WO2009079976A9 - Verfahren und vorrichtung zum herz-, kreislauf- und atmungsmonitoring mittels hidden markov modellen und neuronalen netzwerken - Google Patents

Verfahren und vorrichtung zum herz-, kreislauf- und atmungsmonitoring mittels hidden markov modellen und neuronalen netzwerken Download PDF

Info

Publication number
WO2009079976A9
WO2009079976A9 PCT/DE2008/002033 DE2008002033W WO2009079976A9 WO 2009079976 A9 WO2009079976 A9 WO 2009079976A9 DE 2008002033 W DE2008002033 W DE 2008002033W WO 2009079976 A9 WO2009079976 A9 WO 2009079976A9
Authority
WO
WIPO (PCT)
Prior art keywords
heart
respiratory
feature extraction
noise
hidden markov
Prior art date
Application number
PCT/DE2008/002033
Other languages
English (en)
French (fr)
Other versions
WO2009079976A3 (de
WO2009079976A2 (de
Inventor
Guy Leonard Kouemou
Original Assignee
Guy Leonard Kouemou
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 Guy Leonard Kouemou filed Critical Guy Leonard Kouemou
Publication of WO2009079976A2 publication Critical patent/WO2009079976A2/de
Publication of WO2009079976A9 publication Critical patent/WO2009079976A9/de
Publication of WO2009079976A3 publication Critical patent/WO2009079976A3/de

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

Definitions

  • DE3444635A1 a device for cardiac, respiratory and circulatory monitoring is known, which triggers a warning signal in a condition caused by cardiac or circulatory arrest respiratory arrest.
  • This device is a pure monitor that is not suitable for examination or diagnosis because the data is not recorded.
  • the diagnosis of sleep apnea syndrome mainly results from the previous history, the information on sleep hygiene, the examination at the family doctor and an outpatient examination in specialized medical specialists.
  • sensors that are connected to the patient at home during sleep, for recording breath flow, breathing sounds, brain waves, oxygen saturation in the blood, heart rate, ECG, respiratory motion of the Thorax and abdomen and body position.
  • the device has at least one microphone system, ultrasound system or a similar acoustic sensor system for the continuous recording of cardiac, circulatory and respiratory sounds, as well as a PC with evaluation software.
  • a hybrid system consisting of hidden markov models, neural networks and a knowledge-based automaton identifies the recorded sounds and their timing.
  • This data is used to determine the health status of the patient and, if necessary, to make a proposal for a preliminary diagnosis.
  • FIG. 1 shows an exemplary schematic representation of a device according to the invention, in which an airborne microphone system is placed over the head region of the patient and is connected to the signal processing PC via an analog-to-digital converter card.
  • FIG. 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.
  • FIG. 3 shows a schematic representation of the method steps for preliminary diagnosis in cardiac, respiratory and circulatory diseases.
  • Fig. 4 shows an exemplary schematic representation of the processes implemented in the signal processing PC.

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 And Recording Apparatus For Diagnosis (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (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.

