CN112949639A - 一种先天性心脏病心音智能分割分类算法、装置及存储介质 - Google Patents
一种先天性心脏病心音智能分割分类算法、装置及存储介质 Download PDFInfo
- Publication number
- CN112949639A CN112949639A CN202110102248.9A CN202110102248A CN112949639A CN 112949639 A CN112949639 A CN 112949639A CN 202110102248 A CN202110102248 A CN 202110102248A CN 112949639 A CN112949639 A CN 112949639A
- Authority
- CN
- China
- Prior art keywords
- heart sound
- heart
- clustering
- candidate
- period
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明一种先天性心脏病心音智能分割分类算法、装置及存储介质,计算香农能量包络并根据能量阈值实现第一心音、第二心音候选点识别,后续心音周期分割识别,第一心音定义为S1,第二心音定义为S2;采用循环合并剔除算法去除冗余错误的心音候选点;提取第一心音、第二心音的特征并采用无监督聚类算法实现S1、S2的聚类分离,最终根据心音周期先验知识判断S1、S2的具体类别,并得到聚类识别的心音周期;根据剩余候选心音周期相对已聚类识别心音周期的距离,对剩余候选周期进行距离代价值计算,得到心音数据的全部心音周期;基于心音周期提取有效心音特征,采用多个学习分类器算法实现分类模型训练,采用投票机制实现先天性心脏病心脏杂音的分类识别。
Description
技术领域
本发明属于医学安全技术领域,特别涉及一种先天性心脏病心音智能分割分类算法、装置及存储介质。
背景技术
先天性心脏病在我国总体患病率达8.98‰,其中30%左右为危急重症先天性心脏病,即在婴幼儿期可导致死亡或要求侵入性手术治疗。2015年以来,高龄孕产妇的比例显著增高,先天性心脏病发病率也明显升高。
心脏杂音指在心音与额外心音之外,在心脏收缩或舒张时血液在心脏或血管内产生湍流所致的室壁、瓣膜或血管振动所产生的异常声音,是具有不同频率、不同强度、持续时间较长的噪杂声。心脏杂音可见于健康人,更多发生于心血管疾病患者,同时某些杂音也是诊断心脏病的主要依据。
先天性心脏病早期筛查最重要的手段是心脏听诊和经皮血氧饱和度双指标检测法,其中目前广泛采用听诊方式是基于传统听诊器的人工听诊,缺点是心音数据不能数字化保存,判断依据不客观等。
发明内容
本发明的目的是针对现有技术中存在的上述问题,提供了一种先天性心脏病心音智能分割分类算法、装置及存储介质。
本发明的第一个目的可通过下列技术方案来实现:一种先天性心脏病心音智能分割分类算法,其特征在于,包括计算机端及以下步骤:
S01:依次采用截段、下采样、带通滤波和归一化操作实现心音数据的预处理;
S02:计算香农能量包络并根据能量阈值实现第一心音、第二心音候选点识别,用于后续心音周期分割识别,所述的第一心音定义为S1,所述的第二心音定义为S2;
S03:采用循环合并剔除算法去除冗余错误的心音候选点;
S04:提取第一心音、第二心音的特征并采用无监督聚类算法实现S1、S2 的聚类分离,最终根据心音周期先验知识判断S1、S2的具体类别,并得到聚类识别的心音周期;
S05:根据剩余候选心音周期相对已聚类识别心音周期的距离,对剩余候选周期进行距离代价值计算,最终得到心音数据的全部心音周期;
S06:基于心音周期提取有效心音特征,并最终采用多个学习分类器算法实现分类模型训练,采用投票机制实现先天性心脏病心脏杂音的分类识别。
本发明的工作原理:基于电子听诊器采集获取的心音数据信号,通过一系列自动化处理步骤实现心音周期的分割和先天性心脏病心脏杂音的分类,在智能诊断和筛查应用中具有较大的应用潜力。
在上述的一种先天性心脏病心音智能分割分类算法中,在步骤S01中,所述的截断操作用于去除音频数据起始和终止端部分的数据,所述的下采样设置为1000Hz,所述的带通滤波的范围设置为20—400Hz。
在上述的一种先天性心脏病心音智能分割分类算法中,在步骤S02中,针对预处理后的心音数据计算香浓能量包络线,如式1与式2:
