hohe Anschaffungskosten. Diese Vorrichtungen sind primär für den Einsatz bei Säuglingen und Kleinkindern gedacht. Sie benötigen auch eine hohe Anzahl von Sensoren. Bei der Auswertung der Daten stehen dem Arzt nur die reinen Signaldaten zur Verfügung, da solche Geräte nicht über lernfähige Systeme, wie Hidden Markov Modelle oder Neuronale Netzwerke, verfügen.From the DE9200249U1 For example, a device is known which monitors the vital functions of patients by means of an electrical sensor connected to the writing or recording device of an electrocardiogram device. Since an ECG or similar device is required for this, very high initial costs are incurred here. These devices are primarily intended for use in infants and toddlers. You also need a large number of sensors. When evaluating the data, only the pure signal data are available to the physician, as such devices do not have adaptive systems, such as Hidden Markov models or neural networks.

Aus der DE3444635A1 ist eine Vorrichtung zur Herz-, Atem- und Kreislaufüberwachung bekannt, die ein Warnsignal bei einem durch Herz- oder Kreislaufstillstand bedingten Atemstillstand auslöst. Dieses Gerät ist ein reines Überwachungsgerät, das nicht zur Untersuchung oder Diagnose geeignet ist, da die Daten nicht aufgezeichnet werden.From the DE3444635A1 a device for cardiac, respiratory and circulatory monitoring is known, which triggers a warning signal in case of cardiovascular arrest due to respiratory arrest. This device is a pure monitor that is not suitable for examination or diagnosis because the data is not recorded.

Bei langzeitbeatmeten Patienten werden meistens Geräte eingesetzt die über eine Vielzahl von biologischen Sensoren brauchen um ein zuverlässiges Monitoring der Patienten zu gewährleisten.at Long-term ventilated patients are mostly used devices that need a lot of biological sensors to ensure reliable monitoring of patients.

Eine ähnlich große Anzahl an Sensoren wird beispielsweise häufig gebraucht für eine zuverlässige Diagnose bzw. Monitoring von Herz-, Kreislauf bzw. Atemwegerkrankungen.A similar For example, a large number of sensors become common used for a reliable diagnosis or Monitoring cardiovascular and respiratory diseases.

So ergibt sich beispielsweise die Diagnose vom Schlaf-Apnoe-Syndrom hauptsächlich aus der Vorgeschichte, den Angaben zur Schlafhygiene, der Untersuchung beim Hausarzt und einer ambulanten Untersuchung bei dafür ausgebildeten Fachärzten.So For example, the diagnosis is the sleep apnea syndrome mainly from the previous history, the information on sleep hygiene, the examination at the family doctor and an outpatient examination with trained medical specialists.

Da eine komplexe Diagnose von Schlafstörungen in einem Schlaflabor sehr aufwendig und kostenintensiv ist, werden im Allgemeinen für die Vordiagnose zu Hause, mobile Screening-Geräte eingesetzt.There a complex diagnosis of sleep disorders in a sleep laboratory very elaborate and costly, are generally used for the pre-diagnosis at home, mobile screening devices used.

Die Untersuchung mit diesen Geräten erfolgt derzeit mittels einigen, bis zu über 10, Sensoren, die am Patienten während des Schlafes zu Hause angeschlossen werden, zur Aufzeichnung von Atemströmung, Atemgeräuschen, Hirnströme, Sauerstoffsättigung im Blut, Herzfrequenz, EKG, Atembewegung des Brustkorbes und des Abdomens sowie Körperlage.The Investigation with these devices is currently carried out by means of some, up to over 10, sensors attached to the patient during of sleep at home, to record from Respiratory flow, respiratory sounds, brain waves, Oxygen saturation in the blood, heart rate, ECG, respiratory movement of the Thorax and abdomen and body position.

