基于机器学习的心衰检测装置制造方法及图纸

一种基于机器学习的心衰检测装置，包含心电采集装置、心音采集装置、脉搏波采集装置、模拟‑数字转换装置、输入终端、心电异常检测模块、心音异常检测模块、心脏收缩功能检测模块、信号预处理模块、心衰病程检测模块、网络通信模块和主机。通过获取心电、心音和脉搏波信号及获取到心电异常类型、心音异常类型及评价心脏收缩功能的指标，并结合受试者的一般信息、生活习惯、临床症状和体征，通过机器学习建立上述特征信息与心衰病程的模型函数；通过获取上述特征信息和模型函数，得到心衰病程的评价结果。本发明专利技术对受测者心衰病程进行定量、无创和准确的评估，可以无创早期评估受试者的心衰病程，用户体验好、低成本，易操作，便于早期发现病情。

Heart Failure Detection Device Based on Machine Learning

A heart failure detection device based on machine learning includes ECG acquisition device, heart sound acquisition device, pulse wave acquisition device, analog digital conversion device, input terminal, ECG anomaly detection module, heart sound anomaly detection module, heart contraction function detection module, signal preprocessing module, heart failure course detection module, network communication module and host computer. By acquiring ECG, heart sound and pulse wave signals and obtaining abnormal types of ECG, abnormal types of heart sound and indicators for evaluating cardiac systolic function, and combining with the general information, living habits, clinical symptoms and signs of the subjects, the model function of the above characteristic information and the course of heart failure is established through machine learning; by acquiring the above characteristic information and model function, the heart failure disease is obtained. Cheng's evaluation results. The invention quantitatively, non-invasively and accurately evaluates the course of heart failure of the subject, and can evaluate the course of heart failure of the subject in a non-invasive early stage. The user experience is good, the cost is low, the operation is easy, and the condition is easy to detect in an early stage.

【技术实现步骤摘要】
基于机器学习的心衰检测装置
本专利技术涉及一种用于测定受测者心衰的检测装置，特别是利用无创无损的检测手段来评价受测者所处的心衰病程，属于心血管健康评估测量

