JP2019531792A - 異常心音の検出のための分類器アンサンブル - Google Patents

異常心音の検出のための分類器アンサンブル Download PDF

Info

Publication number
JP2019531792A
JP2019531792A JP2019512656A JP2019512656A JP2019531792A JP 2019531792 A JP2019531792 A JP 2019531792A JP 2019512656 A JP2019512656 A JP 2019512656A JP 2019512656 A JP2019512656 A JP 2019512656A JP 2019531792 A JP2019531792 A JP 2019531792A
Authority
JP
Japan
Prior art keywords
pcg signal
pcg
classification
feature
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.)
Withdrawn
Application number
JP2019512656A
Other languages
English (en)
Inventor
パルヴァーネ，サマン
ブランドン，クリスティアン マウリシオ ポテス
ブランドン，クリスティアン マウリシオ ポテス
ラーマン，アシフ
コンロイ，ブライアン
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.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips NV
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 Koninklijke Philips NV filed Critical Koninklijke Philips NV
Publication of JP2019531792A publication Critical patent/JP2019531792A/ja
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B7/00—Instruments for auscultation
    • 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
    • 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
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Acoustics & Sound (AREA)
  • Fuzzy Systems (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本開示の発明のさまざまな実施形態は、正常な心音と異常な心音の間の区別をするための特徴ベースの手法と深層学習手法の組み合わせを提供する。特徴ベースの分類器（６０）が心音図（PCG）信号に適用され、PCG信号によって表わされる心音の特徴ベースの異常性分類を得て、深層学習分類器（７０）もPCG信号に適用されて、PCG信号によって表わされる心音の深層学習異常性分類を得る。PCG信号によって表わされる心音の前記特徴ベースの異常性分類および前記深層学習異常性分類に最終判断合同分析器（８０）が適用されて、PCG信号の最終的な異常性分類判断を決定する。

