【技术实现步骤摘要】
一种区分主动脉瓣狭窄心音与正常心音方法、装置及系统
[0001]本专利技术涉及主动脉瓣狭窄心音与正常心音区分
,特别是涉及一种区分主动脉瓣狭窄心音与正常心音方法、装置及系统。
技术介绍
[0002]主动脉瓣狭窄是一种常见的心脏瓣膜疾病,近年来发病率呈上升趋势,严重影响了患者的生命健康。它主要是指主动脉瓣开放不完全,使收缩期心脏射出的血流受到限制。由于左心室有较强的代偿性,主动脉瓣狭窄在发病的很长一段时间都不表现明显症状。然而在长期的高强度工作条件下,左心室会出现向心性肥厚,心肌耗氧量增加,最终导致心力衰竭。因此,对主动脉瓣狭窄病变的早期检查就尤为重要。
[0003]目前,主动脉瓣狭窄的诊断一般以超声心动图为金标准,主要参考三个参数:峰值收缩速度(PSV)、平均压力梯度(MPG)和主动脉瓣的计算面积(AVA)。由于条件的限制,很多患者无法及时接受超声心动图检查。
[0004]听诊是对心脏状态最早期也是最直接的检查手段之一。心音中信号最强的是第一心音(S1)和第二心音(S2),其中S1标志心脏收缩期的开始、S2标志心脏舒张期的开始,参见图1。由于主动脉瓣狭窄患者的主动脉瓣开放不完全,使收缩期心脏射出的血流受到限制,在心音的收缩期间会出现特异性的杂音,参见图2。医护人员可通过人工识别收缩期内的特异性心脏杂音来对患者进行主动脉瓣狭窄的早期判断。然而这种方法一直受制于听诊环境、医技水平等因素的影响。
[0005]Kanav S等人(Fully
‑
Automated Diagnos ...
【技术保护点】
【技术特征摘要】
1.一种区分主动脉瓣狭窄心音与正常心音方法,其特征在于,该方法包括如下步骤:S1,同步获取心音与心电信号并生成采样序列S2,将上述采样序列通过滤波器,输出采用序列X;S3,基于同步采样的心电信号将X切分为若干心音周期X
i
;其中,每个X
i
包含前舒张期,后舒张期和收缩期,每个心音周期X
i
序列为一个连续的时间序列;S4,提取X
i
的梅尔倒谱系数MFCC特征;S5,将X
i
的特征向量输入训练好的两个高斯混合
‑
隐马尔可夫模型,并利用前向算法计算两个模型下的概率P(O|M1)与P(O|M2);其中,所述两个GMM
‑
HMM模型分别为正常心音M1模型和主动脉瓣狭窄心音M2模型,P(O|M1)为M1模型输出的概率值,P(O|M2)为M1模型输出的概率值;S6,比较上述两个P(O|M1)与P(O|M2)的大小,取概率大者的模型类别作为X
i
的识别类别。2.根据权利要求1所述的区分主动脉瓣狭窄心音与正常心音方法,其特征在于,所述步骤4中,提取X
i
的MFCC特征的步骤为:S41,将X
i
划分为t秒时长、D%重叠的分段,每一段为一帧,共分为M段,令第m段数据表示为x(m);S42,利用计算每个数据分段的功率谱,其中x
i
表示汉明窗,N
FFT
是快速傅立叶变换的点数;S43,对上述每个数据分段的功率谱经由一个梅尔滤波器组滤波,该梅尔滤波器组包含Q个在梅尔频率域范围f
mel
(f)=2959
×
log
10
(1+f/700)上线性间隔且D%重叠的三角形滤波器Ψ
q
,q=1,2,...,Q;梅尔滤波器组滤波后的结果为MFCC的第q个元素由决定,输出每一帧具有13个元素的MFCC特征向量。3.根据权利要求1所述的区分主动脉瓣狭窄心音与正常心音方法,其特征在于,所述GMM
‑
HMM模型训练过程如下:S51,初始化GMM模型,设定GMM的状态数为2,初始化权重为通过对训练集的特征向量构成的矩阵进行K
‑
means聚类得到三维的初始化均值和初始化方差;其中,训练集为事先采集用于训练的样本集合,主要用来训练神经网络中的参数;S52,初始化HMM模型,设定HMM的状态数为5,将特征向量均等分为5组,初始状态概率为
初始状态转移概率矩阵A为S53,设定最大迭代次数为N,判断每次的迭代次数n是否满足n≤N,若满足,执行步骤S54,若不满足,执行步骤S55;S54,利用E
‑
M算法更新两个HMM模型中每一个状态对应的GMM模型,使用Baum
‑
Welch前向
‑
后向算法更新两个HMM模型,并返回步骤S53;S55,训练完成,保存得到的两个GMM
‑
HMM模型。4.根据权利要求3所述的区分主动脉瓣狭窄心音与正常心音方法,其特征在于,所述利用E
‑
M算法更新两个HMM模型中每一个状态对应的GMM模型的步骤为:首先,E
‑
step:由已知的参数计算后验概率:其中上标j表示当前的迭代轮数,m表示某个高斯成分,x
(t)
表示当前的观察值;然后,M
‑
step:计算高斯分量的权重:均值向量:...
【专利技术属性】
技术研发人员:蔡盛盛,胡南,
申请(专利权)人:苏州美糯爱医疗科技有限公司,
类型:发明
国别省市:
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。