TWI653967B - 心律不整診斷系統與裝置及心律不整辨識方法 - Google Patents

心律不整診斷系統與裝置及心律不整辨識方法

Info

Publication number
TWI653967B
TWI653967B TW106143115A TW106143115A TWI653967B TW I653967 B TWI653967 B TW I653967B TW 106143115 A TW106143115 A TW 106143115A TW 106143115 A TW106143115 A TW 106143115A TW I653967 B TWI653967 B TW I653967B
Authority
TW
Taiwan
Prior art keywords
signal
arrhythmia
pulse
time
frequency
Prior art date
Application number
TW106143115A
Other languages
English (en)
Other versions
TW201924599A (zh
Inventor
林宙晴
蔡良敏
陳儒逸
林哲偉
Original Assignee
國立成功大學
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 國立成功大學 filed Critical 國立成功大學
Priority to TW106143115A priority Critical patent/TWI653967B/zh
Application granted granted Critical
Publication of TWI653967B publication Critical patent/TWI653967B/zh
Publication of TW201924599A publication Critical patent/TW201924599A/zh

Links

Landscapes

  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

一種心律不整診斷系統與裝置及心律不整辨識方法，適用於分析具有心律不整之患者的脈音訊號，以辨識該患者之心律不整類型。該心律不整辨識方法包含以下步驟：（A）使一心律不整診斷裝置將該脈音訊號轉換成一個脈音時頻訊號；及（B）使該心律不整診斷裝置以分類演算法分析該脈音時頻訊號，以辨識該脈音訊號對應之心律不整類型。透過將該脈音訊號轉換成脈音時頻訊號，可使脈音時頻訊號出現一個或多個特殊訊號波形，所述特殊波形能供準確辨識對應之心律不整類型。

