CN114010220A - 心音信号处理方法、计算机设备及存储介质 - Google Patents
心音信号处理方法、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN114010220A CN114010220A CN202111274561.7A CN202111274561A CN114010220A CN 114010220 A CN114010220 A CN 114010220A CN 202111274561 A CN202111274561 A CN 202111274561A CN 114010220 A CN114010220 A CN 114010220A
- Authority
- CN
- China
- Prior art keywords
- heart sound
- sound signal
- target
- target heart
- feature
- 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.)
- Pending
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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Acoustics & Sound (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Psychiatry (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本申请涉及人工智能技术领域,提供了一种心音信号处理方法、计算机设备及存储介质,包括:在通过电子听诊器采集到用户的心音信号之后,首先对心音信号进行预处理,获得目标心音信号,然后从目标心音信号中识别出与至少一个心动周期对应的目标心音特征向量,最后将目标心音特征向量输入到预先构建的心音信号识别网络,考虑到对采集到的心音信号的更深层次的特征识别,使得心音信号识别分析的结果能够用于表征目标心音信号与预设参考心音信号之间的差异,提高了对心音信号的利用率,此外该识别结果还能够作为参考信息进行输出,更便于明确目标心音信号与预设参考心音信号之间的差异部分。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种心音信号处理方法、心音信号处理装置、计算机设备及存储介质。
背景技术
近年来,电子听诊器结合人工智能技术实现了心音的数字化采集和心脏病的智能识别,为智能心音分析诊断提供了客观依据。但是目前对采集到的心音信号分析一方面并没有完全考虑到对心音听诊的五个内容心音、额外心音、杂音、心律以及心率的分析,导致检测的准确性较低,例如,现有技术中在采集到心音信号后,仅利用该心音信号进行心率数据的测算,再以心率数据作为检测的目标数据进行输出,对心音信号的利用率较低。
发明内容
基于此,有必要针对上述技术问题,提供一种心音信号处理方法,以解决心音信号处理方法中准确性和对目标心音信号的利用率较低的问题。
本申请实施例的第一方面提供了一种心音信号处理方法,包括:
对通过电子听诊器采集到的心音信号进行预处理,获得目标心音信号;
从所述目标心音信号中识别出与至少一个心动周期对应的目标心音特征向量;
将所述心音特征向量输入预先构建的心音信号识别网络,通过所述心音信号识别网络对所述心音特征向量进行目标心音特征识别,获得目标心音特征识别结果;所述目标心音特征识别结果用于表征所述目标心音信号与预设参考心音信号的差异。
本申请实施例的第二方面提供了一种心音信号处理装置,包括:
预处理模块:用于对通过电子听诊器采集到的心音信号进行预处理,获得目标心音信号;
特征向量获取模块:用于从所述目标心音信号中识别出与至少一个心动周期对应的目标心音特征向量;
识别结果获取模块:用于将所述心音特征向量输入预先构建的心音信号识别网络,通过所述心音信号识别网络对所述心音特征向量进行目标心音特征识别,获得目标心音特征识别结果;所述目标心音特征识别结果用于表征所述目标心音信号与预设参考心音信号的差异。
本申请实施例的第三方面提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,所述处理器执行所述计算机可读指令时实现上述心音信号处理方法。
本申请实施例的第四方面提供了一个或多个存储有计算机可读指令的可读存储介质,所述计算机可读指令被一个或多个处理器执行时,使得所述一个或多个处理器执行如上述心音信号处理方法。
