RU2019110209A - Ансамбль классификаторов для обнаружения анормальных сердечных тонов - Google Patents

Ансамбль классификаторов для обнаружения анормальных сердечных тонов Download PDF

Info

Publication number
RU2019110209A
RU2019110209A RU2019110209A RU2019110209A RU2019110209A RU 2019110209 A RU2019110209 A RU 2019110209A RU 2019110209 A RU2019110209 A RU 2019110209A RU 2019110209 A RU2019110209 A RU 2019110209A RU 2019110209 A RU2019110209 A RU 2019110209A
Authority
RU
Russia
Prior art keywords
pcg signal
classification
abnormality
pcg
signal
Prior art date
Application number
RU2019110209A
Other languages
English (en)
Inventor
Саман ПАРВАНЕХ
Кристиан Маурисио ПОТЕС БЛАНДОН
Асиф РАХМАН
Брайан КОНРОЙ
Original Assignee
Конинклейке Филипс Н.В.
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 Конинклейке Филипс Н.В. filed Critical Конинклейке Филипс Н.В.
Publication of RU2019110209A publication Critical patent/RU2019110209A/ru

Links

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

Claims (55)

1. Соанализатор (40) сигнала фонокардиограммы (ФКГ) для различения нормальных сердечных тонов и анормальных сердечных тонов, содержащий процессор (42) и память (43), выполненные с возможностью
применения основанного на выделении признака классификатора (60) в отношении сигнала ФКГ с получением основанной на выделении признака классификации анормальности сердечных тонов, представленных сигналом ФКГ;
применения основанного на глубоком обучении классификатора (70) в отношении сигнала ФКГ с получением основанной на глубоком обучении классификации анормальности сердечных тонов, представленных сигналом ФКГ;
применения соанализатора (80) окончательного решения в отношении основанной на выделении признака классификации анормальности и основанной на глубоком обучении классификации анормальности сердечных тонов, представленных сигналом ФКГ, с вынесением окончательного решения по классификации анормальности сигнала ФКГ; и
извещения об окончательном решении по классификации анормальности сигнала ФКГ.
2. Соанализатор (40) по п. 1, в котором процессор (42) и память (43) также выполнены с возможностью преобразования сигнала ФКГ перед применением основанного на выделении признака классификатора (60) и основанного на глубоком обучении классификатора (70) в отношении сигнала ФКГ,
причём преобразование сигнала ФКГ включает
применение фильтра выбросов в отношении сигнала ФКГ и
сегментирование сигнала ФКГ с получением множества состояний сердечных тонов.
3. Соанализатор (40) по п. 1, в котором применение основанного на выделении признака классификатора (60) в отношении сигнала ФКГ включает:
извлечение из сигнала ФКГ вектора признака, включающего признак во временной области и признак в частотной области; и
применение классификатора с адаптивным улучшением с воздержанием от голосования в отношении вектора признака с определением основанной на выделении признака классификации анормальности сердечных тонов, представленных сигналом ФКГ.
4. Соанализатор (40) по п. 1, в котором применение основанного на глубоком обучении классификатора (70) в отношении сигнала ФКГ включает
извлечение сердечных циклов из сигнала ФКГ;
разложение сердечных циклов на частотные диапазоны; и
применение свёрточной нейронной сети в отношении частотных диапазонов с определением основанной на глубоком обучении классификации анормальности сердечных тонов, представленных сигналом ФКГ.
5. Соанализатор (40) по п. 1, в котором применение классификатора (80) окончательного решения в отношении основанной на выделении признака классификации анормальности сердечных тонов, представленных сигналом ФКГ, и основанной на глубоком обучении классификации анормальности сердечных тонов, представленных сигналом ФКГ, включает:
сравнение порога анормальности в соответствии с правилом принятия окончательного решения с основанной на выделении признака классификацией анормальности сердечных тонов, представленных сигналом ФКГ, и с основанной на глубоком обучении классификацией анормальности сердечных тонов, представленных сигналом ФКГ.
6. Соанализатор (40) по п. 1, в котором процессор (42) и память (43) также выполнены с возможностью:
применения основанного на выделении признака классификатора (60) в отношении сигнала ФКГ с получением основанной на выделении признака шумовой классификации сердечных тонов, представленных сигналом ФКГ; и
применения соанализатора (80) окончательного решения в отношении основанной на выделении признака классификации анормальности, основанной на выделении признака шумовой классификации и основанной на глубоком обучении классификации анормальности сердечных тонов, представленных сигналом ФКГ, с вынесением окончательного решения по классификации анормальности сигнала ФКГ.
7. Соанализатор (40) по п. 1, в котором процессор (42) и память (43) также выполнены с возможностью:
применения основанного на глубоком обучении классификатора (70) в отношении сигнала ФКГ с получением основанной на глубоком обучении шумовой классификации сердечных тонов, представленных сигналом ФКГ; и
применения соанализатора (80) окончательного решения в отношении основанной на выделении признака классификации анормальности, основанной на глубоком обучении классификации анормальности и основанной на глубоком обучении шумовой классификации сердечных тонов, представленных сигналом ФКГ, с вынесением окончательного решения по классификации анормальности сигнала ФКГ.
8. Соанализатор (40) по п. 1, в котором окончательное решение по классификации анормальности сигнала ФКГ является одним из следующего:
нормальной классификацией сигнала ФКГ; и
анормальной классификацией сигнала ФКГ.
9. Соанализатор (40) по п. 1, в котором окончательное решение по классификации анормальности сигнала ФКГ является одним из следующего:
решением о нормальной классификации сигнала ФКГ;
решением об анормальной классификации сигнала ФКГ; и
решением о неопределённой классификации сигнала ФКГ.
10. Соанализатор (40) по п. 1, который связан с записывающим устройством (30) для записи сигнала ФКГ для получения сигнала ФКГ.
11. Некратковременный машиночитаемый носитель (46), закодированный инструкциями для исполнения процессором (42), для различения нормальных и анормальных сердечных тонов, содержащий инструкции на
применение основанного на выделении признака классификатора (60) в отношении сигнала фонокардиограммы (ФКГ) с получением основанной на выделении признака классификации анормальности сердечных тонов, представленных сигналом ФКГ;
применение основанного на глубоком обучении классификатора (70) в отношении сигнала ФКГ с получением основанной на глубоком обучении классификации анормальности сердечных тонов, представленных сигналом ФКГ;
применение соанализатора (80) окончательного решения в отношении основанной на выделении признака классификации анормальности сердечных тонов, представленных сигналом ФКГ, и основанной на глубоком обучении классификации анормальности сердечных тонов, представленных сигналом ФКГ, с вынесением окончательного решения по классификации анормальности сигнала ФКГ; и
извещение об окончательном решении по классификации анормальности сигнала ФКГ.
12. Машиночитаемый носитель (46) по п. 11, дополнительно содержащий инструкции на преобразование сигнала ФКГ перед применением основанного на выделении признака классификатора (60) и основанного на глубоком обучении классификатора (70) в отношении сигнала ФКГ,
причём преобразование сигнала ФКГ включает
применение фильтра выбросов в отношении сигнала ФКГ и
сегментирование сигнала ФКГ с получением множества состояний сердечных тонов.
13. Машиночитаемый носитель (46) по п. 11, в котором
применение основанного на выделении признака классификатора (60) в отношении сигнала ФКГ включает:
извлечение из сигнала ФКГ вектора признака, включающего признак во временной области и признак в частотной области; и
применение классификатора с адаптивным улучшением с воздержанием от голосования в отношении вектора признака с определением основанной на выделении признака классификации анормальности сердечных тонов, представленных сигналом ФКГ.
14. Способ соанализа сигнала фонокардиограммы (ФКГ) для различения нормальных сердечных тонов и анормальных сердечных тонов, включающий
применение основанного на выделении признака классификатора (60) в отношении сигнала ФКГ с получением основанной на выделении признака классификации анормальности сердечных тонов, представленных сигналом ФКГ;
применение основанного на глубоком обучении классификатора (70) в отношении сигнала ФКГ с получением основанной на глубоком обучении классификации анормальности сердечных тонов, представленных сигналом ФКГ;
применение соанализатора (80) окончательного решения в отношении основанной на выделении признака классификации анормальности сердечных тонов, представленных сигналом ФКГ, и основанной на глубоком обучении классификации анормальности сердечных тонов, представленных сигналом ФКГ, с вынесением окончательного решения по классификации анормальности сигнала ФКГ; и
извещение об окончательном решении по классификации анормальности сигнала ФКГ.
15. Способ по п. 14, также включающий:
преобразование сигнала ФКГ перед применением основанного на выделении признака классификатора (60) и основанного на глубоком обучении классификатора (70) в отношении сигнала ФКГ,
причём преобразование сигнала ФКГ включает
применение фильтра выбросов в отношении сигнала ФКГ и
сегментирование сигнала ФКГ с получением множества состояний сердечных тонов.
RU2019110209A 2016-09-07 2017-09-07 Ансамбль классификаторов для обнаружения анормальных сердечных тонов RU2019110209A (ru)