Description

心律不整診斷系統與裝置及心律不整辨識方法
本發明是有關於一種診斷系統與辨識方法，特別是指一種用以診斷辨識心律不整的診斷系統，與用以辨識心律不整類型的辨識方法。
心律不整是指心臟電傳導系統異常與心臟結構異常所引起的各種症狀，包含心跳不規則、過快、或過慢的表現總稱，可區分為因為竇房結放電異常所引起的電氣傳導異常之心律不整，以及因為心臟結構缺陷所造成的器質性心律不整，且此兩種心律不整都還可再進一步細分歸類出多種不同疾病類型。
心律不整與嚴重之心血管疾病如心肌梗塞或中風有高度的關聯性。臨床上感測心律不整的黃金標準為十二導程心電圖或電腦斷層等醫學影像，但是上述診斷方式所需使用之儀器昂貴，以致於心律不整之檢查診斷通常僅能在大型醫療院所進行，無法普及。此外，針對上述儀器所測得之心律不整資料，需交由具有一定專業程度的臨床專業醫療人員才能夠進行判讀，往往使得潛在患者得到確診結果的時間延後，或者是等到已經出現嚴重症狀時才知道得到了心律不整。
申請人認為心律不整除了心電訊號或心臟結構的異常之外，心律不整與血液流體力學的異常應有強烈之關聯性，因此，如何透過血液流體力學發展出一套能夠取代心電圖，並能方便且準確地自動化診斷心律不整的診斷系統，是目前許多醫療團隊的研究發展重點。
因此，本發明的目的，即在提供一種能改善先前技術之至少一個缺點的心律不整診斷系統與心律不整辨識方法。
於是，本發明心律不整診斷系統，適用於對一位患者進行心律不整類型之診斷辨識。該心律不整診斷系統包含一個用以設置在該患者身上的脈音感測裝置，及一個訊號連接於該脈音感測裝置的心律不整診斷裝置。該脈音感測裝置能感測該患者之血管的脈音以得到一個脈音訊號。該心律不整診斷裝置能接收分析該脈音訊號，包括一個會將該脈音訊號轉換成一個脈音時頻訊號的訊號處理模組，及一個診斷辨識模組。該診斷辨識模組內建有一個用以辨識多種心律不整類型的分類模型，能根據該分類模型以一個分類演算法分析該脈音時頻訊號，而辨識出該脈音訊號對應之心律不整類型。
於是，本發明心律不整診斷裝置，適用於分析一位患有心律不整之患者的一個脈音訊號以診斷辨識心律不整類型。該心律不整診斷裝置包含一個會將該脈音訊號轉換成一個脈音時頻訊號的訊號處理模組，及一個診斷辨識模組。該診斷辨識模組內建有一個用以辨識多種心律不整類型的分類模型，能根據該分類模型以一個分類演算法分析該脈音時頻訊號，而辨識出該脈音訊號對應之心律不整類型。
於是，本發明心律不整辨識方法，適用於辨識取自一位患有心律不整之患者的一個脈音訊號所對應的心律不整類型。該心律不整辨識方法包含以下步驟：（A）使該心律不整診斷裝置將該脈音訊號轉換成一個脈音時頻訊號；及（B）使該心律不整診斷裝置根據一個用以辨識多種心律不整類型的分類模型，以一個分類演算法分析該脈音時頻訊號，以辨識該脈音訊號對應之心律不整類型。
本發明之功效在於：透過將該脈音訊號轉換成該脈音時頻訊號的方式，可使該脈音時頻訊號呈現出特殊波形，而能夠藉由分析所述特殊波形來辨識該脈音訊號對應的心律不整類型。
本發明將就下面的實施例來做進一步說明，但應瞭解的是，該實施例僅是供例示說明用，而不應被解釋為本發明的實施上的限制，且類似的元件是以相同的編號來表示。
參閱圖1、2、3，本發明心律不整診斷系統2的實施例，適用於對一位患者900進行心律不整疾病之診斷辨識。所述心律不整疾病可區分為電氣傳導異常之心律不整與器質性心律不整。在本實施例中，該心律不整診斷系統2還能將電氣傳導異常之心律不整再進一步區分為以下各種類型：心房顫動（Atrial fibrillation，Af）、心房撲動（Atrial Flutter，AF） 、心室激搏（Ventricular pacing，Vp）、心室早期收縮（ ventricular Premature Contraction，VPC），以及心房早期收縮（Atrium Premature Contraction，APC）等，以及將器質性心律不整再進一步區分為以下類型：主動脈瓣反流（Aortic Regurgitation，AR）、鬱血性心衰竭（Congestive Heart Failure，CHF）、主動脈狹窄（Aortic Stenosis，AS），以及肥厚型心肌病變（Hypertrophic Cardiomyopathy，HCM）等。
該心律不整診斷系統2包含一個用以設置在該患者900身上的脈音感測裝置3，及一個訊號連接於該脈音感測裝置3之心律不整診斷裝置4，所述訊號連接可以是有線訊號連接或無線訊號連接。
該脈音感測裝置3包括一個用以配戴在該患者900之肢體901上的載具單元31，及一個設置在該載具單元31之脈音感測器32。在本實施例中，該載具單元31是設計成夾具形式，能用以夾設在該患者900之手腕部位，具有兩個相樞接且能相向彈性夾抵該肢體901的夾抵件311，每一夾抵件311具有一個沿該肢體901周緣延伸而貼靠於體表的夾靠段312。
該脈音感測器32為麥克風，是可位移地設置在其中一個夾抵件311之該夾靠段312，可沿該夾靠段312長向調移定位，會被該夾靠段312連動貼抵於手腕部位，能用以擷取撓動脈之脈音以得到一個脈音訊號，如圖4（A）所示。