技术介绍
心力衰竭(心衰)的危害非常大，可以引起低钠血症、低钾血症等，心力衰竭患者不仅要忍受呼吸困难、下肢水肿、精疲力竭等临床症状带来的极大痛苦，而且因反复住院，给病人及家属带来诸多不便和沉重的经济负担，心衰已经成为危害人们身体健康的一种常见的心血管疾病。传统的心衰检测方法有超声心动图、放射性核素造影、X线检测和B型钠尿肽试验等，但是上述方法均不具备简便和无创检测心衰病程的特点。心衰可并发各种心律失常，房性或室性心律失常都很常见，其中房颤、室性心动过速反之和室颤临床意义最为重要，心律失常又可诱发心衰。因此可以从心电信号和心音信号中去提取反映心脏心律类型的重要信息；心衰是各种心脏疾病导致心功能不全的一种综合征，绝大多数是指心肌收缩能力下降使心排血量不能满足机体代谢的需要，器官和组织灌注不足，同时表现出肺循环和体循环淤血的表现，因此可从心电信号、心音信号和脉搏波信号提取反映心脏收缩及泵血功能的生理信号指标，如心输出量、射血指数等评价指标；任何心血管疾病都不是突然发生的，是长期积累形成的，在疾病形成的过程中一般会表现出临床表现。心衰的早期可表现出疲劳乏力、运动耐力下降、心率增加、呼吸困难、端坐呼吸、烦躁不安、心尖部可闻及奔马律等临床症状。有些心衰患者会出现下肢浮肿、干湿性啰音等体征。综上所述，可以早期从受测者的心电信号、心音信号、脉搏波信号挖掘出有用的心衰信息，联合其一般信息、生活习惯、症状和体征等结构化的数据中去全面分析受测者的心衰病程，以便早期发现早期治疗。
技术实现思路
本专利技术针对现有临床早期筛查心衰技术的不足，提供了一种可以实现无创早期评估受试者的心衰病程，低成本，易操作，便于早期发现病情的基于机器学习的心衰检测装置。为实现上述目的，本专利技术的基于机器学习的心衰检测装置采用以下技术方案：该心衰检测装置，包括生理信号采集装置、模数转换装置、主机、输入终端和网络通信块；生理信号采集装置，包括心电采集装置、心音采集装置和脉搏波采集装置，用于采集受试者的原始心电信号、原始心音信号和原始脉搏波信号；模数转换装置，与生理信号采集装置连接，用于将所述原始心电信号、原始心音信号和原始脉搏波信号进行模数转换，得到心电信号、心音信号和脉搏波信号；主机，与模数转换装置连接，接收来自模数转换装置得到的所述心电信号、心音信号和脉搏波信号；输入终端，用于输入受试者的个人一般信息、临床症状、生活习惯和体征信息；网络通信模块，与所述输入终端模块连接，接收所述输入终端模块输入的个人一般信息、临床症状、生活习惯和体征信息，通过网络通信协议传输至主机。所述主机包括：信号预处理模块，对所述心电信号、心音信号以及脉搏波信号进行预处理，得到预处理后的心电信号、预处理后的心音信号以及预处理后的脉搏波信号；心电异常检测模块，根据所述预处理后的心电信号计算心电信号异常类型结果；心音异常检测模块，根据所述预处理后的心音信号计算心音信号异常类型结果；心脏收缩功能检测模块，根据预处理后的心电信号、预处理后的心音信号以及预处理后的脉搏波信号得到心脏收缩功能检测指标；心衰病程检测模块，将所述心电信号异常类型结果、所述心音信号异常类型结果、所述心脏收缩功能检测指标、受试者的个人一般信息、临床症状、生活习惯和体征信息输入到预先建立的机器学习模型函数中，得到对应的心衰病程评价结果。所述信号预处理模块对所述心电信号、心音信号以及脉搏波信号进行预处理的过程，包括：对原始心电信号、心音信号及脉搏波信号进行信号低通滤波和工频带阻滤波处理；对滤波后的心电信号、心音信号及脉搏波信号进行归一化处理。所述心电异常检测模块根据所述预处理后的心电信号计算心电信号异常类型结果，包括：预先获取批量不同的心衰病程受试者的心电信号和其对应的人工标记心电信号异常类型；通过心电信号和信号预处理模块获取预处理后的心电信号；将预处理后的心电信号作为输入，人工标记的心电信号异常类型作为输出，采用深度学习模型进行训练，得到心电信号与心电信号异常类型的深度学习模型函数。所述心音异常检测模块中计算心音信号异常类型结果的过程，包括：预先获取批量不同的心衰病程受试者的心音信号和其对应的人工标记心音信号异常类型；通过心音信号和信号预处理模块获取预处理后的心音信号；将预处理后的心音信号作为输入，人工标记的心音信号异常类型作为输出，采用深度学习模型进行训练，得到心音信号与心音信号异常类型的深度学习模型函数。所述深度学习模型采用卷积神经网络模型。所述卷积神经网络模型的建立过程具体如下：预处理后的信号作为深度学习模型的输入，人工标记的信号异常类型作为输出；以多层卷积神经网络作为模型，对每一层卷积层采用卷积、池化和非线性激活函数等技术处理，进行模型搭建，模型最后一层为多分类任务的SoftMax层，输出信号异常类型；将处理后的信号和人工标记的信号异常类型导入到深度学习模型，经过多次参数调优步骤进行模型训练，最终得到接近甚至超过专家医生水平的模型的训练参数，最后将该训练参数保存到主机中。所述心脏收缩功能检测模块中得到的心脏收缩功能检测指标，包括：每搏输出量SV，心输出量CO，心指数CI，射血指数PEPLVET。所述心脏收缩功能检测模块中得到心脏收缩功能检测指标的具体过程，包括：通过信号预处理模块对同步采集得到的心电信号、心音信号和脉搏波信号进行预处理得到预处理后的心电信号、心音信号和脉搏波信号；对预处理后的心电信号进行R波特征，Q波特征提取，并通过前后相邻R波位置做差得到RR间期序列；在每一个RR间期序列内定位寻找预处理后的心音信号的S1特征点和S2特征点；根据心电信号的R波位置和心音信号的S1和S2特征点寻找预处理后的脉搏波信号的起始点和切迹征点位置，根据上述的预处理后的心电信号、心音信号和脉搏波信号的特征点位置得到每搏输出量SV、心输出量CO、心指数CI和射血指数PEPLVET。所述心衰病程检测模块中预先建立的机器学习模型函数的建立过程具体如下：预先获取不同心衰病程的结果，以及采集心电信号、心音信号、脉搏波信号、个人一般信息、临床症状、生活习惯和体征信息；通过心电信号、信号预处理模块和心电异常检测模块获取心电信号异常类型；通过心音信号、信号预处理模块和心音异常检测模块获取心音信号异常类型；通过心电信号、心音信号和脉搏波信号、信号预处理模块、心脏收缩功能检测模块获取心脏收缩功能指标；将心电信号异常类型、心音信号异常类型、心脏收缩功能指标、个人一般信息、临床症状、生活习惯和体征信息作为结构化输入特征，心衰病程结果作为标签输出，进行机器学习，得到上述输入特征信息与心衰病程相对应的模型函数。所述受试者的个人一般信息包括年龄、性别、身高、体重、职业类型中的一种或者任意几种的组合；临床症状包括是否心绞痛、是否胸闷、是否憋气、是否心慌气短、是否夜间呼吸困难、是否头晕、是否晕厥、是否休克、是否眩晕、是否头昏、是否乏力中的一种或者任意几种的组合；生活习惯包括是否吸烟、是否饮酒、吸烟量、饮酒量、吸烟年数、饮酒年数、是否高盐饮食、是否高脂饮食、是否规律运动中的一种或者几种的任意本文档来自技高网...

