用于检测异常心音的分类器集成制造技术

本公开内容的发明专利技术的各种实施例提供了基于特征的方法与深度学习方法的组合以用于区分正常心音与异常心音。将基于特征的分类器(60)应用于心音图(PCG)信号以获得由所述PCG信号表示的心音的基于特征的异常分类，并且将深度学习分类器(70)也应用于所述PCG信号以获得由所述PCG信号表示的所述心音的深度学习异常分类。将最终决策联合分析器(80)应用于由所述PCG信号表示的所述心音的所述基于特征的异常分类和所述深度学习异常分类，以确定所述PCG信号的最终异常分类决策。

Classifier integration for detecting abnormal heart sounds

Various embodiments of the invention of the present disclosure provide a combination of feature-based methods and in-depth learning methods for distinguishing normal and abnormal heart sounds. A feature-based classifier (60) is applied to the phonocardiogram (PCG) signal to obtain the feature-based anomaly classification of the heart sounds represented by the PCG signal, and a deep learning classifier (70) is also applied to the PCG signal to obtain the deep learning anomaly classification of the heart sounds represented by the PCG signal. The final decision joint analyzer (80) is applied to the feature-based anomaly classification and the deep learning anomaly classification of the heart sound represented by the PCG signal to determine the final anomaly classification decision of the PCG signal.

