CN112336369B - 一种多通道心音信号的冠心病风险指数评估*** - Google Patents
一种多通道心音信号的冠心病风险指数评估*** Download PDFInfo
- Publication number
- CN112336369B CN112336369B CN202011371566.7A CN202011371566A CN112336369B CN 112336369 B CN112336369 B CN 112336369B CN 202011371566 A CN202011371566 A CN 202011371566A CN 112336369 B CN112336369 B CN 112336369B
- Authority
- CN
- China
- Prior art keywords
- heart sound
- channel
- time sequence
- heart
- risk index
- 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.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B7/00—Instruments for auscultation
- A61B7/02—Stethoscopes
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Acoustics & Sound (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种多通道心音信号的冠心病风险指数评估***,其技术方案为:包括数据采集模块,其用于采集被测试者的心音数据,构建冠心病风险指数评估模型;数据处理模块,其用于将经模数转换后的心音数据进行滤波和重采样,构建心音信号时间序列;并将心音信号时间序列每个心动周期进行分段,且分别提取基于分段后心音信号的单通道特征和基于未分段两通道心音信号的两通道特征;风险评估模块,其用于对提取的心音特征进行分类,并输出评估结果。本发明能够提高冠心病风险指数评估的准确性。
Description
技术领域
本发明涉及生理信号分析的技术领域,尤其涉及一种多通道心音信号的冠心病风险指数评估***。
背景技术
冠心病的危害性极其严重,是心血管疾病中死亡率最高的疾病。冠脉造影作为检测冠心病的金标准,因为有创有损且花费巨大,不能作为常规筛查手段。心音信号是人体最重要的生理信号之一,它能够有效地反映心血管的生理和病理状态,不会对人体造成伤害且操作简便成本低廉。
早期研究显示,由于冠状动脉狭窄引起的湍流会使周围组织振动,从而产生心脏杂音。精准捕捉并合理分析这些心脏杂音是通过心音信号评估冠心病风险的关键。但是心脏杂音幅值微小且形态多变,目前只能确定其在心脏舒张期更易检测。由于采集设备等局限,在以往的心音诊断研究中,心音信号采集多为单通道采集,加之复杂的环境噪声,单独基于心音信号的冠心病风险指数评估一直达不到令人满意的效果。
发明内容
针对现有技术存在的不足,本发明的目的是提供一种多通道心音信号的冠心病风险指数评估***,能够提高冠心病风险指数评估的准确性。
为了实现上述目的,本发明是通过如下的技术方案来实现:
第一方面,本发明的实施例提供了一种多通道心音信号的冠心病风险指数评估***,包括:
数据采集模块,其用于采集被测试者的心音数据,构建冠心病风险指数评估模型;
数据处理模块,其用于将经模数转换后的心音数据进行滤波和重采样,构建心音信号时间序列;并将心音信号时间序列每个心动周期进行分段,且分别提取基于分段后心音信号的单通道特征和基于未分段两通道心音信号的两通道特征;
风险评估模块,其用于对提取的心音特征进行分类,并输出评估结果。
作为进一步的实现方式,所述数据采集模块包括心音信号检测模块和冠心病风险指数评估模型生成模块,心音信号检测模块包括多个心音传感器,每个心音传感器均与放大滤波器相连。
作为进一步的实现方式,所述提取单通道特征和两通道特征的步骤为:
对各个通道的心动周期、第一心音、第二心音、收缩期和舒张期时间序列分别计算时间特征;对各个通道的第一心音、第二心音、收缩期和舒张期时间序列分别计算幅值特征;对各个通道的第一心音、第二心音、收缩期和舒张期时间序列分别计算频域特征;对各个通道的收缩期和舒张期时间序列分别计算非线性特征;对任意两通道的心音组合分别计算相关系数和相干函数的统计量特征;对任意两通道的心音组合分别计算互熵特征。
作为进一步的实现方式,所述风险评估模块通过将特征集输入冠心病风险指数评估模型,得到冠心病风险指数评估模型的输出结果,根据输出结果评估冠心病风险指数。
作为进一步的实现方式,所述冠心病风险指数评估模型生成的方法为:首先提取心音特征,并对心音特征进行特征选择,得到特征选择结果;根据特征选择结果构建特征集,以机器学习方法训练分类器,获得冠心病风险指数评估模型。
作为进一步的实现方式,对心音特征进行特征选择时,采用基于支持向量机的递归消除法筛选特征,通过反复构建支持向量机模型,迭代移除得分最低的特征,得到最佳特征集。
