A non-invasive screening system for coronary heart disease based on the combined analysis of ECG and heart sound signals, including: ECG signal preprocessing module, which is used to filter, de-noising and normalizing the original ECG signal; heart sound signal preprocessing module, which is used to filter, de-noising and normalizing the original heart sound signal; feature extraction and selection module, which is used to extract the processed ECG and heart sound Multi domain feature and feature selection of sound signal; five channel cascade module, which is used for wavelet transform and reconstruction of heart sound signal, and connects the reconstructed four band heart sound signal and ECG signal into a five channel group signal; dual input neural network classification module, which is composed of multi-layer sensor, depth learning model and activation model, is used for electromechanical feature vector and five channel group Signal processing and analysis, more accurate noninvasive screening coronary heart disease.
【技术实现步骤摘要】
基于心电和心音信号联合分析的冠心病无创筛查系统
本专利技术涉及一种用于冠心病筛查的系统，该系统基于心电和心音信号联合分析，属于生物医学工程的人体疾病无创筛查
技术介绍
冠心病是心血管疾病的主要类型，并且是全世界范围内的主要死亡原因之一。沿冠状动脉内壁的斑块堆积，减少了流向心肌的血流量，从而导致冠心病的发生。在严重的情况下，斑块破裂会完全阻塞动脉腔，从而引发急性心肌梗塞。目前，冠状动脉造影被认为是冠心病临床诊断的金标准。但遗憾的是，这是一种侵入性技术，需要专业的外科手术和相当多的时间和成本，因此在一般医疗条件下作为冠心病筛查方法不具有吸引力。心电和心音信号分别反映心脏的电活动和机械活动。研究表明，在冠心病患者的静息心电图中，可能存在T波倒置，ST-T段异常，左心室肥大和室性早搏等症状；在冠心病患者的心音信号中，已知冠状动脉狭窄会导致高频成分增加。因此，心电和心音信号都可以作为冠心病筛查的有前景的工具，具有无创、高效、操作简便和费用低等特点。使用各种心电或心音数据库来自动检测冠心病的研究已经有很...
【技术保护点】
1.一种基于心电和心音信号联合分析的冠心病无创筛查系统，其特征在于，包括：/n心电信号预处理模块，对采集的心电信号进行带通滤波处理，去除基线漂移和工频干扰，经过AD转换后进行归一化处理；/n心音信号预处理模块，对同步采集的心音信号进行高通滤波处理，去除工频干扰，经过AD转换后进行归一化处理；/n特征提取与选择模块，接收归一化处理后的心电信号和心音信号，通过时域、频域和时频域分析方法提取心电信号的各域特征，通过时域、频域、能量、熵和峰态分析方法提取心音信号的各域特征，将心电信号和心音信号的各域特征进行融合，并利用信息增益率方法筛选出重要特征，组成电机械特征向量；/n五通道信号...
【技术特征摘要】
1.一种基于心电和心音信号联合分析的冠心病无创筛查系统，其特征在于，包括：
心电信号预处理模块，对采集的心电信号进行带通滤波处理，去除基线漂移和工频干扰，经过AD转换后进行归一化处理；
心音信号预处理模块，对同步采集的心音信号进行高通滤波处理，去除工频干扰，经过AD转换后进行归一化处理；
特征提取与选择模块，接收归一化处理后的心电信号和心音信号，通过时域、频域和时频域分析方法提取心电信号的各域特征，通过时域、频域、能量、熵和峰态分析方法提取心音信号的各域特征，将心电信号和心音信号的各域特征进行融合，并利用信息增益率方法筛选出重要特征，组成电机械特征向量；