其中,Envelope(t)为最终求得的包络信号,Es(t)为窗宽为N时的包络能量,Signorm为经过步骤S01预处理获得的心音信号,获取包络后,采用阈值 Mean(Envelope(t))分割包络信号,并将分割得到的各连续片段中最大包络能量点作为S1、S2的候选点P1与P2,并将阈值临界点作为心音的起始终止边界,即P1或P2的左侧的阈值临界点为起始边界,P1或P2的右侧阈值临界点为终止边界。
在上述的一种先天性心脏病心音智能分割分类算法中,在步骤S03中,针对步骤S02获取的心音候选点采用循环合并剔除算法循环合并边界相靠近的候选心音,同时剔除左右宽度过小的心音实现候选心音的合并和剔除:当相邻点Pi和Pi+1之间的边界距离小于阈值THmerge时,合并Pi和Pi+1,令Pi的左边界和Pi+1的右边界作为合并后候选点Pnew的左右边界,并取Pi和Pi+1中相对于左右边界居中的点作为Pnew的坐标位置,循环上述步骤直到所有候选点均不满足合并阈值要求;同时遍历所有剩余心音候选点,当存在点Pi的左右边界距离小于阈值 THdelete时,删除点Pi,所述的循环合并剔除算法设置有合并阈值,所述的合并阈值设置为THmerge=50,所述的循环合并剔除算法设置有剔除阈值,所述的剔除阈值设置为THdelete=20。
在上述的一种先天性心脏病心音智能分割分类算法中,在步骤S04中,针对合并剔除后的候选点,所述的无监督聚类算法通过设置聚类点特征实现心音候选点的二聚类,所述的聚类点的特征设计分别采用Pi点及其前后相邻点的以下特征包括:包络能量Es(t)、左右边界距离、左右边界内包络能量总和、左右边界内包络能量均值、左右边界内包络能量标准差、Mel频率倒谱系数、功率频谱中位值、快速傅里叶变换、偏度、峰度或是相邻点对应特征之间的差值、比值。
在上述的一种先天性心脏病心音智能分割分类算法中,在步骤S04中,所述的二聚类采用分段聚类的算法策略,即从起始位置开始聚类,当得到有效心音周期,则下一次聚类从前一次聚类得到的最后一个有效心音周期的心音候选点作为聚类分段的起始点,所述的分段聚类的长度设置为8个心音候选点,将所述的二聚类结果定义为lable-0与lable-1,记录连续三个候选点标签为:label-1, label-0,label-1、label-0,label-1,label-0两类心音周期,在所述的心音周期中,第一候选点可视作S1i,第二候选点视作S2i,第三候选点视作下一周期的S1i+1,通过统计所述的两类心音周期中S2i与S1i之间包络能量差异、S1i+1至S2i与S2i至S1i距离,总体差距大的周期作为一个完整识别的心音周期,最终得到聚类心音周期结果,所述的聚类心音周期结果由S1i、S2i和S1i+1组成。
在上述的一种先天性心脏病心音智能分割分类算法中,在步骤S05中,根据步骤S04已获取的聚类心音周期,分别向前或向后依次确定连续心音周期,并将当前心音周期与S04聚类获取心音周期的最短距离作为该心音周期的代价值,识别整个心音数据上的心音周期,包括聚类得到的心音周期,以及具有代价值的候选心音周期。
在上述的一种先天性心脏病心音智能分割分类算法中,在步骤S06中,采用10个所述的心音周期用于该心音信号特征提取和模型训练,首先确定分类所需要采用的心音周期数,并优先选择聚类确定的心音周期,其次选择代价小的心音周期得到满足分类心音周期数量要求,基于选择的心音周期,分别计算第一心音和第二心音的频域和时域多种特征,并采用重采样训练策略实现模型的训练,此处分类模型的选择可以多样化,例如随机森林、支持向量机、神经网络,并通过采用投票机制实现心音的准确分类。
本发明的第二个目的可通过下列技术方案来实现:一种先天性心脏病心音智能分割分类装置,包括:
计算机端;
电子听诊器;
控制器;
一个或多个处理器;
存储器;
以及一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述的程序包括用于执行如上述的一种先天性心脏病心音智能分割分类算法。
本发明的第三个目的可通过下列技术方案来实现:一种存储介质,存储与有机算机端、显示器结合使用的计算机程序,所述的计算机程序可被处理器执行完成如上述的一种先天性心脏病心音智能分割分类算法。
本发明具有实用高效等优点。
附图说明
图1是本发明的流程示意图。
图2是本发明的心音信号定义图。
图3是本发明的无监督聚类算法心音分割结果图。
图4是本发明的聚类识别后的分割结果示意图。
