CN112971839A - 一种基于前馈卷积神经网络的心音分类方法 - Google Patents

一种基于前馈卷积神经网络的心音分类方法 Download PDF

Info

Publication number
CN112971839A
CN112971839A CN202110159233.6A CN202110159233A CN112971839A CN 112971839 A CN112971839 A CN 112971839A CN 202110159233 A CN202110159233 A CN 202110159233A CN 112971839 A CN112971839 A CN 112971839A
Authority
CN
China
Prior art keywords
neural network
convolutional neural
heart sound
period
sub
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
Application number
CN202110159233.6A
Other languages
English (en)
Other versions
CN112971839B (zh
Inventor
王威廉
葛冰冰
李国正
张欣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yunnan University YNU
Original Assignee
Yunnan University YNU
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 Yunnan University YNU filed Critical Yunnan University YNU
Priority to CN202110159233.6A priority Critical patent/CN112971839B/zh
Publication of CN112971839A publication Critical patent/CN112971839A/zh
Application granted granted Critical
Publication of CN112971839B publication Critical patent/CN112971839B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Veterinary Medicine (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Acoustics & Sound (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明涉及深度学习的心音分类领域。本发明所述的基于前馈卷积神经网络的心音分类方法包括如下步骤：步骤S1：对患者同步采集20s的心音信号和心电信号，采样频率5000Hz；步骤S2：将所采集的时长20s的心音信号和心电信号通过窗函数截断成若干个片段；步骤S3：从心电信号中提取周期标记，即使用R峰检测器与T波探测器对同步采集心音心电的信号进行位置标注；步骤S4：步骤S3获取周期标记后，进行分割以获得一个心动周期，称之为子周期；步骤S5：计算所有子周期包络并以矩阵形式获得的时频特征，作为网络训练的样本集；步骤S6：用S5所获样本集对卷积神经网络初始模型进行训练及实现心音分类。