Im Bereich der Neonatologie werden von den meistens Monitoringsystemen eine schnelle und zuverlässige Reaktionszeit erwartet. Aus aktuellen Studienergebnisse zur Prävention des „Plötzlichen Kindstod Syndroms" sind neben Auswertungen von Atemqualitäten auch die Auswertung des Zusammenhangs zwischen Apnoefrequenzen und Herzfrequenz so gut wie unabdingbar.in the The field of neonatology is made up of mostly monitoring systems expected a fast and reliable response time. From current study results for the prevention of "Sudden Infant Death Syndrome Syndrome "are besides evaluations of breathing qualities as well the evaluation of the relationship between apnea frequencies and heart rate almost indispensable.

Aufgabenstellungtask

Aufgrund der immer knapper werdenden Budgets in Kliniken, Arztpraxen sowie den meistens sonstigen gesundheitliche Einrichtungen, lautete die Fragestellung bei dieser Arbeit wie man „auch aus wirtschaftlichen Interesse" die Anzahl der Sensoren der aktuellen Screening-Systeme reduzieren kann, ohne Einbußen in der Qualität der Diagnose bzw. Patientenmonitoring von Herz-, Kreislauf- und Atemwegs-Erkrankungen zu erleiden.by virtue of the ever-shrinking budgets in clinics, doctors' offices as well as the most other health facilities, was the question in this work how to "also of economic interest" reduce the number of sensors of current screening systems can, without sacrificing the quality of the diagnosis or patient monitoring of cardiovascular and respiratory diseases to suffer.

Lösungsvorschlag und AusführungsbeispielSuggested solution and embodiment

Die erfindungsgemäße Lösung dieser Aufgabe wird wie folgt beschrieben:

  • – Die Vorrichtung besitzt mindestens ein Mikrofonsystem, Ultraschallsystem oder ein ähnliches akustisches Sensorsystem zur kontinuierlichen Aufzeichnung von Herz-, Kreislauf- und Atmungsgeräuschen, sowie einen PC mit Auswertungssoftware.
  • – In der Software wird dann zunächst ein Verfahren zur Signalvorverarbeitung und Gewinnung der Merkmale aus den aufgezeichneten Herz-, Kreislauf- und Atemgeräuschen eingesetzt, um die Daten anschließend auswerten zu können.
  • – Ein Hybridsystem bestehend aus Hidden Markov Modellen, Neuronalen Netzen und einem wissensbasierten Automat identifiziert die aufgezeichneten Geräuschen und den Zeitpunkt ihres Auftretens.
  • – Anschließend wird eine statistische Auswertung der chronologisch klassifizierten Herz-, Kreislaufströmungs- und Atemgeräuschen durchgeführt.
  • – Mit Hilfe dieser Daten wird der Gesundheitszustand des Patienten ermittelt und eventuell ein Vorschlag zur Vorabdiagnose erstellt.
The solution according to the invention of this object is described as follows:
  • - The device has at least one microphone system, ultrasound system or a similar acoustic sensor system for continuous recording of cardiac, circulatory and respiratory sounds, and a PC with evaluation software.
  • The software then first uses a method for signal preprocessing and retrieval of the characteristics from the recorded heart, circulatory and respiratory sounds in order to subsequently evaluate the data.
  • - A hybrid system consisting of hidden markov models, neural networks and a knowledge-based automaton identifies the recorded sounds and the time of their occurrence.
  • - Subsequently, a statistical evaluation of chronologically classified cardiac, circulatory and respiratory sounds is performed.
  • - With the help of this data, the health status of the patient is determined and possibly a proposal for the preliminary diagnosis is created.

Das Verfahren und die Vorrichtung werden durch folgende Zeichnungen näher erläutert:The The method and the device are described by the following drawings explained in more detail:

1 zeigt eine beispielhafte schematische Darstellung einer erfindungsgemäßen Vorrichtung, bei der ein Luftschall-Mikrofon-System über dem Kopfbereich des Patienten platziert wird und über einer Analog-Digital-Wandlerkarte an den Signalverarbeitungs-PC angeschlossen wird. 1 shows an exemplary schematic representation of a device according to the invention, in which an airborne microphone system is placed over the head area of the patient and via an analog-to-digital converter card to the Signalverar PC is connected.

