使用奇异值分解的听诊声音分析的制作方法

专利名称：使用奇异值分解的听诊声音分析的制作方法
技术领域：
本发明一般涉及医疗设备，尤其涉及用于分析听诊声音的电子设备。
背景临床医师和其它医学专业人员长期以来依赖于听诊声音来协助检测和诊断生理状况。例如，临床医师可利用听诊器监听心音来检测心脏病。作为另一示例，临床医师可监听与患者肺部或腹部相关联的声音来检测呼吸或肠胃状况。
开发了将算法应用于电子记录的听诊声音的自动化设备。一个示例是自动化血压监控设备。其它示例包括试图基于对听诊声音的分析来自动检测生理状况的分析系统。例如，人工神经网络曾作为用于分析听诊声音并提供自动化诊断或建议的诊断的一种可能的机制来讨论。
使用这些常规技术，通常难以基于听诊声音以任何准确度提供对特定的生理状况的自动化诊断。而且，通常难以按照实时或伪实时应用的方式来实现常规技术以协助临床医师。
概要一般而言，本发明涉及用于分析听诊声音以协助医学专业人员为患者诊断生理状况的技术。该技术可应用于，例如协助医学专业人员诊断各种心脏状况。可使用此处所述的技术来自动检测的示例心脏状况包括主动脉瓣反流和狭窄、三尖瓣反流和狭窄、肺动脉瓣狭窄和反流、二尖瓣反流和狭窄、主动脉动脉瘤、颈动脉狭窄和其它心脏病变。该技术可应用于听诊声音以检测其它生理状况。例如，该技术可应用于检测从患者肺部、腹部或其它区域记录的声音以检测呼吸或肠胃状况。
根据此处所述的技术，将奇异值分解(“SVD”)应用于包括与已知生理状况相关联的听诊声音的数字化表示的临床数据。临床数据可被公式化为一组矩阵，其中每一矩阵存储与生理状况中不同的一个相关联的听诊声音的数字化表示。SVD对临床数据的应用将矩阵分解成定义多维空间内的一组“疾病区域”的一组子矩阵。
每一生理状况的子矩阵中的一个或多个然后可用作诊断设备内的配置数据。更具体地，诊断设备将配置数据应用于与患者相关联的听诊声音的数字化表示，以生成多维空间内的一个或多个向量的组。诊断设备基于向量相对于所定义的疾病区域的方向来确定患者是否经受生理状况，例如心脏病变。
在一个实施例中，一种方法包括将与已知生理状况相关联的听诊声音映射到多维空间内所定义的一个或多个疾病区域的组，并生成多维空间内表示与患者相关联的听诊声音的一个或多个向量的组。该方法还包括，根据向量与多维空间内所定义的疾病区域，输出与患者的生理状况相关联的诊断消息。
在另一实施例中，一种方法包括将奇异值分解(“SVD”)应用于与生理状况相关联的听诊声音的数字化表示，以将听诊声音应用到多维空间内的一个或多个疾病区域的组，并基于该多维映射为诊断设备的应用输出配置数据。
在另一实施例中，一种方法包括在诊断设备内存储通过将奇异值分解(“SVD”)应用于与已知生理状况相关联的听诊声音的数字化表示所生成的配置数据，其中该配置数据将听诊声音映射到多维空间内的一个或多个疾病区域的组。该方法还包括将配置数据应用于表示与患者相关联的听诊声音的数字化表示，以选择生理状况中的一个或多个；以及输出指示所选生理状况的诊断消息。
在另一实施例中，一种诊断设备包括介质和控制单元。该介质存储通过将奇异值分解(“SVD”)应用于与已知生理状况相关联的听诊声音的数字化表示所生成的数据。控制单元将配置数据应用于表示与患者相关联的听诊声音的数字化表示，来选择生理状况之一。控制单元输出指示生理状况中所选的一个的诊断消息。
在另一实施例中，一种数据分析系统包括分析模块和数据库。该分析模块将奇异值分解(“SVD”)应用于与已知生理状况相关联的听诊声音的数字化表示，以将听诊声音映射到多维空间内的一个或多个疾病区域的组。该数据库存储由分析模块生成的数据。
在另一实施例中，本发明针对一种包含指令的计算机可读介质。该指令使得可编程处理器将配置数据应用于表示与患者相关联的听诊声音的数字化表示以选择一组生理状况之一，其中配置将听诊声音映射到多维空间内的一个或多个疾病区域的组。该指令还使得该可编程处理器输出指示生理状况中所选的一个的诊断消息。
该技术可提供一个或多个优点。例如，SVD的应用可实现对患者相对于传统方法更准确的自动化诊断。另外，该技术允许使用SVD预先计算配置数据，然后由诊断设备按实时或伪实时的方式应用，即由临床医师应用，来协助临床医师为患者呈现诊断。
将参考附图和以下描述描述本发明的一个或多个实施例的细节。通过说明书、附图和权利要求书，本发明的其它特征、目的和优点将是显而易见的。
附图简述

图1是示出其中诊断设备根据此处所述的技术分析听诊声音来协助临床医师为患者呈现诊断的示例系统的框图。
图2是根据此处所述的技术作为诊断设备来操作的便携式数字助理(PDA)的示例性实施例的框图。
图3是作为诊断设备操作的电子听诊器的示例性实施例的立体图。
图4是提供对此处所述的技术的概观的流程图。
图5是示出其中对临床数据应用奇异值分解的参数分析阶段的流程图。
图6是示出对听诊声音记录的预处理的流程图。
图7是示出在对听诊声音记录预处理的同时进行的小波分析和能阈设定的示例结果的图表。
图8示出了听诊声音记录的示例数据结构。