Description

本開示に記載されるさまざまな実施形態は、異常心音の検出のためのシステム、装置および方法に関する。
心血管疾患（CDV: cardiovascular disease）は世界的に罹病および死亡の主因であり、2012年には推定で1750万人がCVDで亡くなっている。心音聴診は、一次診療においてCVDをスクリーニングおよび診断するための主要なツールである。デジタル聴診器およびモバイル装置が利用可能なことで、臨床医は診断目的のために心音（心音図：phonocardiogram‐PCG）を記録し、分析する機会が得られる。
しかしながら、臨床および非臨床環境における心音記録の分析は、環境雑音（たとえばアラーム、話し声）のために困難であることが判明している。さらに、非専門家による心音の記録も自動心音分析に困難を加える。たとえば、マイクロフォン位置を変えると心音振幅が変化することがあり、心音がノイズを受けることがある。さらに、心音記録の品質は、異なる設備によって記録されるときは異なることがあり（たとえば異なる設備のフィルタ仕様の相違のため）、単一アルゴリズムの使用を困難にする。上述した要因のため、特徴ベースの手法（伝統的な心音分析）は、異常心音の分類において比較的低い精度をもつことがある。
本開示に記載される実施形態は、特徴ベースの手法と深層学習手法（たとえば教師なし特徴学習）の組み合わせを提供する。より具体的には、深層学習は正常な心音および異常な心音として指定された心音図から特徴を学習し、そのような異常性特徴を分類目的のために使う力をもつ。本開示は、正常な心音および異常な心音の特徴ベースの分類ならびに正常な心音および異常な心音の深層学習分類の恩恵を組み合わせる。本開示はさらに、ノイズ様の心音図（PCG）信号およびきれいなPCG信号の特徴ベースの分類および／またはノイズ様のPCG信号およびきれいなPCG信号の深層学習分類を提供する。
本開示の発明のある実施形態は、正常な心音と異常な心音の間の区別をするための心音図（PCG）信号合同分析器を開示する。PCG信号合同分析器は、プロセッサとメモリとを有し、（１）PCG信号に特徴ベースの分類器を適用してPCG信号によって表わされる心音の特徴ベースの異常性分類を得て、（２）PCG信号に深層学習分類器を適用して、PCG信号によって表わされる心音の深層学習異常性分類を得て、（３ａ）PCG信号によって表わされる心音の前記特徴ベースの異常性分類および前記深層学習異常性分類に最終判断合同分析器を適用して、PCG信号の最終的な異常性分類判断を正常な心音または異常な心音として決定し、（４）PCG信号の最終的な異常性分類判断を報告するよう構成される。
本開示の第二の実施形態では、前記PCG信号合同分析器の前記プロセッサおよび前記メモリは、（５）前記特徴ベースの分類器をPCG信号に適用してPCG信号によって表わされる心音の特徴ベースのノイズ様分類を得て、（３ｂ）PCG信号によって表わされる心音の前記特徴ベースの異常性分類、前記特徴ベースのノイズ様分類および前記深層学習異常性分類に前記最終判断合同分析器を適用して、PCG信号の最終的な異常性分類判断を正常な心音、異常な心音またはノイズ様の心音（すなわち、心音が正常か異常か不確か）として決定するよう構成される。
本開示の第三の実施形態では、前記PCG信号合同分析器の前記プロセッサおよび前記メモリは、（６）前記深層学習分類器をPCG信号に適用してPCG信号によって表わされる心音の深層学習ノイズ様分類を得て、（３ｃ）PCG信号によって表わされる心音の前記特徴ベースの異常性分類、前記深層学習異常性分類および前記深層学習ノイズ様分類に前記最終判断合同分析器を適用して、PCG信号の最終的な異常性分類判断を正常な心音、異常な心音またはノイズ様の心音、すなわち、心音が正常か異常か不確かとして決定するよう構成される。
本開示の発明の第四の実施形態は、正常な心音と異常な心音の間の区別をするためのプロセッサによる実行のための命令をエンコードされている非一時的な機械可読記憶媒体であり、当該非一時的な機械可読記憶媒体は、（１）PCG信号に特徴ベースの分類器を適用してPCG信号によって表わされる心音の特徴ベースの異常性分類を得て、（２）PCG信号に深層学習分類器を適用して、PCG信号によって表わされる心音の深層学習異常性分類を得て、（３ａ）PCG信号によって表わされる心音の前記特徴ベースの異常性分類および前記深層学習異常性分類に最終判断合同分析器を適用して、PCG信号の最終的な異常性分類判断を正常な心音または異常な心音として決定し、（４）PCG信号の最終的な異常性分類判断を報告するための命令を含む。
本開示の第五の実施形態では、前記非一時的な機械可読記憶媒体はさらに、（５）前記特徴ベースの分類器をPCG信号に適用してPCG信号によって表わされる心音の特徴ベースのノイズ様分類を得て、（３ｂ）PCG信号によって表わされる心音の前記特徴ベースの異常性分類、前記特徴ベースのノイズ様分類および前記深層学習異常性分類に前記最終判断合同分析器を適用して、PCG信号の最終的な異常性分類判断を正常な心音、異常な心音またはノイズ様の心音、すなわち、心音が正常か異常か不確かとして決定するための命令を含む。
本開示の第六の実施形態では、前記非一時的な機械可読記憶媒体はさらに、（６）前記深層学習分類器をPCG信号に適用してPCG信号によって表わされる心音の深層学習ノイズ様分類を得て、（３ｃ）PCG信号によって表わされる心音の前記特徴ベースの異常性分類、前記深層学習異常性分類および前記深層学習ノイズ様分類に前記最終判断合同分析器を適用して、PCG信号の最終的な異常性分類判断を正常な心音、異常な心音またはノイズ様の心音、すなわち、心音が正常か異常か不確かとして決定するための命令を含む。
本開示の発明の第七の実施形態は、正常な心音と異常な心音の間の区別をするための心音図（PCG）信号合同分析方法である。PCG信号分析方法は、（１）PCG信号に特徴ベースの分類器を適用してPCG信号によって表わされる心音の特徴ベースの異常性分類を得て、（２）PCG信号に深層学習分類器を適用して、PCG信号によって表わされる心音の深層学習異常性分類を得て、（３ａ）PCG信号によって表わされる心音の前記特徴ベースの異常性分類および前記深層学習異常性分類に最終判断合同分析器を適用して、PCG信号の最終的な異常性分類判断を正常な心音または異常な心音として決定し、（４）PCG信号の最終的な異常性分類判断を報告することを含む。
本開示の第八の実施形態では、前記PCG信号合同分析方法はさらに、（５）前記特徴ベースの分類器をPCG信号に適用してPCG信号によって表わされる心音の特徴ベースのノイズ様分類を得て、（３ｂ）PCG信号によって表わされる心音の前記特徴ベースの異常性分類、前記特徴ベースのノイズ様分類および前記深層学習異常性分類に前記最終判断合同分析器を適用して、PCG信号の最終的な異常性分類判断を正常な心音、異常な心音またはノイズのある心音、すなわち、心音が正常か異常か不確かとして決定するよう構成される。
本開示の第九の実施形態では、前記PCG信号合同分析方法はさらに、（６）前記深層学習分類器をPCG信号に適用してPCG信号によって表わされる心音の深層学習ノイズ様分類を得て、（３ｃ）PCG信号によって表わされる心音の前記特徴ベースの異常性分類、前記深層学習異常性分類および前記深層学習ノイズ様分類に前記最終判断合同分析器を適用して、PCG信号の最終的な異常性分類判断を正常な心音、異常な心音またはノイズのある心音、すなわち、心音が正常か異常か不確かとして決定することを含む。
本開示の発明の第十の実施形態は、ノイズ様のPCG信号ときれいなPCG信号の間の区別をするための心音図（PCG）信号合同分析器である。PCG信号合同分析器は、プロセッサとメモリとを有し、（１）PCG信号に特徴ベースの分類器を適用してPCG信号によって表わされる心音の特徴ベースのノイズ様分類を得て、（２）PCG信号に深層学習分類器を適用して、PCG信号によって表わされる心音の深層学習ノイズ様分類を得て、（３）PCG信号によって表わされる心音の前記特徴ベースのノイズ様分類および前記深層学習ノイズ様分類に最終判断合同分析器を適用して、PCG信号の最終的なノイズ様分類判断をノイズ様PCG信号またはきれいなPCG信号として決定し、（４）PCG信号の最終的なノイズ様分類判断を報告するよう構成される。
本開示の発明の第十一の実施形態は、ノイズ様のPCG信号ときれいなPCG信号の間の区別をするためのプロセッサによる実行のための命令をエンコードされている非一時的な機械可読記憶媒体であり、当該非一時的な機械可読記憶媒体は、（１）PCG信号に特徴ベースの分類器を適用してPCG信号によって表わされる心音の特徴ベースのノイズ様分類を得て、（２）PCG信号に深層学習分類器を適用して、PCG信号によって表わされる心音の深層学習ノイズ様分類を得て、（３）PCG信号によって表わされる心音の前記特徴ベースのノイズ様分類および前記深層学習ノイズ様分類に最終判断合同分析器を適用して、PCG信号の最終的なノイズ様分類判断をノイズ様PCG信号またはきれいなPCG信号として決定し、（４）PCG信号の最終的なノイズ様分類判断を報告するための命令を含む。
本開示の発明の第十二の実施形態は、ノイズ様のPCG信号ときれいなPCG信号の間の区別をするための心音図（PCG）信号合同分析方法である。PCG信号合同分析方法は、（１）PCG信号に特徴ベースの分類器を適用してPCG信号によって表わされる心音の特徴ベースのノイズ様分類を得て、（２）PCG信号に深層学習分類器を適用して、PCG信号によって表わされる心音の深層学習ノイズ様分類を得て、（３）PCG信号によって表わされる心音の前記特徴ベースのノイズ様分類および前記深層学習ノイズ様分類に最終判断合同分析器を適用して、PCG信号の最終的なノイズ様分類判断をノイズ様PCG信号またはきれいなPCG信号として決定し、（４）PCG信号の最終的なノイズ様分類判断を報告することを含む。
本開示の発明を記述し、請求する目的で、下記を述べておく。
（１）用語「心音図（phonocardiogram）」、「記録器」（recorder）、「異常性」（abnormality）、「正常」（normality）、「ノイズ様」（noisy〔ノイジー〕）、「きれいな」（clean）、「特徴ベースの」（feature-based）、「深層学習」（deep learning）、「分類器」（classifier）、「分類」（classification）、「閾値」（threshold）、「スコア」（score）および「論理規則」（logical rules）は、本開示の技術分野で知られており、本開示において例示的に記載されるように広義に解釈される。
（２）用語「合同分析する」（coanalyze）および「合同分析」（coanalysis）は、本開示において例示的に記載されるようにPCG信号を解析するための特徴ベースの手法と深層学習手法（すなわち教師なし特徴学習）との組み合わせを広く包含する。
（３）用語「合同分析器」（coanalyzer）は、本開示の技術分野において知られているまたはこれから着想されるPCG分析器であって、PCG信号を合同分析するための本開示の発明原理を組み込むものを広く包含する。