Description

一种基于前馈卷积神经网络的心音分类方法
技术领域
本发明涉及深度学习的心音分类领域，尤其是采用基于前馈卷积神经网络的心音分类方法。
背景技术
心音图(phonocardiogram，PCG)是将心音的振动转变成时间序列振动波记录的图形。心音探头将心音及心脏杂音描记下来供临床分析，有助于心脏病的病因诊断和了解心脏杂音的产生机制。每一个心动周期会产生4个心音，但使用听诊器一般只能听到第一心音和第二心音，在某些健康儿童和青年人有时可听到第三心音，一般使用听诊器不易听到第四心音，而大多数正常人可在心音上记录到低小的第四心音，故进行心音检查可弥补临床听诊上的不足。
基于潜在心脏畸形的严重程度的陈述。到目前为止，心脏听诊仍然是最重要的一线临床筛查先天性心脏病(CHD，congenital heart disease)和其它心脏疾病的首选工具，以尽早检查出疑似患者，但需要实施者具有丰富的临床经验。这对社区保健医生、乡镇卫生院的基层医生来讲难以胜任，无法正确区分健康儿童中经常出现的生理性杂音和那些与提示CHD(异常杂音)的异常血流动力学有关的杂音。超声心动图用于对CHD患者的确诊，但该设备价格昂贵，使用成本高，且需要专业人士操作，并不适用于大规模筛查CHD阶段。因而，首先采用心脏听诊筛查CHD疑似患者，再行超声心动图检查是目前临床惯用的检查方案。如何解决心脏听诊中需要丰富的临床经验问题，目前借助人工智能(AI)进行机器辅助诊断已经成为研究热点，例如多媒体教学干预、远程医疗应用或其他基于计算机的临床决策支持***。
使用卷积神经网络对心音进行时频表示在近期属于该领域内热点，但是现有的卷积神经网络在训练心音的时候，往往因为噪声较大，无法实现精确的主峰的跟踪，从而无法实现可靠的周期标记；而且存在杂音，对于诊断形成了干扰。
中国专利申请号201711332126.9公开了“一种基于深度卷积神经网络的心音多分类方法”，包括如下步骤：步骤1：对获取的原始心音数据进行处理后得到N段心音信号；步骤2：将N段心音信号输入基于二维卷积神经网络和一维卷积神经网络的心音分类模型中根据频域和时域特征进行分类得到2N个分类结果；步骤3：采用Lasso框架对2N个分类结果进行训练得到对应的权值，并将权值乘以2N个分类结果完成回归，得到最终分类结果，所述步骤1包括如下步骤：步骤1.1：采用带麦克风的电子听诊器进行采集得到心音数据，同时从标准数据集中提取部分数据，将心音数据和部分数据整合得到原始心音数据；步骤1.2：将原始心音数据通过带通滤波器去噪得到清洗后的心音信号；步骤1.3：从清洗后的心音信号中的多个心跳周期中选取几个周期完成心音信号的分段；步骤1.4：将分段的起始点均随机左右移动，作为心音信号分段的最终起始点完成数据增广后得到N段心音信号；所述步骤2包括如下步骤：步骤2.1：将N段心音信号按时间先后顺序进行短时傅里叶变换得到频谱图后，并将频谱图送入基于二维卷积神经网络的心音分类模型得到N个分类结果；步骤2.2：将N段心音信号按时间先后顺序进行频带分解得到四种基本音的功率谱，计算每个周期四种基本音对应的N个频带的中位功率，并计算所有周期的N个频带的中位功率的均值后将其作为频率域特征送入基于一维卷积神经网络的心音分类模型得到N个分类结果；步骤2.3：基于步骤2.1和2.2，将N段心音信号输入心音模型进行分类后得到2N个分类结果；所述步骤3包括如下步骤：步骤3.1：将2N个分类结果输入Lasso框架，利用Lasso算法对分类结果进行训练得到对应的相关系数；Lasso算法的公式如下：其中，R是所有实数的集合，RP表示p维向量，每一个分量都是实数，β为相关系数，为最小二乘项，X代表各个分类器的输入结果，y代表期望的结果，λ代表正则化系数；步骤3.2：将相关系数乘以对应的分类结果得到最终的分类结果。构建了一种适于CNN的心音信号预处理模型，重点需阐述如何将一维(one dimension,1D)心音信号组织成二维(two dimension,2D)特征图；二是利用预处理得到的“特征图”，进而训练优化CNN网络结构，寻找最适合心音信号的CNN结构和参数。
发明内容
本发明的目的是将采集的心音信号进行心脏异常检测，提供一种基于前馈卷积神经网络的心音分类方法。
本发明所述的基于前馈卷积神经网络的心音分类方法包括如下步骤：
步骤S1：对患者同步采集20s的心音信号和心电信号，采样频率5000Hz；
步骤S2：将所采集的时长20s的心音信号和心电信号通过窗函数截断成若干个片段；
步骤S3：从心电信号中提取周期标记，即使用R峰检测器与T波探测器对同步采集心音心电的信号进行位置标注；
步骤S4：步骤S3获取周期标记后，进行分割以获得一个心动周期，称之为子周期；