本申请实施例提供的一种心音信号处理方法、计算机设备及存储介质,包括:在通过电子听诊器采集到用户的心音信号之后,首先对心音信号进行预处理,获得目标心音信号,然后从目标心音信号中识别出与至少一个心动周期对应的目标心音特征向量,该目标心音特征向量表征心音信号在一个心动周期内的心脏跳动情况,最后将目标心音特征向量输入到预先构建的心音信号识别网络,考虑到对采集到的心音信号的更深层次的特征识别,因此通过心音信号识别网络对目标心音特征向量进行进一步地目标心音特征识别,使得心音信号识别分析的结果能够用于表征目标心音信号与预设参考心音信号之间的差异,提高了对心音信号的利用率,此外该识别结果还能够作为参考信息进行输出,更便于明确目标心音信号与预设参考心音信号之间的差异部分。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例中心音信号处理方法的一应用环境示意图;
图2是本申请实施例中心音信号处理方法的实现流程示意图;
图3是本申请另一实施例中心音信号处理方法的实现流程示意图;
图4是本申请实施例提供的心音信号处理方法的整体流程示意图;
图5是本申请实施例中心音信号处理装置的结构示意图;
图6是本申请实施例中计算机设备的一示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
请参阅图1,图1示出了本申请实施例中心音信号处理方法的一应用环境示意图,如图1所示,本申请实施例提供的心音信号处理方法,可应用在如图1的应用环境中,由服务端的服务器执行进行心音信号处理,将处理结果返回给客户端。其中,客户端包括但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
请参阅图2,图2所示为本申请实施例中心音信号处理方法的实现流程图,以该方法应用在图1中的服务端的服务器为例进行说明,包括如下步骤:
S11:对通过电子听诊器采集到的心音信号进行预处理,获得目标心音信号。
在步骤S11中,对通过电子听诊器采集到的心音信号进行预处理,包括对心音信号进行预加重、分帧、加窗处理,在实际应用场景中,也可采用其它方式对采集到的心音信号进行预处理,获得最终的目标心音信号。
在本实施例中,首先对采集到的心音信号进行预加重处理,以增加高频段的信噪比,放大采样数据。由于后续对信号处理时需要进行傅里叶变换,傅里叶变换要求输入的信号是平稳的,而采集到的心音信号在宏观上是不平稳的,在微观上是平稳的,具有短时平稳性(10-30ms内可以认为心音信号近似不变),这个就可以把心音信号分为一些短段来进行处理,每一短段称为一帧。分帧之后,对心音信号进行加窗处理以减少能量的泄露,加窗即与一个窗函数相乘,加窗之后是为了进行傅里叶展开,使全局更加连续,避免出现吉布斯效应且加窗之后,原本没有周期性的心音信号呈现出周期函数的部分特征。加窗的代价是一帧信号的两端部分被削弱了,所以在分帧的时候,帧与帧之间需要有重叠,本实施例中加窗是加上汉明窗,因为加上汉明窗,使得心音信号中间的数据体现出来,两边的数据丢失,在移窗的时候,只会移动1/3或1/2窗,这样被前一帧或二帧丢失的数据又重新得到了体现。
作为一实施方式,本实施例中选取256个采样点为1帧,采样频率为2000HZ,一帧时长32ms。对分帧后的信号乘以汉明窗,以增加帧左端和右端的连续性,消除吉布斯现象。
需要说明的是,在本申请实施例中,通过电子听诊器对患者进行心音信号采集,采集时通过听诊区域、***示意图对患者进行采集指导。听诊区域包括传统的5个听诊区:二尖瓣区(M)、肺动脉瓣区(P)、主动脉瓣区(A)、主动脉瓣第二听争取(E)、三尖瓣区(T),同时指导患者以M→P→A→E→T的听诊顺序进行心音信号采集。***示意图包括坐位、仰卧位和左侧卧位三种。每采集一段心音信号,同时记录听诊区域与***信息,在心音信号采集完成后,记录患者的年龄和性别信息,作为心音信号处理结果参考。
S12:从所述目标心音信号中识别出与至少一个心动周期对应的目标心音特征向量。
在步骤S12中,目标心音特征向量能够表征心音信号在一个心动周期内的心脏跳动情况。
在本实施例中,经过预处理步骤之后获得的目标心音信号具有周期函数的部分特征,包含一个或多个心动周期,从目标心音信号中识别出至少一个心动周期,识别心动周期内的目标心音特征向量,本实施例中,对一个心动周期进行特征识别分析,在实际应用场景中,可选取多个心动周期进行心音特征识别分析。
作为本申请一实施例,步骤S12包括:对所述目标心音信号进行基于归一化香农能量的包络提取,获得所述目标心音信号的包络;基于所述目标心音信号的包络,识别出至少一个心动周期并对所述心动周期进行心音分段,获得所述心动周期的第一心音、收缩期、第二心音以及舒张期;分别对所述第一心音、收缩期、第二心音以及舒张期进行特征提取并组建特征向量,获得所述目标心音特征向量。
在本实施例中,一个心动周期包括第一心音、收缩期、第二心音以及舒张期。首先对目标心音信号进行基于归一化香农能量的包络提取,对目标心音信号进行归一化后计算香农能量,在进行平滑处理后求均值和方差即可得到香农包络。基于提取的目标心音信号的包络,采用双阈值分段方法对目标心音信号进行心音分段,选择两个阈值,第一阈值(Th1)和第二阈值(Th2),其中,Th1为大阈值,用于滤除干扰噪声,Th2为小阈值,用于信号的准确分段。