Description

Verfahren und Vorrichtung zum Herz-, Kreislauf- und Atmunαsmonitorinq mittels Hidden Markov Modellen und neuronalen Netzwerken
[0001] Heutzutage werden weltweit mehrere unterschiedliche Geräte zur Überwachung der Herzkreislauf und Atmungsfunktionalitäten eingesetzt. Diese Geräte werden klinisch vorwiegend in den zwei Gruppierungen Beat- mungs- oder Atmungsmonitoringsysteme kategorisiert .
[0002] 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 Mar- kov Modelle oder Neuronale Netzwerke, verfügen.
[0003] 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.
[0004] Bei langzeitbeatmeten Patienten werden meistens Geräte eingesetzt die über eine Vielzahl von biologischen Sensoren brauchen um ein zuverlässiges Monitoring der Patienten zu gewährleisten.
[0005] Eine ähnlich große Anzahl an Sensoren wird beispielsweise häufig gebraucht für eine zuverlässige Diagnose bzw. Monitoring von Herz-, Kreislauf -bzw. Atemwegerkrankungen.
[0006] 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.
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.
[0007] 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.
[0008] 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 Ap- noefrequenzen und Herzfrequenz so gut wie unabdingbar.
Aufgabenstellung
[0009] 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. Lösungsvorschlag und Ausführungsbeispiel
[0010] 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-, Kreislaufströ- mungs- und Atemgeräuschen durchgeführt.
-$ Mit Hilfe dieser Daten wird der Gesundheitszustand des Patienten ermittelt und eventuell ein Vorschlag zur Vorabdiagnose erstellt.
[0011] Das Verfahren und die Vorrichtung werden durch folgende Zeichnungen näher erläutert: [0012] Fig.l zeigt eine beispielhafte schematische Darstellung einer erfindungsgemäßen Vorrichtung, bei der ein Luftschall-Mikrofon-System über dem Kopfbereich des Patienten platziert wird und über einer Ana- log-Digital-Wandlerkarte an den Signalverarbeitungs-PC angeschlossen wird.
[0013] Fig.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.
[0014] Fig.3 zeigt eine schematische Darstellung der Verfahrensschritte zur Vorabdiagnose bei Herz-, Atem- und Kreislauferkrankungen.
[0015] Fig.4 zeigt eine beispielhafte schematische Darstellung der Vorgänge, die im Signalverarbeitungs- PC implementiert sind.

Claims

P a t e n t a n s p r ü c h e
Verfahren und Vorrichtung zum Herz-, Kreislaufund Atmungs-Monitoring von Patienten mit einem Sensor, einem daran angeschlossenen PC und einer intelligenten Software, d a d u r c h g e k e n n z e i c h n e t , 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.
2. Verfahren und Vorrichtung nach Anspruch 1, wobei nach der Geräuschklassifikation eine Geräuschanalyse mit zugehöriger Statistik von einem lernenden System durchgeführt wird.
3. 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, erfolgt
4. 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 Varianz
5. Verfahren und Vorrichtung nach Ansprüchen 1-4, wobei bei der Merkmalsextraktion eine Fourier- Analyse als statistisches Verfahren verwendet wird.
6. Verfahren und Vorrichtung nach Ansprüchen 1-4, wobei bei der Merkmalsextraktion eine Cepstrum- Analyse als statistisches Verfahren verwendet wird.
7. Verfahren und Vorrichtung nach Ansprüchen 1-4, wobei bei der Merkmalsextraktion eine Wavelet- Analyse als statistisches Verfahren verwendet wird.
8. Verfahren und Vorrichtung nach einem der vorherigen Ansprüchen, wobei die neuronalen Netzwerke o- der Hidden Markov Modelle im Hybridsystem mit gleichen oder unterschiedlichen Trainingsdaten für die Geräuschklassen trainiert sind mit gleichen oder unterschiedlichen Trainingsalgorithmen.
9. 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, Herzfliinmergeräusche) und Kreislauf-Strömungs- Geräuschen (z.B.: arterielle Strömung, venöse Strömung) stattfindet.
10. 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.
11. 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.
PCT/DE2008/002033 2007-12-21 2008-12-04 Verfahren und vorrichtung zum herz-, kreislauf- und atmungsmonitoring mittels hidden markov modellen und neuronalen netzwerken WO2009079976A2 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102007063008.7 2007-12-21
DE102007063008A DE102007063008A1 (de) 2007-12-21 2007-12-21 Verfahren und Vorrichtung zum Herz-, Kreislauf- und Atmungsmonitoring mittels Hidden Markov Modellen und neuronalen Netzwerken

Publications (3)

Publication Number Publication Date
WO2009079976A2 WO2009079976A2 (de) 2009-07-02
WO2009079976A9 true WO2009079976A9 (de) 2009-08-27
WO2009079976A3 WO2009079976A3 (de) 2009-11-26

Family

ID=40689955

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/DE2008/002033 WO2009079976A2 (de) 2007-12-21 2008-12-04 Verfahren und vorrichtung zum herz-, kreislauf- und atmungsmonitoring mittels hidden markov modellen und neuronalen netzwerken

Country Status (2)

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

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7739061B2 (en) * 1999-02-12 2010-06-15 Pierre Bonnat Method and system for controlling a user interface of a device using human breath
DE102009037097A1 (de) 2009-08-11 2011-02-17 Kouemou, Guy Leonard, Dr. Ing. Gerät zum automatischen Atmungs- und Beatmungsmonitoring
FR2967273B1 (fr) * 2010-11-10 2013-06-28 Commissariat Energie Atomique Dispositif de detection a capteur, procede de detection et programme d'ordinateur correspondants
US11240579B2 (en) 2020-05-08 2022-02-01 Level 42 Ai Sensor systems and methods for characterizing health conditions
CN114788709A (zh) * 2021-01-26 2022-07-26 上海微创数微医疗科技有限公司 心音信号去噪方法、装置和存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1984001705A1 (en) * 1982-10-29 1984-05-10 London Hospital Med Coll Cardio-respiratory monitor apparatus & method
DE3444635A1 (de) 1984-12-07 1986-06-19 Hugo Sachs Elektronik Kg, 7801 March Geraet zur herz-, atem- und kreislaufueberwachung
DE9200249U1 (de) 1992-01-11 1992-04-16 Klemm, Bernd, 7801 Umkirch Vorrichtung zur Überwachung und Aufzeichnung der Atem-, Herz- und/oder dgl. Lebensfunktion
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

Also Published As

Publication number Publication date
WO2009079976A3 (de) 2009-11-26
DE102007063008A1 (de) 2009-06-25
WO2009079976A2 (de) 2009-07-02

Similar Documents

Publication Publication Date Title
DE102017112819A1 (de) System und Verfahren zum Vorsehen einer Echtzeitsignal-Segmentierung und Kontrollpunktausrichtungsrahmen
Lanata et al. A novel algorithm for movement artifact removal in ecg signals acquired from wearable systems applied to horses
DE102008002933A1 (de) Datenaufzeichnung zur Patientenstatusanalyse
EP1059875B1 (de) Auswertesystem zur gewinnung diagnostischer informationen aus signalen und daten medizinischer sensorsysteme
James et al. Neurobehavioral development in the human fetus
EP4081116B1 (de) Verfahren und anordnung zur erzeugung eines ekg-signals
Leicht et al. Capacitive ECG monitoring in cardiac patients during simulated driving
WO2009079976A9 (de) Verfahren und vorrichtung zum herz-, kreislauf- und atmungsmonitoring mittels hidden markov modellen und neuronalen netzwerken
DE102009033829A1 (de) Verfahren und Vorrichtung zum berührungslosen Herz-, Kreislauf- und Atmungsmonitoring
Talatov et al. Algorithmic and software analysis and processing of ECG signals
Mahesh et al. ECG arrhythmia classification based on logistic model tree
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
Bonjyotsna et al. Correlation of drowsiness with electrocardiogram: A review
DE102009037097A1 (de) Gerät zum automatischen Atmungs- und Beatmungsmonitoring
Stantic et al. Detecting abnormal ecg signals utilising wavelet transform and standard deviation
Lanata et al. Removing movement artifacts from equine ECG recordings acquired with textile electrodes
Rahman et al. Sleep stage classification using eog signals with reduced class imbalance effect
EP1192897B1 (de) Risikomonitoring
Rahman et al. Reconstruction of 3-Axis Seismocardiogram from Right-to-left and Head-to-foot Components Using A Long Short-Term Memory Network
WO2009079977A2 (de) Verfahren und vorrichtung zur schlafmedizinischen vorabdiagnose und therapie-begleitung
Fahruzi et al. Classification of Sleep Disorder from Single Lead Non-overlapping of ECG-apnea based Non-Linear Analysis using Ensemble Approach
Jamaluddin et al. A new threshold estimation method of semg wavelet de-noising for prolonged fatigue identification
Tychkov et al. Eeg analysis based on the empirical mode decomposition for detection of mental activity
Yaghouby et al. Variability analysis for noisy physiological signals: A simulation study

Legal Events

Date Code Title Description
122 Ep: pct application non-entry in european phase

Ref document number: 08863801

Country of ref document: EP

Kind code of ref document: A2