步骤S5：计算所有子周期包络并以矩阵形式获得的时频特征，作为网络训练的样本集；
步骤S6：用S5所获样本集对卷积神经网络初始模型进行训练及实现心音分类。
步骤S1所述的心音信号即为PCG，也就是心音图；心电信号即为ECG，也就是心电图。
步骤S2所述的若干个片段一般为6-7段。
作为本发明的一种优选技术方案，所述步骤S3中，从ECG信号中提取周期标记的详细步骤如下：
步骤S301：使用高通滤波器组对心电信号进行滤波，以消除极低频的变化；
步骤S302：将预加重心电图与原心电图进行元素乘法，以获得更具脉冲形式的信号；
步骤S303：进行信号能量计算和信号能量的振幅归一化；
步骤S304：进行基于自相关的能量信号周期检测；
步骤S305：进行信号中心动周期数的估计；
步骤S306：设定信号峰值检测通过应用阈值：阈值(初始值为0.5)逐渐降低，直到峰值计数大于估计周期数的四倍，以应对周期估计中可能出现的倍频程误差，其中，次峰可能在周期内突出；
步骤S307：使用峰振幅比较和到周围峰的距离来消除杂散峰。
所述步骤S4中，对从所述步骤S3中获得的周期标记进行分割的步骤如下：
步骤S401：进行周期同步分割，分段长度与局部周期(半周期、一周期、两周期)成比例地定义；
步骤S402：进行固定段长的周期同步分割；
步骤S403：进行固定段长的周期异步分割。
所述步骤S5中，子周期包络的计算步骤如下：
步骤S501：利用卡尔曼滤波器组对PCG信号进行带通滤波；
步骤S502：利用希尔伯特变换计算解析信号进行包络检测；
步骤S503：将包络重新采样到特定的时间分辨率(本质上涉及去除高频分量的低通滤波)；
步骤S504：将应用的最终包络信号进行对数压缩；
步骤S505：进行所有包络被堆叠以获得像图像一样的时频表示；
步骤S506：将得到的矩阵被处理成具有零均值和归一化振幅。
所述步骤S6中，进行子周期包络模型的训练包括进行2D卷积层(内核尺寸3*3，激活函数relu),然后是最大池化层和drop-out层，其中，最大池化层，可以有效减少模型的参数,又能保证在不定长的卷积层的输出上获得一个定长的全连接层的输入，同时对输入张量的各个子矩阵进行压缩，drop-out层以随机的方式删除隐层节点数目，防止模型过拟合。输入维度等于特征维度，输出维度为两个(类别数量：正常和病理)；
所述步骤S6中，进行子周期包络模型的训练使用Keras实现，TensorFlow作为后端，其中，Keras模型和所有其他设计参数可从附带的存储库获得；
所述步骤S6中，进行子周期包络训练的模型应用LI-正则化来避免过度拟合；
所述步骤S6中，进行子周期包络训练的模型中二维卷积层的数量包括：1、2和4。
所述步骤S6中,经过训练可以得到用于分类的网络模型model,再利用model对心音信号进行分类，分类结果为正常或者病例。
所述步骤S6中，训练时使用了keras提供的早停法(EarlyStopping)函数以寻求迭代中的最佳模型，防止模型过拟合。此处给出模型编译优化器的选择，展示CNN的训练过程，显示网络训练的一些最终结果。
所述步骤S6中，进行子周期包络训练实现计算病人属于病理类别的概率的步骤如下：
步骤S601：将所有子周期包络概率进行排序；
步骤S602：丢弃15％的最低值和15％的最高值；
步骤S603：将文件的概率计算为剩余子周期包络的平均概率。
本发明所达到的有益效果是：本发明通过从ECG图中进行提取周期标记，以获得子周期，并以子周期包络作为时频特征进行训练，实现了精确地主峰跟踪，以及可靠的周期标记；实现了对噪音的规避；提高了心音(PCG)的灵敏度、特异性和平均准确度；有效的避免了杂音对于诊断的干扰。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1是本发明的步骤S4中进行分割的实验图之一。
图2是本发明的步骤S4中进行分割的实验图之二。
图3是本发明的步骤S4中进行分割的实验图之三。
图4是本发明的步骤S6中进行子周期包络时频特征的实验图。
图5是本发明的步骤S6中进行心音分类识别的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例：
如图1-5所示，本发明提供一种基于前馈卷积神经网络的心音分类方法，包括如下步骤：
步骤S1：对患者同步采集20s的心音信号(PCG，心音图)和ECG(心电图)信号，采样频率5000Hz。
步骤S2：将一段时长20s的PCG、ECG信号通过窗函数截断成6-7个片段。
步骤S3：从ECG信号中提取周期标记，即使用R峰检测器与T波探测器对同步采集心音心电的信号进行位置标注。