Th1=a*max(t)a∈[0.1,0.3]
Th2=b*ave(t)b∈[0.01,0.05]
其中,max(t)表示目标心音信号的最大值,ave(t)表示目标心音信号的平均值,a,b表示分段参数,分段参数a取值范围为大于等于0.1,小于等于0.3,分段参数b的取值范围为大于等于0.01,小于等于0.05。对目标心音信号进行心音分段步骤如下:
首先对目标心音信号从左到右寻找刚好大于Th1的第一个点,并将其记录于数组A中。然后从数组A中取一点,从该点分别向前或向后寻找低于Th2的第一个点,并分别记录与数组B和C中。然后从数组B和C中成对去除数据,用C中的数据减去B中的数据,将结果存入数组D中,则数组D中即为检测到的分段包络的宽度,可以将该值转化为时间值。通过数组D中的数据计算时间值,划分时间段,将第一心音用S1表示,第二心音用S2表示,收缩期用S1S2表示,舒张期用S2S1表示,记偶数段为S1S2期间(收缩期)或S2S1期间(舒张期),奇数段为S1或S2时限。由于S1S2间期、S2S1期间与S1和S2的相互位置关系是固定的,通过比较S1S2间期和S2S1间期的时间长短,时间较长的为S2S1间期,较短的为S1S2间期。而S2S1间期之前即为S2,S1S2间期之前则为S1。对分段后得到的S1、收缩期、S2、舒张期四个部分分别进行特征提取和识别并构造心音特征向量,作为后续网络的输入。
作为本申请一实施例,基于所述目标心音信号的包络,识别出至少一个心动周期并对所述心动周期进行心音分段,获得所述心动周期的第一心音、收缩期、第二心音以及舒张期,步骤之后,还包括:
按照下式计算所述目标心音信号对应的心率值:
T=TS1+TS1S2+TS2+TS2S1;
式中,T表示所述目标心音信号一个心动周期的持续时间,S1表示第一心音,S2表示第二心音,TS1表示第一心音的持续时间,TS1S2表示收缩期时限,TS2表示第二心音持续时间,TS2S1表示舒张期时限;Ti表示所述目标心音信号第i个心动周期的持续时间,n表示心动周期的总个数,ave表示平均心动周期持续时间;fre表示所述目标心音信号对应的心率值;
将所述心率值于预设标准心率值进行比对,获得所述目标心音信号的心率分析结果。
在本实施例中,计算目标心音信号对应的心率值,与预设的标准心率值作比对,获得能够表征目标心音信号与预设参考信号差异的心率分析结果。通过根据在对目标心音信号进行分段过程中求得的是时域特征计算每一个心动周期的持续时间T,然后计算所有心动周期持续时间的平均值ave(t),最后,平均心动周期ave(t)求倒数来获得目标心音信号对应的心率值。将计算获得的心率值与预设标准心率进行比对,在本实施例中,预设标准心率为60~100次/min,当心率值大于100次/min时判定为心动过速,当心率小于60次/min时判定为心动过缓,当心率在区间60~100次/min内包括60次/min和100次/min时,判定为心率正常。在实际应用场景中,可选用其它方式计算心率值,例如心率自相关算法等。最终输出的心率分析结果作为对心音信号处理分析的一方面的参考因素,使得对心音信号分析的结果更为精确。
作为本申请一实施例,分别对所述第一心音、收缩期、第二心音以及舒张期进行特征提取并组建特征向量,获得所述目标心音特征向量,包括:基于所述第一心音、收缩期、第二心音以及舒张期分别对应的梅尔频率倒谱系数进行特征提取,获得所述目标心音信号的心音特征信息;基于所述心音特征信息组建所述目标心音信号的目标心音特征向量。
在本实施例中,通过计算目标心音信号的梅尔频率倒谱系数,利用梅尔频率倒谱系数分别对第一心音、收缩期、第二心音以及舒张期进行特征提取,结合梅尔频率倒谱系数的一阶差分和二阶差分组建目标心音信号的目标心音特征向量。其中,目标心音信号的梅尔频率倒谱系数以及梅尔频率倒谱系数的一阶差分和二阶差分能够反映目标心音信号的心音特征信息。
具体地,对目标心音信号中的每一帧作快速傅里叶变换,取模平方后得到功率谱,对功率谱加梅尔滤波器组后再做对数运算,再进一步作余弦变换可得梅尔频率倒谱系数(Mel-Frequency Cepstral Coefficients,MFCC),采用MFCC提取目标心音信号的目标心音特征,并且为了反应报讯把信号的动态信息,并结合MFCC以及MFCC的一阶差分Δ1MFCC和二阶差分Δ2MFCC,构造39维的目标心音特征向量,作为后续网络的输入。其中,MFCC的一阶差分Δ1MFCC和二阶差分Δ2MFCC的计算公式如下:
式中,D(n)即一阶差分Δ1MFCC,C(n+i)表示MFCC参数的一帧,n表示心动周期的总个数,i表示第i个心动周期,k值取2。将上式结果带入,可得MFCC的二阶差分Δ2MFCC。基于MFCC的一阶差分Δ1MFCC和二阶差分Δ2MFCC,构造39维的目标心音特征向量。