【技术实现步骤摘要】
【国外来华专利技术】用于检测异常心音的分类器集成
本公开内容中描述的各种实施例涉及用于检测异常心音的系统、设备和方法。
技术介绍
心血管疾病(CVD)是全球发病和死亡的主要原因，2012年估计有1750万人死于CVD。心脏听诊是在初级卫生保健中筛查和诊断CVD的主要工具。数字听诊器和移动设备的使用为临床医生提供了记录和分析心音(心音图，PCG)以用于诊断目的的机会。然而，由于环境噪音(例如，警报、说话)，对临床环境和非临床环境中的心音记录进行分析已被证明是具有挑战性的工作。此外，由非专家记录心音也会增加对自动心音分析的挑战。例如，改变麦克风位置可能会改变心音幅度并且可能使心音容易产生噪音。另外，当由不同仪器记录心音时，心音记录的质量可能不同(例如由于不同仪器的滤波器规范的差异)，这使得使用单个算法会具有挑战性。由于上述因素，基于特征的方法(传统的心音分析)在对异常心音的分类中可能具有相对较低的准确度。
技术实现思路
本公开内容中描述的实施例提供了基于特征的方法与深度学习方法的组合(例如，无监督的特征学习)。更具体地，深度学习有能力从被指定为正常心音和异常心音的心音图中学习特征并将这样的异常特征用于分类目的。本公开内容组合了对正常心音和异常心音的基于特征的分类以及对正常心音和异常心音的深度学习分类的益处。本公开内容还提供了对有噪声的心音图(PCG)信号和干净的PCG信号的基于特征的分类和/或对有噪声的PCG信号和干净的PCG信号的深度学习分类。本公开内容的专利技术的一个实施例是一种用于区分正常心音与异常心音的心音图(PCG)信号联合分析器，所述PCG信号联合分析器包括处理器和存储器，所述PCG信号联合分析器被配置为：(1)将基于特征的分类器应用于PCG信号，以获得由所述PCG信号表示的心音的基于特征的异常分类；(2)将深度学习分类器应用于所述PCG信号，以获得由所述PCG信号表示的所述心音的深度学习异常分类；(3a)将最终决策联合分析器应用于由所述PCG信号表示的所述心音的所述基于特征的异常分类和所述深度学习异常分类，以将所述PCG信号的最终异常分类决策确定为正常心音或异常心音；并且(4)报告所述PCG信号的所述最终异常分类决策。本公开内容的第二实施例是：所述PCG信号联合分析器的所述处理器和所述存储器还被配置为：(5)将所述基于特征的分类器应用于PCG信号，以获得由所述PCG信号表示的所述心音的基于特征的噪声分类；并且(3b)将所述最终决策联合分析器应用于由所述PCG信号表示的所述心音的所述基于特征的异常分类、所述基于特征的噪声分类和所述深度学习异常分类，以将所述PCG信号的所述最终异常分类决策确定为正常心音、异常心音或有噪声的心音(即，不确定心音是正常还是异常)。本公开内容的第三实施例是：所述PCG信号联合分析器的所述处理器和所述存储器还被配置为：(6)将所述深度学习分类器应用于所述PCG信号，以获得由所述PCG信号表示的所述心音的深度学习噪声分类；并且(3c)将所述最终决策联合分析器应用于由所述PCG信号表示的所述心音的所述基于特征的异常分类、所述深度学习异常分类和所述深度学习噪声分类，以将所述PCG信号的所述最终异常分类决策确定为正常心音、异常心音或有噪声的心音(即，不确定心音是正常还是异常)。本公开内容的专利技术的第四实施例是一种非瞬态机器可读存储介质，其编码有用于由处理器运行以用于区分正常心音与异常心音的指令，所述非瞬态机器可读存储介质包括用于执行以下操作的指令：(1)将基于特征的分类器应用于PCG信号，以获得由所述PCG信号表示的心音的基于特征的异常分类；(2)将深度学习分类器应用于所述PCG信号，以获得由所述PCG信号表示的所述心音的深度学习异常分类；(3a)将最终决策联合分析器应用于由所述PCG信号表示的所述心音的所述基于特征的异常分类和所述深度学习异常分类，以将所述PCG信号的最终异常分类决策确定为正常心音或异常心音；并且(4)报告所述PCG信号的所述最终异常分类决策。本公开内容的第五实施例是：所述非瞬态机器可读存储介质还包括用于执行以下操作的指令：(5)将所述基于特征的分类器应用于所述PCG信号，以获得由所述PCG信号表示的所述心音的基于特征的噪声分类；以及(3b)将所述最终决策联合分析器应用于由所述PCG信号表示的所述心音的所述基于特征的异常分类、所述基于特征的噪声分类和所述深度学习异常分类，以将所述PCG信号的所述最终异常分类决策确定为正常心音、异常心音或有噪声的心音(即，不确定心音是正常还是异常)。本公开内容的第六实施例是：所述非瞬态机器可读存储介质还包括用于执行以下操作的指令：(6)将所述深度学习分类器应用于所述PCG信号，以获得由所述PCG信号表示的所述心音的深度学习噪声分类；以及(3c)将所述最终决策联合分析器应用于由所述PCG信号表示的所述心音的所述基于特征的异常分类、所述深度学习异常分类和所述深度学习噪声分类，以将所述PCG信号的所述最终异常分类决策确定为正常心音、异常心音或有噪声的心音(即，不确定心音是正常还是异常)。本公开内容的专利技术的第七实施例是一种用于区分正常心音与异常心音的心音图(PCG)信号联合分析方法。所述PCG信号联合分析方法包括：(1)将基于特征的分类器应用于PCG信号，以获得由所述PCG信号表示的心音的基于特征的异常分类；(2)将深度学习分类器应用于所述PCG信号，以获得由所述PCG信号表示的所述心音的深度学习异常分类；(3a)将最终决策联合分析器应用于由所述PCG信号表示的所述心音的所述基于特征的异常分类和所述深度学习异常分类，以将所述PCG信号的最终异常分类决策确定为正常心音或异常心音；并且(4)报告所述PCG信号的所述最终异常分类决策。本公开内容的第八实施例是：所述PCG信号联合分析方法还包括：(5)将所述基于特征的分类器应用于所述PCG信号，以获得由所述PCG信号表示的所述心音的基于特征的噪声分类，并且(3b)将所述最终决策联合分析器应用于由所述PCG信号表示的所述心音的所述基于特征的异常分类、所述基于特征的噪声分类和所述深度学习异常分类，以将所述PCG信号的所述最终异常分类决策确定为正常心音、异常心音或有噪声的心音(即，不确定心音是正常还是异常)。本公开内容的第九实施例是：所述PCG信号联合分析方法还包括：(6)将所述深度学习分类器应用于所述PCG信号，以获得由所述PCG信号表示的所述心音的深度学习噪声分类；并且(3c)将所述最终决策联合分类器应用于由所述PCG信号表示的所述心音的所述基于特征的异常分类、所述深度学习异常分类和所述深度学习噪声分类，以将所述PCG信号的所述最终异常分类决策确定为正常心音、异常心音或有噪声的心音(即，不确定心音是正常还是异常)。本公开内容的专利技术的第十实施例是一种用于区分有噪声的PCG信号与干净的PCG信号的心音图(PCG)信号联合分析器。所述PCG信号联合分析器包括处理器和存储器，所述PCG信号联合分析器被配置为：(1)将基于特征的分类器应用于所述PCG信号，以获得由所述PCG信号表示的心音的基于特征的噪声分类；(2)将深度学习分类器应用于所述PCG信号，以获得由所述PCG信号表示的所述心音的深度学习噪声分类；(3)将最终决策本文档来自技高网...