【技术保护点】
1.一种基于机器学习的心衰检测装置，其特征在于，包括生理信号采集装置、模数转换装置、主机、输入终端和网络通信块；生理信号采集装置，包括心电采集装置、心音采集装置和脉搏波采集装置，用于采集受试者的原始心电信号、原始心音信号和原始脉搏波信号；模数转换装置，与生理信号采集装置连接，用于将所述原始心电信号、原始心音信号和原始脉搏波信号进行模数转换，得到心电信号、心音信号和脉搏波信号；主机，与模数转换装置连接，接收来自模数转换装置得到的所述心电信号、心音信号和脉搏波信号；输入终端，用于输入受试者的个人一般信息、临床症状、生活习惯和体征信息；网络通信模块，与所述输入终端模块连接，接收所述输入终端模块输入的个人一般信息、临床症状、生活习惯和体征信息，通过网络通信协议传输至主机。

【技术特征摘要】
1.一种基于机器学习的心衰检测装置，其特征在于，包括生理信号采集装置、模数转换装置、主机、输入终端和网络通信块；生理信号采集装置，包括心电采集装置、心音采集装置和脉搏波采集装置，用于采集受试者的原始心电信号、原始心音信号和原始脉搏波信号；模数转换装置，与生理信号采集装置连接，用于将所述原始心电信号、原始心音信号和原始脉搏波信号进行模数转换，得到心电信号、心音信号和脉搏波信号；主机，与模数转换装置连接，接收来自模数转换装置得到的所述心电信号、心音信号和脉搏波信号；输入终端，用于输入受试者的个人一般信息、临床症状、生活习惯和体征信息；网络通信模块，与所述输入终端模块连接，接收所述输入终端模块输入的个人一般信息、临床症状、生活习惯和体征信息，通过网络通信协议传输至主机。2.如权利要求1所述的基于机器学习的心衰检测装置，其特征在于，所述主机包括：信号预处理模块，对所述心电信号、心音信号以及脉搏波信号进行预处理，得到预处理后的心电信号、预处理后的心音信号以及预处理后的脉搏波信号；心电异常检测模块，根据所述预处理后的心电信号计算心电信号异常类型结果；心音异常检测模块，根据所述预处理后的心音信号计算心音信号异常类型结果；心脏收缩功能检测模块，根据预处理后的心电信号、预处理后的心音信号以及预处理后的脉搏波信号得到心脏收缩功能检测指标；心衰病程检测模块，将所述心电信号异常类型结果、所述心音信号异常类型结果、所述心脏收缩功能检测指标、受试者的个人一般信息、临床症状、生活习惯和体征信息输入到预先建立的机器学习模型函数中，得到对应的心衰病程评价结果。3.如权利要求2所述的基于机器学习的心衰检测装置，其特征在于，所述信号预处理模块对所述心电信号、心音信号以及脉搏波信号进行预处理的过程，包括：对原始心电信号、心音信号及脉搏波信号进行信号低通滤波和工频带阻滤波处理；对滤波后的心电信号、心音信号及脉搏波信号进行归一化处理。4.如权利要求2所述的基于机器学习的心衰检测装置，其特征在于，所述心电异常检测模块根据所述预处理后的心电信号计算心电信号异常类型结果，包括：预先获取批量不同的心衰病程受试者的心电信号和其对应的人工标记心电信号异常类型；通过心电信号和信号预处理模块获取预处理后的心电信号；将预处理后的心电信号作为输入，人工标记的心电信号异常类型作为输出，采用深度学习模型进行训练，得到心电信号与心电信号异常类型的深度学习模型函数。5.如权利要求2所述的基于机器学习的心衰检测装置，其特征在于，所述心音异常检测模块中计算心音信号异常类型结果的过程，包括：预先获取批量不同的心衰病程受试者的心音信号和其对应的人工标记心音信号异常类型；通过心音信号和信号预处理模块获取预处理后的心音信号；将预处理后的心音信号作为输入，人工标记的心音信号异常类型作为输出，采用深度学习模型进行训练，得到心音信号与心音信号异常类型的深度学习模型函数。6.如权利要求2所述的基于机器学习的心衰检测装置，其特征在于，所述深度学习模型采用卷积神...

【专利技术属性】
技术研发人员：王海彬，刘常春，
申请(专利权)人：济南汇医融工科技有限公司，
类型：发明
国别省市：山东,37