2 zeigt eine beispielhafte schematische Darstellung einer erfindungsgemäßen Vorrichtung, bei der ein akustisches Sensorsystem am Körper des Patienten im Kopf- und Brustbereich platziert wird und über einer Analog-Digital-Wandlerkarte an den Signalverarbeitungs-PC angeschlossen wird. 2 shows an exemplary schematic representation of a device according to the invention, in which an acoustic sensor system is placed on the body of the patient in the head and chest area and is connected via an analog-to-digital converter card to the signal processing PC.

3 zeigt eine schematische Darstellung der Verfahrensschritte zur Vorabdiagnose bei Herz-, Atem- und Kreislauferkrankungen. 3 shows a schematic representation of the method steps for the preliminary diagnosis of cardiac, respiratory and circulatory diseases.

4 zeigt eine beispielhafte schematische Darstellung der Vorgänge, die im Signalverarbeitungs-PC implementiert sind. 4 shows an exemplary schematic representation of the processes that are implemented in the signal processing PC.

ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDE IN THE DESCRIPTION

Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list The documents listed by the applicant have been automated generated and is solely for better information recorded by the reader. The list is not part of the German Patent or utility model application. The DPMA takes over no liability for any errors or omissions.

Zitierte PatentliteraturCited patent literature

  • - DE 9200249 U1 [0002] - DE 9200249 U1 [0002]
  • - DE 3444635 A1 [0003] - DE 3444635 A1 [0003]

Claims (11)