步骤S4：所述步骤S3获取周期标记后，提取其归一化平均香农能量包络，再进行分割以获得子周期；这种模式选择算法涉及到识别PCG信号，无论它是干净的还是嘈杂的均可以进行处理。对于干净信号，算法将选择香农熵提取包络特征，否则选择香农能量。这个算法的动机是，一个心脏周期的大部分持续时间是无声的收缩和舒张间隔。因此，信号样本的最大数量将具有接近其等电线的强度值。在噪声信号中，收缩和舒张段将受到噪声/杂音的影响。根据噪声强度的水平和噪声的性质，不同强度箱的信号样本数将有所不同；对于噪声和异常心音的分析，香农能量包络是抑制心音预期无声音程中噪声信号幅度的基准方法。
步骤S5：选取子周期包络作为时频特征作为训练样本集；
步骤S6：用S5所获样本集对卷积神经网络初始模型进行训练及实现心音分类。
所述步骤S3中，从ECG信号中提取周期标记的详细步骤如下：
步骤S301：使用高通滤波器组对心电信号进行滤波，以消除极低频的变化。
步骤S302：将预加重心电图与原心电图进行元素乘法，以获得更具脉冲形式的信号。
步骤S303：进行信号能量计算和信号能量的振幅归一化。
步骤S304：进行基于自相关的能量信号周期检测。
步骤S305：进行信号中心动周期数的估计。
步骤S306：设定信号峰值检测通过应用阈值：阈值(初始值为0.5)逐渐降低，直到峰值计数大于估计周期数的四倍，以应对周期估计中可能出现的倍频程误差，其中，次峰可能在周期内突出。
步骤S307：使用峰振幅比较和到周围峰的距离来消除杂散峰。
该方法提供了高质量的周期标记基本心音几乎所有的情况。在本实施例中，如图1，显示了同步采集的PCG、ECG信号及S1(第一心音)与S2(第二心音)的相对位置，图2是同步采集的ECG(心电，上图)-PCG(心音，下图)对照图，图3为分割结果。使用PCG-ECG对照法评估模型准确定位S1与S2。所有参考位置均使用R峰检测器与T波探测器进行标记。由于R峰检测器与T波探测器标记位置时存在100ms的检测误差。故若分割S1的起始位置在ECG R峰的100ms内，则S1被标记为正确分段。同样地，若S2中心位置在对应T波末端的100ms内，则S2声音被标记为正确分段。
所述步骤S4中，对从所述步骤S3中获得的周期标记进行分割的步骤如下：
步骤S401：进行周期同步分割，分段长度与局部周期(半周期、一周期、两周期)成比例地定义。
步骤S402：进行固定段长(0.5s，1s，2s)的周期同步分割。
步骤S403：进行固定段长(0.5s)的周期异步分割。
所述步骤S5中，子周期包络的计算步骤如下：
步骤S501：利用卡尔曼滤波器组对PCG信号进行带通滤波。
步骤S502：利用希尔伯特变换计算解析信号进行包络检测。
步骤S503：将包络重新采样到特定的时间分辨率(本质上涉及去除高频分量的低通滤波)。
步骤S504：将应用的最终包络信号进行对数压缩。
步骤S505：进行所有包络被堆叠以获得像图像一样的时频表示。
步骤S506：将得到的矩阵被处理成具有零均值和归一化振幅。
如图4，给出了该过程的流程图和特征提取的一个例子，描述了以矩阵形式计算的子周期信号包络和最终特征。顶部的子图包括8个子周期信号及其从原始PCG信号中提取的重新采样版本(中间图最底部横轴波形)。考虑到这个特定的例子，在堆叠了尺寸为128(时间箱数量)的8个向量(对应于8个子周期)之后，导出了一个8*128像图像的表示，并用颜色编码元素值绘制，从而产生了底部子图，这是用作分类器输入的主要特征。
所述步骤S6中，进行子周期模型的训练包括2D卷积层(内核尺寸3*3，激活函数relu),然后是最大池化层和drop-out层，其中，最大池化层，可以有效减少模型的参数,又能保证在不定长的卷积层的输出上获得一个定长的全连接层的输入，同时对输入张量的各个子矩阵进行压缩，drop-out层以随机的方式删除隐层节点数目，防止模型过拟合。输入维度等于特征维度，输出维度为两个(类别数量：正常和病理)。
所述步骤S6中，进行子周期包络模型的训练使用Keras实现，TensorFlow作为后端，其中，Keras模型和所有其他设计参数可从附带的存储库获得。
所述步骤S6中，进行子周期包络模型的训练应用LI-正则化来避免过度拟合。
所述步骤S6中，进行子周期包络模型的训练中二维卷积层的数量包括：1、2和4。
所述步骤S6中,经过训练可以得到用于分类的网络模型model,再利用model对心音信号进行分类，分类结果为正常或者病例。
所述步骤S6中，训练时使用了keras提供的早停法(EarlyStopping)函数以寻求迭代中的最佳模型，防止模型过拟合。此处给出模型编译优化器的选择，展示CNN的训练过程，显示网络训练的一些最终结果。
所述步骤S6中，进行子周期包络训练实现计算病人属于病理类别的概率的步骤如下：