（４）用語「信号」および「データ」は、本開示において後述される本開示のさまざまな発明原理を適用することを支援する情報および／または命令を伝送するための、本開示の技術分野において理解され、本開示において例示的に記載されるように、あらゆる形の検出可能な物理量またはインパルス（たとえば電圧、電流、磁場強度、インピーダンス、色）を広く包含する。
（５）本稿における用語「信号」および「データ」についての記述用のラベルは、本願で記載され、請求される信号やデータの間の区別を容易にするものであって、用語「信号」および「データ」に対していかなる追加的な限定も規定ないし含意するものではない。
（６）用語「コントローラ」は、本開示の技術分野において理解され、本開示において例示的に記載されるように、本開示において後述される本開示のさまざまな発明原理の適用を制御するための特定用途向けメインボードまたは特定用途向け集積回路のあらゆる構造的な構成を広く包含する。コントローラの構造的な構成は、プロセッサ、コンピュータ使用可能な／コンピュータ可読な記憶媒体、オペレーティング・システム、アプリケーション・モジュール、周辺装置、コントローラ、スロットおよびポートを含むがそれに限定されない。
（７）用語「モジュール」は、特定のアプリケーションを実行するための、電子回路と、実行可能プログラム（たとえば非一時的なコンピュータ可読媒体に記憶された実行可能ソフトウェアおよび／またはファームウェア）とからなる、コントローラ内に組み込まれているまたはコントローラによってアクセス可能なモジュールを広く包含する。
（８）本稿における用語「モジュール」についての記述用のラベルは、本稿に記載および請求されるモジュールの間の区別を容易にするものであって、用語「モジュール」に対していかなる追加的な限定も規定ないし含意するものではない。
本開示の発明の上記の実施形態および他の実施形態ならびに本開示のさまざまな特徴および利点は、付属の図面との関連で読まれる本開示の発明のさまざまな実施形態の以下の詳細な説明からさらに明白になるであろう。詳細な説明および図面は限定ではなく、単に本開示の発明を例解するものであり、本開示の発明の範囲は、付属の請求項およびその等価物によって定義される。
さまざまな例示的実施形態をよりよく理解するために、付属の図面が参照される。
本開示に基づく心音図（PCG）分類器アンサンブル・システムの第一の例示的実施形態を示す図である。
本開示に基づく心音図（PCG）分類器アンサンブル・システムの第二の例示的実施形態を示す図である。
本開示に基づくPCG信号記録器とPCG信号合同分析器との間のさまざまな例示的通信モードを示す図である。 本開示に基づくPCG信号記録器とPCG信号合同分析器との間のさまざまな例示的通信モードを示す図である。 本開示に基づくPCG信号記録器とPCG信号合同分析器との間のさまざまな例示的通信モードを示す図である。 本開示に基づくPCG信号記録器とPCG信号合同分析器との間のさまざまな例示的通信モードを示す図である。 本開示に基づくPCG信号記録器とPCG信号合同分析器との間のさまざまな例示的通信モードを示す図である。 本開示に基づくPCG信号記録器とPCG信号合同分析器との間のさまざまな例示的通信モードを示す図である。 本開示に基づくPCG信号記録器とPCG信号合同分析器との間のさまざまな例示的通信モードを示す図である。 本開示に基づくPCG信号記録器とPCG信号合同分析器との間のさまざまな例示的通信モードを示す図である。 本開示に基づくPCG信号記録器とPCG信号合同分析器との間のさまざまな例示的通信モードを示す図である。 本開示に基づくPCG信号記録器とPCG信号合同分析器との間のさまざまな例示的通信モードを示す図である。
本開示に基づくPCG信号合同分析コントローラの例示的実施形態を示す図である。
本開示に基づくPCG信号調節器の例示的実施形態を示す図である。
本開示に基づく特徴ベースの分類器の例示的実施形態を示す図である。
本開示に基づく深層学習分類器の例示的実施形態を示す図である。
本開示に基づく最終判断合同分析器の例示的実施形態を示す図である。
本開示に基づく畳み込みニューラル・ネットワークの例示的実施形態を示す図である。
Ａ〜Ｄは、本開示に基づく、異常な（ab）PCG信号のセットに基づくPCG信号合同分析器の例示的なトレーニングを示す図である。
Ａ〜Ｄは、本開示に基づく、正常な（nl）PCG信号のセットに基づくPCG信号合同分析器の例示的なトレーニングを示す図である。
Ａ〜Ｄは、本開示に基づく、ノイズ様の（ny）PCGセットの集合に基づくPCG信号合同分析器の例示的なトレーニングを示す図である。
Ａ〜Ｄは、本開示に基づく、きれいな（cl）PCG信号のセットに基づくPCG信号合同分析器の例示的なトレーニングを示す図である。
本願に呈示される記述および図面は、さまざまな原理を例解する。当業者は、本願で明示的に記述または図示されていなくても、これらの原理を具現し、本開示の範囲内に含まれるさまざまな構成を考案できるであろうことは理解されるであろう。本稿での用法では、本稿で使われるところの用語「または」は、そうでないことが示される（たとえば「またはそうではなく」または「または代替において」）のでない限り、非排他的な「または」（すなわち「および／または」）をいう。さらに、本開示に記載されるさまざまな実施形態は、必ずしも背反ではなく、組み合わされて本開示に記載される原理を組み込むさらなる実施形態を生じてもよい。
本開示の発明の理解を容易にするために、図１Ａおよび図１Ｂの以下の記述は、本開示のPCG分類器アンサンブル・システムの二つの実施形態を教示している。図１Ａおよび図１Ｂの記述から、当業者は、PCG分類器アンサンブル・システムの数多くのさまざまな追加的な実施形態を作成し、使うために本開示をどのように応用するかを理解するであろう。
図１Ａを参照するに、本開示のPCG分類器アンサンブル・システム２０ａは、PCG信号記録器３０と、PCG信号合同分析器４０ａとを用いる。
PCG信号記録器３０は、心臓１０の音１１を記録するようマイクロフォン３１を備えている。PCG信号記録器３０はさらに、本開示の分野において知られているように、記録された音１１を表わすPCG信号３２を生成するよう構成される。
PCG信号合同分析器４０ａは、PCG信号３２によって表わされる心音１１に異常性があればそれを一時ベースまたは期間ベースで検出するために、特徴ベースの分類段Ｓ６０および深層学習分類段Ｓ７０の組み合わせを実装する。
一時ベースとは、それぞれの区切られた（delineated）時点について（たとえばμsec毎に）PCG信号３２によって表わされる心音１１の異常性の検出があればその判別に関わる。たとえば、PCG信号３２がPCG信号記録器３２からPCG信号合同分析器４０ａにリアルタイムでストリーミングされる場合、PCG信号合同分析器４０ａは、PCG信号３２によって表わされる心音１１の何らかの異常性があるかどうか、それぞれの区切られた時点を個々に評価する。
期間ベースとは、秒、分または時間（hour）に関する時間期間にわたるPCG信号３２によって表わされる心音１１の異常性の検出があればその判別に関わる。たとえば、事前に記録されたPCG信号３２がPCG信号合同分析器４０ａにアップロードされて、次いでPCG信号合同分析器４０ａがある時間期間にわたる事前に記録された信号３２を、PCG信号３２によって表わされる心音１１の何らかの異常性があるかどうか、評価する。
引き続き図１Ａを参照するに、PCG信号合同分析器４０ａは、任意的には、特徴ベースの分類段Ｓ６０および／または深層学習分類段Ｓ７０の分類器のために必要に応じてPCG信号３２を整える、PCG信号３２の調節（conditioning）に関わるPCG信号調節段Ｓ５０を実装する。
実際上は、PCG信号調節段Ｓ５０によって適用される調節技法は、PCG信号合同分析器４０ａによって受領されるPCG信号３２の状態および／または特徴ベースの分類段Ｓ６０および／または深層学習分類段Ｓ７０によって実装される分類器の具体的な型に依存する。
PCG信号調節段Ｓ５０の第一の実施形態では、PCG信号３２は、本開示においてさらに例示的に記載されるように再サンプリングされ、フィルタリングされてもよい。
PCG信号調節段Ｓ５０の第二の実施形態では、PCG信号３２は、本開示においてさらに例示的に記載されるように、多数の心臓状態（たとえば心臓状態S1、収縮期の心臓状態、心臓状態S2および拡張期の心臓状態）にセグメント分割されて、それにより特徴ベースの分類段Ｓ６０および／または深層学習分類段Ｓ７０の分類器の適用を容易にしてもよい。
また、実際上は、PCG信号調節段Ｓ５０は、同じ調節技法をPCG信号３１に適用して、その結果、同一の、特徴ベースの分類段Ｓ６０のための調節されたPCG信号３２ａおよび深層学習分類段Ｓ７０のための調節されたPCG信号３２ｂを与えてもよい。あるいはまた、PCG信号調節段Ｓ５０は、異なる調節技法をPCG信号３１に適用して、その結果、同じでない、特徴ベースの分類段Ｓ６０のための調節されたPCG信号３２ａおよび深層学習分類段Ｓ７０のための調節されたPCG信号３２ｂを与えてもよい。
引き続き図１Ａを参照するに、特徴ベースの分類段Ｓ６０は、PCG信号３２または調節されたPCG信号３２ａに、一時ベースでまたは期間ベースで特徴ベースの分類器を適用し、それによりPCG信号３２または調節されたPCG信号３２ａの心音の特徴ベースの異常性分類６１を得ることに関わる。
実際上は、特徴ベースの分類段Ｓ６０は、PCG信号３２または調節されたPCG信号３２ｂの異常性の度合いの定量的スコアを提供するよう構成できるいかなる型の特徴ベースの分類器を実装してもよい。
特徴ベースの分類段Ｓ６０の第一の実施形態では、特徴ベースの分類器がトレーニングされて、PCG信号３２または調節されたPCG信号３２ｂの抽出された特徴から特徴ベースの異常性分類６１を導出するためのモデルを生成する。ここで、特徴ベースの異常性分類６１は、本開示においてさらに例示的に述べるように、一時ベースまたは期間ベースでPCG信号３２または調節されたPCG信号３２ｂのそれぞれの抽出された特徴の異常性の度合いの包括的な定量的スコアである。
特徴ベースの分類段Ｓ６０はさらに、PCG信号３２または調節されたPCG信号３２ａに、一時ベースでまたは期間ベースで特徴ベースの分類器を適用し、それによりPCG信号３２または調節されたPCG信号３２ａの心音の特徴ベースのノイズ様分類６２を得ることに関わってもよい。
実際上は、特徴ベースの分類段Ｓ６０は、PCG信号３２または調節されたPCG信号３２ｂの異常性の度合いおよびノイズの度合いの両方の定量的スコアを提供するよう構成できるいかなる型の特徴ベースの分類器を実装してもよい。
特徴ベースの分類段Ｓ６０の第二の実施形態では、特徴ベースの分類器はさらにトレーニングされて、PCG信号３２または調節されたPCG信号３２ｂの同じ、異なるまたは重なり合う抽出された特徴から特徴ベースのノイズ様分類６２を導出するためのモデルを生成する。ここで、特徴ベースのノイズ様分類６２は、本開示においてさらに例示的に述べるように、一時ベースまたは期間ベースでPCG信号３２または調節されたPCG信号３２ｂのそれぞれの抽出された特徴のノイズの度合いの包括的な定量的スコアである。