图9是示出其中诊断设备应用来自参数分析阶段的配置数据来为患者的听诊声音的数字化表示提供推荐的诊断的实时诊断阶段的流程图。
图10A和10B是通过将主动脉瓣狭窄数据与正常数据进行比较示出该技术的示例性结果的图表。
图11A和11B是通过比较三尖瓣反流数据与正常数据来示出该技术的示例性结果的图表。
图12A和12B是通过比较主动脉瓣狭窄数据与三尖瓣反流数据来示出该技术的示例性结果的图表。
详细描述图1是示出其中诊断设备6分析来自患者8的听诊声音来协助临床医师10呈现诊断的示例系统2的框图。一般而言，根据由数据分析系统4生成的配置数据13对诊断设备6编程。诊断设备6利用该配置数据来分析来自患者8的听诊声音，并基于该分析输出诊断消息来协助临床医师10诊断该患者的生理状况。尽管为示例性的目的参考心脏状况进行描述，但该技术可应用于从患者8身体的其它区域的记录的听诊声音。例如，该技术可应用于从患者8的肺部或腹部记录的听诊声音以检测呼吸或肠胃状况。
在生成供诊断设备6应用的配置数据13的过程中，数据分析系统4接收并处理临床数据12，临床数据12比较从已知生理状况的一组患者中记录的听诊声音的数字化表示。例如，该听诊声音可从患有一种或多种已知的心脏病变的患者中记录。示例心脏病变包括主动脉瓣反流和狭窄、三尖瓣反流和狭窄、肺动脉瓣狭窄和反流、二尖瓣反流和狭窄、主动脉动脉瘤、颈动脉狭窄和其它病变。另外，临床数据12包括从“正常”患者，即没有心脏病变的患者中记录的听诊声音。在一个实施例中，临床数据12包括原始、未过滤格式的心音的记录。
数据分析系统4的分析模块14根据此处所述的技术分析临床数据12的记录的听诊声音，来定义表示电子记录的听诊声音的多维能量空间内的一组“疾病区域”。该多维空间内的每一疾病区域对应于被数学地标识为指示各个疾病的心搏周期内的声音的特征。
如将在以下进一步详细描述的，在一个实施例中，分析模块14应用奇异值分解(“SVD”)来定义疾病区域及其在多维空间内的边界。而且，分析模块14应用SVD来最大化多维空间内各疾病区域之间的能量差，并为分别每一疾病区域定义最大化每一疾病区域之间的正常距离的能量角。数据分析系统4可包括为分析模块14的执行和SVD的应用提供操作环境的一个或多个计算机，而分析模块14的执行和SVD的应用可能是计算密集型任务。例如，数据分析系统4可包括提供数学建模和数值分析环境的一个或多个工作站或大型计算机。
分析模块14在参数数据库16内存储分析的结果供诊断设备6应用。例如，参数数据库16可包括用于诊断设备6的数据，该数据定义了多维能量空间和该空间内用于疾病区域的能量区域。换言之，该数据可用于标识指示正常心脏活动和所定义的心脏病变的心搏周期的听诊声音的特征。如将在以下进一步详细描述的，该数据可包括在将SVD应用于临床数据12的过程中生成的一个或多个子矩阵。
一旦分析模块14处理了临床数据12并生成参数数据库16之后，诊断设备6接收或被编程来应用配置数据13以协助对患者8的诊断。在示出的实施例中，听诊声音记录设备18监控来自患者8听诊声音，并经由通信链路19将该声音的数字化表示传送给诊断设备6。诊断设备6应用配置数据13来分析从患者8中记录的听诊声音。
一般而言，诊断设备6应用配置数据13来将从听诊声音记录设备18接收的数字化表示映射到由数据分析系统4从临床数据12计算出的多维能量空间。如将在以下进一步详细描述的，诊断设备6应用配置数据13来产生表示所捕捉的声音的多维空间内的一组向量。诊断设备6然后基于多维空间内的向量相对疾病区域的方向来选择各疾病区域之一。在一个实施例中，诊断设备6确定多维空间内所定义的哪个疾病区域具有与其表示向量的最小距离。基于该判断，诊断设备向临床医师10呈现建议的诊断。诊断设备6可对使用对患者8所记录的心音所标识的一个或多个心搏周期重复该分析，以便有助于确保向临床医师10报告准确的诊断。
在各个实施例中，诊断设备6可输出各种消息类型。例如，诊断设备6可输出“通过/失败”类型的消息，来指示患者8的生理状况是正常还是异常，例如该患者是否经受心脏病变。在该实施例中，数据分析系统4可定义包含以下两个疾病区域的多维空间(1)正常，以及(2)患病。换言之，数据分析系统4不必为每一心脏疾病分别在该多维空间内定义各个疾病区域。在分析过程中，诊断设备6仅需确定患者8的听诊声音更接近地映射到“正常”区域还是“患病”区域，并基于该判断输出通过/失败消息。诊断设备6可基于患者8所映射的听诊声音与正常区域之间所计算出的距离来显示严重程度指示符。
作为另一示例，诊断设备6可输出提示患者8当前正经受的一种或多种心脏病变的诊断消息。作为替代，或除此之外，诊断设备6可输出作为患者8可能倾向的病变的预测评定的诊断消息。换言之，预测评定指示该患者是否易受特定的心脏状况感染。这可允许临床医师8抢先进行治疗来降低所预测的病变发生或恶化的可能性。
诊断设备6可支持用户可配置模式设定，通过该设定临床医师10可选择所显示的消息的类型。例如，诊断设备6可支持其中仅显示通过/失败类型消息的第一模式、其中显示一个或多个建议的诊断的第二模式、以及其中建议一个或多个预测诊断的第三模式。