具体实施方式
以下是本发明的具体实施例并结合附图,对本发明的技术方案作进一步的描述,但本发明并不限于这些实施例。
如图1所示,本先天性心脏病心音智能分割分类算法中,包括计算机端及以下步骤:
S01:依次采用截段、下采样、带通滤波和归一化操作实现心音数据的预处理;
S02:计算香农能量包络并根据能量阈值实现第一心音、第二心音候选点识别,用于后续心音周期分割识别,所述的第一心音定义为S1,所述的第二心音定义为S2;
S03:采用循环合并剔除算法去除冗余错误的心音候选点;
S04:提取第一心音、第二心音的特征并采用无监督聚类算法实现S1、S2 的聚类分离,最终根据心音周期先验知识判断S1、S2的具体类别,并得到聚类识别的心音周期;
S05:根据剩余候选心音周期相对已聚类识别心音周期的距离,对剩余候选周期进行距离代价值计算,最终得到心音数据的全部心音周期;
S06:基于心音周期提取有效心音特征,并最终采用多个学习分类器算法实现分类模型训练,采用投票机制实现先天性心脏病心脏杂音的分类识别。
进一步细说,在步骤S01中,截断操作用于去除音频数据起始和终止端部分的数据,下采样设置为1000Hz,带通滤波的范围设置为20—400Hz,读取心音数据后,将信号前后0.5秒截去,以此消除录音操作中开始和结束阶段存在的噪声干扰;针对原始心音数据,采用1000Hz下采样,降低后续数据分析的数据量,并且采用20~400Hz的带通滤波器实现下采样信号的滤波去噪,最终实现信号的归一化操作,如式3:
进一步细说,在步骤S02中,针对预处理后的心音数据计算香浓能量包络线,如式1与式2:
其中,Envelope(t)为最终求得的包络信号,Es(t)为窗宽为N时的包络能量,Signorm为经过步骤S01预处理获得的心音信号,获取包络后,采用阈值 Mean(Envelope(t))分割包络信号,如式4:
Th=Mean(Envelope(t)) (4)
并将分割得到的各连续片段中最大包络能量点作为S1、S2的候选点P1与P2,并将阈值临界点作为心音的起始终止边界,即P1或P2的左侧的阈值临界点为起始边界,P1或P2的右侧阈值临界点为终止边界。
进一步细说,在步骤S03中,针对步骤S02获取的心音候选点采用循环合并剔除算法循环合并边界相靠近的候选心音,同时剔除左右宽度过小的心音实现候选心音的合并和剔除:当相邻点Pi和Pi+1之间的边界距离小于阈值THmerge 时,合并Pi和Pi+1,令Pi的左边界和Pi+1的右边界作为合并后候选点Pnew的左右边界,并取Pi和Pi+1中相对于左右边界居中的点作为Pnew的坐标位置,循环上述步骤直到所有候选点均不满足合并阈值要求;同时遍历所有剩余心音候选点,当存在点Pi的左右边界距离小于阈值THdelete时,删除点Pi,循环合并剔除算法设置有合并阈值,合并阈值设置为THmerge=50,循环合并剔除算法设置有剔除阈值,剔除阈值设置为THdelete=20,循环合并步骤如下:当存在相邻点Pi和 Pi+1之间的边界距离小于阈值THmerge=50,令Pi的左边界和Pi+1的右边界作为合并后候选点Pnew的左右边界,并取Pi和Pi+1当中居中的点作为Pnew的坐标位置,更新候选心音点集合,并重复上述步骤直到所有候选点均不满足合并阈值要求,剔除步骤如下:遍历所有心音候选点,当存在点Pi的左右边界距离小于阈值 THdelete=20时,删除点Pi。
进一步细说,在步骤S04中,针对合并剔除后的候选点,无监督聚类算法通过设置聚类点特征实现心音候选点的二聚类,聚类点的特征设计分别采用Pi点及其前后相邻点的以下特征:包络能量Es(t)、左右边界距离、左右边界内包络能量总和、左右边界内包络能量均值、左右边界内包络能量标准差、Mel频率倒谱系数、功率频谱中位值、快速傅里叶变换、偏度、峰度或是相邻点对应特征之间的差值、比值。
进一步细说,在步骤S04中,二聚类采用分段聚类的算法策略,即从起始位置开始聚类,当得到有效心音周期,则下一次聚类从前一次聚类得到的最后一个有效心音周期的心音候选点作为聚类分段的起始点,分段聚类的长度设置为8个心音候选点,将二聚类结果定义为lable-0与lable-1,记录连续三个候选点标签为:label-1,label-0,label-1、label-0,label-1,label-0两类心音周期,在心音周期中,第一候选点可视作S1i,第二候选点视作S2i,第三候选点视作下一周期的S1i+1,通过统计两类心音周期中S2i与S1i之间包络能量差异、S1i+1至S2i与S2i至S1i距离,总体差距大的周期作为一个完整识别的心音周期,最终得到聚类心音周期结果,聚类心音周期结果由S1i、S2i和S1i+1组成,采用上述聚类算法,从心音起始候选点开始,如果得到聚类结果,则采用最后一个聚类周期的 S1i+1作为新一次聚类片段的起始点,如果未得到聚类结果,则往后位移一个候选点进行聚类。通过上述步骤实现整个心音信号的分片段聚类,并最终得到聚类识别的心音周期片段。