引き続き図１Ａを参照するに、深層学習分類段Ｓ７０は、PCG信号３２または調節されたPCG信号３２ａに、一時ベースでまたは期間ベースで深層学習分類器を適用し、それによりPCG信号３２または調節されたPCG信号３２ａの心音の深層学習異常性分類７１を得ることに関わる。
実際上は、深層学習分類段Ｓ７０は、PCG信号３２または調節されたPCG信号３２ｂの異常性の度合いの定量的スコアを提供するよう構成できるいかなる型の深層学習分類器を実装してもよい。
深層学習分類段Ｓ７０の第一の実施形態では、深層学習分類器がトレーニングされて、PCG信号３２または調節されたPCG信号３２ｂの分解された周波数帯域から深層学習異常性分類７１を導出するためのモデルを生成する。ここで、深層学習異常性分類７１は、本開示においてさらに例示的に述べるように、一時ベースまたは期間ベースでPCG信号３２または調節されたPCG信号３２ｂのそれぞれの分解された周波数帯域のノイズの度合いの包括的な定量的スコアである。
深層学習分類段Ｓ７０はさらに、PCG信号３２または調節されたPCG信号３２ａに、一時ベースでまたは期間ベースで深層学習分類器を適用し、それによりPCG信号３２または調節されたPCG信号３２ａの心音の深層学習ノイズ様分類７２を得ることに関わってもよい。
実際上は、深層学習分類段Ｓ７０は、PCG信号３２または調節されたPCG信号３２ｂの異常性の度合いおよびノイズの度合いの両方の定量的スコアを提供するよう構成できるいかなる型の深層学習分類器を実装してもよい。
深層学習分類段Ｓ７０の第二の実施形態では、深層学習分類器はさらにトレーニングされて、PCG信号３２または調節されたPCG信号３２ｂの同じ、異なるまたは重なり合う周波数帯域から深層学習ノイズ様分類７２を導出するためのモデルを生成する。ここで、深層学習ノイズ様分類７２は、本開示においてさらに例示的に述べるように、一時ベースまたは期間ベースでPCG信号３２または調節されたPCG信号３２ｂのそれぞれの分解された周波数帯域のノイズの度合いの包括的な定量的スコアである。
引き続き図１Ａを参照するに、PCG信号合同分析器４０ａはさらに、特徴ベースの異常性分類６１および深層学習異常性分類７１の両方に最終判断合同分析器を適用して、それにより一時ベースまたは期間ベースでPCG信号３２によって表わされる心音の異常性の検出があればそれを示す最終的な異常性分類判断８１を決定することに関わる分類判断段Ｓ８０を実装する。
実際上は、最終判断合同分析器は、特徴ベースの異常性分類６１および深層学習異常性分類７１が集合的にPCG信号３２によって表わされる心音の異常性の何らかの検出を示すかどうかを判定するための一つまたは複数の論理規則を実装してもよい。
分類判断段Ｓ８０の第一の実施形態では、最終判断合同分析器は、特徴ベースの異常性分類６１および深層学習異常性分類７１の両方がPCG信号３２によって表わされる心音の異常性の受け容れられない度合いの検出を示す場合に、一時ベースまたは期間ベースでPCG信号３２によって表わされる心音の異常性の検出を決定してもよい。該受け容れられない度合いの検出は、特徴ベースの異常性分類６１および深層学習異常性分類７１の、異常性分類閾値（単数または複数）との比較から導出される。これについては本開示においてさらに例示的に記述する。
実際上はまた、PCG信号３２における何らかのノイズの検出に関わる実施形態については、最終判断合同分析器は、特徴ベースの異常性分類６１および深層学習異常性分類７１が集合的にPCG信号３２によって表わされる心音の異常性の何らかの検出を示すかどうかを、PCG信号３２におけるノイズの度合いに基づいて条件付きで判定するための一つまたは複数の論理規則を実装してもよい。
分類判断段Ｓ８０の第二の実施形態では、最終分類合同分析器は、特徴ベースのノイズ様分類６２および／または深層学習ノイズ様分類７２の両方が、PCG信号３２によって表わされる心音内のノイズについて受け容れられない度合いの検出を示さない場合に、分類判断段Ｓ８０の前記第一の実施形態に記載されるPCG信号３２によって表わされる心音の異常性の検出を条件付きで決定してもよい。該受け容れられない度合いの検出は、特徴ベースのノイズ様分類６２および／または深層学習ノイズ様分類７２の、ノイズ様分類閾値（単数または複数）との比較から導出される。これについては本開示においてさらに例示的に記述する。
引き続き図１Ａを参照するに、分類判断段Ｓ８０はさらに、最終的な異常性分類判断８１を臨床医などに一つまたは複数の出力装置９０を介して報告することに関わる。該出力装置は、（たとえばワークステーション、モバイル装置の）モニター、プリンター、視覚的インジケーター（たとえばLED集合体）およびオーディオ・インジケーター（たとえばスピーカー）を含むがそれに限定されない。
実際上は、最終的な異常性分類判断８１は、臨床医などへの最終的な異常性分類判断８１の通知のために好適ないかなるフォーマットで出力装置（単数または複数）９０に通信されてもよい。より具体的には、実際上は、最終的な異常性分類判断８１は単に、正常な心音または異常な心音を表わすものとしてまたはノイズ様のPCG信号として（もし該当すれば）報告されてもよい。さらに、最終的な異常性分類判断８１の報告は、追加的な情報、たとえば心音の異常性の度合い、あるいはノイズ様PCG信号についてはPCG信号記録器３０により心音記録をやり直すようにとの通知（もし該当すれば）を含んでいてもよい。
また、実際上は、出力装置９０は、PCG信号記録器３０またはPCG信号合同分析器４０ａのコンポーネントであってもよい。
図１Ｂを参照するに、本開示のPCG分類器アンサンブル・システム２０ｂは、PCG信号記録器３０（図１Ａ）とPCG信号合同分析器４０ｂとを用いる。
システム２０ｂについては、PCG信号合同分析器４０ｂは、特徴ベースの異常性分類６１および深層学習異常性分類７１が集合的にPCG信号３２によって表わされる心音の異常性の何らかの検出を示すかどうかを判定するための有効化信号として、特徴ベースのノイズ様分類６２および／または深層学習ノイズ様分類７２を利用する。
具体的には、PCG信号合同分析器４０ｂは任意的に、本開示において先述したようなPCG調節段Ｓ５０を、調節されたPCG信号３２ａ〜３２ｄを生成するために実装する。これらの調節されたPCG信号は、同じ調節されたPCG信号、異なる調節されたPCG信号またはそれらの組み合わせでありうる。
PCG信号合同分析器４０ｂは、本開示において先述したように特徴ベースのノイズ様分類６２を得るための特徴ベースの分類段Ｓ６０ａおよび／または本開示において先述したように深層学習ノイズ様分類７２を得るための深層学習分類段Ｓ７０ａを実装する。ここで、分類判断段Ｓ８０ａは、特徴ベースのノイズ様分類６２および／または深層学習ノイズ様分類７２によって個々にまたは集合的に示されるPCG信号３２内のノイズの度合いに依存して、特徴ベースの分類段Ｓ６０ｂ、深層学習分類段Ｓ７０ｂおよび分類判断段Ｓ８０ｂを有効または無効にするための有効化信号８２を生成する。有効にされる場合、特徴ベースの分類段Ｓ６０ｂ、深層学習分類段Ｓ７０ｂおよび分類判断段Ｓ８０ｂは、一つまたは複数の出力装置９０（図１Ａ）を介して臨床医などに最終的な異常性分類判断８１を報告するために本開示において先述したように実装される。
引き続き図１Ｂを参照するに、PCG信号分析器４０ｂはＳ６０ｃ、Ｓ７０ｃおよびＳ８０ｃを割愛してもよく、それにより、段Ｓ８０は有効化信号８２の代わりに代替的に、PCG信号３２の最終的なノイズ様分類判断を出力する。PCG信号３２の最終的なノイズ様分類判断は、ノイズ様のPCG信号またはきれいなPCG信号として報告されてもよい。さらに、PCG信号３２のノイズ様のPCG信号としての報告は、たとえばPCG信号記録器３０による心音記録をやり直すようにとの通知のような追加的な情報を含んでいてもよい。
本開示の発明のさらなる理解を容易にするために、図２Ａ〜２Ｊの以下の記述は、本開示のPCG信号記録器とPCG信号合同分析器との間の通信モードのさまざまな実施形態を教示する。図２Ａ〜２Ｊの記述から、当業者は、PCG信号記録器とPCG信号合同分析器との間の通信モードの数多くのさまざまな追加的な実施形態を作成し、使うために本開示をどのように応用すべきかを理解するであろう。
図２Ａ〜２Ｃを参照するに、PCG信号記録器３０（図１Ａ）およびPCG信号合同分析器４０（図１Ａおよび１Ｂ）はスタンドアローンの装置として示されている。たとえば、PCG信号記録器３０はデジタル聴診器であってもよく、PCG信号合同分析器４０はPCGモニターであってもよい。図２Ａはさらに、PCG信号記録器３０とPCG信号合同分析器４０との間の有線通信２１ａの実装を示している。図２Ｂはさらに、PCG信号記録器３０とPCG信号合同分析器４０との間の有線通信２２ａの実装を示している。図２Ｃはさらに、PCG信号記録器３０とPCG信号合同分析器４０との間の、任意の型の一つまたは複数のネットワーク１００を介した有線／無線ネットワーク通信２３ａの実装を示している。
図２Ｄ〜２Ｆを参照するに、PCG信号記録器３０は装置１１０ａのコンポーネントとして示されており、PCG信号合同分析器４０はスタンドアローンの装置として示されている。たとえば、PCG信号記録器３０は任意の型のハンドヘルド装置のコンポーネントであってもよく、PCG信号合同分析器４０はPCGモニターであってもよい。図２Ｄはさらに、装置１１０ａとPCG信号合同分析器４０との間の有線通信２１ｂの実装を示している。図２Ｅはさらに、装置１１０ａとPCG信号合同分析器４０との間の有線通信２２ｂの実装を示している。図２Ｆはさらに、装置１１０ａとPCG信号合同分析器４０との間の、任意の型の一つまたは複数のネットワーク１００を介した有線／無線ネットワーク通信２３ｂの実装を示している。
図２Ｇ〜２Ｉを参照するに、PCG信号記録器３０はスタンドアローンの装置として示されており、PCG信号合同分析器４０は装置１１０ｂのコンポーネントとして示されている。たとえば、PCG信号記録器３０はデジタル聴診器であってもよく、PCG信号合同分析器４０はハンドヘルド装置のコンポーネントであってもよい。図２Ｇはさらに、PCG信号記録器３０と装置１１０ｂとの間の有線通信２１ｃの実装を示している。図２Ｈはさらに、PCG信号記録器３０と装置１１０ｂとの間の有線通信２２ｃの実装を示している。図２Ｉはさらに、PCG信号記録器３０と装置１１０ｂとの間の、任意の型の一つまたは複数のネットワーク１００を介した有線／無線ネットワーク通信２３ｃの実装を示している。
実際上、有線、無線またはネットワーク通信は、装置１１０ａ（図２Ｄ〜２Ｆ）と装置１１０ｂ（図２Ｇ〜２Ｉ）についても実装されてもよい。
図２Ｊを参照するに、PCG信号記録器３０およびPCG信号合同分析器４０は両方とも装置１１０ｃのコンポーネントとして示されている。ここでは、PCG信号記録器３０およびPCG信号合同分析器４０は装置１１０ｃの統合されたまたは分離されたコンポーネントであってもよい。