诊断设备6可以是膝上型计算机、手持式计算设备、个人数字助理(PDA)、超声心动图分析器或其它设备。诊断设备6可包含用于实现该技术的嵌入式微处理器、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、专用集成电路(ASIC)或其它硬件、固件和/或软件。换言之，如此处所述的，对来自患者8的听诊声音的分析可用硬件、软件、固件、其组合等来实现。如果以软件实现，则计算机可读介质可存储可由处理器或DSP执行来实现上述技术中的一种或多种的指令，即程序代码。例如，计算机可读介质可包括磁性介质、光学介质、随机存取存储器(RAM)、只读存储器(ROM)、非易失性随机存取存储器(NVRAM)、电可擦可编程只读存储器(EEPROM)、闪存或其它适用于存储程序代码的介质。
听诊声音记录设备18可以是能够生成表示患者8的听诊声音的电信号的任何设备。作为一个示例，听诊声音记录设备18可以是含有用于生成和捕捉听诊声音的电子记录的数字信号处理器(DSP)或其它内部控制器的电子听诊器。或者，可使用非听诊器产品，诸如用于捕捉听诊声音的一次性/可再用传感器、麦克风和其它设备。
对此处所述技术的应用允许利用未经过滤格式的原始数据。而且，该技术可利用由听诊声音记录设备18所捕捉的不在可听范围之内的听诊声音。例如，电子听诊器可捕捉从0-2000Hz范围的声音。
尽管示为分开的设备，但诊断设备6和听诊声音记录设备18可在单个设备内集成，例如在根据此处所述的技术具有足够的计算资源来记录和分析来自患者8的心音的电子听诊器内集成。通信链路19可以是例如串行或并行通信链路的有线链路、无线红外通信链路或根据专有协议或各种无线标准中的任何一个(诸如802.11(a/b/g)、蓝牙等)的无线通信链路。
图2是作为协助对患者8的诊断的诊断设备(图1)操作的便携式数字助理(PDA)20的示例性实施例的框图。在该示出的实施例中，PDA 20包括触敏屏幕22、输入键26、28以及29A-29D。
当由临床医师10选择获取键26时，诊断设备20进入获取模式来经由通信链路19接收从患者8记录的听诊声音的数字化表示。一旦接收到该数字化表示，临床医师10激励诊断键28来指导诊断设备20应用配置数据13并基于所接收到的听诊声音呈现所建议的诊断。或者，诊断设备20可在无需对诊断键28的激励的情况下，自动开始处理声音。
如将在以下进一步详细描述的，诊断设备20应用配置数据13来将从听诊声音记录设备18中接收的数字化表示映射到由数据分析系统4计算出的多维能量空间。一般而言，诊断设备20确定患者8的听诊声音最接近映射到该多维空间内定义的疾病区域中的哪个。基于该判断，诊断设备20更新触敏屏幕22来向临床医师10输出一个或多个所建议的诊断。在该示例中，诊断设备20输出诊断消息24，它指示听诊声音指示患者8可能正经受主动脉瓣狭窄。另外，诊断设备可输出从患者8记录的听诊声音的图形表示23。
诊断设备20可包括控制经由该设备执行的分析的类型的多个输入键29A-29D。例如，基于临床医师选择了输入键29A-29D中的哪个，诊断设备20提供通过/失败类型的诊断消息、患者8当前可能经受的一种或多种建议的病变、患者8被标识为正在经受的一种或多种病变、和/或患者8倾向的一种或多种病变的预测评定。
屏幕22或输入键也可允许输入诸如性别、年龄和BMI(身体质量指数＝体重(千克)/身高(米)平方)等特定患者信息。该信息可用于此处所述的分析。
在由图2示出的实施例中，诊断设备20可以是任何PDA，诸如加利福尼亚州米尔皮塔斯市Palm公司生产的PalmPilot，或者执行来自华盛顿州雷德蒙市的微软公司的Windows CE操作系统的PocketPC。
图3是根据此处所述的技术作为诊断设备操作的电子听诊器30的示例性实施例的立体图。在该示出的实施例中，电子听诊器30包括胸件32、声音传输机构34和耳件组件36。胸件32适于置于患者8的身体附近或对着患者8的身体放置，用于收集听诊声音。声音传输机构34将所收集的声音传输给耳件组件36。耳件组件36包括一对耳件37A、37B，临床医师10可使用耳件来监控听诊声音。
在示出的实施例中，胸件32包括用于输出诊断消息42的显示屏40。更具体地，电子听诊器30包括应用配置数据13来将由胸件32捕捉的听诊声音映射到由数据分析系统4计算出的多维能量空间的内部控制器44。控制器44确定患者8的听诊声音最接近映射到能量空间内所定义的哪个疾病区域。基于该判断，控制器44更新显示屏40来输出诊断消息42。
为示例性目的将控制器44示为位于胸件32内，而它可位于电子听诊器30的其它区域内。控制器44可包含嵌入式微处理器、DSP、FPGA、ASIC或用于实现该技术的类似的硬件、固件和/或软件。控制器44可包括存储可执行来实现此处所述的技术中的一种或多种的计算机可读指令，即程序代码的计算机可读介质。