进一步细说,在步骤S05中,根据步骤S04已获取的聚类心音周期,分别向前或向后依次确定连续心音周期,并将当前心音周期与S04聚类获取心音周期的最短距离作为该心音周期的代价值,识别整个心音数据上的心音周期,包括聚类得到的心音周期,以及具有代价值的候选心音周期。
进一步细说,在步骤S06中,采用10个所述的心音周期用于该心音信号特征提取和模型训练,首先确定分类所需要采用的心音周期数,并优先选择聚类确定的心音周期,其次选择代价小的心音周期得到满足分类心音周期数量要求,基于选择的心音周期,分别计算第一心音和第二心音的频域和时域多种特征,并采用重采样训练策略实现模型的训练,此处分类模型的选择可以多样化,例如随机森林、支持向量机、神经网络,并通过采用投票机制实现心音的准确分类。
本发明的第二个目的可通过下列技术方案来实现:一种先天性心脏病心音智能分割分类装置,包括:
计算机端;
电子听诊器;
控制器;
一个或多个处理器;
存储器;
以及一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,程序包括用于执行如上述的一种先天性心脏病心音智能分割分类算法。
本发明的第三个目的可通过下列技术方案来实现:一种存储介质,存储与有机算机端、显示器结合使用的计算机程序,计算机程序可被处理器执行完成如上述的一种先天性心脏病心音智能分割分类算法。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
尽管本文较多地使用了大量术语,但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质;把它们解释成任何一种附加的限制都是与本发明精神相违背的。
Claims (10)
1.一种先天性心脏病心音智能分割分类算法,其特征在于,包括计算机端及以下步骤:
S01:依次采用截段、下采样、带通滤波和归一化操作实现心音数据的预处理;
S02:计算香农能量包络并根据能量阈值实现第一心音、第二心音候选点识别,用于后续心音周期分割识别,所述的第一心音定义为S1,所述的第二心音定义为S2;
S03:采用循环合并剔除算法去除冗余错误的心音候选点;
S04:提取第一心音、第二心音的特征并采用无监督聚类算法实现S1、S2的聚类分离,最终根据心音周期先验知识判断S1、S2的具体类别,并得到聚类识别的心音周期;
S05:根据剩余候选心音周期相对已聚类识别心音周期的距离,对剩余候选周期进行距离代价值计算,最终得到心音数据的全部心音周期;
S06:基于心音周期提取有效心音特征,并最终采用多个学习分类器算法实现分类模型训练,采用投票机制实现先天性心脏病心脏杂音的分类识别。
2.根据权利要求1所述的一种先天性心脏病心音智能分割分类算法,其特征在于:在步骤S01中,所述的截断操作用于去除音频数据起始和终止端部分的数据,所述的下采样设置为1000Hz,所述的带通滤波的范围设置为20—400Hz。
4.根据权利要求1所述的一种先天性心脏病心音智能分割分类算法,其特征在于:在步骤S03中,针对步骤S02获取的心音候选点采用循环合并剔除算法循环合并边界相靠近的候选心音,同时剔除左右宽度过小的心音实现候选心音的合并和剔除:当相邻点Pi和Pi+1之间的边界距离小于阈值THmerge时,合并Pi和Pi+1,令Pi的左边界和Pi+1的右边界作为合并后候选点Pnew的左右边界,并取Pi和Pi+1中相对于左右边界居中的点作为Pnew的坐标位置,循环上述步骤直到所有候选点均不满足合并阈值要求;同时遍历所有剩余心音候选点,当存在点Pi的左右边界距离小于阈值THdelete时,删除点Pi,所述的循环合并剔除算法设置有合并阈值,所述的合并阈值设置为THmerge=50,所述的循环合并剔除算法设置有剔除阈值,所述的剔除阈值设置为THdelete=20。