實施時，在本發明之其它實施態樣中，該載具單元31也可設計成指套形式，能供套置於手指外，並使該脈音感測器32靠抵於手指表面以進行手指之血管的脈音擷取。由於將該脈音感測器32設置於肢體901體表的結構類型眾多，例如也可改為手環形式，因此實施時，該載具單元31之結構型態不以上述類型為限。
該心律不整診斷裝置4能接收分析該脈音訊號以進行心律不整類型之診斷辨識，包括一個顯示模組41、一個訊號處理模組42，及一個診斷辨識模組43。
該訊號處理模組42包括一個訊號採樣單元421與一個訊號特徵轉換單元423。該訊號採樣單元421具有一個時間窗設定介面422，該時間窗設定介面422能供操作以設定一個採樣時間窗之時間，所述時間例如但不限於5秒、10秒、15秒或30秒等。該訊號採樣單元421會根據該採樣時間窗被設定之時間對該脈音訊號進行取樣，以得到一個待分析訊號區段。
該訊號特徵轉換單元423會將該訊號採樣單元421擷取之該待分析訊號區段從時域訊號型態轉換至時頻域訊號型態。在本實施例中，是透過短時距傅立葉轉換（Short time Fourier transform，STFT）將該待分析號區段自時域訊號型態轉換至時頻域訊號型態，以獲得一個脈音時頻訊號，如圖4（B）所示，但因為上述訊號型態轉換為習知技術且方式眾多，例如也可改用自我迴歸模型（Autoregressive model）或連續小波轉換（Continuous wavelet transform）等方式，因此實施時不以上述方式為限。
該顯示模組41能顯示該脈音訊號、該待分析訊號區段與該脈音時頻訊號。
該診斷辨識模組43內建有一個能透過特定分類演算法對上述各種心律不整疾病進行診斷辨識的分類模型。該分類模型是該診斷辨識模組43以所述分類演算法對多位已被確診具有上述各類型心律不整疾病之患者900的脈音訊號的脈音時頻訊號，以及多位竇性心律之脈音訊號的脈音時頻訊號進行訊號特徵的分類演算訓練所建立。該診斷辨識模組43能根據該分類模型以所述分類演算法分析該訊號特徵轉換單元423產生之該脈音時頻訊號，而診斷辨識出對應的心律不整類型。由於各類分類演算法根據數據訓練建立該分類模型的方式眾多，且有其特定模式，因此不再詳述。
在本實施例中，利用四種分類演算法進行上述各種心律不整疾病進行診斷辨識演算，藉以驗證該診斷辨識模組43之診斷辨識效果，所採用之四種分類演算法分別為卷積式類神經網路演算法（convolutional neural network，CNN）、複雜決策樹演算法（Complex tree）、餘弦最近鄰近演算法（consine k-nearest neighbors，Cosine KNN）與二次函數支持向量機演算法（Quadratic support vector machine，Quadratic SVM），但實施時，也可採用例如深度學習（deep belief network）或其它常見之分類演算法。
配合參閱圖5，為該診斷辨識模組43以卷積式類神經網路演算法對竇性心律的脈音時頻訊號（採樣時間窗為15秒）進行分類演算時，所提取用以進行分類演算的訊號特徵的分佈狀態，由其高頻組成可看出，每一個心跳之時頻訊號圖中的頻率能量最強的主頻差異不大，且高頻與低頻成分內被提取出而最能夠凸顯特徵差異的片段（如圖5中十字點與圓圈所示部位）幾乎排列成一直線。
參閱圖6～10，為各種之心律不整類型之脈音時頻訊號用以進行分類演算時被提取的訊號特徵分佈狀態，採樣時間窗為15秒，採用卷積式類神經網路演算法。其中，圖6為心房顫動類型之該脈音時頻訊號被提取的訊號特徵分佈狀態，圖6中之高頻與低頻成分內的十字點部位幾乎沒有規律可言，忽大忽小，且圓圈所標示之訊號特徵點的範圍也不固定。
圖7為器質性心律不整中之主動脈瓣反流類型的該脈音時頻訊號被提取的訊號特徵分佈狀態，可以看出因為主動脈瓣反流所造成的強勁血流，使得該脈音時頻訊號的高頻部位被提取作為一個能供識別的訊號特徵點。圖8為器質性心律不整中之主動脈瓣狹窄類型的該脈音時頻訊號被提取之訊號特徵的分佈狀態，從該脈音時頻訊號可以看到因為主動脈瓣狹窄會造成收縮壓與舒張壓同時升高，致使低頻部分出現上升現象。圖9為器質性心律不整中之鬱血性心衰竭類型的該脈音時頻訊號被提取之訊號特徵的分佈狀態，可以看到血流所反映的脈搏不明顯，而且主頻位置及圓圈所標示之特徵範圍也忽大忽小，這可以解釋生理學上鬱血性心衰竭的流體力學現象。圖10為器質性心律不整中之肥厚型心肌病變類型的該脈音時頻訊號被提取之訊號特徵的分佈狀態，可看出主頻有明顯的三角波形狀，能供作為分類演算之訊號特徵。
由以上說明可知，透過將脈音訊號自時域轉換至時頻域的設計，就能使原本在時域難以識別之心律不整訊號，轉變成能供清楚區別特定心律不整疾病的訊號型態，而能進一步透過分類演算法對各類型心律不整疾病與竇性心律的脈音時頻訊號的進行分類演算訓練，而建立能用以識別各種類型之心律不整疾病的該分類模型。
參閱圖2、3、11，本發明心律不整診斷系統2使用時，可將該脈音感測裝置3夾戴在於該患者900手腕，使該脈音感測器32貼靠於體表以進行脈音訊號之感測輸出，可根據該心律不整診斷裝置4接收顯示之脈音訊號的訊號狀態，相對該載具單元31調移該脈音感測器32，使該脈音感測器32能對準撓動脈，以獲得較佳訊號品質的脈音訊號。接著，便可啟動該心律不整診斷裝置4之診斷功能。