Verfahren und Vorrichtung zum Herz-, Kreislauf- und Atmungs-Monitoring von Patienten mit einem Sensor, einem daran angeschlossenen PC und einer intelligenten Software, dadurch gekennzeichnet, dass zur Merkmalsextraktion mindestens ein statistisches Analyseverfahren verwendet wird, dass die gewonnen Merkmale einem lernenden Hybridsystem, bestehend aus Hidden Markov Modellen, neuronalen Netzen und einem wissensbasierten Automaten, zur Identifikation der Geräusche zugeführt werden, wobei ein Klassifikationsergebnis mit Klassifikationsgüte geliefert wird, dass das Klassifikationsergebnis des Hybridsystems einem weiteren lernenden System zur Ergebnisbestätigung zugeführt wird.Method and device for heart, circulatory and respiratory monitoring of patients with a sensor, a PC connected thereto and an intelligent software, characterized in that for feature extraction at least one statistical analysis method is used, that the features obtained a learning hybrid system consisting from Hidden Markov models, neural networks and a knowledge-based automaton, for identifying the noises, wherein a classification result with classification quality is supplied, that the classification result of the hybrid system is fed to another learning system for result confirmation. Verfahren und Vorrichtung nach Anspruch 1, wobei nach der Geräuschklassifikation eine Geräuschanalyse mit zugehöriger Statistik von einem lernenden System durchgeführt wird.The method and apparatus of claim 1, wherein after the noise classification a noise analysis with associated statistics performed by a learning system becomes. Verfahren und Vorrichtung nach Anspruch 1 und 2, wobei anschließend eine Zuordnung aufgrund ärztlicher Erfahrungen zu Krankheitsbildern, z. B. Herzrhythmusstörungen, Kreislaufstörungen oder Obstruktives-Schlafapnoe-Syndrom, erfolgtMethod and device according to claims 1 and 2, where subsequently an assignment due to medical Experiences to clinical pictures, z. Cardiac arrhythmia, Circulatory disorders or obstructive sleep apnea syndrome, he follows Verfahren und Vorrichtung nach Ansprüchen 1–3, wobei folgende Verfahren zur Merkmalsextraktion durchgeführt werden: – Normalisierung und Filterung des Signalspektrums – Zerlegung in Teilspektren – Berechnung und Mittelung der Effektivwerte der Teilspektren – Berechnung und Mittelung eines Merkmalsvektors aus jedem Teilspektrum mit einem statistischen Verfahren – Kombination der Effektivwerte und Merkmalsvektoren zu einer Matrix – Zeitliche Glättung der Matrixwerte – Normierung der Werte auf Mittelwert Null und vorgegebener VarianzMethod and device according to claims 1-3, the following methods of feature extraction are performed become: - Normalization and filtering of the signal spectrum - disassembly in partial spectra - Calculation and averaging of RMS values the partial spectra - Calculation and averaging of a Feature vector from each partial spectrum with a statistical method - Combination the rms values and feature vectors into a matrix - temporal Smoothing the matrix values - standardization of Values at mean zero and given variance Verfahren und Vorrichtung nach Ansprüchen 1–4, wobei bei der Merkmalsextraktion eine Fourier-Analyse als statistisches Verfahren verwendet wird.Method and device according to claims 1-4, wherein in the feature extraction a Fourier analysis as statistical Method is used. Verfahren und Vorrichtung nach Ansprüchen 1–4, wobei bei der Merkmalsextraktion eine Cepstrum-Analyse als statistisches Verfahren verwendet wird.Method and device according to claims 1-4, where the feature extraction is a cepstrum analysis as statistical Method is used. Verfahren und Vorrichtung nach Ansprüchen 1–4, wobei bei der Merkmalsextraktion eine Wavelet-Analyse als statistisches Verfahren verwendet wird.Method and device according to claims 1-4, in the feature extraction a wavelet analysis as statistical Method is used. Verfahren und Vorrichtung nach einem der vorherigen Ansprüchen, wobei die neuronalen Netzwerke oder Hidden Markov Modelle im Hybridsystem mit gleichen oder unterschiedlichen Trainingsdaten für die Geräuschklassen trainiert sind mit gleichen oder unterschiedlichen Trainingsalgorithmen.Method and device according to one of the preceding Claims, where the neural networks or hidden Markov models in the hybrid system with the same or different Training data for the noise classes trained are with the same or different training algorithms. Verfahren und Vorrichtung nach einem der vorherigen Ansprüchen, wobei eine Unterscheidung in den Geräuschklassen insbesondere in Atem- (z. B.: Einatmung, Ausatmung, Husten, Schnarchen), Herz- (z. B.: normale Herztöne, Herzflattergeräusche, Herzflimmergeräusche) und Kreislauf-Strömungs-Geräuschen (z. B.: arterielle Strömung, venöse Strömung) stattfindet.Method and device according to one of the preceding Claims, with a distinction in the noise classes especially in respiratory (eg: inhalation, exhalation, coughing, snoring), Heart (for example: normal heart sounds, heart chatter sounds, heart flicker noises) and circulatory flow sounds (e.g., arterial Flow, venous flow). Verfahren und Vorrichtung nach einem der vorherigen Ansprüchen, wobei folgende Merkmale extrahiert werden: Signalspitzen im Spektrum, Amplitudenvariationen, Phasenvariationen, periodisch oder aperiodisch auftretende Signale oder Kombinationen davon.Method and device according to one of the preceding Claims, wherein the following features are extracted: Signal peaks in the spectrum, amplitude variations, phase variations, periodically or aperiodically occurring signals or combinations from that. Vorrichtung zur Durchführung eines Verfahrens gemäß einem der vorherigen Ansprüchen, welches einen PC mit Mikrofonsystem, Ultraschallsystem oder mit einem ähnlichen akustischen Sensorsystem zur Erfassung der Atem-, Herz- oder Kreislaufgeräuschdaten, sowie Mittel zur Signalverarbeitung, die Mittel zur Merkmalsextraktion und Mittel zur Klassifikation enthalten, umfassen.Device for carrying out a method according to one of the preceding claims, which a PC with microphone system, ultrasound system or with a similar acoustic sensor system for detection the respiratory, cardiac or circulatory noise data, as well as means for signal processing, feature extraction means and means included for classification.
DE102007063008A 2007-12-21 2007-12-21 Method and device for cardiovascular and respiratory monitoring using hidden Markov models and neural networks Withdrawn DE102007063008A1 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
DE102007063008A DE102007063008A1 (en) 2007-12-21 2007-12-21 Method and device for cardiovascular and respiratory monitoring using hidden Markov models and neural networks
PCT/DE2008/002033 WO2009079976A2 (en) 2007-12-21 2008-12-04 Method and device for heart, cardiovascular and respiratory monitoring using hidden markov models and neuronal networks