5.根据权利要求1所述的一种先天性心脏病心音智能分割分类算法,其特征在于:在步骤S04中,针对合并剔除后的候选点,所述的无监督聚类算法通过设置聚类点特征实现心音候选点的二聚类,所述的聚类点的特征设计分别采用Pi点及其前后相邻点的以下特征包括:包络能量Es(t)、左右边界距离、左右边界内包络能量总和、左右边界内包络能量均值、左右边界内包络能量标准差、Mel频率倒谱系数、功率频谱中位值、快速傅里叶变换、偏度、峰度或是相邻点对应特征之间的差值、比值。
6.根据权利要求1所述的一种先天性心脏病心音智能分割分类算法,其特征在于:在步骤S04中,所述的二聚类采用分段聚类的算法策略,即从起始位置开始聚类,当得到有效心音周期,则下一次聚类从前一次聚类得到的最后一个有效心音周期的心音候选点作为聚类分段的起始点,所述的分段聚类的长度设置为8个心音候选点,将所述的二聚类结果定义为lable-0与lable-1,记录连续三个候选点标签为:label-1,label-0,label-1、label-0,label-1,label-0两类心音周期,在所述的心音周期中,第一候选点可视作S1i,第二候选点视作S2i,第三候选点视作下一周期的S1i+1,通过统计所述的两类心音周期中S2i与S1i之间包络能量差异、S1i+1至S2i与S2i至S1i距离,总体差距大的周期作为一个完整识别的心音周期,最终得到聚类心音周期结果,所述的聚类心音周期结果由S1i、S2i和S1i+1组成。
7.根据权利要求1所述的一种先天性心脏病心音智能分割分类算法,其特征在于:在步骤S05中,根据步骤S04已获取的聚类心音周期,分别向前或向后依次确定连续心音周期,并将当前心音周期与S04聚类获取心音周期的最短距离作为该心音周期的代价值,识别整个心音数据上的心音周期,包括聚类得到的心音周期,以及具有代价值的候选心音周期。
8.根据权利要求1所述的一种先天性心脏病心音智能分割分类算法,其特征在于:在步骤S06中,采用10个所述的心音周期用于该心音信号特征提取和模型训练,首先确定分类所需要采用的心音周期数,并优先选择聚类确定的心音周期,其次选择代价小的心音周期得到满足分类心音周期数量要求,基于选择的心音周期,分别计算第一心音和第二心音的频域和时域多种特征,并采用重采样训练策略实现模型的训练,此处分类模型的选择可以多样化,例如随机森林、支持向量机、神经网络,并通过采用投票机制实现心音的准确分类。
9.如上述1-8任意一项所述的一种先天性心脏病心音智能分割分类装置,包括:
计算机端;
电子听诊器;
控制器;
一个或多个处理器;
存储器;
以及一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述的程序包括用于执行如上述的一种先天性心脏病心音智能分割分类算法。
10.如上述1-8任意一项所述的一种存储介质,存储与有机算机端、显示器结合使用的计算机程序,所述的计算机程序可被处理器执行完成如上述的一种先天性心脏病心音智能分割分类算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110102248.9A CN112949639B (zh) | 2021-01-26 | 2021-01-26 | 一种先天性心脏病心音智能分割分类算法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110102248.9A CN112949639B (zh) | 2021-01-26 | 2021-01-26 | 一种先天性心脏病心音智能分割分类算法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112949639A true CN112949639A (zh) | 2021-06-11 |
CN112949639B CN112949639B (zh) | 2023-09-12 |
Family
ID=76236818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110102248.9A Active CN112949639B (zh) | 2021-01-26 | 2021-01-26 | 一种先天性心脏病心音智能分割分类算法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949639B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113413163A (zh) * | 2021-08-24 | 2021-09-21 | 山东大学 | 一种混合深度学习和低差异度森林的心音诊断*** |