作为进一步的实现方式,构建冠心病风险指数评估模型时,使用k折交叉验证法对结果进行验证。
作为进一步的实现方式,数据处理模块中对心音数据进行30~300Hz的带通滤波,同时去除50Hz的工频干扰。
第二方面,本发明的实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如下步骤:
获取被测试者的心音数据,构建冠心病风险指数评估模型;
将经模数转换后的心音数据进行滤波和重采样,构建心音信号时间序列;将心音信号时间序列每个心动周期进行分段,且分别提取基于分段后心音信号的单通道特征和基于未分段两通道心音信号的两通道特征;
对提取的心音特征进行分类,并输出评估结果。
第三方面,本发明的实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如下步骤:
获取被测试者的心音数据,构建冠心病风险指数评估模型;
将经模数转换后的心音数据进行滤波和重采样,构建心音信号时间序列;并将心音信号时间序列每个心动周期进行分段,且分别提取基于分段后心音信号的单通道特征和基于未分段两通道心音信号的两通道特征;
对提取的心音特征进行分类,并输出评估结果。
上述本发明的实施例的有益效果如下:
(1)本发明的一个或多个实施方式采集多个通道心音信号,从多个方位捕捉心脏杂音,可以提高捕捉心脏杂音的概率;并通过两通道心音间的耦合,对冠心病风险指数予以更为准确的评估;
(2)本发明的一个或多个实施方式提取基于分段后心音信号的单通道特征和基于未分段两通道心音信号的两通道特征,将特征输入冠心病风险指数评估模型,根据输出评估该心音的冠心病风险指数;由于多通道心音信号可以从多个位置捕获可能存在的有用信息,而各通道信号间的耦合信号能提供有关同步性的信息,因此通过本发明提供能够得到比之前研究更好的分类性能,能够提高冠心病风险指数评估的准确性,有效提高心音信号在冠心病风险指数评估方面的应用价值。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明根据一个或多个实施方式的***结构示意图;
图2是本发明根据一个或多个实施方式的流程图;
其中,1、心音信号采集模块,2、A/D转换模块,3、预处理模块,4、分段模块,5、特征提取模块,6、风险评估模块。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合;
实施例一:
本实施例提供了一种多通道心音信号的冠心病风险指数评估***,包括:
数据采集模块,其用于采集被测试者的心音数据,构建冠心病风险指数评估模型;
数据处理模块,其用于将经模数转换后的心音数据进行滤波和重采样,构建心音信号时间序列;并将心音信号时间序列每个心动周期进行分段,且分别提取基于分段后心音信号的单通道特征和基于未分段两通道心音信号的两通道特征;
风险评估模块,其用于对提取的心音特征进行分类,并输出评估结果。
进一步的,如图1所示,所述数据采集模块包括心音信号采集模块1、心音信号检测模块、冠心病风险指数评估模型生成模块,心音信号检测模块包括多个心音传感器,每个心音传感器均与放大滤波器相连;心音信号经传感器采集后,进入放大滤波器放大。
心音信号采集模块1用于接收心音样本数据和心音信号;心音信号检测模块用于检测心音信号,并将心音信号发送至与其连接的心音信号采集模块1,在本实施例中,所述心音信号检测模块包括并联的五个心音传感器,使用时,五个心音传感器的布置位置依次为胸骨右缘第二肋间隙(第一通道)、胸骨左缘第二肋间隙(第二通道)、胸骨左缘第三肋间隙(第三通道)、胸骨左缘第四肋间隙(第四通道)、第四肋间隙与锁骨中线交叉点(第五通道)。
考虑到皮下脂肪对测量效果的影响,对于女性,将第四通道、第五通道的位置分别改为胸骨右缘第三肋间隙、第三肋间隙与锁骨中线交叉点。
数据处理模块包括预处理模块3、分段模块4和特征提取模块5,预处理模块3依次连接分段模块4和特征提取模块5,且预处理模块3能够与特征提取模块5直接连接。
预处理模块3用于对转换后的信号进行滤波和重采样,并构建心音信号时间序列,滤波方式为30~300Hz的带通滤波,同时去除50Hz的工频干扰。分段模块4用于将心音信号时间序列每个心动周期进行分段;特征提取模块5用于分别提取基于分段后心音信号的单通道特征和基于未分段两通道心音信号的两通道特征。对于单通道特征,从分段后的心音信号提取,对于两通道心音信号,从未分段的心音信号提取。
所述风险评估模块6通过将特征集输入冠心病风险指数评估模型,得到冠心病风险指数评估模型的输出结果,根据输出结果评估冠心病风险指数。所述冠心病风险指数评估模型采用支持向量机的递归消去法筛选特征;使用k折交叉验证法对结果进行验证。
进一步地,冠心病风险指数评估模型生成模块用于接收与其连接的所述心音信号采集模块接收的心音样本数据,构建冠心病风险指数评估模型,并发送至与其连接的所述风险评估模块。心病风险指数评估模型生成的方法为:首先提取心音特征,并对心音特征进行特征选择,得到特征选择结果;根据特征选择结果构建特征集,以机器学习方法训练分类器,获得冠心病风险指数评估模型。