步骤S601：将所有子周期包络概率进行排序。
步骤S602：丢弃15％的最低值和15％的最高值。
步骤S603：将文件的概率计算为剩余子周期包络的平均概率。
本发明通过从ECG图中进行提取周期标记，以获得子周期，并以子周期包络作为时频特征进行训练，实现了精确地主峰跟踪，以及可靠的周期标记；实现了对噪音的规避；提高了心音(PCG)的灵敏度、特异性和平均准确度；有效的避免了杂音对于诊断的干扰。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于前馈卷积神经网络的心音分类方法，其特征在于包括如下步骤：
步骤S1：对患者同步采集20s的心音信号和心电信号，采样频率5000Hz；
步骤S2：将所采集的时长20s的心音信号和心电信号通过窗函数截断成若干个片段；
步骤S3：从心电信号中提取周期标记，即使用R峰检测器与T波探测器对同步采集心音心电的信号进行位置标注；
步骤S4：步骤S3获取周期标记后，进行分割以获得一个心动周期，称之为子周期；
步骤S5：计算所有子周期包络并以矩阵形式获得的时频特征，作为网络训练的样本集；
步骤S6：用S5所获样本集对卷积神经网络初始模型进行训练及实现心音分类。
2.如权利要求1所述的基于前馈卷积神经网络的心音分类方法，其特征在于步骤S2所述的若干个片段为6-7段。
3.如权利要求1所述的基于前馈卷积神经网络的心音分类方法，其特征在于所述的步骤S3中，从ECG信号中提取周期标记的具体步骤如下：
步骤S301：使用高通滤波器组对心电信号进行滤波，以消除极低频的变化；
步骤S302：将预加重心电图与原心电图进行元素乘法，以获得更具脉冲形式的信号；
步骤S303：进行信号能量计算和信号能量的振幅归一化；
步骤S304：进行基于自相关的能量信号周期检测；
步骤S305：进行信号中心动周期数的估计；
步骤S306：设定信号峰值检测通过应用阈值；
步骤S307：使用峰振幅比较和到周围峰的距离来消除杂散峰。
4.如权利要求1所述的基于前馈卷积神经网络的心音分类方法，其特征在于所述的步骤S4中，对从所述步骤S3中获得的周期标记进行分割的步骤如下：
步骤S401：进行周期同步分割，分段长度与局部周期成比例地定义；
步骤S402：进行固定段长的周期同步分割；
步骤S403：进行固定段长的周期异步分割。
5.如权利要求1所述的基于前馈卷积神经网络的心音分类方法，其特征在于所述的步骤S5中，子周期包络的计算步骤如下：
步骤S501：利用卡尔曼滤波器组对PCG信号进行带通滤波；
步骤S502：利用希尔伯特变换计算解析信号进行包络检测；
步骤S503：将包络重新采样到特定的时间分辨率；
步骤S504：将应用的最终包络信号进行对数压缩；
步骤S505：进行所有包络被堆叠以获得像图像一样的时频表示；
步骤S506：将得到的矩阵被处理成具有零均值和归一化振幅。
6.如权利要求1所述的基于前馈卷积神经网络的心音分类方法，其特征在于所述的步骤S6中，进行子周期包络模型的训练包括进行2D卷积层,然后是最大池化层和drop-out层。
7.如权利要求1所述的基于前馈卷积神经网络的心音分类方法，其特征在于所述的步骤S6中，进行子周期包络模型的训练使用Keras实现，TensorFlow作为后端，其中，Keras模型和所有其他设计参数可从附带的存储库获得。
8.如权利要求1所述的基于前馈卷积神经网络的心音分类方法，其特征在于所述的步骤S6中，进行子周期包络训练的模型应用LI-正则化来避免过度拟合。
9.如权利要求1所述的基于前馈卷积神经网络的心音分类方法，其特征在于所述的步骤S6中，进行子周期包络训练的模型中二维卷积层的数量包括：1、2和4。
10.如权利要求1所述的基于前馈卷积神经网络的心音分类方法，其特征在于所述的步骤S6中,经过训练可以得到用于分类的网络模型model,再利用model对心音信号进行分类，分类结果为正常或者病例。
CN202110159233.6A 2021-02-05 2021-02-05 一种基于前馈卷积神经网络的心音分类方法 Active CN112971839B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110159233.6A CN112971839B (zh) 2021-02-05 2021-02-05 一种基于前馈卷积神经网络的心音分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110159233.6A CN112971839B (zh) 2021-02-05 2021-02-05 一种基于前馈卷积神经网络的心音分类方法