作为本申请一实施例,基于所述第一心音、收缩期、第二心音以及舒张期分别对应的梅尔频率倒谱系数进行特征提取,获得所述目标心音信号的心音特征信息步骤之后还包括:基于所述心音特征信息,对所述目标心音信号对应的的心律进行识别,获得心律识别结果。
在本实施例中,采用梅尔频率倒谱系数分别对第一心音、收缩期、第二心音以及舒张期进行特征提取,获得包含目标心音信号的心音特征的心音特征信息,基于心音特征信息进一步的对目标心音信号的心律特征进行识别。在实际应用场景中,可采用分类器对心律进行识别,本实施例采用SVM分类器(Support Vector Machine,高斯径向函数分类器),对心律识别,识别结果为心律无异常和心律紊乱。其中,SVM是将训练数据通过一定的函数变化到高维K空间,在高维空间寻找最优的分类面,采用高斯核函数分类决策函数为:选择的惩罚系数C=1,gamma=0.01。输出的心律是识别结果也是作为最终心音信号处理分析的一方面的参考因素,以使得对心音信号分析的结果更为精确。
S13:将所述目标心音特征向量输入预先构建的心音信号识别网络,通过所述心音信号识别网络对所述目标心音特征向量进行目标心音特征识别,获得目标心音特征识别结果。
在步骤S13中,目标心音特征识别结果用于表征目标心音信号与预设参考心音信号的差异。例如,目标心音信号与预设参考心音信号间的波形差异等。预先构建的心音信号识别网络用于对目标心音信号进行深层特征提取,以使得心音信号分析的结果更为精确。本实施例中,采用卷积神经网络作为心音信号识别网络来识别目标心音特征。在实际应用场景中,可采用其它机器学习算法对目标心音信号进行深层特征提取。
在本实施例中,将由MFCC、Δ1MFCC和Δ2MFCC组成的39维的特征向量输入到卷积神经网络(Convolutional Neural Network,CNN,CNN)中进行深层特征提取,最终获得目标心音特征识别结果。其中,卷积神经网络共6层,其中包含3层卷积层,2层全连接层,最后一层为进行分类的softmax分类层。
作为本申请一实例,目标心音特征向量包括:同个心动周期内的第一心音特征向量、收缩期特征向量、第二心音特征向量以及舒张期特征向量;步骤S13包括:若通过所述心音信号识别网络只对所述第一心音特征向量进行识别,则所述目标心音特征识别结果包括第一心音无异常、第一心音强度改变以及第一心音***;若通过所述心音信号识别网络只对所述收缩期特征向量进行识别,则所述目标心音特征识别结果包括收缩无异常、收缩额外心音以及收缩杂音;若通过所述心音信号识别网络只对所述第二心音特征向量进行识别,则所述目标心音特征识别结果包括第二心音无异常、第二心音强度改变以及第二心音***;若通过所述心音信号识别网络只对所述舒张期部分进行识别,则所述目标心音特征识别结果包括但不限于舒张无异常、舒张额外心音以及舒张杂音。
在本实施例中,与心动周期的第一心音,收缩期,第二心音,舒张期相对应,目标心音特征向量包括:同个心动周期内的第一心音特征向量、收缩期特征向量、第二心音特征向量以及舒张期特征向量。其中,对第一心音特征向量进行识别获得的目标心音特征识别结果包括但不限于第一心音无异常、第一心音强度改变以及第一心音***;对收缩期特征向量进行识别获得的目标心音特征识别结果包括但不限于收缩无异常、收缩额外心音以及收缩杂音;对第二心音特征向量进行识别获得的目标心音特征识别结果包括但不限于第二心音无异常、第二心音强度改变以及第二心音***;对舒张期特征向量进行识别获得的目标心音特征识别结果包括但不限于舒张无异常、舒张额外心音以及舒张杂音。
请参阅图3,图3是本申请另一实施例提供的一种心音信号处理方法的实现流程图,相比于图2对应的实施例,本实施例提供的一种心音信号处理方法中,在步骤S13之后还包括S21:基于所述目标心音特征识别结果、所述心率分析结果以及所述心律识别结果,获得目标心音信号分析结果。
在本实施例中,结合上述目标心音特征识别结果,目标心音信号对应的心率分析结果以及心律识别结果,获得最终的目标心音信号分析结果,该目标心音信号分析结果不仅能体现目标心音信号与预设标准心音信号之间心动周期各部分的波形特征差异以及频率差异,结合实际应用中的病理特征,即可体现目标心音信号的强度变化、有无***、额外心音、杂音等特征差异以及心率和心律的差异,对目标心音信号的利用率更高,更便于明确目标心音信号与预设参考心音信号之间的差异部分。
作为一个示例,图4是本申请实施例提供的心音信号处理方法的整体流程示意图。