图4是提供此处所述的技术的概观的流程图。如图4中所示，处理可一般分成两个阶段。第一阶段被称为参数分析阶段，其中使用SVD来分析临床数据12(图1)用于为诊断设备6产生配置数据13。该过程可能是计算密集型的。第二阶段称为诊断阶段，其中诊断设备6应用分析阶段的结果来协助对患者的诊断。为说明起见，参考图1描述图4的流程图。
一开始，收集临床数据12(50)并将其提供给数据分析系统4供奇异值分解(52)。如上所述，临床数据12包括来自具有已知心脏状况的一组患者的听诊声音的电子记录。
数据分析系统4的分析模块14根据此处所述的技术分析临床数据12的所记录的心音来定义表示电子记录的心音的多维空间内的一组疾病区域。该多维空间内的每一疾病区域对应于数学地标识为指示各个疾病的心搏周期内的声音。分析模块14在参数数据库16内存储分析的结果(54)。具体地，该结果包括供诊断设备6用于将患者的听诊声音映射到所生成的多维空间的配置数据13。一旦分析模块14处理了临床数据12之后，诊断设备6接收或被编程来应用配置数据13以协助对患者18的诊断(56)。以这种方式，数据分析系统可被视为应用包括SVD的此处所述的技术来分析从具有已知生理状况的患者记录的听诊声音的代表性样本集，用于生成可实时或伪实时应用的参数数据。
当听诊声音记录设备18从患者8捕捉听诊声音时，诊断阶段开始。诊断设备6应用配置数据13来将从听诊声音记录设备18接收的心音映射到由数据分析系统4从临床数据12计算出的多维能量空间(58)。对于心脏听诊声音，诊断设备6可对使用患者8所记录的心音所标识的一个或多个心搏周期重复该实时诊断，以有助于确保向临床医师10报告准确的诊断。诊断设备6基于对配置的应用和患者听诊声音到多维空间的映射来输出诊断消息(59)。
图5是进一步详细示出参数分析阶段(图4)的流程图。一开始，从具有已知心脏状况的一组患者中收集临床数据12(60)。在一个实施例中，每一记录捕捉大约8秒的听诊心音，这对每分钟70跳的心率表示大约9.33个心搏周期。每一记录以数据格式存储为含有32000个离散值的向量R，这表示大约4000Hz的采样速率。
如将在以下参考图6详细描述的，预处理每一心音记录R(62)。在该预处理过程中，分析模块12处理向量R来标识每一心搏周期的起始时间和结束时间。另外，分析模块14为心脏收缩和心脏舒张周期以及每一心搏周期内的S1和S2周期标识起始和结束时间。基于这些标识，分析模块14将每一心搏周期归一化为公共心率，例如每分钟70跳。换言之，分析模块14可在需要时对对应于每一心搏周期的数字化数据进行重采样，以便将与该心搏周期相关的数据拉长或压缩成定义的时间周期，诸如大约857ms，这对应于每分钟70跳的心率。
当预处理了每一个别的心脏记录之后，分析模块14对临床数据12应用奇异值分解(SVD)来生成多维能量空间，并在该多维能量空间内定义与听诊声音的特征相关的疾病区域(63)。
更具体地，分析模块14组合具有相同的已知心脏状况的患者的N个预处理的声音记录R来形成如下的MxN的矩阵AA=1...MN...M,]]>其中每一行表示含有M个数字化值，例如3400个值的不同的声音记录R。
接着，分析模块14应用SVD将A分解成三个子矩阵的乘积A＝UDVT其中，U是列正交的NxM的矩阵，D是MxM的非负对角矩阵，V是MxM的正交矩阵。该关系也可表示为UTAV＝diag(S)＝diag(σ1，...，σp)，其中，矩阵S(σ1，...，σp)的元素是A的奇异值。在该SVD表示中，U是左奇异矩阵，V是右奇异矩阵。而且，U可被视为使用最佳定义矩阵A的每一R定义特征的MxM加权矩阵。更具体地，根据SVD原理，矩阵U提供将矩阵A映射到M维空间内的定义区域的加权矩阵。
分析模块14对每一心脏状况重复该过程。换言之，分析模块14利用“正常”患者的声音记录R来计算相应的矩阵ANORMAL，并应用SVD来生成UNORMAL矩阵。类似地，分析模块为每一病变计算A矩阵和相应的U矩阵。例如，分析模块14可生成UAS、UAR、UTR和/或UDISEASED，其中下标“AS”指示从显示主动脉瓣狭窄的其它诊断工具已知的患者或患者群中生成的U矩阵。按照类似的方式，下标“AR”指示主动脉瓣反流，下标“TR”指示三尖瓣反流。
接着，分析模块14成对地将每一所计算出的U矩阵与其它U矩阵相乘，并对得到的矩阵执行SVD，以便标识U矩阵的哪些部分最佳地表征在心脏状况之间进行区分的特征。例如，假设矩阵UNORMAL、UAS和UAR，分析模块计算以下矩阵T1＝UNORMAL*UAST2＝UNORMAL*UAR，以及T3＝UAS*UAR。
分析模块14接着对得到的矩阵T1、T2和T3中的每一个应用SVD，这再次返回可用于标识每一原始U矩阵中最大化各个心脏状况之间在多维空间内的能量差的那些部分的一组子矩阵。例如，通过将SVD应用于T1计算出的矩阵可用于标识UNORMAL和UAS中最大化多维空间内各个疾病区域的正交性的那些部分。
因此，T1可用于将UNORMAL和UAS调整或降阶成在诊断过程中可被更有效地应用的子矩阵(64)。例如，可使用通过将SVD应用于的T1、T2和T3的每一个计算出的S矩阵。可对每一S矩阵应用反余弦来计算多维空间内各个心脏状况之间的能量角。该能量角然后可用于标识每一U矩阵中的哪些部分最佳地说明了多维空间内疾病原因之间的能量差。