具体的,在本实施例中,对大样本心音数据进行分段,每个心动周期的心音信号均被分为第一心音、收缩期、第二心音和舒张期四段。提取的心音特征包括时域、频域、非线性等单通道心音特征和相关系数、相干函数、互熵等两通道心音特征;对心音特征进行特征选择,得到特征选择结果;根据特征选择结果构建特征集,以机器学习方法为分类器训练并获得心音信号分类模型。
进一步的,提取心音特征的方法为:
1、对各个通道的心动周期、第一心音、第二心音、收缩期和舒张期时间序列分别计算时间特征,包括心动周期、第一心音持续时间、第二心音持续时间、收缩期、舒张期、收缩期/心动周期、舒张期/心动周期和收缩期/舒张期的均值与方差等。
2、对第一心音、第二心音、收缩期和舒张期时间序列分别计算幅值特征,包括收缩期幅值/第一心音幅值和舒张期幅值/第二心音幅值的均值与方差等。
3、对第一心音、第二心音、收缩期和舒张期时间序列分别计算频域特征,包括第一心音高频频谱值/第一心音总频谱值、第一心音低频频谱值/第一心音总频谱值、第二心音高频频谱值/第二心音总频谱值、第二心音低频频谱值/第二心音总频谱值、收缩期高频频谱值/收缩期总频谱值、收缩期低频频谱值/收缩期总频谱值、舒张期高频频谱值/舒张期总频谱值和舒张期低频频谱值/舒张期总频谱值的均值与方差等。
4、对收缩期和舒张期时间序列分别计算非线性特征,包括收缩期熵和舒张期熵的均值与方差等。
需要注意的是,在本实施例中“/”为除法运算。
计算得到收缩期熵、舒张期熵的过程为:
(1)分别获取收缩期和舒张期时间序列;
(2)从上述序列中依次取N-m+1个由m个连续点组成的m维行矢量Xm(i),并计算矢量Xm(i)的范数;其中i=1,2,…,N-m+1;m表示大于等于1小于等于N的整数;N表示步骤序列中元素的总数。
(3)构建下列矢量范数矩阵,计算矢量范数矩阵的统计特征Pm;Xm(1)Xm(2) … Xm(N-m+1);
其中,di,j=|(||Xm(i)||-||Xm(j)||)/max(|||Xm(i+k)||-||Xm(j+k)|||)|为两个矢量Xm(i)与Xm(j)之间的归一化距离;k=0,1,…,m-1;i,j=1,2,…,N-m+1,i≠j。
(5)对任意两通道的心音组合,包括第一通道和第二通道、第一通道和第三通道、第一通道和第四通道、第一通道和第五通道、第二通道和第三通道、第二通道和第四通道、第二通道和第五通道、第三通道和第四通道、第三通道和第五通道、第四通道和第五通道分别计算相关系数和相干函数的统计量特征,统计量特征包括均值、方差、偏度和峰度。
(6)对任意两通道的心音组合,包括第一通道和第二通道、第一通道和第三通道、第一通道和第四通道、第一通道和第五通道、第二通道和第三通道、第二通道和第四通道、第二通道和第五通道、第三通道和第四通道、第三通道和第五通道、第四通道和第五通道分别计算互熵特征,包括互样本熵、互模糊熵和互分布熵。
在本实施例,计算得到任意两通道心音信号组合的互样本熵和互模糊熵的过程为:
1)分别获取两通道心音信号的时间序列,并减去均值除以标准差进行归一化;
2)将上述步骤中得到的序列进行状态空间重构,分别构造下列向量Xm(i)和Ym(j);其中,1≤i,j≤N-m;m是重构维数;
Xm(i)=[x(i),x(i+1),…,x(i+m-1)]
Ym(j)=[y(j),y(j+1),…,y(j+m-1)]。
5)将空间维数增加至m+1,重复步骤2)至步骤4),计算统计特征B(m+1)(r);由B(m+1)(r)-B(m)(r)根据()的不同分别求取互样本熵和互模糊熵。
在本实施例中,计算得到任意两通道心音信号组合的互分布熵的过程为:
1)分别获取两通道心音信号的时间序列,并减去均值除以标准差进行归一化;
2)将上述步骤中得到的的序列进行状态空间重构,分别构造下列向量Xm(i)和Ym(j);其中,1≤i,j≤N-m;m是重构维数;
Xm(i)=[x(i),x(i+1),…,x(i+m-1)]
Ym(j)=[y(j),y(j+1),…,y(j+m-1)]
本实施例提取基于分段后心音信号的单通道特征和基于未分段两通道心音信号的两通道特征,经过特征筛选后,将特征输入心音信号分类模型,根据输出类别提供冠心病检测方面的信息参考。
实施例二:
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如下步骤:
获取被测试者的心音数据,构建冠心病风险指数评估模型;
将经模数转换后的心音数据进行滤波和重采样,构建心音信号时间序列;并将心音信号时间序列每个心动周期进行分段,且分别提取基于分段后心音信号的单通道特征和基于未分段两通道心音信号的两通道特征;
对提取的心音特征进行分类,并输出评估结果。
本实施例的所述处理器执行所述程序时实现的步骤与实施例一中的多通道心音信号的冠心病风险指数评估***的各个模块的具体实施过程相同,此处不再累述。
实施例三:
本实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如下步骤:
获取被测试者的心音数据,构建冠心病风险指数评估模型;
将经模数转换后的心音数据进行滤波和重采样,构建心音信号时间序列;并将心音信号时间序列每个心动周期进行分段,且分别提取基于分段后心音信号的单通道特征和基于未分段两通道心音信号的两通道特征;
对提取的心音特征进行分类,并输出评估结果。
本实施例的所述处理器执行所述程序时实现的步骤与实施例一中的多通道心音信号的冠心病风险指数评估***的各个模块的具体实施过程相同,此处不再累述。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (9)
1.一种多通道心音信号的冠心病风险指数评估***,其特征在于,包括:
数据采集模块,其用于采集被测试者的心音数据,构建冠心病风险指数评估模型;
数据处理模块,其用于将经模数转换后的心音数据进行滤波和重采样,构建心音信号时间序列;并将心音信号时间序列每个心动周期进行分段,且分别提取基于分段后心音信号的单通道特征和基于未分段两通道心音信号的两通道特征;所述提取单通道特征和两通道特征的步骤为:
对各个通道的心动周期、第一心音、第二心音、收缩期和舒张期时间序列分别计算时间特征;对各个通道的第一心音、第二心音、收缩期和舒张期时间序列分别计算幅值特征;对各个通道的第一心音、第二心音、收缩期和舒张期时间序列分别计算频域特征;对各个通道的收缩期和舒张期时间序列分别计算非线性特征;对任意两通道的心音组合分别计算相关系数和相干函数的统计量特征;对任意两通道的心音组合分别计算互熵特征;
风险评估模块,其用于对提取的心音特征进行分类,并输出评估结果。
2.根据权利要求1所述的一种多通道心音信号的冠心病风险指数评估***,其特征在于,所述数据采集模块包括心音信号检测模块和冠心病风险指数评估模型生成模块,心音信号检测模块包括多个心音传感器,每个心音传感器均与放大滤波器相连。
3.根据权利要求1所述的一种多通道心音信号的冠心病风险指数评估***,其特征在于,所述风险评估模块通过将特征集输入冠心病风险指数评估模型,得到冠心病风险指数评估模型的输出结果,根据输出结果评估冠心病风险指数。
4.根据权利要求1或3所述的一种多通道心音信号的冠心病风险指数评估***,所述冠心病风险指数评估模型生成的方法为:首先提取心音特征,并对心音特征进行特征选择,得到特征选择结果;根据特征选择结果构建特征集,以机器学习方法训练分类器,获得冠心病风险指数评估模型。
5.根据权利要求4所述的一种多通道心音信号的冠心病风险指数评估***,其特征在于,对心音特征进行特征选择时,采用基于支持向量机的递归消除法筛选特征,通过反复构建支持向量机模型,迭代移除得分最低的特征,得到最佳特征集。
6.根据权利要求1所述的一种多通道心音信号的冠心病风险指数评估***,其特征在于,构建冠心病风险指数评估模型时,使用k折交叉验证法对结果进行验证。
7.根据权利要求1所述的一种多通道心音信号的冠心病风险指数评估***,其特征在于,数据处理模块中对心音数据进行30~300Hz的带通滤波,同时去除50Hz的工频干扰。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如下步骤:
获取被测试者的心音数据,构建冠心病风险指数评估模型;
将经模数转换后的心音数据进行滤波和重采样,构建心音信号时间序列;将心音信号时间序列每个心动周期进行分段,且分别提取基于分段后心音信号的单通道特征和基于未分段两通道心音信号的两通道特征;所述提取单通道特征和两通道特征的步骤为:
对各个通道的心动周期、第一心音、第二心音、收缩期和舒张期时间序列分别计算时间特征;对各个通道的第一心音、第二心音、收缩期和舒张期时间序列分别计算幅值特征;对各个通道的第一心音、第二心音、收缩期和舒张期时间序列分别计算频域特征;对各个通道的收缩期和舒张期时间序列分别计算非线性特征;对任意两通道的心音组合分别计算相关系数和相干函数的统计量特征;对任意两通道的心音组合分别计算互熵特征;
对提取的心音特征进行分类,并输出评估结果。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如下步骤:
获取被测试者的心音数据,构建冠心病风险指数评估模型;
将经模数转换后的心音数据进行滤波和重采样,构建心音信号时间序列;并将心音信号时间序列每个心动周期进行分段,且分别提取基于分段后心音信号的单通道特征和基于未分段两通道心音信号的两通道特征;所述提取单通道特征和两通道特征的步骤为:
对各个通道的心动周期、第一心音、第二心音、收缩期和舒张期时间序列分别计算时间特征;对各个通道的第一心音、第二心音、收缩期和舒张期时间序列分别计算幅值特征;对各个通道的第一心音、第二心音、收缩期和舒张期时间序列分别计算频域特征;对各个通道的收缩期和舒张期时间序列分别计算非线性特征;对任意两通道的心音组合分别计算相关系数和相干函数的统计量特征;对任意两通道的心音组合分别计算互熵特征;