如图4所示,在通过电子听诊器采集到用户的心音信号之后,首先对心音信号进行预处理,获得目标心音信号,然后对目标心音信号中至少一个心动周期进行分段,获得第一心音、收缩期、第二心音以及舒张期,再对这四个部分分别进行心音特征的提取并构建目标心音特征向量,最后将目标心音特征向量输入到预先构建的心音信号识别网络,通过心音信号识别网络对目标心音特征向量进行目标心音特征识别,获得目标心音特征识别结果,基于目标心音特征识别结果、利用分段过程的参数计算获得的心率分析结果以及利用心音特征提取过程中的参数获得的心律识别结果,获得目标心音信号分析结果,考虑到对心音听诊的五个内容心音、额外心音、杂音、心律以及心率的分析,使得心音信号分析的结果更为精确且对心音信号的利用率较高。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
在一个实施例中,提供一种心音信号处理装置500,该心音信号处理装置与上述实施例中心音信号处理方法一一对应。如图5所示,该心音信号处理装置包括预处理模块501、特征向量获取模块502和识别结果获取模块503。各功能模块详细说明如下:
预处理模块501:用于对通过电子听诊器采集到的心音信号进行预处理,获得目标心音信号。
特征向量获取模块502:用于从所述目标心音信号中识别出与至少一个心动周期对应的目标心音特征向量。
识别结果获取模块503:用于将所述心音特征向量输入预先构建的心音信号识别网络,通过所述心音信号识别网络对所述心音特征向量进行目标心音特征识别,获得目标心音特征识别结果;所述目标心音特征识别结果用于表征所述目标心音信号与预设参考心音信号的差异。
关于心音信号处理装置的具体限定可以参见上文中对于心音信号处理方法的限定,在此不再赘述。上述心音信号处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括可读存储介质、内存储器。该可读存储介质存储有操作***、计算机可读指令和数据库。该内存储器为可读存储介质中的操作***和计算机可读指令的运行提供环境。该计算机设备的数据库用于存储心音信号处理方法所涉及的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机可读指令被处理器执行时以实现一种心音信号处理方法。本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图6所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括可读存储介质、内存储器。该非易失性存储介质存储有操作***和计算机可读指令。该内存储器为可读存储介质中的操作***和计算机可读指令的运行提供环境。该计算机设备的网络接口用于与外部服务器通过网络连接通信。该计算机可读指令被处理器执行时以实现一种心音信号处理方法。本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。
在一个实施例中,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可读指令,处理器执行计算机可读指令时实现以下步骤:
对通过电子听诊器采集到的心音信号进行预处理,获得目标心音信号;
从所述目标心音信号中识别出与至少一个心动周期对应的目标心音特征向量;
将所述目标心音特征向量输入预先构建的心音信号识别网络,通过所述心音信号识别网络对所述目标心音特征向量进行目标心音特征识别,获得目标心音特征识别结果;所述目标心音特征识别结果用于表征所述目标心音信号与预设参考心音信号的差异。
在一个实施例中,提供了一个或多个存储有计算机可读指令的计算机可读存储介质,本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。可读存储介质上存储有计算机可读指令,计算机可读指令被一个或多个处理器执行时实现以下步骤:
对通过电子听诊器采集到的心音信号进行预处理,获得目标心音信号;
从所述目标心音信号中识别出与至少一个心动周期对应的目标心音特征向量;
将所述目标心音特征向量输入预先构建的心音信号识别网络,通过所述心音信号识别网络对所述目标心音特征向量进行目标心音特征识别,获得目标心音特征识别结果;所述目标心音特征识别结果用于表征所述目标心音信号与预设参考心音信号的差异。
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,是可以通过计算机可读指令来指令相关的硬件来完成,所述的计算机可读指令可存储于一非易失性可读取存储介质或易失性可读存储介质中,该计算机可读指令在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解: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;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种心音信号处理方法,其特征在于,包括:
对通过电子听诊器采集到的心音信号进行预处理,获得目标心音信号;