Publications (2)

Publication Number Publication Date
CN112971839A true CN112971839A (zh) 2021-06-18
CN112971839B CN112971839B (zh) 2023-03-24

Family

ID=76347381

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110159233.6A Active CN112971839B (zh) 2021-02-05 2021-02-05 一种基于前馈卷积神经网络的心音分类方法

Country Status (1)

Country Link
CN (1) CN112971839B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
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***
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
CN115640507A (zh) * 2022-12-09 2023-01-24 南京备力医疗科技有限公司 一种基于心电心音联合分析的异常数据筛查方法
CN116759102A (zh) * 2023-08-17 2023-09-15 北京慧兰医疗科技有限公司 一种基于心脏康复数据的分析管理***
WO2024007152A1 (zh) * 2022-07-05 2024-01-11 张福伟 一种基于心电心音的儿童心血管疾病诊断方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5792195A (en) * 1996-12-16 1998-08-11 Cardiac Pacemakers, Inc. Acceleration sensed safe upper rate envelope for calculating the hemodynamic upper rate limit for a rate adaptive cardiac rhythm management device
CN1850007A (zh) * 2006-05-16 2006-10-25 清华大学深圳研究生院 基于心音分析的心脏病自动分类***及其心音分段方法
CN203138539U (zh) * 2013-02-15 2013-08-21 王威廉 先天性心脏病及其它心脏病初诊设备
GB201803805D0 (en) * 2018-03-09 2018-04-25 Cambridge Entpr Ltd Smart Stethoscopes
CN108143407A (zh) * 2017-12-25 2018-06-12 四川大学 一种自动提取心音包络特征的心音分段方法
CN108470156A (zh) * 2018-03-06 2018-08-31 南京邮电大学 一种心音信号分类识别方法
WO2019103416A1 (ko) * 2017-11-22 2019-05-31 서울대학교병원 스마트장치를 이용한 심혈관 질환의 진단정보 제공방법 및 이를 위한 심음 애플리케이션
US20190365342A1 (en) * 2018-06-04 2019-12-05 Robert Bosch Gmbh Method and system for detecting abnormal heart sounds
CN211022740U (zh) * 2019-11-11 2020-07-17 云南大学 心音信号无线采集装置
CN111759345A (zh) * 2020-08-10 2020-10-13 北京中科信利技术有限公司 基于卷积神经网络的心脏瓣膜异常分析方法、***和装置
CN112107310A (zh) * 2020-09-30 2020-12-22 西安理工大学 基于iwt与aga-bp模型的ecg身份识别方法
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

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5792195A (en) * 1996-12-16 1998-08-11 Cardiac Pacemakers, Inc. Acceleration sensed safe upper rate envelope for calculating the hemodynamic upper rate limit for a rate adaptive cardiac rhythm management device
CN1850007A (zh) * 2006-05-16 2006-10-25 清华大学深圳研究生院 基于心音分析的心脏病自动分类***及其心音分段方法
CN203138539U (zh) * 2013-02-15 2013-08-21 王威廉 先天性心脏病及其它心脏病初诊设备
WO2019103416A1 (ko) * 2017-11-22 2019-05-31 서울대학교병원 스마트장치를 이용한 심혈관 질환의 진단정보 제공방법 및 이를 위한 심음 애플리케이션
CN108143407A (zh) * 2017-12-25 2018-06-12 四川大学 一种自动提取心音包络特征的心音分段方法
CN108470156A (zh) * 2018-03-06 2018-08-31 南京邮电大学 一种心音信号分类识别方法
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
CN211022740U (zh) * 2019-11-11 2020-07-17 云南大学 心音信号无线采集装置
CN111759345A (zh) * 2020-08-10 2020-10-13 北京中科信利技术有限公司 基于卷积神经网络的心脏瓣膜异常分析方法、***和装置
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
CN112107310A (zh) * 2020-09-30 2020-12-22 西安理工大学 基于iwt与aga-bp模型的ecg身份识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
YUNQIU XU，等: "Pay More Attention With Fewer Parameters: A Novel 1-D Convolutional Neural Network for Heart Sounds Classification", 《2018 COMPUTING IN CARDIOLOGY CONFERENCE (CINC)》 *
许春冬，等: "基于功率谱密度与卷积神经网络的心音分类", 《计算机工程与应用》 *
谭朝文，等: "卷积神经网络应用于先心病心音信号分类研究", 《计算机工程与应用》 *
谭朝文，等: "基于卷积神经网络的先心病心音信号", 《JOURNAL OF BIOMEDICAL ENGINEERING》 *