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102007063008A DE102007063008A1 (en) 2007-12-21 2007-12-21 Method and device for cardiovascular and respiratory monitoring using hidden Markov models and neural networks

Publications (1)

Publication Number Publication Date
DE102007063008A1 true DE102007063008A1 (en) 2009-06-25

Family

ID=40689955

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102007063008A Withdrawn DE102007063008A1 (en) 2007-12-21 2007-12-21 Method and device for cardiovascular and respiratory monitoring using hidden Markov models and neural networks

Country Status (2)

Country Link
DE (1) DE102007063008A1 (en)
WO (1) WO2009079976A2 (en)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110010112A1 (en) * 1999-02-12 2011-01-13 Pierre Bonnat Method and System for Controlling a User Interface of a Device Using Human Breath
DE102009037097A1 (en) 2009-08-11 2011-02-17 Kouemou, Guy Leonard, Dr. Ing. Device for automatically monitoring respiration and ventilation of patient suffering from e.g. asthma, in hospital, has personal computer connected to sensor, and classification result fed to learning system for result confirmation
FR2967273A1 (en) * 2010-11-10 2012-05-11 Commissariat Energie Atomique SENSOR DETECTION DEVICE, DETECTION METHOD AND CORRESPONDING COMPUTER PROGRAM

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11240579B2 (en) 2020-05-08 2022-02-01 Level 42 Ai Sensor systems and methods for characterizing health conditions
CN114788709A (en) * 2021-01-26 2022-07-26 上海微创数微医疗科技有限公司 Method and device for denoising heart sound signal and storage medium

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE3444635A1 (en) 1984-12-07 1986-06-19 Hugo Sachs Elektronik Kg, 7801 March Apparatus for monitoring heart, respiration and circulation
DE9200249U1 (en) 1992-01-11 1992-04-16 Klemm, Bernd, 7801 Umkirch Device for monitoring and recording respiratory, cardiac and/or other vital functions

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0124568A1 (en) * 1982-10-29 1984-11-14 The London Hospital Medical College Cardio-respiratory monitor apparatus & method
US5638823A (en) * 1995-08-28 1997-06-17 Rutgers University System and method for noninvasive detection of arterial stenosis
US6572560B1 (en) * 1999-09-29 2003-06-03 Zargis Medical Corp. Multi-modal cardiac diagnostic decision support system and method
GB0118728D0 (en) * 2001-07-31 2001-09-26 Univ Belfast Monitoring device
US20060198533A1 (en) * 2005-03-04 2006-09-07 Wang Le Y Method and system for continuous monitoring and diagnosis of body sounds

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE3444635A1 (en) 1984-12-07 1986-06-19 Hugo Sachs Elektronik Kg, 7801 March Apparatus for monitoring heart, respiration and circulation
DE9200249U1 (en) 1992-01-11 1992-04-16 Klemm, Bernd, 7801 Umkirch Device for monitoring and recording respiratory, cardiac and/or other vital functions