接着，分析模块为每一心脏状况计算平均向量AV(66)。具体地，对从心脏数据12公式化得到的每一MxNA矩阵，分析模块14计算存储从矩阵A内的N个声音记录R计算出的平均数字化值的1xN平均向量AV。例如，分析模块14可计算AVAS、AVAR、AVTR和/或AVDISEASED向量。
分析模块14在参数数据块16中存储计算出的AV平均向量和U矩阵，或降阶的U矩阵，以用作配置数据13。例如，分析模块14可存储AVAS、AVAR、AVTR、UNORMAL、UAS和UAR，以供诊断设备6用作配置数据13(68)。
图6是进一步详细示出对听诊声音记录R的预处理的流程图。一般而言，预处理技术将听诊声音记录R分成心搏周期，并进一步将每一心搏周期分成四个部分第一心音、心脏收缩部分、第二心音以及心脏舒张部分。该预处理技术应用香农能量包络图(Shannon Energy Envelogram)(SEE)用于噪声抑制。然后使用心音峰值的相对稠度(relative consistency)来对SEE设定阈值。可基于具体的听诊声音记录R自适应地生成所使用的阈值。
一开始，分析模块14对听诊声音记录R执行小波分析以标识记录内的能阈(70)。例如，小波分析可揭示特定频率范围之间的能阈。换言之，可标识包含数字化记录的能量的实质部分的特定频率范围。
基于所标识的能阈，分析模块14将听诊声音记录R分解成一个或多个频带(72)。分析模块14分析每一频带内的信号的特征以标识每一心搏周期。具体地，分析模块14检查频带来标识心搏周期的心脏收缩和舒张阶段，以及特定心瓣活动发生过程中的S1和S2周期(74)。为了对每一心搏周期分段，分析模块14首先应用低通滤波器，例如截止频率为1kHz的8阶切比雪夫低通滤波器。然后可如下为整个听诊声音记录R的每个.02秒的段计算平均SEE，这些段有0.01秒的段重叠Es=-1NΣi=1NXnorm2(i)logXnorm2(i)]]>其中Xnorm是声音记录经低通滤波和归一化的样本，N是0.02秒段中的信号样本的数量，例如N等于200。然后可如下计算归一化的平均香农能量与时间轴的关系
Ps(t)=Es(t)-M(Es(t))S(Es(t))]]>其中M(Es(t))是Es(t)的平均值，S(Es(t))是Es(t)的标准差。然后将该平均值和标准差用作标识每一心搏周期的峰值以及每一心搏周期的每一段的起始时间的基础。
一旦确定了听诊声音记录R内的每一心搏周期和每一S1和S2的起始和结束时间之后，分析模块14在需要时对听诊声音记录R重采样以便拉伸或压缩，使得每一心搏周期和每一S1和S2周期在一时间周期上出现(76)。例如，分析模块14可将每一心搏周期归一化成公共心率，例如每分种70跳，且可确保该周期内的每一S1和S2周期在时间上对应于相等长度。这可有利地允许更容易且更准确地分析心脏活动的各个阶段的听诊声音记录R的各个部分，以及将它们与其它听诊声音记录的类似部分进行比较。
在归一化数字化声音记录R内的心搏周期之后，分析模块14选择心搏周期中的一个或多个以供分析(78)。例如，分析模块14可基于心搏周期内的所存在的噪声量来标识心搏周期中“最干净”的一个。作为另一示例，分析模块14可计算所有心搏周期的平均或两个或多个随机选取的心搏周期的平均以供分析。
图7是示出以上参考图6所述的小波分析和能阈设定的示例结果的图表。具体地，图7示出了声音记录R的一部分。在该示例中，分析模块14将示例性听诊声音记录R分解成四个频带80A-80D，每一频带分别包括分量82A-82D。
基于该分解，分析模块14检测指示心搏周期的阶段的听诊声音的改变。通过分析所分解的频率并标识相关特征，例如一个或多个频带80内的斜率的改变，分析模块14能够可靠地检测心脏收缩和舒张周期，尤其是S1和S2周期的起始和结束。
图8示出了听诊声音记录R的示例数据结构84。如图所示，数据结构84可包括存储表示听诊声音记录R的数字化数据的1xN向量。而且，基于预处理和重采样，数据结构84存储固定数量的心搏周期上的数据，且每一S1和S2区域占用数据结构的预定义的部分。例如，第一心搏周期的S1区域86可包括数据结构84的元素0-399，而第一心搏周期的心脏收缩区域87可包括元素400-1299。这允许将多个听诊声音记录R容易地组合来形成如上所述的MxN的矩阵A，其中给定心搏周期的S1和S2区域是列对齐的。
图9是进一步详细示出诊断阶段(图4)的流程图。一开始，从患者8收集听诊数据(90)。如上所述，可通过例如电子听诊器等单独的听诊声音记录设备18来收集听诊数据，并经由链路通信19将其传输给诊断设备6。在另一实施例中，诊断设备6的功能可被集成在听诊声音记录设备18内。类似于参数分析阶段，所收集的听诊记录从患者8捕捉大约8秒的听诊声音，且所收集的听诊记录可作为含有3400个离散值的向量RPAT以数字形式存储。