本開示の発明のさらなる理解を容易にするために、図３〜図９Ｃの以下の記述は、本開示のPCG信号合同分析コントローラのさまざまな実施形態を教示する。図３〜図９Ｃの記述から、当業者は、PCG信号合同分析コントローラの数多くのさまざまな追加的な実施形態を作成し、使うために本開示をどのように応用すべきかを理解するであろう。
図３は、図１Ａおよび図１Ｂの段Ｓ５０〜Ｓ８０を実装するためのPCG信号合同分析コントローラ４１を示している。図のように、コントローラ４１は、プロセッサ４２、メモリ４３、ユーザー・インターフェース４４、ネットワーク・インターフェース４５および記憶部４６を、一つまたは複数のシステム・バス４８を介して相互接続されて含む。実際上は、コントローラ４１の構成要素４２〜４７の実際の編成は、図示したよりも複雑であってもよい。
プロセッサ４２は、メモリまたは記憶部〔ストレージ〕に記憶された命令を実行するまたは他の仕方でデータを処理することができるいかなるハードウェア装置であってもよい。よって、プロセッサ４２は、マイクロプロセッサ、フィールドプログラマブルゲートアレイ（FPGA）、特定用途向け集積回路（ASIC）または他の同様のデバイスを含みうる。
メモリ４３は、さまざまなメモリ、たとえばL1、L2またはL3キャッシュまたはシステム・メモリを含みうる。よって、メモリ４３は、静的ランダムアクセスメモリ（SRAM）、動的RAM（DRAM）、フラッシュメモリ、読み出し専用メモリ（ROM）または他の同様のメモリ・デバイスを含んでいてもよい。
ユーザー・インターフェース４４は、管理者のようなユーザーとの連絡を可能にする一つまたは複数の装置を含みうる。たとえば、ユーザー・インターフェース４４は、ディスプレイ、マウスおよびキーボードをユーザー・コマンドを受け取るために含んでいてもよい。いくつかの実施形態では、ユーザー・インターフェース４４はネットワーク・インターフェース４５を介してリモート端末に呈示されうるコマンドライン・インターフェースまたはグラフィカルユーザーインターフェースを含んでいてもよい。
ネットワーク・インターフェース４５は、他のハードウェア装置との通信を可能にするための一つまたは複数の装置を含みうる。たとえば、ネットワーク・インターフェース４５は、イーサネット（登録商標）プロトコルに従って通信するよう構成されたネットワーク・インターフェース・カード（NIC）を含んでいてもよい。さらに、ネットワーク・インターフェース４５は、TPC/IPプロトコルに従った通信のためのTCP/IPスタックを実装してもよい。ネットワーク・インターフェースのためのさまざまな代替的または追加的なハードウェアまたは構成が明白であろう。
記憶部４６は、一つまたは複数の機械可読記憶媒体、たとえば読み出し専用メモリ（ROM）、ランダムアクセスメモリ（RAM）、磁気ディスク記憶媒体、光記憶媒体、フラッシュメモリ・デバイスまたは同様の記憶媒体を含みうる。さまざまな実施形態において、記憶部４６は、プロセッサ４２による実行のための命令またはプロセッサ４２が作用しうるデータを記憶してもよい。たとえば、記憶部４６は、ハードウェアのさまざまな基本的動作を制御するための基礎オペレーティング・システム（図示せず）を記憶する。
より本開示に特定的なところでは、記憶部４６はさらに、PCG信号調節段Ｓ５０（図１Ａおよび図１Ｂ）を実装するためのPCG信号調節器５０、一つまたは複数の特徴ベースの分類段Ｓ６０（図１Ａおよび図１Ｂ）を実装するための一つまたは複数の特徴ベースの分類器６０、一つまたは複数の深層学習分類段Ｓ７０（図１Ａおよび図１Ｂ）を実装するための一つまたは複数の深層学習分類器７０および分類判断段Ｓ８０（図１Ａおよび図１Ｂ）を実装するための一つまたは複数の最終判断合同分析器８０を含む諸制御モジュール４８を記憶する。
制御モジュール４８はさらに、PCG信号記録器３０およびPCG信号合同分析器４０の統合を有する実施形態については、PCG信号記録器３０ａを含んでいてもよい。
図４Ａを参照するに、PCG信号調節器５０（図３）の例示的実施形態５０ａが、前処理段Ｓ５１およびPCS信号セグメント分割段Ｓ５２を実装する。
前処理段Ｓ５１は、本開示の分野において知られているようにして、PCG信号３２を1000Hzに再サンプリングし、25Hzから400Hzの間で帯域通過フィルタリングされ、次いでPCG信号３２におけるスパイクがあればそれを除去するよう前処理される。
PCS信号セグメント分割段Ｓ５２は、本開示の分野において知られているセグメント分割方法（たとえばロジスティック回帰セグメント分割法）を使って、再サンプリング／フィルタリングされたPCG信号３３をS1心音状態信号５３、収縮期心音状態信号５４、S2心音状態信号５５および拡張期心音状態信号５６にセグメント分割することに関わる。
図４Ｂを参照するに、特徴ベースの分類器６０の例示的実施形態６０ａは、特徴抽出段Ｓ６１および特徴ベースの分類段Ｓ６２を実装する。
特徴抽出段Ｓ６１は、心音状態信号５３〜５６からの一つまたは複数の時間領域特徴および／または一つまたは複数の周波数領域特徴の抽出から導出される特徴ベクトル６３に関わる。
特徴抽出段Ｓ６１の第一の実施形態では、PCG間隔（interval）パラメータおよびPCG振幅パラメータの統計的特徴（たとえば平均および標準偏差（SD））が36個の時間領域特徴として使われた。
PCG間隔パラメータは、RR間隔、S1間隔、S2間隔、収縮期間隔、拡張期間隔、各心拍の収縮期間隔とRR間隔の比、各心拍の拡張期間隔とRR間隔の比および／または各心拍の収縮期間隔と拡張器間隔の比を含みうる。
PCG振幅パラメータは、各心拍における収縮期の間の平均絶対振幅とS1期間の間の平均絶対振幅の比、各心拍における拡張期の間の平均絶対振幅とS2期間の間の平均絶対振幅の比、各心拍におけるS1期間の間の振幅の歪度（skewness）、各心拍におけるS2期間の間の振幅の歪度、各心拍における収縮期の間の振幅の歪度、各心拍における拡張期の間の振幅の歪度、各心拍におけるS1期間の間の振幅の尖度（kurtosis）、各心拍におけるS2期間の間の振幅の尖度、各心拍における収縮期の間の振幅の尖度および／または各心拍における拡張期の間の振幅の尖度を含みうる。
特徴抽出段Ｓ６１の第二の実施形態では、各心臓サイクルについて、各心音状態信号５３〜５６についての時系列が周波数解析のために生成される。周波数スペクトルは、ハミング窓および離散時間フーリエ変換を使って推定される。各心臓サイクルについてS1、S2、収縮期および拡張期での時系列において9個の周波数帯域（たとえば25〜45Hz、45〜65Hz、65〜85Hz、85〜105Hz、105〜125Hz、125〜150Hz、150〜200Hz、200〜300Hzおよび300〜400Hz）にわたってメジアン・パワーが計算される。次いで、すべてのサイクルについての異なる帯域におけるメジアン・パワーの平均が26個の周波数領域特徴として使われる。
さらに、各心臓サイクルにおける心音状態信号５３〜５６から13個のメル周波数ケプストラル係数（MFCC: mel-frequency cepstral coefficient）が抽出されてもよく、異なる心音状態についてのMFCCの、異なるサイクルについての平均が、52個のMFCC特徴として使われてもよい。
特徴ベースの分類Ｓ６２は、アダブースト自制（AdaBoost-abstain）分類器の実装に関わる。具体的には、アダブーストは、「弱い学習器」のアンサンブルから強力な分類器を構築するための実効的な機械学習技法である。ブーストされた分類器H(x)は、多数の基礎仮説の一般化された加法モデルとして、次式[1]に従ってモデル化される。
Figure 2019531792
 ここで、bは、諸カテゴリーの優勢を考慮に入れる定数バイアスであり、各基礎分類器h(x;θt)はxの関数であり、ベクトルθt内の要素によって与えられるパラメータをもち、分類出力（＋1または−1）を生成する。
実際上は、各基礎分類器は、上記の特徴の一つに対する単純な決定株である。それぞれの基礎分類器は、アダブーストの修正バージョンであるアダブースト自制法を使うと、投票することを控える（出力＝0）よう構成される。最終的な分類判断は、H(x)の符号を取ることによって割り当てられる。その結果、モデルに含まれる基礎分類器による重み付けされた多数決になる。
特徴ベースの分類Ｓ６２の第一の実施形態では、予備的な分類判断は、PCG信号３２によって表わされる心音の異常性の度合いの定量的スコアを指定する特徴ベースの異常性判断６４である。
特徴ベースの分類Ｓ６２の第二の実施形態では、予備的な分類判断は、PCG信号３２内のノイズの度合いの定量的スコアを指定する特徴ベースのノイズ様判断６５をさらに含む。
図４Ｃを参照するに、深層学習分類器７０の例示的実施形態７０ａは、心臓サイクル抽出／周波数帯域分解段Ｓ７１および畳み込みニューラル・ネットワーク（CNN: convolutional neural network）分類段Ｓ７２を実装する。
心臓サイクル抽出／周波数帯域分解段Ｓ７１は、心音状態信号５３〜５６から心臓サイクルを抽出し、各心臓サイクルを四つの周波数帯域７３（すなわち25〜45Hz、45〜80Hz、80〜200Hzおよび200〜400Hz）に分解することに関わる。各心臓サイクルは、PCG信号３２の予期される最長の心臓サイクルに対応する固定した継続時間（たとえば2.5秒）をもつ。PCG信号３２の心臓サイクルがより短い継続時間をもつ場合には、時系列は0でパディングされる。
CNN分類段Ｓ７２は、図５に示されるCNN分類器７０ｂによる周波数帯域７３の処理に関わる。
図５を参照するに、各周波数帯域に一つで四つの時系列がCNN分類器７０ｂの入力である。各CNN分類器７０ｂは三つの層からなる。入力層１７０に続いて二つの畳み込み層１７１および１７２がある。入力層１７０は特定の周波数帯域の心臓サイクルに対応する（すなわち長さ＝2500サンプル）。各畳み込み層１７１および１７２は畳み込み演算、非線型変換およびマックス（max）プーリング演算に関わる。第一の畳み込み層１７１は長さ5の八つのフィルタをもち、続いてReLuおよび2倍のmaxプーリングがある。第二の畳み込み層１７２は長さ5の四つのフィルタをもち、続いてReLuおよび2倍のmaxプーリングがある。畳み込み層１７２の出力は多層パーセプトロン（MLP: multilayer perceptron）ネットワーク１７３に入力される。ネットワーク１７３は入力層（すなわち、CNN １７２の平坦化された出力）、20個のニューロンをもつ隠れ層および出力層（すなわち一つのノード）からなる。ネットワーク１７３の隠れ層における活性化関数はReLuであり、ネットワーク１７３の出力層における活性化関数はシグモイドである。ネットワーク１７２の出力層は異常な心音のクラス・スコア（たとえば確率値CNN_ABN）を計算する。第二の畳み込み層１７２のmaxプーリング後に25%のドロップアウトが適用されてもよい。MLPネットワーク１７３の隠れ層において50%のドロップアウトおよびL2正則化が適用されてもよい。