該心律不整診斷裝置4分析該脈音訊號以進行心律不整類型之診斷辨識的方法，包含以下步驟：
步驟80：對該脈音訊號進行訊號處理，包含以下子步驟。
子步驟801：進行訊號採樣。設定該採樣時間窗之時間，然後以該取樣時間窗對要進行診斷辨識之該脈音訊號進行訊號取樣而得到該待分析訊號區段。
子步驟802：訊號特徵轉換。將該待分析訊號區段轉換成該脈音時頻訊號。
步驟81：心律不整類型辨識。根據預先針對前述各種心律不整類型之該等脈音時頻訊號進行分類演算訓練所建立的該分類模型，以該分類演算法對該子步驟802轉換產生之該脈音時頻訊號進行分類演算，以辨識出該脈音訊號所對應之心律不整類型。
實施時，可對該脈音訊號之多個不同時段分別進行訊號採樣以得到多個脈音時頻訊號，並對每一脈音時頻訊號進行分類演算，可透過多筆資料之分類演算結果來判斷對應之心律不整類型。
以下即就本發明心律不整診斷系統2針對多位已分別被確診為具有特定心律不整疾病之患者900進行診斷辨識的結果進行說明，各種心律不整類型之患者900人數如表1所示。 <TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> 表1 </td></tr><tr><td> 電氣傳導異常之心律不整 </td><td> 器質性心律不整 </td></tr><tr><td> 類型 </td><td> 人數 </td><td> 類型 </td><td> 人數 </td></tr><tr><td> 心室起博（Vp） </td><td> 4 </td><td> 肥厚型心肌病變（HCM） </td><td> 9 </td></tr><tr><td> 心室早期收縮（VPC） </td><td> 10 </td><td> 鬱血性心衰竭（CHF） </td><td> 5 </td></tr><tr><td> 心房早期收縮（APC） </td><td> 7 </td><td> 主動脈瓣反流（AR） </td><td> 5 </td></tr><tr><td> 心房撲動（AF） </td><td> 7 </td><td> 主動脈辦狹窄（AS） </td><td> 7 </td></tr><tr><td> 心房顫動（Af） </td><td> 7 </td><td> </td></tr><tr><td> 竇性心律（SR） </td><td> 6 </td></tr></TBODY></TABLE>
由表2、3可知，以採樣時間窗之時間設定為5秒、10秒、15秒與30秒為例，該心律不整診斷裝置4以四種分類演算法對上述各種類型之心律不整的最佳診斷準確度（accuracy）可達0.9以上。由此可見，透過將脈音訊號轉換成脈音時頻訊號的設計，能夠供該心律不整診斷裝置4透過多種常見之分類演算法進行高準確度的診斷辨識。 <TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> 表2 電氣傳導異常之心律不整之診斷辨識的準確度（accuracy） </td></tr><tr><td> 分類演算法 </td><td> 5秒 </td><td> 10秒 </td><td> 15秒 </td><td> 30秒 </td></tr><tr><td> Complex tree </td><td> 82.03% </td><td> 81.65% </td><td> 81.89% </td><td> 64.63% </td></tr><tr><td> Cosine KNN </td><td> 88.36% </td><td> 91.34% </td><td> 89.14% </td><td> 79.89% </td></tr><tr><td> Quadratic SVM </td><td> 90.19% </td><td> 90.44% </td><td> 88.90% </td><td> 79.03% </td></tr><tr><td> CNN </td><td> 91.61% </td><td> 91.00% </td><td> 86.74% </td><td> 83.71% </td></tr></TBODY></TABLE><TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> 表3 器質性心律不整之診斷辨識的準確度（accuracy） </td></tr><tr><td> 分類演算法 </td><td> 5秒 </td><td> 10秒 </td><td> 15秒 </td><td> 30秒 </td></tr><tr><td> Complex tree </td><td> 94.55% </td><td> 94.93% </td><td> 96.51% </td><td> 93.72% </td></tr><tr><td> Cosine KNN </td><td> 96.98% </td><td> 96.90% </td><td> 97.49% </td><td> 96.58% </td></tr><tr><td> Quadratic SVM </td><td> 98.96% </td><td> 98.68% </td><td> 99.01% </td><td> 97.13% </td></tr><tr><td> CNN </td><td> 94.55% </td><td> 96.51% </td><td> 96.51% </td><td> 97.13% </td></tr></TBODY></TABLE>