【技术保护点】
1.一种用于区分正常心音与异常心音的心音图(PCG)信号联合分析器(40)，所述PCG信号联合分析器(40)包括处理器(42)和存储器(43)，所述PCG信号联合分析器被配置为：将基于特征的分类器(60)应用于PCG信号，以获得由所述PCG信号表示的心音的基于特征的异常分类；将深度学习分类器(70)应用于所述PCG信号，以获得由所述PCG信号表示的所述心音的深度学习异常分类；将最终决策联合分析器(80)应用于由所述PCG信号表示的所述心音的所述基于特征的异常分类和所述深度学习异常分类，以确定所述PCG信号的最终异常分类决策；并且报告所述PCG信号的所述最终异常分类决策。

【技术特征摘要】
【国外来华专利技术】2016.09.07 US 62/384,2761.一种用于区分正常心音与异常心音的心音图(PCG)信号联合分析器(40)，所述PCG信号联合分析器(40)包括处理器(42)和存储器(43)，所述PCG信号联合分析器被配置为：将基于特征的分类器(60)应用于PCG信号，以获得由所述PCG信号表示的心音的基于特征的异常分类；将深度学习分类器(70)应用于所述PCG信号，以获得由所述PCG信号表示的所述心音的深度学习异常分类；将最终决策联合分析器(80)应用于由所述PCG信号表示的所述心音的所述基于特征的异常分类和所述深度学习异常分类，以确定所述PCG信号的最终异常分类决策；并且报告所述PCG信号的所述最终异常分类决策。2.根据权利要求1所述的PCG信号联合分析器(40)，其中，所述处理器(42)和所述存储器(43)还被配置为在将所述基于特征的分类器(60)和所述深度学习分类器(70)应用于所述PCG信号之前调节所述PCG信号；并且其中，对所述PCG信号的调节包括：将尖峰滤波器应用于所述PCG信号，以及将所述PCG信号分割成多个心音状态。3.根据权利要求1所述的PCG信号联合分析器(40)，其中，将所述基于特征的分类器(60)应用于所述PCG信号包括：从所述PCG信号中提取特征向量，所述特征向量包括时域特征和频域特征；并且将AdaBoost-abstain分类器应用于所述特征向量，以确定由所述PCG信号表示的所述心音的所述基于特征的异常分类。4.根据权利要求1所述的PCG信号联合分析器(40)，其中，将所述深度学习分类器(70)应用于所述PCG信号包括：从所述PCG信号中提取心动周期；将所述心动周期分解成频带；并且将卷积神经网络应用于所述频带，以确定由所述PCG信号表示的所述心音的所述深度学习异常分类。5.根据权利要求1所述的PCG信号联合分析器(40)，其中，将所述最终决策分析器(80)应用于由所述PCG信号表示的所述心音的所述基于特征的异常分类和由所述PCG信号表示的所述心音的所述深度学习异常分类包括：将根据最终决策规则的异常阈值与由所述PCG信号表示的所述心音的所述基于特征的异常分类和由所述PCG信号表示的所述心音的所述深度学习异常分类进行比较。6.根据权利要求1所述的PCG信号联合分析器(40)，其中，所述处理器(42)和所述存储器(43)还被配置为：将所述基于特征的分类器(60)应用于PCG信号，以获得由所述PCG信号表示的所述心音的基于特征的噪声分类；并且将所述最终决策联合分析器(80)应用于由所述PCG信号表示的所述心音的所述基于特征的异常分类、所述基于特征的噪声分类和所述深度学习异常分类，以确定所述PCG信号的所述最终异常分类决策。7.根据权利要求1所述的PCG信号联合分析器(40)，其中，所述处理器(42)和所述存储器(43)还被配置为：将所述深度学习分类器(70)应用于PCG信号，以获得由所述PCG信号表示的所述心音的深度学习噪声分类；并且将所述最终决策联合分析器(80)应用于由所述PCG信号表示的所述心音的所述基于特征的异常分类、所述深度学习异常分类和所述深度学习噪声分类，以确定所述PCG信号的所述最终异常分类决策。8.根据权利要求1所述的PCG信号联合分析器(40)，其中，所述PCG信号的所述最终异常分类决策是以下中的一个：所述PCG信号的正常分类；以及所述PCG信号的异常分类。9.根据权利要求1所述的PCG信号联合分析器(40)，其中，所述PCG信号的所述最终异常分类决策是以下中的一个：所述PCG信号的正常分类决策；所述PCG信号的异常分类决策；以及所述PCG信号的不确定的分类决策。10.根据权利要求1所述的PCG信号联合分析器(40)，其中，所述PCG信号联合分析器(40)与PCG信号记录器(30)通信以接收所述PCG信号。11.一种非瞬态机器可读存储介质(46)，其编码有用于由处理器(42)运行以用于区分正常心音与异常心音的指令，所述非瞬态机器可读存储介质(46)包括用于执行以下操作的指令：将基于特征的分类...

【专利技术属性】
技术研发人员：S·珀尔沃内，C·M·波特斯布兰东，A·拉赫曼，B·康罗伊，
申请(专利权)人：皇家飞利浦有限公司，
类型：发明
国别省市：荷兰,NL