CNN分類段Ｓ７２の第一の実施形態では、予備的な分類判断は、PCG信号３２によって表わされる心音の異常性の度合いの定量的スコアを指定する深層学習異常性判断７４である。
CNN分類段Ｓ７２の第二の実施形態では、予備的な分類判断は、PCG信号３２内のノイズの度合いの定量的スコアを指定する深層学習ノイズ様判断７５をさらに含む。
図４Ｄを参照するに、最終判断合同分析器８０の例示的実施形態８０ａは、PCG信号３２によって表わされる心音の最終的な異常性分類判断８４を決定するためのこれらの予備的な分類判断の合同分析に関わる最終分類裁定段Ｓ８３を実装する。
最終分類裁定段Ｓ８３の第一の実施形態では、次の論理判断規則が、特徴ベースの異常性閾値（thr_ABN）および深層学習異常性閾値（thr_CNN）に基づいて特徴ベースの異常性分類６４（AdaBoost_ABN）および深層学習異常性分類７４（CNN_ABN）に適用される。
Figure 2019531792
最終分類裁定段Ｓ８３の第二の実施形態では、次の論理判断規則が、特徴ベースの異常性閾値（thr_ABN）、深層学習異常性閾値（thr_CNN）および特徴ベースのノイズ様閾値（thr_SQI）に基づいて特徴ベースの異常性分類６４（AdaBoost_ABN）、深層学習異常性分類７４（CNN_ABN）および特徴ベースのノイズ様分類６４（AdaBoost_SQI）に適用される。
Figure 2019531792
最終分類裁定段Ｓ８３の第三の実施形態では、次の論理判断規則が、特徴ベースの異常性閾値（thr_ABN）、深層学習異常性閾値（thr_CNN）および深層学習ノイズ様閾値（thr_SQI）に基づいて特徴ベースの異常性分類６４（AdaBoost_ABN）、深層学習異常性分類７４（CNN_ABN）および深層学習ノイズ様分類（CNN_SQI）に適用される。
Figure 2019531792
最終分類裁定段Ｓ８３の第四の実施形態では、次の論理判断規則が、特徴ベースの異常性閾値（thr_ABN）、深層学習異常性閾値（thr_CNN）、特徴ベースのノイズ様閾値（thr_SQIA）および深層学習ノイズ様閾値（thr_SQIC）に基づいて特徴ベースの異常性分類６４（AdaBoost_ABN）、深層学習異常性分類７４（CNN_ABN）、特徴ベースのノイズ様分類６５（AdaBoost_SQIA）および深層学習ノイズ様分類（CNN_SQIC）に適用される。
Figure 2019531792
ノイズの多いPCGときれいなPCG信号の間の区別をするための本開示の実施形態のために、本開示の特徴ベースの分類器は本開示で先述したように特徴ベースのノイズ様分類を生成し、本開示の深層学習分類器は深層学習ノイズ様分類を生成し、最終判断合同分析器がこれらの特徴ベースのノイズ様分類および深層学習ノイズ様分類に論理規則を適用して、最終的なノイズ分類判断を決定する。たとえば、特徴ベースのノイズ様分類が特徴ベースのノイズ様閾値と比較されてもよく、深層学習ノイズ様分類が深層学習ノイズ様閾値と比較されてもよく、論理的ANDまたは論理的ORが比較結果に適用されて、最終的なノイズ様分類判断を決定する。
図６のＡ〜Ｄは、表わされている異常な心音として描写されているPCG信号３２abのトレーニング・セットに基づく、特徴ベースの分類器６０ａ、深層学習分類器７０ａおよび最終判断合同分析器８０ａの例示的なトレーニングを示している。
図７のＡ〜Ｄは、表わされている正常な心音として描写されているPCG信号３２nmのトレーニング・セットに基づく、特徴ベースの分類器６０ａ、深層学習分類器７０ａおよび最終判断合同分析器８０ａの例示的なトレーニングを示している。
図８のＡ〜Ｄは、ノイズ様のPCG信号として描写されているPCG信号３２abのトレーニング・セットに基づく、特徴ベースの分類器６０ａ、深層学習分類器７０ａおよび最終判断合同分析器８０ａの例示的なトレーニングを示している。
図９のＡ〜Ｄは、きれいなPCG信号として描写されているPCG信号３２nmのトレーニング・セットに基づく、特徴ベースの分類器６０ａ、深層学習分類器７０ａおよび最終判断合同分析器８０ａの例示的なトレーニングを示している。
実地において、特徴ベースの分類器６０ａのトレーニングにおいて、124個の特徴が、正常／異常な心音を分類するためのアダブースト自制分類器に入力された。パラメータ（たとえば反復工程数）のチューニング後、分類器によって選択された特徴は59個だけであった。選択された特徴のうち、上位の10個は、S1、S2および拡張期状態に関連付けられたMFCCと、S1の間の振幅の尖度のSDと、S1およびS2間隔の平均およびSD値であった。アダブースト自制法は、インハウス試験セットに対して、レシーバー動作特性の下の面積（area under the receiver operating characteristic）（AUC）0.91を与えた。
ノイズ様の／きれいな心音を分類するために同様の手法が使われた。アダブースト自制分類器に入力された124個の特徴のうち、69個が分類器によって選択された。上位の10個は、収縮期の間の平均絶対振幅対S1期間の間の平均絶対振幅の比の平均と、拡張期の間の平均絶対振幅対S2期間の間の平均絶対振幅と、RR間隔の平均値と、S2および収縮期間隔のSD値と、S1、S2および収縮期状態に関連付けられたMFCCに関係していた。アダブースト自制法は、前記インハウス試験セットに対して、0.94のAUCを与えた。
実地において、深層学習分類器７０ａのトレーニングは、前記インハウス・トレーニング・セットを使った、CNNネットワークのハイパーパラメータのチューニングに関わるものであり、以下の構成を与えた：バッチ・サイズ1024、学習レート0.0007および200回のエポック。損失関数が下がるのを止めたときには早期停止が適用された。CNN分類器は正常／異常な心音の分類のための前記インハウス試験セットに対して、0.92に等しいAUCを与えた。
実地において、閾値thr_SQI、thr_ABNおよびthr_CNNについての最適なレベルはそれぞれ0.7、0.4および0.4であると決定された。前記インハウス試験セットに対して、アダブースト自制法、CNNおよび正常／異常な心音を分類するための分類器アンサンブルを使って達成された結果を下記の表に示す。ブラインド試験データセットの部分集合を使った最良の結果は、0.885の全体的スコアであった（感度および特異性はそれぞれ0.96および0.809に等しい）。
Figure 2019531792
図１〜図９を参照して、当業者は本開示の発明の多くの恩恵を理解するであろう。それには、本開示の方法、システムおよび装置が特徴ベースの手法および機械学習手法の組み合わせを提供して、正常な心音と異常な心音の間の区別をするための最適な精度を容易にすることが含まれるが、それに限定されない。
さらに、記憶部に記憶されると記載されているさまざまな情報が、追加的または代替的にメモリに記憶されてもよいことは明白であろう。これに関し、メモリは「記憶装置」をなすとも考えられてもよく、記憶部は「メモリ」と考えられてもよい。さまざまな他の構成が明白であろう。さらに、メモリおよび記憶部はいずれも「非一時的な機械可読媒体」と考えられてもよい。本稿での用法では、用語「非一時的」とは、一時的な信号を除外するが、揮発性および不揮発性メモリの両方を含むあらゆる形の記憶を含むものと理解される。
装置はそれぞれの記載されるコンポーネントを一つ含むものとして示されているが、さまざまな実施形態においてさまざまなコンポーネントが複数あってもよい。たとえば、プロセッサは、複数のマイクロプロセッサを含んでいてもよく、該複数のマイクロプロセッサは、本開示に記載される方法を独立して実行するよう構成される、あるいは該複数のプロセッサが協働して本開示に記載される機能を達成するよう本開示に記載される方法のステップまたはサブルーチンを実行するよう構成される。さらに、装置がクラウド・コンピューティング・システムにおいて実装される場合には、さまざまなハードウェア・コンポーネントは別個の物理的なシステムに属していてもよい。たとえば、プロセッサは第一のサーバーにおける第一のプロセッサと、第二のサーバーにおける第二のプロセッサとを含んでいてもよい。
上記の記述から、本発明のさまざまな例示的実施形態は、ハードウェアまたはファームウェアで実施されうることが明白なはずである。さらに、さまざまな例示的実施形態は、機械可読記憶媒体上に記憶された命令として実装されてもよく、該命令は、本稿で詳述される動作を実行するために少なくとも一つのプロセッサによって読まれ、実行されてもよい。機械可読媒体は、機械によって読み取り可能な形で情報を記憶するための任意の機構、たとえばパーソナル・コンピュータもしくはラップトップ・コンピュータ、サーバーまたは他のコンピューティング装置を含みうる。このように、機械可読記憶媒体は、読み出し専用メモリ（ROM）、ランダムアクセスメモリ（RAM）、磁気ディスク記憶媒体、光学式記憶媒体、フラッシュメモリ・デバイスおよび同様の記憶媒体を含みうる。
当業者は、本願のどのブロック図も、本発明の原理を具現する例示的な回路の概念図を表わしていることを理解するはずである。同様に、フローチャート、流れ図、状態遷移図、擬似コードなどはいずれも、機械可読媒体において実質的に表現され、よってコンピュータまたはプロセッサによって実行されうるさまざまなプロセスを表わすことを理解するであろう。これは、そのようなコンピュータまたはプロセッサが明示的に示されているか否かによらない。
さまざまな例示的実施形態がそのある種の例示的な側面を具体的に参照して詳細に記載されてきたが、本発明は、他の実施形態も可能であり、その詳細はさまざまな自明な点において修正できることを理解しておくべきである。当業者には容易に明白となるように、本発明の精神および範囲内に留まりながら、変形および修正を実施できる。よって、上記の開示、記述および図面は、単に例示目的であり、いかなる仕方でも本発明を限定するものではない。本発明は、請求項によってのみ定義される。
本開示に記載される実施形態は、特徴ベースの手法と深層学習手法（たとえば教師なし特徴学習）の組み合わせを提供する。より具体的には、深層学習は正常な心音および異常な心音として指定された心音図から特徴を学習し、そのような異常性特徴を分類目的のために使う力をもつ。本開示は、正常な心音および異常な心音の特徴ベースの分類ならびに正常な心音および異常な心音の深層学習分類の恩恵を組み合わせる。本開示はさらに、ノイズ様の心音図（PCG）信号およびきれいなPCG信号の特徴ベースの分類および／またはノイズ様のPCG信号およびきれいなPCG信号の深層学習分類を提供する。
ここで、米国特許出願公開第2015/164466号（「心音を分類するためのシステムおよび方法」）、米国特許出願公開第2014/180153号（「冠動脈疾患の音響的検出および心音データの自動化された編集のためのシステムおよび方法」）および中国特許出願公開第1850007号（「心音解析および心音セグメント分割方法に基づく心疾患自動分類システム」）が参照される。