參閱表4、5，以採樣時間窗之時間設定為15秒為例，該心律不整診斷裝置4以上述四種分類演算法針對各種電氣傳導異常之心律不整之診斷辨識的靈敏度（Sensitivity）都高達0.8以上，部分類型之心律不整的最佳靈敏度高達1。對於器質性心律不整之診斷辨識的靈敏度（Sensitivity）也都高達1。 <TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> 表4 竇性心律與電氣傳導異常之心律不整之診斷辨識的靈敏度（Sensitivity） </td></tr><tr><td> 分類演算法 </td><td> SR/AFL </td><td> SR/APC </td><td> SR/AS </td><td> SR/Af </td><td> SR/VPC </td><td> SR/Vp </td></tr><tr><td> Complex tree </td><td> 0.9536 </td><td> 0.826 </td><td> 1 </td><td> 0.9886 </td><td> 1 </td><td> 0.9358 </td></tr><tr><td> Cosine KNN </td><td> 1 </td><td> 0.9322 </td><td> 1 </td><td> 1 </td><td> 1 </td><td> 0.9895 </td></tr><tr><td> Quadratic SVM </td><td> 1 </td><td> 0.8627 </td><td> 1 </td><td> 1 </td><td> 1 </td><td> 0.9813 </td></tr><tr><td> CNN </td><td> 1 </td><td> 0.9361 </td><td> 1 </td><td> 1 </td><td> 1 </td><td> 0.8958 </td></tr></TBODY></TABLE><TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> 表5 竇性心律與器質性心律不整之診斷辨識的靈敏度（Sensitivity） </td></tr><tr><td> 分類演算法 </td><td> SR/AR </td><td> SR/AS </td><td> SR/CHF </td><td> SR/HCM </td></tr><tr><td> Complex tree </td><td> 1 </td><td> 1 </td><td> 1 </td><td> 1 </td></tr><tr><td> Cosine KNN </td><td> 1 </td><td> 1 </td><td> 1 </td><td> 1 </td></tr><tr><td> Quadratic SVM </td><td> 1 </td><td> 1 </td><td> 1 </td><td> 1 </td></tr><tr><td> CNN </td><td> 1 </td><td> 1 </td><td> 1 </td><td> 1 </td></tr></TBODY></TABLE>
參閱表6、7，以採樣時間窗之時間設定為15秒為例，該心律不整診斷裝置4以上述四種分類演算法針對各種電氣傳導異常之心律不整之診斷辨識的特異度（Specificity）都高達0.8以上，部分類型之心律不整的特異度甚至高達1。對於器質性心律不整之診斷辨識的特異度（Specificity）都高達0.94以上。 <TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> 表6 竇性心律與電氣傳導異常之心律不整之診斷辨識的特異度（Specificity） </td></tr><tr><td> 分類演算法 </td><td> SR/AFL </td><td> SR/APC </td><td> SR/AS </td><td> SR/Af </td><td> SR/VPC </td><td> SR/Vp </td></tr><tr><td> Complex tree </td><td> 0.95 </td><td> 0.83 </td><td> 1 </td><td> 0.99 </td><td> 1 </td><td> 0.94 </td></tr><tr><td> Cosine KNN </td><td> 0.97 </td><td> 0.84 </td><td> 1 </td><td> 1 </td><td> 0.98 </td><td> 1 </td></tr><tr><td> Quadratic SVM </td><td> 1 </td><td> 0.82 </td><td> 1 </td><td> 1 </td><td> 1 </td><td> 0.99 </td></tr><tr><td> CNN </td><td> 1 </td><td> 0.8 </td><td> 1 </td><td> 0.99 </td><td> 1 </td><td> 0.98 </td></tr></TBODY></TABLE><TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> 表7 竇性心律與器質性心律不整之診斷辨識的特異度（Specificity） </td></tr><tr><td> 分類演算法 </td><td> SR/AR </td><td> SR/AS </td><td> SR/CHF </td><td> SR/HCM </td></tr><tr><td> Complex tree </td><td> 1 </td><td> 1 </td><td> 1 </td><td> 0.94 </td></tr><tr><td> Cosine KNN </td><td> 1 </td><td> 1 </td><td> 1 </td><td> 1 </td></tr><tr><td> Quadratic SVM </td><td> 1 </td><td> 1 </td><td> 1 </td><td> 1 </td></tr><tr><td> CNN </td><td> 1 </td><td> 1 </td><td> 1 </td><td> 1 </td></tr></TBODY></TABLE>
在本實施例中，該心律不整診斷裝置4是先對該脈音訊號進行採樣後，再將具特定時間長度之該待分析訊號區段轉換成該脈音時頻訊號，並對具特定時間長度的該脈音時頻訊號進行分析以辨識對應之心律不整類型。但實施時，在本發明之另一實施態樣中，該心律不整診斷裝置4可不需對該脈音訊號進行採樣，而是直接將該脈音訊號轉換成該脈音時頻訊號，並以具有完整時間長度的該脈音時頻訊號進行分析以辨識對應之心律不整類型。
再者，在本發明之再一實施態樣中，該心律不整診斷裝置4也可先以該訊號特徵轉換單元423將該脈音訊號轉換成具有完整時間長度之脈音時頻訊號後，再由該訊號採樣單元421以該採樣時間窗對該脈音時頻訊號進行採樣，以得到一個具有特定時間長度的脈音時頻訊號區段，然後再以該診斷辨識模組43對該脈音時頻訊號區段進行分析辨識，同樣能進行心律不整類型之診斷辨識。
綜上所述，透過將脈音訊號轉換成脈音時頻訊號的方式，可使每一種類型之心律不整疾病的脈音時頻訊號呈現出獨特而可供分類辨識之特殊訊號波形，而能透過分類演算法對多種不同類型之心律不整疾病與竇性心律之脈音時頻訊號進行分類演算訓練，使得該心律不整診斷系統2能根據分類演算訓練所建立之該分類模型，準確診斷辨識各種類型之心律不整疾病。
此外，因整體結構相當輕便且檢測方式相對簡單，所以方便患者900隨身配戴以進行即時心律監測，可改善長久以來只能至大型醫院進行心律不整檢查的問題，是一種能準確診斷辨識各種心律不整疾病的創新方法與系統設計。因此，確實可達到本發明之目的。
惟以上所述者，僅為本發明的實施例而已，當不能以此限定本發明實施的範圍，凡是依本發明申請專利範圍及專利說明書內容所作的簡單的等效變化與修飾，皆仍屬本發明專利涵蓋的範圍內。
2‧‧‧心律不整診斷系統
3‧‧‧脈音感測裝置
31‧‧‧載具單元
311‧‧‧夾抵件
312‧‧‧夾靠段
32‧‧‧脈音感測器
4‧‧‧心律不整診斷裝置
41‧‧‧顯示模組
42‧‧‧訊號處理模組
421‧‧‧訊號採樣單元
422‧‧‧時間窗設定介面
423‧‧‧訊號特徵轉換單元
43‧‧‧診斷辨識模組
80-81‧‧‧步驟
801-801‧‧‧子步驟
900‧‧‧患者
901‧‧‧肢體
本發明的其他的特徵及功效，將於參照圖式的實施方式中清楚地呈現，其中： 圖1是本發明心律不整診斷系統的一個實施例的立體示意圖； 圖2是該實施例的一個脈音感測裝置安裝在一個患者之肢體時的示意圖； 圖3是該實施例的功能方塊圖； 圖4是訊號圖，其中（A）：是該實施例之該脈音感測裝置擷取之竇性心律的脈音訊號圖；（B）是（A）該脈音訊號轉換成的脈音時頻訊號； 圖5是竇性心律的脈音時頻訊號，說明該實施例於該脈音時頻訊號所提取之訊號特徵的分佈狀態； 圖6是心房顫動類型之心律不整的脈音時頻訊號，說明該實施例於該脈音時頻訊號所提取之訊號特徵的分佈狀態； 圖7是主動脈瓣反流類型之心律不整的脈音時頻訊號，說明該實施例於該脈音時頻訊號所提取之訊號特徵的分佈狀態； 圖8是主動脈瓣狹窄類型之心律不整的脈音時頻訊號，說明該實施例於該脈音時頻訊號所提取之訊號特徵的分佈狀態； 圖9是鬱血性心衰竭類型之心律不整的脈音時頻訊號，說明該實施例於該脈音時頻訊號所提取之訊號特徵的分佈狀態； 圖10是肥厚型心肌病變類型之心律不整的脈音時頻訊號，說明該實施例於該脈音時頻訊號所提取之訊號特徵的分佈狀態；及 圖11是該實施例進行心律不整類型之辨識的步驟流程圖。

