[發明專利]用于檢測異常心音的分類器集成

在審

• 申請號: 201780054924.1
• 申請日: 2017-09-07
• 公開（公告）號: CN109843179A
• 公開（公告）日: 2019-06-04
• 發明（設計）人: S·珀爾沃內;C·M·波特斯布蘭東;A·拉赫曼;B·康羅伊
• 申請（專利權）人: 皇家飛利浦有限公司
• 主分類號: A61B7/00
• 分類號: A61B7/00
• 代理公司: 永新專利商標代理有限公司 72002
• 代理人: 孟杰雄;王英

本公開內容的發明的各種實施例提供了基于特征的方法與深度學習方法的組合以用于區分正常心音與異常心音。將基于特征的分類器(60)應用于心音圖(PCG)信號以獲得由所述PCG信號表示的心音的基于特征的異常分類，并且將深度學習分類器(70)也應用于所述PCG信號以獲得由所述PCG信號表示的所述心音的深度學習異常分類。將最終決策聯合分析器(80)應用于由所述PCG信號表示的所述心音的所述基于特征的異常分類和所述深度學習異常分類，以確定所述PCG信號的最終異常分類決策。

技術領域

本公開內容中描述的各種實施例涉及用于檢測異常心音的系統、設備和方法。

背景技術

心血管疾病(CVD)是全球發病和死亡的主要原因，2012年估計有1750萬人死于CVD。心臟聽診是在初級衛生保健中篩查和診斷CVD的主要工具。數字聽診器和移動設備的使用為臨床醫生提供了記錄和分析心音(心音圖，PCG)以用于診斷目的的機會。

然而，由于環境噪音(例如，警報、說話)，對臨床環境和非臨床環境中的心音記錄進行分析已被證明是具有挑戰性的工作。此外，由非專家記錄心音也會增加對自動心音分析的挑戰。例如，改變麥克風位置可能會改變心音幅度并且可能使心音容易產生噪音。另外，當由不同儀器記錄心音時，心音記錄的質量可能不同(例如由于不同儀器的濾波器規范的差異)，這使得使用單個算法會具有挑戰性。由于上述因素，基于特征的方法(傳統的心音分析)在對異常心音的分類中可能具有相對較低的準確度。

發明內容

本公開內容中描述的實施例提供了基于特征的方法與深度學習方法的組合(例如，無監督的特征學習)。更具體地，深度學習有能力從被指定為正常心音和異常心音的心音圖中學習特征并將這樣的異常特征用于分類目的。本公開內容組合了對正常心音和異常心音的基于特征的分類以及對正常心音和異常心音的深度學習分類的益處。本公開內容還提供了對有噪聲的心音圖(PCG)信號和干凈的PCG信號的基于特征的分類和/或對有噪聲的PCG信號和干凈的PCG信號的深度學習分類。

本公開內容的發明的一個實施例是一種用于區分正常心音與異常心音的心音圖(PCG)信號聯合分析器，所述PCG信號聯合分析器包括處理器和存儲器，所述PCG信號聯合分析器被配置為：(1)將基于特征的分類器應用于PCG信號，以獲得由所述PCG信號表示的心音的基于特征的異常分類；(2)將深度學習分類器應用于所述PCG信號，以獲得由所述PCG信號表示的所述心音的深度學習異常分類；(3a)將最終決策聯合分析器應用于由所述PCG信號表示的所述心音的所述基于特征的異常分類和所述深度學習異常分類，以將所述PCG信號的最終異常分類決策確定為正常心音或異常心音；并且(4)報告所述PCG信號的所述最終異常分類決策。

本公開內容的第二實施例是：所述PCG信號聯合分析器的所述處理器和所述存儲器還被配置為：(5)將所述基于特征的分類器應用于PCG信號，以獲得由所述PCG信號表示的所述心音的基于特征的噪聲分類；并且(3b)將所述最終決策聯合分析器應用于由所述PCG信號表示的所述心音的所述基于特征的異常分類、所述基于特征的噪聲分類和所述深度學習異常分類，以將所述PCG信號的所述最終異常分類決策確定為正常心音、異常心音或有噪聲的心音(即，不確定心音是正常還是異常)。

本公開內容的第三實施例是：所述PCG信號聯合分析器的所述處理器和所述存儲器還被配置為：(6)將所述深度學習分類器應用于所述PCG信號，以獲得由所述PCG信號表示的所述心音的深度學習噪聲分類；并且(3c)將所述最終決策聯合分析器應用于由所述PCG信號表示的所述心音的所述基于特征的異常分類、所述深度學習異常分類和所述深度學習噪聲分類，以將所述PCG信號的所述最終異常分類決策確定為正常心音、異常心音或有噪聲的心音(即，不確定心音是正常還是異常)。