对提取的心音特征进行分类,并输出评估结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011371566.7A CN112336369B (zh) | 2020-11-30 | 2020-11-30 | 一种多通道心音信号的冠心病风险指数评估*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011371566.7A CN112336369B (zh) | 2020-11-30 | 2020-11-30 | 一种多通道心音信号的冠心病风险指数评估*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112336369A CN112336369A (zh) | 2021-02-09 |
CN112336369B true CN112336369B (zh) | 2021-09-10 |
Family
ID=74365213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011371566.7A Active CN112336369B (zh) | 2020-11-30 | 2020-11-30 | 一种多通道心音信号的冠心病风险指数评估*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112336369B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115363586A (zh) * | 2022-09-08 | 2022-11-22 | 山东大学 | 一种基于脉搏波信号的心理压力等级评估***及方法 |
CN115553784B (zh) * | 2022-09-26 | 2024-04-26 | 山东大学 | 基于心电、心音信号耦合分析的冠心病评估方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102512154A (zh) * | 2011-12-31 | 2012-06-27 | 济南汇医融工科技有限公司 | 一种检测冠状动脉狭窄的装置 |
CN107693044A (zh) * | 2017-11-15 | 2018-02-16 | 广东顺德西安交通大学研究院 | 冠心病监测诊断设备 |
CN109646044A (zh) * | 2019-02-19 | 2019-04-19 | 山东大学 | 一种心音信号质量评价方法及装置 |
CN110490176A (zh) * | 2019-09-03 | 2019-11-22 | 南京邮电大学 | 一种基于多时窗心音信号的多元特征提取方法 |
CN110537910A (zh) * | 2019-09-18 | 2019-12-06 | 山东大学 | 基于心电和心音信号联合分析的冠心病无创筛查*** |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2704577A4 (en) * | 2011-05-05 | 2014-10-15 | Cedars Sinai Medical Center | EVALUATION OF A CORONARY HEART DISEASE WITH CARBON DIOXIDE |
CN105120944B (zh) * | 2013-03-12 | 2017-05-31 | 心脏起搏器股份公司 | 具有多个传感器融合的医疗装置 |
EP3476299A1 (en) * | 2017-10-26 | 2019-05-01 | Acarix A/S | Risk determination of coronary artery disease |
CN108392220A (zh) * | 2018-02-01 | 2018-08-14 | 南京邮电大学 | 一种获取心音信号源成分的方法 |
CN111317499A (zh) * | 2018-12-17 | 2020-06-23 | 天津光电通信技术有限公司 | 一种基于小波技术的心音信号处理方法 |
CN110610204B (zh) * | 2019-09-03 | 2022-08-26 | 南京邮电大学 | 一种基于频率相关性的心音连通网络特征提取方法 |
-
2020
- 2020-11-30 CN CN202011371566.7A patent/CN112336369B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102512154A (zh) * | 2011-12-31 | 2012-06-27 | 济南汇医融工科技有限公司 | 一种检测冠状动脉狭窄的装置 |
CN107693044A (zh) * | 2017-11-15 | 2018-02-16 | 广东顺德西安交通大学研究院 | 冠心病监测诊断设备 |
CN109646044A (zh) * | 2019-02-19 | 2019-04-19 | 山东大学 | 一种心音信号质量评价方法及装置 |