Claims (16)

  1. 一種心律不整診斷系統，適用於對一位患者進行心律不整類型之診斷辨識，包含：一個脈音感測裝置，用以設置在該患者身上，能感測該患者之血管的脈音以得到一個時域訊號型態的脈音訊號；及一個心律不整診斷裝置，訊號連接於該脈音感測裝置，能接收分析該脈音訊號，包括，一個訊號處理模組，會將該脈音訊號轉換成一個時頻域訊號型態的脈音時頻訊號，及一個診斷辨識模組，內建有一個用以辨識多種心律不整類型的分類模型，能根據該分類模型以一個分類演算法分析該脈音時頻訊號，而辨識出該脈音訊號對應之心律不整類型。
  2. 如請求項1所述之心律不整診斷系統，其中，該訊號處理模組包括一個會以一個取樣時間窗對該脈音訊號進行取樣以得到一個待分析訊號區段的訊號採樣單元，及一個能將該待分析訊號區段轉換成該脈音時頻訊號的訊號特徵轉換單元。
  3. 如請求項1所述之心律不整診斷系統，其中，該訊號處理模組包括一個訊號特徵轉換單元，及一個訊號採樣單元，該訊號特徵轉換單元能將該脈音訊號轉換成該脈音時頻訊號，該訊號採樣單元會以一個取樣時間窗對該脈音時頻訊號進行取樣以獲得一個脈音時頻訊號區段，該診斷辨識 模組是分析該脈音時頻訊號區段以辨識對應之心律不整類型。
  4. 如請求項2或3所述之心律不整診斷系統，其中，該訊號採樣單元具有一個能供操作設定該取樣時間窗之時間長度的時間窗設定介面。
  5. 如請求項1、2或3所述之心律不整診斷系統，其中，該分類演算法為卷積式類神經網路演算法、複雜決策樹演算法、餘弦最近鄰近演算法或二次函數支持向量機演算法。
  6. 如請求項1所述之心律不整診斷系統，其中，該脈音感測裝置包括一個用以設置在該患者體表的載具單元，及一個設置於該載具單元上且訊號連接於該心律不整診斷裝置而用以測得該脈音訊號的脈音感測器。
  7. 如請求項6所述之心律不整診斷系統，其中，該載具單元包括兩個相樞接且用以相向夾抵定位在該患者之肢體的夾抵件，每一夾抵件具有一個沿肢體體表周緣延伸之夾靠段，該脈音感測器是能沿其中一夾抵件之該夾靠段延伸長向位移定位地安裝在該夾靠段。
  8. 一種心律不整診斷裝置，適用於分析一位患有心律不整之患者的一個時域訊號型態的脈音訊號以診斷辨識心律不整類型，包含：一個訊號處理模組，會將該脈音訊號轉換成一個時頻域訊號型態的脈音時頻訊號；及一個診斷辨識模組，內建有一個用以辨識多種心律不整類型的分類模型，能根據該分類模型以一個分類演 算法分析該脈音時頻訊號，而辨識出該脈音訊號對應之心律不整類型。
  9. 如請求項8所述之心律不整診斷裝置，其中，該訊號處理模組包括一個會以一個取樣時間窗對該脈音訊號進行取樣以得到一個待分析訊號區段的訊號採樣單元，及一個能將該待分析訊號區段轉換成該脈音時頻訊號的訊號特徵轉換單元。
  10. 如請求項8所述之心律不整診斷裝置，其中，該訊號處理模組包括一個訊號特徵轉換單元，及一個訊號採樣單元，該訊號特徵轉換單元能將該脈音訊號轉換成該脈音時頻訊號，該訊號採樣單元會以一個取樣時間窗對該脈音時頻訊號進行取樣以獲得一個脈音時頻訊號區段，該診斷辨識模組是分析該脈音時頻訊號區段以辨識對應之心律不整類型。
  11. 如請求項9或10所述之心律不整診斷裝置，其中，該訊號採樣單元具有一個能供操作設定該取樣時間窗之時間長度的時間窗設定介面。
  12. 如請求項8、9或10所述之心律不整診斷裝置，其中，該分類演算法為卷積式類神經網路演算法、複雜決策樹演算法、餘弦最近鄰近演算法或二次函數支持向量機演算法。
  13. 一種心律不整辨識方法，適用於辨識取自一位患有心律不整之患者的一個時域訊號型態的脈音訊號所對應的心律不整類型，該心律不整辨識方法包含以下步驟：(A)使一心律不整診斷裝置將該脈音訊號轉換成一 個時頻域訊號型態的脈音時頻訊號；及(B)使該心律不整診斷裝置根據一個用以辨識多種心律不整類型的分類模型，以一個分類演算法分析該脈音時頻訊號，以辨識該脈音訊號對應之心律不整類型。
  14. 如請求項13所述之心律不整辨識方法，其中，該步驟(A)包括以下子步驟：(A1)使該心律不整診斷裝置以一個取樣時間窗對該脈音訊號進行訊號取樣以獲得一個待分析訊號區段；及(A2)使該心律不整診斷裝置將該待分析訊號區段轉換成該脈音時頻訊號。
  15. 如請求項13所述之心律不整辨識方法，其中，該步驟(A)包括以下子步驟：(A1)使該心律不整診斷裝置將該脈音訊號轉換成該脈音時頻訊號；及(A2)使該心律不整診斷裝置以一個取樣時間窗對該脈音時頻訊號進行取樣以獲得一個脈音時頻訊號區段，該步驟(B)是使該心律不整診斷裝置分析該脈音時頻訊號區段，以辨識該脈音訊號對應之心律不整類型。
  16. 如請求項13、14或15所述之心律不整辨識方法，其中，該步驟(B)之該分類演算法為卷積式類神經網路演算法、複雜決策樹演算法、餘弦最近鄰近演算法或二次函數支持向量機演算法。
TW106143115A 2017-12-08 2017-12-08 心律不整診斷系統與裝置及心律不整辨識方法 TWI653967B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
TW106143115A TWI653967B (zh) 2017-12-08 2017-12-08 心律不整診斷系統與裝置及心律不整辨識方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW106143115A TWI653967B (zh) 2017-12-08 2017-12-08 心律不整診斷系統與裝置及心律不整辨識方法