从所述目标心音信号中识别出与至少一个心动周期对应的目标心音特征向量;
将所述目标心音特征向量输入预先构建的心音信号识别网络,通过所述心音信号识别网络对所述目标心音特征向量进行目标心音特征识别,获得目标心音特征识别结果;所述目标心音特征识别结果用于表征所述目标心音信号与预设参考心音信号的差异。
2.如权利要求1所述的心音信号处理方法,其特征在于,所述从所述目标心音信号中识别出与至少一个心动周期对应的目标心音特征向量,包括:
对所述目标心音信号进行基于归一化香农能量的包络提取,获得所述目标心音信号的包络;
基于所述目标心音信号的包络,识别出至少一个心动周期并对所述心动周期进行心音分段,获得所述心动周期的第一心音、收缩期、第二心音以及舒张期;
分别对所述第一心音、收缩期、第二心音以及舒张期进行特征提取并组建特征向量,获得所述目标心音特征向量。
3.如权利要求2所述的心音信号处理方法,其特征在于,所述基于所述目标心音信号的包络,识别出至少一个心动周期并对所述心动周期进行心音分段,获得所述心动周期的第一心音、收缩期、第二心音以及舒张期,步骤之后还包括:
按照下式计算所述目标心音信号对应的心率值:
T=TS1+TS1S2+TS2+TS2S1;
式中,T表示所述目标心音信号一个心动周期的持续时间,S1表示第一心音,S2表示第二心音,TS1表示第一心音的持续时间,TS1S2表示收缩期时限,TS2表示第二心音持续时间,TS2S1表示舒张期时限;Ti表示所述目标心音信号第i个心动周期的持续时间,n表示心动周期的总个数,ave表示平均心动周期持续时间;fre表示所述目标心音信号对应的心率值;
将所述心率值与预设标准心率值进行比对,获得所述目标心音信号的心率分析结果;所述心率分析结果用于表征所述目标心音信号与预设参考心音信号的差异。
4.如权利要求3所述的心音信号处理方法,其特征在于,所述分别对所述第一心音、收缩期、第二心音以及舒张期进行特征提取并组建特征向量,获得所述目标心音特征向量,包括:
基于所述第一心音、收缩期、第二心音以及舒张期分别对应的梅尔频率倒谱系数进行特征提取,获得所述目标心音信号的心音特征信息;
基于所述心音特征信息组建所述目标心音信号的目标心音特征向量。
5.如权利要求4所述的心音信号处理方法,其特征在于,所述基于所述第一心音、收缩期、第二心音以及舒张期分别对应的梅尔频率倒谱系数进行特征提取,获得所述目标心音信号的心音特征信息,步骤之后还包括:
基于所述心音特征信息,对所述目标心音信号对应的心律进行识别,获得心律识别结果。
6.如权利要求5所述的心音信号处理方法,其特征在于,所述将所述目标心音特征向量输入预先构建的心音信号识别网络,通过所述心音信号识别网络对所述目标心音特征向量进行目标心音特征识别,获得目标心音特征识别结果,步骤之后还包括:
基于所述目标心音特征识别结果、所述心率分析结果以及所述心律识别结果,获得目标心音信号分析结果。
7.如权利要求1所述的心音信号处理方法,其特征在于,所述目标心音特征向量包括:同个心动周期内的第一心音特征向量、收缩期特征向量、第二心音特征向量以及舒张期特征向量;所述将所述目标心音特征向量输入预先构建的心音信号识别网络,通过所述心音信号识别网络对所述目标心音特征向量进行目标心音特征识别,获得目标心音特征识别结果,包括:
若通过所述心音信号识别网络只对所述第一心音特征向量进行识别,则所述目标心音特征识别结果包括第一心音无异常、第一心音强度改变以及第一心音***;
若通过所述心音信号识别网络只对所述收缩期特征向量进行识别,则所述目标心音特征识别结果包括收缩无异常、收缩额外心音以及收缩杂音;
若通过所述心音信号识别网络只对所述第二心音特征向量进行识别,则所述目标心音特征识别结果包括第二心音无异常、第二心音强度改变以及第二心音***;
若通过所述心音信号识别网络只对所述舒张期部分进行识别,则所述目标心音特征识别结果包括但不限于舒张无异常、舒张额外心音以及舒张杂音。
8.一种心音信号处理装置,其特征在于,包括:
预处理模块:用于对通过电子听诊器采集到的心音信号进行预处理,获得目标心音信号;
特征向量获取模块:用于从所述目标心音信号中识别出与至少一个心动周期对应的目标心音特征向量;
识别结果获取模块:用于将所述心音特征向量输入预先构建的心音信号识别网络,通过所述心音信号识别网络对所述心音特征向量进行目标心音特征识别,获得目标心音特征识别结果;所述目标心音特征识别结果用于表征所述目标心音信号与预设参考心音信号的差异。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,其特征在于,所述计算机可读指令被处理器执行时以实现权利要求1-7任意一项所述的心音信号处理方法。