在捕捉了听诊数据RPAT之后，诊断设备6对如上参考图6详细描述的心音记录RPAT进行预处理(92)。在该预处理过程中，诊断设备6处理向量RPAT来标识每一心搏周期的起始时间和结束时间，和心脏收缩和舒张周期的起始和结束时间以及每一心搏周期的S1和S2周期。基于这些标识，诊断设备6将每一心搏周期归一化成公共心率，例如每分钟70跳。
接着，诊断设备6初始化对在分析阶段过程中检查的每一生理状况应用配置数据13的循环。例如，诊断设备可利用配置数据AVAS、AVAR、AVTR、UNORMAL、UAS和UAR来协助对患者8的诊断。
一开始，诊断设备6选择第一生理状况，例如正常的生理状况(93)。诊断设备6然后从所捕捉的听诊声音向量RPAT中减去相应的平均向量AV来生成差向量D(94)。D一般被称为差向量，因为D得到的数字化数据表示所捕捉的心音向量RPAT与当前所选的生理状况之差。例如，诊断设备6可如下计算DNORMALDNORMAL＝RPAT-AVVNORMAL诊断设备6然后将得到的差向量D乘以当前所选的生理状况的相应U矩阵，以产生就当前所选的心脏状况表示患者8的向量P(96)。例如，诊断设备6可如下计算PNORMALPNORMAL＝DNORMAL*UNORMAL将差向量D乘以相应的U矩阵有效地应用与多维空间内相应的疾病区域相关联的加权矩阵，并产生该多维空间内的向量P。向量P相对于当前心脏状况的疾病区域的对齐程度取决于分析阶段过程中所确定的得到的差向量D与U矩阵的正态性。
诊断设备6对多维空间内所定义的每一心脏状况重复该过程，以产生表示从患者8记录的听诊声音的一组向量(98，106)。例如，假定配置数据13包括AVAS、AVAR、AVTR、UNORMAL、UAS和UAR，则诊断设备6如下计算四个患者向量PNORMAL＝DNORMAL*UNORMAL，PAS＝DAS*UAS，PAR＝DAR*UAR，以及PTR＝DTR*UTR。
该组向量表示在分析阶段过程中所生成的多维空间内从患者8记录的听诊声音。因此，每一向量与相应的疾病区域之间的距离表示来自患者8的听诊声音的特征与已知各自心脏状况的患者的听诊声音的特征之间的相似性度量。
诊断设备6然后根据多维空间内向量与疾病区域的方向选择疾病区域之一。在一个实施例中，诊断设备6确定能量空间内所定义的疾病区域中的哪一个具有与代表性向量之间的最小距离。例如，诊断设备6首先计算表示每一向量P和所定义疾病区域之间的最小角距离的能量角(100)。继续以上示例，诊断设备6可计算以下四个距离度量DISTNORTMAL＝PNORMAL-MIN[PAS，PAR，PTR]，DISTAS＝PAS-MIN[PNORMAL，PAR，PTR]，DISTAR＝PAR-MIN[PAS，PNORMAL，PTR]，以及DISTTR＝PTR-MIN[PAS，PAR，PNORMAL]。
具体地，每一距离度量DIST是各个患者向量P与多维空间内每一所定义的疾病区域的平均值之间的二维距离。
基于所计算出的距离，诊断设备6标识最小距离度量(102)，并确定对患者8的建议诊断以便协助临床医师10。例如，如果患者向量组中，PAS是离各自疾病区域(即，AS疾病空间)的最小距离，则诊断设备6确定患者8可能经受主动脉瓣狭窄。诊断设备6基于该标识向临床医师10输出代表性诊断消息(104)。在输出该消息之前，诊断设备6可对使用患者所记录的心音标识的一个或多个心搏周期重复该分析以便有助于确保向临床医师10报告准确的诊断。
示例将此处所述的技术应用于已知具有“正常”的心脏活动或患有主动脉瓣狭窄的一组患者的临床数据。具体地，基于示例临床数据生成多维空间，然后根据此处所述的技术实时评定患者。
下表示出了已知具有正常心脏状况的患者的听诊声音的距离计算。具体地，为每一患者的每一所测量的心搏周期计算向量。表1示出了多维空间内向量相对与正常心脏状况相关联的疾病区域的距离，以伏特测量。


表1表2示出了已知患有主动脉瓣狭窄的患者的听诊声音的距离计算，以伏特测量。具体地，表2示出了多维空间内向量相对与主动脉瓣狭窄心脏状况相关联的区域的能量距离。

表2如表1和表2所示，向量在多维空间内清楚地分开，这是可容易地进行诊断的指示。所有5个患者均遵循类似的模式。
图10A和10B是概括示出示例性结果的图表。具体地，图10A和10B示出与正常数据相比较的主动脉瓣狭窄数据。类似地，图11A和11B是示出与正常数据相比较的三尖瓣反流数据的图表。图12A和12B是示出与三尖瓣反流数据相比较的主动脉瓣狭窄数据的图表。一般而言，图10A、10B、11A和11B的图表示出了对正常数据和疾病相关数据产生基本上不重叠数据的技术。
描述了本发明的多个实施例。例如，尽管参考声音记录描述，但该技术适用于来自患者的其它电记录。该技术可应用于，例如从患者电感测的心电图数据。这些和其它实施例落入所附权利要求书的范围之内。
权利要求
1.一种方法，包括将与已知生理状况相关联的听诊声音映射到多维空间内所定义的一个或多个疾病区域的组中；生成所述多维空间内表示与患者的听诊声音相关联的一个或多个向量的组；以及根据所述多维空间内所定义的向量与疾病区域，输出与患者的生理状况相关联的诊断消息。