五通道信号级联模块，接收归一化处理后的心电信号和心音信号，通过小波变换与重构将心音信号分解为四频段信号，并与心电信号合并为五通道组信号；
双输入神经网络分类模块，包括多层感知器、深度学习模型和激活模型，多层感知器对特征提取与选择模块输出的电机械特征向量进行处理，得到特征输出；深度学习模型对五通道信号级联模块的输出进行处理，得到信号输出；激活模型对特征输出和信号输出进行合并，并利用激活函数对合并后的输出进行非线性处理，得到最终的冠心病筛查结果。
2.根据权利要求1所述的基于心电和心音信号联合分析的冠心病无创筛查系统，其特征在于，所述特征提取与选择模块提取的心电信号特征包括R波、P波、Q点、S点和T波的时间和幅值信息，并根据上述信息计算出62个时域特征；利用离散傅里叶变换对心电信号进行频谱分析，计算出5个频域特征；利用小波包方法对心电信号进行时频域分析，计算出14个时频域特征。
3.根据权利要求2所述的基于心电和心音信号联合分析的冠心病无创筛查系统，其特征在于，所述62个时域特征的计算过程如下所述：
利用时间和幅值信息得到如下14个序列：
RR间期序列，反映相邻R波的时间差信息；
DRR间期序列，反映RR间期序列的差分信息；
PR间期序列，反映每个心动周期中P波与R波的时间差信息；
RT间期序列，反映每个心动周期中R波与T波的时间差信息；
QS间期序列，反映每个心动周期中Q点与S点的时间差信息；
QT间期序列，反映每个心动周期中Q点与T波的时间差信息；
R波幅值序列，反映每个心动周期中R波的幅值信息；
PQ幅值序列，反映每个心动周期中P波与Q点的幅值比信息；
PT幅值序列，反映每个心动周期中P波与T波的幅值比信息；
TP幅值序列，反映每个心动周期中T波与P波的幅值比信息；
TQ幅值序列，反映每个心动周期中T波与Q波的幅值比信息；
R信号序列，反映每个心动周期中以R波为中心，宽度为0.7s的区段中信号的平均幅值信息；
SP信号序列，反映每个心动周期中以S点为起始点，P波为终点的区段中信号的平均幅值信息；
SP信号序列，反映每个心动周期中ST段偏离心电基线的程度信息；
计算14个序列中每个序列的最大值、最小值、平均值和标准差，得到56个序列特征；计算整个心电信号的最大值、最小值、平均值、方差和标准差；利用R波的时间信息计算出心率，最终得到心电信号时域分析的62个特征。
4.根据权利要求2所述的基于心电和心音信号联合分析的冠心病无创筛查系统，其特征在于，所述5个频域特征的计算过程为：
对处理后的心电信号进行离散傅里叶变换，得到频谱序列fi；
计算频谱序列fi的均值avg_Sp和标准差std_Sp，进而计算fi的偏度Sp_skew和峰度Sp_kur；同时，计算fi的熵值Sp_entropy，最终得到心电信号频域分析的5个特征。
5.根据权利要求2所述的基于心电和心音信号联合分析的冠心病无创筛查系统，其特征在于，所述14个时频域特征的计算过程是：
对处理后的心电信号，每个心动周期中选取以R波为中心，宽度为0.3s的区段信号，使用db2小波函数，对该区段信号进行6尺度小波变换，选取第4尺度的近似系数序列a4和细节系数序列di(i＝1，2，...，6)，计算各序列的能量，记为E和Ebk(k＝1，2，...，6)；
计算不同频段中系数能量的比值；
所有心动周期的系数能量的比值(Wd_ratio1，Wd_ratio2，Wd_ratio3，Wd_ratio4，Wd_ratio5)构成各自的序列，并计算每个序列的均值和标准差，共10个特征；
使用db6小波函数，对处理后的整个心电信号进行4尺度小波包分解；对第4尺度的每个节点(共16个节点)进行重构，并计算重构后的信号的能量，记为Ek(k＝1，2，...，16)；
计算Ek序列的总能量Wp_energy、小波能量熵Wp_entropy、能量比Wd_ratio1和Wd_ratio2，共4个特征；
最终得到心电信号的时频域分析的14个特征。
6.根据权利要求1所述的基于心电和心音信号联合分析的冠心病无创筛查系统，其特征在于，所述特征提取与选择模块提取的心音信号特征包括S1段、收缩期段、S2段和舒张期段的时间与幅值信息，并根据上述信息计算出20个时域特征；利用离散傅里叶变换对上述4段心音信号分别进行频谱分析，计算出98个频域特征；同时，计算出20个能量特征、8个熵特征和8个峰度特征。
7.根据权利要求6所述...
【专利技术属性】
技术研发人员：刘常春，李晗，张明，王新沛，杨磊，曾强，李庆雨，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东;37
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。