10.一个或多个可读存储介质,所述可读存储介质存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1-7任意一项所述的心音信号处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111274561.7A CN114010220A (zh) | 2021-10-29 | 2021-10-29 | 心音信号处理方法、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111274561.7A CN114010220A (zh) | 2021-10-29 | 2021-10-29 | 心音信号处理方法、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114010220A true CN114010220A (zh) | 2022-02-08 |
Family
ID=80059369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111274561.7A Pending CN114010220A (zh) | 2021-10-29 | 2021-10-29 | 心音信号处理方法、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114010220A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116807435A (zh) * | 2023-08-28 | 2023-09-29 | 嘉兴学院G60科创走廊产业与创新研究院 | 一种便携式心音传感装置及心率监测*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN102283670A (zh) * | 2011-07-08 | 2011-12-21 | 西华大学 | 一种心音信号量化分析方法及装置 |
CN105147252A (zh) * | 2015-08-24 | 2015-12-16 | 四川长虹电器股份有限公司 | 心脏疾病识别及评估方法 |
CN108420454A (zh) * | 2018-02-26 | 2018-08-21 | 河南善仁医疗科技有限公司 | 基于多路心音的心音***识别方法 |
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 |
CN110123367A (zh) * | 2019-04-04 | 2019-08-16 | 平安科技(深圳)有限公司 | 计算机设备、心音识别装置、方法、模型训练装置及存储介质 |
CN110755108A (zh) * | 2019-11-04 | 2020-02-07 | 合肥望闻健康科技有限公司 | 一种基于智能听诊器的心脏声音分类方法、***、装置及可读存储介质 |
CN111150421A (zh) * | 2020-01-17 | 2020-05-15 | 国微集团(深圳)有限公司 | 基于心音信号计算心率的方法 |
-
2021
- 2021-10-29 CN CN202111274561.7A patent/CN114010220A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN102283670A (zh) * | 2011-07-08 | 2011-12-21 | 西华大学 | 一种心音信号量化分析方法及装置 |
CN105147252A (zh) * | 2015-08-24 | 2015-12-16 | 四川长虹电器股份有限公司 | 心脏疾病识别及评估方法 |
CN108420454A (zh) * | 2018-02-26 | 2018-08-21 | 河南善仁医疗科技有限公司 | 基于多路心音的心音***识别方法 |
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 |
CN110123367A (zh) * | 2019-04-04 | 2019-08-16 | 平安科技(深圳)有限公司 | 计算机设备、心音识别装置、方法、模型训练装置及存储介质 |
CN110755108A (zh) * | 2019-11-04 | 2020-02-07 | 合肥望闻健康科技有限公司 | 一种基于智能听诊器的心脏声音分类方法、***、装置及可读存储介质 |