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
RU2019110209A true RU2019110209A (ru) 2020-10-08

Family

ID=59829370

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2019110209A RU2019110209A (ru) 2016-09-07 2017-09-07 Ансамбль классификаторов для обнаружения анормальных сердечных тонов

Country Status (7)

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

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11723576B2 (en) 2017-09-21 2023-08-15 Koninklijke Philips N.V. Detecting atrial fibrillation using short single-lead ECG recordings
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
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
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
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
EP4018422A1 (en) 2019-08-20 2022-06-29 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
US11751774B2 (en) 2020-11-12 2023-09-12 Unitedhealth Group Incorporated Electronic auscultation and improved identification of auscultation audio samples
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
KR102352859B1 (ko) * 2021-02-18 2022-01-18 연세대학교 산학협력단 심장질환의 유무를 분류하는 장치 및 방법
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
CN102271589A (zh) * 2008-12-30 2011-12-07 皇家飞利浦电子股份有限公司 用于处理心音信号的方法和系统
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

Also Published As

Publication number Publication date
US20190192110A1 (en) 2019-06-27
EP3509498A1 (en) 2019-07-17
JP2019531792A (ja) 2019-11-07
BR112019004145A2 (pt) 2019-05-28
WO2018046595A1 (en) 2018-03-15
CN109843179A (zh) 2019-06-04

Similar Documents

Publication Publication Date Title
RU2019110209A (ru) Ансамбль классификаторов для обнаружения анормальных сердечных тонов
CN106774818B (zh) 姿势识别方法、姿势识别设备和可穿戴装置
EP3293528A3 (en) Recommending measurements based on detected waveform type
Liao et al. Noise adaptive speech enhancement using domain adversarial training
Shah et al. On the blind recovery of cardiac and respiratory sounds
CN108122563A (zh) 提高语音唤醒率及修正doa的方法
JP2018535011A5 (ru)
US9595261B2 (en) Pattern recognition device, pattern recognition method, and computer program product
US20140074481A1 (en) Wave Analysis for Command Identification
WO2018136915A1 (en) System and methods of novelty detection using non-parametric machine learning
Droghini et al. A Combined One‐Class SVM and Template‐Matching Approach for User‐Aided Human Fall Detection by Means of Floor Acoustic Features
US10078785B2 (en) Video-based sound source separation
Nie et al. Deep stacking networks with time series for speech separation
EP3193317A1 (en) Activity classification from audio
Das et al. Supervised model for Cochleagram feature based fundamental heart sound identification
Puri et al. Classification of normal and abnormal heart sound recordings through robust feature selection
WO2019241608A1 (en) Deep neural network based speech enhancement
Droghini et al. An end-to-end unsupervised approach employing convolutional neural network autoencoders for human fall detection
Boronoev et al. Wavelet-based Detection Method for Physiological Pressure Signal Components
Patidar et al. Constrained tunable-Q wavelet transform based analysis of cardiac sound signals
Nivitha Varghees et al. Multistage decision‐based heart sound delineation method for automated analysis of heart sounds and murmurs
KR101171047B1 (ko) 음성 및 영상 인식 기능을 갖는 로봇 시스템 및 그의 인식 방법
Wang et al. Feature denoising for speech separation in unknown noisy environments
KR102044520B1 (ko) 음성 존재 구간 판별 장치 및 방법
Terzi et al. Early diagnosis of acute coronary syndromes with automatic ST/T classifier