CN113724280A (zh) * | 2021-09-15 | 2021-11-30 | 南京信息工程大学 | 一种地面天气图高压***的自动识别方法 |
CN113936253A (zh) * | 2021-12-16 | 2022-01-14 | 深圳致星科技有限公司 | 料件搬运作业周期生成方法、存储介质、电子设备及装置 |
CN114305484A (zh) * | 2021-12-15 | 2022-04-12 | 浙江大学医学院附属儿童医院 | 基于深度学习的心脏病心音智能分类方法、装置和介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919210A (zh) * | 2019-02-26 | 2019-06-21 | 华南理工大学 | 一种基于深度卷积网络的心音半监督分类方法 |
CN110363090A (zh) * | 2019-06-14 | 2019-10-22 | 平安科技(深圳)有限公司 | 智能心脏疾病检测方法、装置及计算机可读存储介质 |
CN112185545A (zh) * | 2020-09-17 | 2021-01-05 | 苏州美糯爱医疗科技有限公司 | 一种心音段完整性判断模型及心音自适应分段方法 |
-
2021
- 2021-01-26 CN CN202110102248.9A patent/CN112949639B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919210A (zh) * | 2019-02-26 | 2019-06-21 | 华南理工大学 | 一种基于深度卷积网络的心音半监督分类方法 |
CN110363090A (zh) * | 2019-06-14 | 2019-10-22 | 平安科技(深圳)有限公司 | 智能心脏疾病检测方法、装置及计算机可读存储介质 |
CN112185545A (zh) * | 2020-09-17 | 2021-01-05 | 苏州美糯爱医疗科技有限公司 | 一种心音段完整性判断模型及心音自适应分段方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113413163A (zh) * | 2021-08-24 | 2021-09-21 | 山东大学 | 一种混合深度学习和低差异度森林的心音诊断*** |
CN113724280A (zh) * | 2021-09-15 | 2021-11-30 | 南京信息工程大学 | 一种地面天气图高压***的自动识别方法 |
CN113724280B (zh) * | 2021-09-15 | 2023-12-01 | 南京信息工程大学 | 一种地面天气图高压***的自动识别方法 |
CN114305484A (zh) * | 2021-12-15 | 2022-04-12 | 浙江大学医学院附属儿童医院 | 基于深度学习的心脏病心音智能分类方法、装置和介质 |
CN114305484B (zh) * | 2021-12-15 | 2024-06-25 | 浙江大学医学院附属儿童医院 | 基于深度学习的心脏病心音智能分类方法、装置和介质 |
CN113936253A (zh) * | 2021-12-16 | 2022-01-14 | 深圳致星科技有限公司 | 料件搬运作业周期生成方法、存储介质、电子设备及装置 |
CN113936253B (zh) * | 2021-12-16 | 2022-03-01 | 深圳致星科技有限公司 | 料件搬运作业周期生成方法、存储介质、电子设备及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112949639B (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112949639A (zh) | 一种先天性心脏病心音智能分割分类算法、装置及存储介质 | |
US9198634B2 (en) | Medical decision support system | |