Cited By (7)

* Cited by examiner, † Cited by third party
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***
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
WO2024007152A1 (zh) * 2022-07-05 2024-01-11 张福伟 一种基于心电心音的儿童心血管疾病诊断方法
CN115640507A (zh) * 2022-12-09 2023-01-24 南京备力医疗科技有限公司 一种基于心电心音联合分析的异常数据筛查方法
CN115640507B (zh) * 2022-12-09 2024-03-15 镜电(南京)科技发展有限公司 一种基于心电心音联合分析的异常数据筛查方法
CN116759102A (zh) * 2023-08-17 2023-09-15 北京慧兰医疗科技有限公司 一种基于心脏康复数据的分析管理***
CN116759102B (zh) * 2023-08-17 2023-12-05 北京慧兰医疗科技有限公司 一种基于心脏康复数据的分析管理***

Also Published As

Publication number Publication date
CN112971839B (zh) 2023-03-24

Similar Documents

Publication Publication Date Title
CN112971839B (zh) 一种基于前馈卷积神经网络的心音分类方法
Dokur et al. Heart sound classification using wavelet transform and incremental self-organizing map
US9198634B2 (en) Medical decision support system
Chauhan et al. A computer-aided MFCC-based HMM system for automatic auscultation
US20040260188A1 (en) Automated auscultation system
Lin et al. Automatic Wheezing Detection Based on Signal Processing of Spectrogram and Back‐Propagation Neural Network
Dokur et al. Feature determination for heart sounds based on divergence analysis
Pretorius et al. Development of a pediatric cardiac computer aided auscultation decision support system
Omarov et al. Artificial Intelligence in Medicine: Real Time Electronic Stethoscope for Heart Diseases Detection.
CN114469124A (zh) 一种运动过程中异常心电信号的识别方法
Rujoie et al. Classification and evaluation of the severity of tricuspid regurgitation using phonocardiogram
Wołk et al. Early and remote detection of possible heartbeat problems with convolutional neural networks and multipart interactive training
Roy et al. A novel melspectrogram snippet representation learning framework for severity detection of chronic obstructive pulmonary diseases
Touahria et al. Discrete Wavelet based Features for PCG Signal Classification using Hidden Markov Models.
González-Rodríguez et al. Robust denoising of phonocardiogram signals using time-frequency analysis and U-Nets
Ghassemian et al. Early detection of pediatric heart disease by automated spectral analysis of phonocardiogram
Botha et al. Autonomous auscultation of the human heart employing a precordial electro-phonocardiogram and ensemble empirical mode decomposition
Behbahani A hybrid algorithm for heart sounds segmentation based on phonocardiogram
Golpaygani et al. Detection and identification of S1 and S2 heart sounds using wavelet decomposition method
Balbin et al. Arrhythmia Detection using Electrocardiogram and Phonocardiogram Pattern using Integrated Signal Processing Algorithms with the Aid of Convolutional Neural Networks
CN115040135A (zh) 一种基于心电心音的儿童心血管疾病诊断方法
Debbal Model of differentiation between normal and abnormal heart sounds in using the discrete wavelet transform
Hayek et al. Wavelet processing of systolic murmurs to assist with clinical diagnosis of heart disease
Balasubramanian et al. Machine Learning-Based Classification of Pulmonary Diseases through Real-Time Lung Sounds.
Sh-Hussain et al. Application of multipoint auscultation for heart sound diagnostic system (MAHDS)

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