Claims (20)

  1. 正常な心音と異常な心音の間の区別をするための心音図（PCG）信号合同分析器であって、当該PCG信号合同分析器は、プロセッサとメモリとを有し：
    PCG信号に特徴ベースの分類器を適用して前記PCG信号によって表わされる心音の特徴ベースの異常性分類を得て；
    前記PCG信号に深層学習分類器を適用して、前記PCG信号によって表わされる心音の深層学習異常性分類を得て；
    前記PCG信号によって表わされる心音の前記特徴ベースの異常性分類および前記深層学習異常性分類に最終判断合同分析器を適用して、前記PCG信号の最終的な異常性分類判断を決定し；
    前記PCG信号の前記最終的な異常性分類判断を報告するよう構成されている、
    PCG信号合同分析器。
  2. 前記プロセッサおよび前記メモリはさらに、前記PCG信号に前記特徴ベースの分類器および前記深層学習分類器を適用する前に、前記PCG信号を調節するよう構成されており、
    前記PCG信号の調節は：
    前記PCG信号にスパイク・フィルタを適用すること、および
    前記PCG信号を複数の心音状態にセグメント分割することを含む、
    請求項１記載のPCG信号合同分析器。
  3. 前記PCG信号に前記特徴ベースの分類器を適用することが：
    前記PCG信号から特徴ベクトルを抽出する段階であって、前記特徴ベクトルは時間領域特徴および周波数領域特徴を含む、段階と；
    前記特徴ベクトルにアダブースト自制分類器を適用して前記PCG信号によって表わされる心音の前記特徴ベースの異常性分類を決定する段階とを含む、
    請求項１記載のPCG信号合同分析器。
  4. 前記PCG信号に前記深層学習分析器を適用することが：
    前記PCG信号から心臓サイクルを抽出し；
    前記心臓サイクルを周波数帯域に分割し；
    前記周波数帯域に畳み込みニューラル・ネットワークを適用して、前記PCG信号によって表わされる心音の前記深層学習異常性分類を決定することを含む、
    請求項１記載のPCG信号合同分析器。
  5. 前記PCG信号によって表わされる心音の前記特徴ベースの異常性分類および前記PCG信号によって表わされる心音の前記深層学習異常性分類に前記最終判断分析器を適用することが：
    最終判断規則に従って異常性閾値を、前記PCG信号によって表わされる心音の前記特徴ベースの異常性分類および前記PCG信号によって表わされる心音の前記深層学習異常性分類と比較することを含む、
    請求項１記載のPCG信号合同分析器。
  6. 前記プロセッサおよび前記メモリはさらに：
    前記特徴ベースの分類器をPCG信号に適用して前記PCG信号によって表わされる心音の特徴ベースのノイズ様分類を得て；
    前記PCG信号によって表わされる心音の前記特徴ベースの異常性分類、前記特徴ベースのノイズ様分類および前記深層学習異常性分類に前記最終判断合同分析器を適用して、前記PCG信号の前記最終的な異常性分類判断を決定するよう構成されている、
    請求項１記載のPCG信号合同分析器。
  7. 前記プロセッサおよび前記メモリはさらに：
    前記深層学習分類器をPCG信号に適用して前記PCG信号によって表わされる心音の深層学習ノイズ様分類を得て；
    前記PCG信号によって表わされる心音の前記特徴ベースの異常性分類、前記深層学習異常性分類および前記深層学習ノイズ様分類に前記最終判断合同分析器を適用して、前記PCG信号の前記最終的な異常性分類判断を決定するよう構成されている、
    請求項１記載のPCG信号合同分析器。
  8. 前記PCG信号の前記最終的な異常性分類判断が：
    前記PCG信号の正常分類；および
    前記PCG信号の異常分類
    のうちの一つである、請求項１記載のPCG信号合同分析器。
  9. 前記PCG信号の前記最終的な異常性分類判断が：
    前記PCG信号の正常分類；
    前記PCG信号の異常分類；および
    前記PCG信号の不確かであるという分類
    のうちの一つである、請求項１記載のPCG信号合同分析器。
  10. 前記PCG信号合同分析器が、前記PCG信号を受領するようPCG信号記録器と通信する、請求項１記載のPCG信号合同分析器。
  11. 正常な心音と異常な心音の間の区別をするためのコンピュータ・プログラムであって：
    心音図（PCG）信号に特徴ベースの分類器を適用して前記PCG信号によって表わされる心音の特徴ベースの異常性分類を得る段階と；
    前記PCG信号に深層学習分類器を適用して、前記PCG信号によって表わされる心音の深層学習異常性分類を得る段階と；
    前記PCG信号によって表わされる心音の前記特徴ベースの異常性分類および前記PCG信号によって表わされる心音の前記深層学習異常性分類に最終判断合同分析器を適用して、前記PCG信号の最終的な異常性分類判断を決定する段階と；
    前記PCG信号の前記最終的な異常性分類判断を報告する段階とをコンピュータに実行させるための命令を含む、
    コンピュータ・プログラム。
  12. 前記PCG信号に前記特徴ベースの分類器および前記深層学習分類器を適用する前に、前記PCG信号を調節する段階をコンピュータに実行させるための命令をさらに含み、
    前記PCG信号の調節は：
    前記PCG信号にスパイク・フィルタを適用すること、および
    前記PCG信号を複数の心音状態にセグメント分割することを含む、
    請求項１１記載のコンピュータ・プログラム。
  13. 前記PCG信号に前記特徴ベースの分類器を適用することが：
    前記PCG信号から特徴ベクトルを抽出する段階であって、前記特徴ベクトルは時間領域特徴および周波数領域特徴を含む、段階と；
    前記特徴ベクトルにアダブースト自制分類器を適用して前記PCG信号によって表わされる心音の前記特徴ベースの異常性分類を決定する段階とを含む、
    請求項１１記載のコンピュータ・プログラム。
  14. 前記PCG信号に前記深層学習分析器を適用することが：
    前記PCG信号から心臓サイクルを抽出し；
    前記心臓サイクルを周波数帯域に分割し；
    前記周波数帯域に畳み込みニューラル・ネットワークを適用して、前記PCG信号によって表わされる心音の前記深層学習異常性分類を決定することを含む、
    請求項１１記載のコンピュータ・プログラム。
  15. 前記PCG信号によって表わされる心音の前記特徴ベースの異常性分類および前記PCG信号によって表わされる心音の前記深層学習異常性分類に前記最終判断分析器を適用することが：
    最終判断規則に従って異常性閾値を、前記PCG信号によって表わされる心音の前記特徴ベースの異常性分類および前記PCG信号によって表わされる心音の前記深層学習異常性分類と比較することを含む、
    請求項１１記載のコンピュータ・プログラム。
  16. 正常な心音と異常な心音の間の区別をするための心音図（PCG）信号合同分析方法であって：
    PCG信号に特徴ベースの分類器を適用して前記PCG信号によって表わされる心音の特徴ベースの異常性分類を得る段階と；
    前記PCG信号に深層学習分類器を適用して、前記PCG信号によって表わされる心音の深層学習異常性分類を得る段階と；
    前記PCG信号によって表わされる心音の前記特徴ベースの異常性分類および前記PCG信号によって表わされる心音の前記深層学習異常性分類に最終判断合同分析器を適用して、前記PCG信号の最終的な異常性分類判断を決定する段階と；
    前記PCG信号の前記最終的な異常性分類判断を報告する段階とを含む、
    PCG信号合同分析方法。
  17. 前記PCG信号に前記特徴ベースの分類器および前記深層学習分類器を適用する前に、前記PCG信号を調節する段階をさらに含み、
    前記PCG信号の調節は：
    前記PCG信号にスパイク・フィルタを適用すること、および
    前記PCG信号を複数の心音状態にセグメント分割することを含む、
    請求項１６記載のPCG信号合同分析方法。
  18. 前記PCG信号に前記特徴ベースの分類器を適用することが：
    前記PCG信号から特徴ベクトルを抽出する段階であって、前記特徴ベクトルは時間領域特徴および周波数領域特徴を含む、段階と；
    前記特徴ベクトルにアダブースト自制分類器を適用して前記PCG信号によって表わされる心音の前記特徴ベースの異常性分類を決定する段階とを含む、
    請求項１６記載のPCG信号合同分析方法。
  19. 前記PCG信号に前記深層学習分析器を適用することが：
    前記PCG信号から心臓サイクルを抽出し；
    前記心臓サイクルを周波数帯域に分割し；
    前記周波数帯域に畳み込みニューラル・ネットワークを適用して、前記PCG信号によって表わされる心音の前記深層学習異常性分類を決定することを含む、
    請求項１６記載のPCG信号合同分析方法。
  20. 前記PCG信号によって表わされる心音の前記特徴ベースの異常性分類および前記PCG信号によって表わされる心音の前記深層学習異常性分類に前記最終判断分析器を適用することが：
    最終判断規則に従って異常性閾値を、前記PCG信号によって表わされる心音の前記特徴ベースの異常性分類および前記PCG信号によって表わされる心音の前記深層学習異常性分類と比較することを含む、
    請求項１６記載のPCG信号合同分析方法。
JP2019512656A 2016-09-07 2017-09-07 異常心音の検出のための分類器アンサンブル Withdrawn JP2019531792A (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201662384276P 2016-09-07 2016-09-07
US62/384,276 2016-09-07
PCT/EP2017/072456 WO2018046595A1 (en) 2016-09-07 2017-09-07 Classifier ensemble for detection of abnormal heart sounds