CN111150421A (zh) * | 2020-01-17 | 2020-05-15 | 国微集团(深圳)有限公司 | 基于心音信号计算心率的方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116807435A (zh) * | 2023-08-28 | 2023-09-29 | 嘉兴学院G60科创走廊产业与创新研究院 | 一种便携式心音传感装置及心率监测*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Limam et al. | Atrial fibrillation detection and ECG classification based on convolutional recurrent neural network | |
Bassiouni et al. | Intelligent hybrid approaches for human ECG signals identification | |
Louis et al. | Continuous authentication using one-dimensional multi-resolution local binary patterns (1DMRLBP) in ECG biometrics | |
Li et al. | Robust ECG biometrics by fusing temporal and cepstral information | |
CN109044396B (zh) | 一种基于双向长短时记忆神经网络的智能心音识别方法 | |
CN110123367B (zh) | 计算机设备、心音识别装置、方法、模型训练装置及存储介质 | |
WO2021017313A1 (zh) | 房颤的检测方法、装置、计算机设备及存储介质 | |
CN111461176A (zh) | 基于归一化互信息的多模态融合方法、装置、介质及设备 | |
CN110755108A (zh) | 一种基于智能听诊器的心脏声音分类方法、***、装置及可读存储介质 | |
Boumbarov et al. | ECG personal identification in subspaces using radial basis neural networks | |
CN108922543A (zh) | 模型库建立方法、语音识别方法、装置、设备及介质 | |
CN113080969A (zh) | 基于多模态特征的测谎数据处理方法及*** | |
CN114241599A (zh) | 一种基于多模态特征的抑郁倾向测评***和方法 | |
CN112401902A (zh) | 基于神经网络时频分析相结合的心电身份识别方法及*** | |
CN113180679A (zh) | 一种单导联心电异常信号识别方法 | |
Mustafa et al. | Detection of heartbeat sounds arrhythmia using automatic spectral methods and cardiac auscultatory | |
Abo-Zahhad et al. | A comparative approach between cepstral features for human authentication using heart sounds | |
CN114010220A (zh) | 心音信号处理方法、计算机设备及存储介质 | |
CN111582138A (zh) | 基于频域倒谱系数特征的心电身份识别方法及*** | |
Guven et al. | A novel biometric identification system based on fingertip electrocardiogram and speech signals | |
Mandal et al. | Prediction of atrial fibrillation based on nonlinear modeling of heart rate variability signal and SVM classifier | |
Ma et al. | Application of time-frequency domain and deep learning fusion feature in non-invasive diagnosis of congenital heart disease-related pulmonary arterial hypertension | |
CN109919050B (zh) | 身份识别方法和装置 | |
Sengupta et al. | Optimization of cepstral features for robust lung sound classification | |
CN112257573B (zh) | 一种基于t-SNE和Adaboost的ECG身份识别方法 |
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 |