2.如权利要求1所述的方法，其特征在于，所述输出诊断消息包括根据所述多维空间内的向量的方向，选择所述多维空间的疾病区域之一；以及基于所述选择输出所述诊断消息。
3.如权利要求2所述的方法，其特征在于，每一向量对应于所述疾病区域中相应的一个，并且其中，所述选择疾病区域之一包括，根据每一所述向量与所述各个疾病区域之间的距离来选择疾病区域之一。
4.如权利要求3所述的方法，其特征在于，所述选择疾病区域之一包括标识哪个向量与其各自的疾病区域具有最小距离；以及选择与所标识的向量相关联的疾病区域。
5.如权利要求1所述的方法，其特征在于，所述多维空间内的每一疾病区域是由与已被标识为各个生理状况的标识符的已知生理状况相关联的听诊声音的特征来定义的。
6.如权利要求1所述的方法，其特征在于，所述输出诊断消息包括，输出指示是否检测到异常生理状况的通过/失败消息。
7.如权利要求1所述的方法，其特征在于，所述输出诊断消息包括，输出标识患者当前正经受的一种或多种特定病变的诊断消息。
8.如权利要求1所述的方法，其特征在于，所述输出诊断消息包括，输出指示所述患者易受所述生理状况中的一个或多个的感染的诊断消息。
9.如权利要求1所述的方法，其特征在于，所述输出诊断消息包括，基于用户可配置模式为所述诊断消息选择消息类型。
10.如权利要求1所述的方法，其特征在于，所述消息类型包括通过/失败消息类型、建议的诊断消息类型以及预测诊断消息类型。
11.如权利要求1所述的方法，其特征在于，还包括输出基于从所述多维空间内的至少一个所述向量到正常区域之间所计算出的距离的严重程度指示符。
12.如权利要求1所述的方法，其特征在于，所述映射听诊声音包括公式化存储与所述已知生理状况相关联的听诊声音的数字化表示的一组矩阵，其中每一矩阵与所述生理状况中不同的一个相关联，并存储与相应的生理状况相关联的听诊声音的数字化表示；以及对每一所述矩阵应用奇异值分解(“SVD”)来计算定义所述多维空间内的疾病区域的相应的子矩阵组。
13.如权利要求12所述的方法，其特征在于，每一所述矩阵包括存储N个数字化表示和每一所述数字化表示的M个数值的NxM的矩阵。
14.如权利要求12所述的方法，其特征在于，所述公式化一组矩阵包括，公式化所述一组矩阵以按未经过滤的原始格式存储数字化表示。
15.如权利要求12所述的方法，其特征在于，还包括在数据库内存储所述子矩阵中的一个或多个的至少一部分，以用作供诊断设备使用的配置数据。
16.如权利要求15所述的方法，其特征在于，还包括以可由所述诊断设备用来计算所述多维空间内表示与所述患者相关联的听诊声音的向量的格式来存储配置数据。
17.如权利要求12所述的方法，其特征在于，还包括根据通过将SVD应用于一组矩阵所生成的配置数据对诊断设备编程，其中所述配置数据包括与不同的生理状况相关联的子矩阵中的至少一个；以及将所述诊断设备的配置数据应用于所述与患者相关联的听诊声音的数字化表示，以产生所述多维空间内的向量。
18.如权利要求12所述的方法，其特征在于，所述应用SVD包括应用SVD以将所述一组矩阵的矩阵A如下分解成三个子矩阵的乘积A＝UDVT，其中，U是列正交的NxM矩阵，D是MxM非负对角矩阵，V是MxM正交矩阵。
19.如权利要求18所述的方法，其特征在于，还包括通过成对地将每一所计算出的U矩阵乘以其它U矩阵来计算一组矩阵T；对每一得到的矩阵T执行SVD以将每一矩阵T分解成相应的一组子矩阵；以及应用所述从每一矩阵T中生成的子矩阵来标识U矩阵中将在对所述患者的诊断中使用的部分。
20.如权利要求19所述的方法，其特征在于，所述应用从每一矩阵T中生成的子矩阵包括，应用从每一矩阵T中生成的子矩阵来标识所述U矩阵中最大化所述多维空间内相应的疾病区域的正交性的部分。
21.如权利要求15所述的方法，其特征在于，还包括从所述一组矩阵中计算各自的平均向量，其中每一平均向量表示与相应的生理状况相关联的听诊声音的数字化表示的平均值；以及将所述诊断设备的平均向量和配置数据应用于所述与患者相关联的听诊声音来生成所述多维空间内的一组向量。
22.如权利要求21所述的方法，其特征在于，所述应用诊断设备的平均向量和配置数据包括从表示所述与患者相关联的听诊声音的向量中减去相应的平均向量以生成一组差向量，其中每一差向量对应于所述多维空间内的疾病区域中的不同的一个；以及将所述配置数据的子矩阵应用于所述差向量来生成表示所述与患者相关联的听诊声音的向量。
23.如权利要求22所述的方法，其特征在于，所述应用配置数据的子矩阵包括，将所述差向量乘以所述U子矩阵中相应的一个来产生表示所述与患者相关联的听诊声音的向量中相应的一个。
24.如权利要求1所述的方法，其特征在于，所述与已知生理状况相关联的每一听诊声音包含在多个心搏周期上记录的声音的数字化表示。