Publications (1)

Publication Number Publication Date
JP2019531792A true JP2019531792A (ja) 2019-11-07

Family

ID=59829370

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019512656A Withdrawn JP2019531792A (ja) 2016-09-07 2017-09-07 異常心音の検出のための分類器アンサンブル

Country Status (7)

Country Link
US (1) US20190192110A1 (ja)
EP (1) EP3509498A1 (ja)
JP (1) JP2019531792A (ja)
CN (1) CN109843179A (ja)
BR (1) BR112019004145A2 (ja)
RU (1) RU2019110209A (ja)
WO (1) WO2018046595A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102352859B1 (ko) * 2021-02-18 2022-01-18 연세대학교 산학협력단 심장질환의 유무를 분류하는 장치 및 방법

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111107785B (zh) 2017-09-21 2023-12-01 皇家飞利浦有限公司 使用短的单导联ecg记录来检测心房颤动
GB201803805D0 (en) * 2018-03-09 2018-04-25 Cambridge Entpr Ltd Smart Stethoscopes
US20190365342A1 (en) * 2018-06-04 2019-12-05 Robert Bosch Gmbh Method and system for detecting abnormal heart sounds
CN110189769B (zh) * 2019-05-23 2021-11-19 复钧智能科技(苏州)有限公司 基于多个卷积神经网络模型结合的异常声音检测方法
JP7231027B2 (ja) * 2019-06-19 2023-03-01 日本電信電話株式会社 異常度推定装置、異常度推定方法、プログラム
JP2020203051A (ja) * 2019-06-19 2020-12-24 株式会社プロアシスト コンピュータプログラム、情報処理装置、情報処理方法、学習済みモデルの生成方法及び学習済みモデル
CN110368005A (zh) * 2019-07-25 2019-10-25 深圳大学 一种智能耳机及基于智能耳机的情绪及生理健康监控方法
WO2021032556A1 (en) 2019-08-20 2021-02-25 Koninklijke Philips N.V. System and method of detecting falls of a subject using a wearable sensor
CN110558944A (zh) * 2019-09-09 2019-12-13 成都智能迭迦科技合伙企业(有限合伙) 心音处理方法、装置、电子设备及计算机可读存储介质
US20210378579A1 (en) * 2020-06-04 2021-12-09 Biosense Webster (Israel) Ltd. Local noise identification using coherent algorithm
US11545256B2 (en) 2020-11-12 2023-01-03 Unitedhealth Group Incorporated Remote monitoring using an array of audio sensors and improved jugular venous pressure (JVP) measurement
US11751774B2 (en) 2020-11-12 2023-09-12 Unitedhealth Group Incorporated Electronic auscultation and improved identification of auscultation audio samples
CN115035913B (zh) * 2022-08-11 2022-11-11 合肥中科类脑智能技术有限公司 一种声音异常检测方法
WO2024068631A1 (en) * 2022-09-28 2024-04-04 Boehringer Ingelheim Vetmedica Gmbh Apparatus and method for classifying an audio signal

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4220160A (en) * 1978-07-05 1980-09-02 Clinical Systems Associates, Inc. Method and apparatus for discrimination and detection of heart sounds
CN100418480C (zh) * 2006-05-16 2008-09-17 清华大学深圳研究生院 基于心音分析的心脏病自动分类系统及其心音分段方法
WO2008036911A2 (en) * 2006-09-22 2008-03-27 University Of Medicine And Dentistry Of New Jersey System and method for acoustic detection of coronary artery disease
US8364263B2 (en) * 2006-10-26 2013-01-29 Cardiac Pacemakers, Inc. System and method for systolic interval analysis
US20110257548A1 (en) * 2008-12-30 2011-10-20 Koninklijke Philips Electronics N.V. Method and system for processing heart sound signals
CN101930734B (zh) * 2010-07-29 2012-05-23 重庆大学 一种心音信号分类识别方法及装置
US8992435B2 (en) * 2010-08-25 2015-03-31 Diacoustic Medical Devices (Pty) Ltd System and method for classifying a heart sound
CN104706321B (zh) * 2015-02-06 2017-10-03 四川长虹电器股份有限公司 一种基于改进的mfcc的心音类型识别方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102352859B1 (ko) * 2021-02-18 2022-01-18 연세대학교 산학협력단 심장질환의 유무를 분류하는 장치 및 방법
WO2022177045A1 (ko) * 2021-02-18 2022-08-25 연세대학교 산학협력단 심장질환의 유무를 분류하는 장치 및 방법

Also Published As

Publication number Publication date
BR112019004145A2 (pt) 2019-05-28
CN109843179A (zh) 2019-06-04
WO2018046595A1 (en) 2018-03-15
RU2019110209A (ru) 2020-10-08
EP3509498A1 (en) 2019-07-17
US20190192110A1 (en) 2019-06-27

Similar Documents

Publication Publication Date Title
JP2019531792A (ja) 異常心音の検出のための分類器アンサンブル
EP3608918B1 (en) Parallel implementation of deep neural networks for classifying heart sound signals
Potes et al. Ensemble of feature-based and deep learning-based classifiers for detection of abnormal heart sounds
US10765399B2 (en) Programmable electronic stethoscope devices, algorithms, systems, and methods
Ghassemi et al. Learning to detect vocal hyperfunction from ambulatory neck-surface acceleration features: Initial results for vocal fold nodules
Gjoreski et al. Chronic heart failure detection from heart sounds using a stack of machine-learning classifiers
Chakrabarti et al. Phonocardiogram signal analysis-practices, trends and challenges: A critical review
EP3427669B1 (en) Method and system for classifying phonocardiogram signal quality
Cohen-McFarlane et al. Comparison of silence removal methods for the identification of audio cough events
Mahmoudi et al. Sensor-based system for automatic cough detection and classification
Putra et al. Study of feature extraction methods to detect valvular heart disease (vhd) using a phonocardiogram
Porieva et al. Investigation of lung sounds features for detection of bronchitis and COPD using machine learning methods
KR102186159B1 (ko) 피어슨 상관계수 및 뉴로-퍼지 네트워크 기반 심음 분석 방법 및 시스템
Kamarulafizam et al. Classification of heart sound based on multipoint auscultation system
Rani et al. Machine learning approach for automatic lungs sound diagnosis from pulmonary signals
Heard et al. Speech workload estimation for human-machine interaction
Nehary et al. A deep convolutional neural network classification of heart sounds using fractional fourier transform
EP3562402B1 (en) Method of characterizing sleep disordered breathing
Balbin et al. Arrhythmia Detection using Electrocardiogram and Phonocardiogram Pattern using Integrated Signal Processing Algorithms with the Aid of Convolutional Neural Networks
Imani et al. Curve fitting, filter bank and wavelet feature fusion for classification of PCG signals
Mishra et al. Detection of heart murmurs for imbalanced dataset using adaptive synthetic sampling approach
KR20020043997A (ko) 주성분 분석에 의한 심음 분류 방법
Patidar et al. Detection of septal defects from cardiac sound signals using tunable-Q wavelet transform
Taneja et al. Heart audio classification using deep learning
KR102320100B1 (ko) 뉴로-퍼지 네트워크 기반 심음 분석 방법 및 시스템

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20190308

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200903

A761 Written withdrawal of application

Free format text: JAPANESE INTERMEDIATE CODE: A761

Effective date: 20201110