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110010112A1 (en) * 1999-02-12 2011-01-13 Pierre Bonnat Method and System for Controlling a User Interface of a Device Using Human Breath
DE102009037097A1 (en) 2009-08-11 2011-02-17 Kouemou, Guy Leonard, Dr. Ing. Device for automatically monitoring respiration and ventilation of patient suffering from e.g. asthma, in hospital, has personal computer connected to sensor, and classification result fed to learning system for result confirmation
FR2967273A1 (en) * 2010-11-10 2012-05-11 Commissariat Energie Atomique SENSOR DETECTION DEVICE, DETECTION METHOD AND CORRESPONDING COMPUTER PROGRAM
WO2012062997A1 (en) * 2010-11-10 2012-05-18 Commissariat à l'énergie atomique et aux énergies alternatives Sensor-based detection device, corresponding detection method and computer program
US9235807B2 (en) 2010-11-10 2016-01-12 Commissariat A L'energie Atomique Et Aux Energies Alternatives Sensor detection device, corresponding detection method and computer program

Also Published As

Publication number Publication date
WO2009079976A2 (en) 2009-07-02
WO2009079976A3 (en) 2009-11-26
WO2009079976A9 (en) 2009-08-27

Similar Documents

Publication Publication Date Title
Mak et al. An automated ECG-artifact removal method for trunk muscle surface EMG recordings
US6942626B2 (en) Apparatus and method for identifying sleep disordered breathing
DE102008002933A1 (en) Data recording for patient status analysis
Lanata et al. A novel algorithm for movement artifact removal in ecg signals acquired from wearable systems applied to horses
DE10327084A1 (en) Device for measuring vital signs
James et al. Neurobehavioral development in the human fetus
EP4081116B1 (en) Method and arrangement for generating an ecg signal
DE102016011700A1 (en) Monitoring of biosignals, in particular electrocardiograms
DE102007063008A1 (en) Method and device for cardiovascular and respiratory monitoring using hidden Markov models and neural networks
DE102019104798A1 (en) APPARATUS AND METHOD FOR THE PASSIVE ARRHYTHERMETIC DETECTION BASED ON PHOTOPLETHYMOGRAM (PPG) INTERVALS BETWEEN THE HITCH AND MORPHOLOGY
Talatov et al. Algorithmic and software analysis and processing of ECG signals
Mahesh et al. ECG arrhythmia classification based on logistic model tree
DE10042342A1 (en) Automatic detection and interpretation of electrocardiograms affected by heart pacemaker involves comparing pacemaker markings derived from analogue and digitized signals
DE102009033829A1 (en) Method for monitoring heart, circulation and respiration of child, involves calculating correlated ECG waveforms, heart rate curves and respiratory rhythm courses from evaluated Doppler information by module of hybrid system
DE102010061580A1 (en) Use of the frequency spectrum of an artifact in oscillometry
Vimala Stress causing arrhythmia detection from ECG signal using HMM
Sloboda et al. A simple sleep stage identification technique for incorporation in inexpensive electronic sleep screening devices
Hegde et al. A review on ECG signal processing and HRV analysis
Zhou et al. Embedded real-time QRS detection algorithm for pervasive cardiac care system
DE102009037097A1 (en) Device for automatically monitoring respiration and ventilation of patient suffering from e.g. asthma, in hospital, has personal computer connected to sensor, and classification result fed to learning system for result confirmation
DE102008002965A1 (en) Method and system for pacemaker pulse detection
Stantic et al. Detecting abnormal ecg signals utilising wavelet transform and standard deviation
Fahruzi et al. Classification of Sleep Disorder from Single Lead Non-overlapping of ECG-apnea based Non-Linear Analysis using Ensemble Approach
Rahman et al. Sleep stage classification using eog signals with reduced class imbalance effect
WO2009079977A2 (en) Method and device for a preliminary sleep medical diagnosis and therapy monitoring

Legal Events

Date Code Title Description
R119 Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee

Effective date: 20110701