25.如权利要求24所述的方法，其特征在于，所述映射听诊声音包括处理每一所述数字化表示来为所述每一心搏周期标识起始点和结束点；处理每一所述数字化表示来为每一心搏周期的心脏收缩和舒张周期标识起始和结束时间，并为每一心搏周期标识S1和S2周期；以及基于所述为心脏收缩和舒张周期标识的起始和结束时间以及S1和S2周期对所述数字化表示进行重采样，以便将所述每一心搏周期归一化为公共心率。
26.如权利要求1所述的方法，其特征在于，所述生理状况包括正常生理状况、主动脉瓣反流、主动脉瓣狭窄、三尖瓣反流、三尖瓣狭窄、肺动脉瓣狭窄、肺动脉瓣反流、二尖瓣反流、主动脉动脉瘤、颈动脉狭窄和二尖瓣狭窄中的一个或多个。
27.如权利要求1所述的方法，其特征在于，还包括使用第一设备捕捉所述与患者相关联的听诊声音；将所捕捉的听诊声音的数字化表示从所述第一设备传输给第二设备；使用所述第二设备分析所述数字化表示来生成所述一组向量；以及使用所述第二设备输出所述诊断消息。
28.如权利要求27所述的方法，其特征在于，所述第一设备包括电子听诊器。
29.如权利要求27所述的方法，其特征在于，所述第二设备包括移动计算设备、个人数字助理和超声心动图分析器之一。
30.如权利要求1所述的方法，其特征在于，还包括使用电子听诊器捕捉所述与患者相关联的听诊声音；使用所述电子听诊器分析所述数字化表示来生成所述一组向量；以及将所述诊断消息输出到所述电子听诊器的显示屏。
31.如权利要求1所述的方法，其特征在于，所述生理状况包括心脏状况，所述与患者相关联的听诊声音包括心音。
32.如权利要求1所述的方法，其特征在于，所述与患者相关联的听诊声音包括肺部声音。
33.一种诊断设备，包括存储通过对与已知生理状况相关联的听诊声音的数字化表示应用奇异值分解(“SVD”)所生成的数据的介质；以及将配置数据应用于表示与患者相关联的听诊声音的数字化表示来选择所述生理状况之一的控制单元，其中所述控制单元输出指示所述生理状况中所选的一个的诊断消息。
34.如权利要求33所述的诊断设备，其特征在于，所述控制单元将所述配置数据应用于所述表示与患者相关联的听诊声音的数字化表示来生成含有一组定义的疾病区域的多维空间内的一个或多个向量的组，且所述控制单元基于所述多维空间内所述向量相对于所述疾病区域的方向选择所述生理状况之一。
35.如权利要求34所述的诊断设备，其特征在于，每一所述向量对应于所述疾病区域中相应的一个，且所述控制单元根据每一向量与相应的疾病区域之间的距离来选择所述疾病区域之一。
36.如权利要求34所述的诊断设备，其特征在于，所述配置数据包括通过对所述与已知生理状况相关联的听诊声音的数字化表示应用SVD所生成的子矩阵。
37.如权利要求33所述的诊断设备，其特征在于，所述诊断设备包括移动计算设备、个人数字助理、超声心动图分析器和电子听诊器之一。
38.一种数据分析系统，包括对与已知生理状况相关联的电子记录的数字化表示应用奇异值分解(“SVD”)来将听诊声音映射到多维空间内的一个或多个疾病区域的组的分析模块；以及存储由分析模块生成的数据的数据库。
39.如权利要求38所述的数据分析系统，其特征在于，所述电子记录包括超声心动图。
40.如权利要求38所述的数据分析系统，其特征在于，所述电子记录包括听诊声音的数字化表示。
41.如权利要求38所述的数据分析系统，其特征在于，所述分析模块公式化存储所述与生理状况相关联的听诊声音的数字化表示的一组矩阵，其中每一矩阵与所述生理状况中不同的一个相关联，并存储与相应的生理状况相关联的听诊声音的数字化表示，且所述分析模块对每一所述矩阵应用SVD来将所述矩阵分别分解成定义所述多维空间内的疾病区域的相应的子矩阵组，且所述分析模块在所述数据库内存储每一所述疾病区域的子矩阵的至少一个。
42.一种包含使得处理器执行以下动作的指令的计算机可读介质将配置数据应用于表示与患者相关联的听诊声音的数字化表示以选择一组生理状况之一，其中所述配置数据将所述听诊声音映射到多维空间内的一个或多个疾病区域的组；以及输出指示所述生理状况中所选的一个的诊断消息。
43.如权利要求42所述的计算机可读介质，其特征在于，还包括使得所述处理器执行以下动作的指令将所述配置数据应用于表示所述与患者相关联的听诊声音的数字化表示来生成所述多维空间内的一个或多个向量的组；根据所述多维空间内所述向量相对于所述疾病区域的方向选择所述多维空间的疾病区域之一；以及基于所述选择输出所述诊断消息。
全文摘要
描述了分析听诊声音来协助医学专业人员诊断患者的生理状况的技术。数据分析系统例如对与已知生理状况相关联的听诊声音应用奇异值分解，来定义多维空间内的一个或多个疾病区域的组。诸如电子听诊器或个人数字助理等的诊断设备应用来自数据分析系统的配置数据来生成多维空间内表示与患者相关联的听诊声音的一个或多个向量的组。诊断设备基于多维空间内该向量相对于疾病区域的方向输出与生理状况相关联的诊断消息。
文档编号A61B7/00GK1870941SQ200480030719
公开日2006年11月29日 申请日期2004年10月19日 优先权日2003年10月22日
发明者M·A·盖恩, A·G·艾尔德曼, G·索莫菲尔德, A·H·特斐克, C·D·奥斯特 申请人:3M创新有限公司, 明尼苏达大学董事会