Publications (2)

Publication Number Publication Date
TWI653967B true TWI653967B (zh) 2019-03-21
TW201924599A TW201924599A (zh) 2019-07-01

Family

ID=66590662

Family Applications (1)

Application Number Title Priority Date Filing Date
TW106143115A TWI653967B (zh) 2017-12-08 2017-12-08 心律不整診斷系統與裝置及心律不整辨識方法

Country Status (1)

Country Link
TW (1) TWI653967B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI708589B (zh) * 2019-08-11 2020-11-01 行政院原子能委員會核能研究所 結合生理偵檢裝置監測心血管及腦部功能之系統和方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4393877A (en) 1981-05-15 1983-07-19 Mieczyslaw Mirowski Heart rate detector
CN1768342A (zh) 2003-01-29 2006-05-03 维克技术公司 生物异常的检测和/或预测
TW201519862A (zh) 2013-11-28 2015-06-01 Nat Univ Chin Yi Technology 一種基於經驗模態分解法之心跳訊號檢測方法與檢測裝置
TW201544071A (zh) 2014-05-26 2015-12-01 Nat Univ Chin Yi Technology 異常心跳訊號檢測方法及其電子裝置
TW201546754A (zh) 2014-06-11 2015-12-16 Univ Nat Cheng Kung 生理訊號分析方法及其系統與內儲生理訊號分析程式之電腦程式產品
TW201613526A (en) 2014-10-01 2016-04-16 Nat Cheng Kung University Hospital Apparatus, computer program product and computer readable medium using audio signal for detection and determination of narrowing condition of fluid pipe

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4393877A (en) 1981-05-15 1983-07-19 Mieczyslaw Mirowski Heart rate detector
CN1768342A (zh) 2003-01-29 2006-05-03 维克技术公司 生物异常的检测和/或预测
TW201519862A (zh) 2013-11-28 2015-06-01 Nat Univ Chin Yi Technology 一種基於經驗模態分解法之心跳訊號檢測方法與檢測裝置
TW201544071A (zh) 2014-05-26 2015-12-01 Nat Univ Chin Yi Technology 異常心跳訊號檢測方法及其電子裝置
TW201546754A (zh) 2014-06-11 2015-12-16 Univ Nat Cheng Kung 生理訊號分析方法及其系統與內儲生理訊號分析程式之電腦程式產品
TW201613526A (en) 2014-10-01 2016-04-16 Nat Cheng Kung University Hospital Apparatus, computer program product and computer readable medium using audio signal for detection and determination of narrowing condition of fluid pipe

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI708589B (zh) * 2019-08-11 2020-11-01 行政院原子能委員會核能研究所 結合生理偵檢裝置監測心血管及腦部功能之系統和方法

Also Published As

Publication number Publication date
TW201924599A (zh) 2019-07-01

Similar Documents

Publication Publication Date Title
Choudhary et al. Automatic detection of aortic valve opening using seismocardiography in healthy individuals
WO2019161609A1 (zh) 多参数监护数据分析方法和多参数监护仪
US7909772B2 (en) Non-invasive measurement of second heart sound components
US10092268B2 (en) Method and apparatus to monitor physiologic and biometric parameters using a non-invasive set of transducers
JP2012513858A (ja) 心音信号を処理する方法及びシステム
US10004473B2 (en) Heart rate detection method and device using heart sound acquired from auscultation positions
Pan et al. Variation of the korotkoff stethoscope sounds during blood pressure measurement: analysis using a convolutional neural network
Sedighian et al. Pediatric heart sound segmentation using Hidden Markov Model
Gavrovska et al. Automatic heart sound detection in pediatric patients without electrocardiogram reference via pseudo-affine Wigner–Ville distribution and Haar wavelet lifting
Argha et al. A novel automated blood pressure estimation algorithm using sequences of Korotkoff sounds
CN110881967A (zh) 一种无创多节段外周动脉血管弹性功能检测方法及其仪器
Argha et al. Blood pressure estimation from korotkoff sound signals using an end-to-end deep-learning-based algorithm
Rai et al. Machine learning assisted automatic annotation of isovolumic movement and aortic valve closure using seismocardiogram signals
TWI653967B (zh) 心律不整診斷系統與裝置及心律不整辨識方法
Sieciński et al. Determining heart rate beat-to-beat from smartphone seismocardiograms: Preliminary studies
Ghaffari et al. Phonocardiography signal processing for automatic diagnosis of ventricular septal defect in newborns and children
CN104586376A (zh) 根据模板细分测量对象的血压测量系统
JP5933138B2 (ja) Ｅｃｇデータにおけるｑｒｓ群の発生を決定する装置及び方法
Zalabarria et al. Diagnosis of atrial fibrillation based on arterial pulse wave foot point detection using artificial neural networks
Paiva et al. Assessing PEP and LVET from heart sounds: algorithms and evaluation
Ning et al. Automatic heart sounds detection and systolic murmur characterization using wavelet transform and AR modeling
US20160220190A1 (en) Patient signal analysis based on affine template matching
Ari et al. On a robust algorithm for heart sound segmentation
Sidhu et al. Performance analysis of oscillometric blood pressure estimation techniques in cardiac patients
Naidu et al. Detection of characteristic points of impedance cardiogram and validation using Doppler echocardiography