CN110970042B (zh) | 一种电子听诊器的肺部啰音人工智能实时分类方法、***、装置及可读存储介质 | |
JP2012513858A (ja) | 心音信号を処理する方法及びシステム | |
Manikandan et al. | Robust heart sound activity detection in noisy environments | |
ŞEN et al. | ECG arrhythmia classification by using convolutional neural network and spectrogram | |
Amiri et al. | Early diagnosis of heart disease using classification and regression trees | |
Sedighian et al. | Pediatric heart sound segmentation using Hidden Markov Model | |
CN113349793A (zh) | 一种基于分层注意力模型的心律失常分类方法 | |
Banerjee et al. | Multi-class heart sounds classification using 2D-convolutional neural network | |
CN113995419A (zh) | 一种基于心跳节律信号的房颤发生风险预测***及其应用 | |
Hao et al. | Spectro-temporal feature based multi-channel convolutional neural network for ecg beat classification | |
Deperlioglu | Segmentation of heart sounds by re-sampled signal energy method | |
CN114305484A (zh) | 基于深度学习的心脏病心音智能分类方法、装置和介质 | |
Abdollahpur et al. | Cycle selection and neuro-voting system for classifying heart sound recordings | |
CN112185545B (zh) | 一种心音段完整性判断模型及心音自适应分段方法 | |
CN113705448A (zh) | 一种区分主动脉瓣狭窄心音与正常心音方法、装置及*** | |
Amiri et al. | Heart sound analysis for diagnosis of heart diseases in newborns | |
Don et al. | Analysis of electrocardiogram signals of arrhythmia and ischemia using fractal and statistical features | |
Cheng et al. | A high recognition rate of feature extraction algorithm without segmentation | |
CN112043263B (zh) | 一种对新生儿脑电信号中其它仪器产生的伪差的识别***和方法 | |
Fakhry et al. | Variational Mode Decomposition and a Light CNN-LSTM Model for Classification of Heart Sound Signals | |
Suhas et al. | A hybrid model for recognizing cardiac murmurs from phonocardiogram signal | |
Garg et al. | Heart rhythm abnormality detection from PCG signal | |
Ahmad et al. | Classification of Phonocardiogram Using an adaptive Fuzzy Inference System. |
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 |