CN110490176A (zh) * | 2019-09-03 | 2019-11-22 | 南京邮电大学 | 一种基于多时窗心音信号的多元特征提取方法 |
CN110537910A (zh) * | 2019-09-18 | 2019-12-06 | 山东大学 | 基于心电和心音信号联合分析的冠心病无创筛查*** |
Also Published As
Publication number | Publication date |
---|---|
CN112336369A (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sangaiah et al. | An intelligent learning approach for improving ECG signal classification and arrhythmia analysis | |
Ghosh et al. | Automated detection of heart valve disorders from the PCG signal using time-frequency magnitude and phase features | |
CN108714026B (zh) | 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法 | |
Safara et al. | Multi-level basis selection of wavelet packet decomposition tree for heart sound classification | |
CN108596142B (zh) | 一种基于PCANet的心电特征提取方法 | |
Dokur et al. | Heart sound classification using wavelet transform and incremental self-organizing map | |
CN109480824B (zh) | 心电波形数据的处理方法、装置和服务器 | |
CN109948396B (zh) | 一种心拍分类方法、心拍分类装置及电子设备 | |
CN112336369B (zh) | 一种多通道心音信号的冠心病风险指数评估*** | |
CN112036467A (zh) | 基于多尺度注意力神经网络的异常心音识别方法及装置 | |
CN109044348A (zh) | 房颤检测装置及存储介质 | |
CN113076878B (zh) | 基于注意力机制卷积网络结构的体质辨识方法 | |
Singh et al. | Short unsegmented PCG classification based on ensemble classifier | |
Gupta et al. | Segmentation and classification of heart sounds | |
Lo et al. | Deep learning for detection of fetal ECG from multi-channel abdominal leads | |
CN110897634A (zh) | 一种基于生成对抗网络的心电信号生成方法 | |
Dey et al. | Wavelet based normal and abnormal heart sound identification using spectrogram analysis | |
CN114492519B (zh) | 一种基于超声回波射频信号的肺超声特殊征象b线识别分类方法 | |
Mondal et al. | Boundary estimation of cardiac events S1 and S2 based on Hilbert transform and adaptive thresholding approach | |
CN110718301A (zh) | 基于动态脑功能网络的阿尔茨海默病辅助诊断装置及方法 | |
Mishra et al. | Grading heart sounds through variational mode decomposition and higher order spectral features | |
Guermoui et al. | Heart sounds analysis using wavelets responses and support vector machines | |
CN111554319B (zh) | 一种基于低秩张量学习的多通道心肺音异常识别***与装置 | |
CN115486849A (zh) | 心电信号质量评估方法、装置及设备 | |
CN115553784B (zh) | 基于心电、心音信号耦合分析的冠心病评估方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |