一种基于心电心音的儿童心血管疾病诊断方法与流程

1.本发明涉及心血管疾病诊断技术领域，具体涉及一种基于心电心音的儿童心血管疾病诊断方法。


背景技术：

2.据统计，目前1000名新生儿中，大概有8人患有先天性心脏病，其中心室间隔缺损(ventricular septal defect,vsd)是最为常见的先天性心脏病。根据心室间隔缺损患者的情况，有时必须及早进行手术，因此先天性心脏病这类心血管疾病的精确诊断，对儿童具有重大意义。
3.在心血管疾病的诊断方法中，听诊古时候就有，即根据心音判别心脏的健康状况，但是听诊对于医生来说，需要多年的经验积累。近年来随着计算机技术的不断发展，可以利用计算机从心音信号中抽取与心脏病或心脏功能相关的特征参数。因此，采用计算机进行心血管疾病的判别和心脏功能的评价成为可能。
4.目前，大多从心音信号中提取特征波形的峰值的时间幅度、时间间隔作为评价指标，进行血管疾病的判断，并没有考虑到心电信号和心音信号的结合，且评价的维度也局限于时域，没有考虑到频域、能量域等维度，因此，本技术提出了一种基于心电心音的儿童心血管疾病诊断方法。


技术实现要素：

5.针对现有技术中的缺陷，本发明提供了一种基于心电心音的儿童心血管疾病诊断方法；所述方法包括以下步骤：
6.s1:获取待诊断患儿的心电信号和心音信号；
7.s2:对所述心电信号和心音信号进行处理，得到多维心音特征；
8.s3:将所述多维心音特征输入诊断模型，得到诊断结果，其中，所述诊断结果为心血管疾病类型。
9.优选地，s2中，对心电信号和心音信号进行处理，得到心电心音特征的方法包括：
10.s21：对心电信号和心音信号进行预处理；
11.s22：根据预处理后的心电信号和心音信号，获取初始心音特征；
12.s23：通过时域、频域、能量域分析方法对所述初始心音特征进行分析，得到多维心音特征，所述多维心音特征包括时域心音特征、频域心音特征和能量域心音特征。
13.优选地，s21中，对心电信号和心音信号进行预处理的方法包括：
14.s211：对心电信号和心音信号进行截取；
15.s212：对采样后的心电信号和心音信号进行滤波降噪处理；
16.s213:对滤波降噪后的心电信号和心音信号进行归一化处理。
17.优选地，s22中，根据预处理后的心电信号和心音信号，获取初始心音特征的方法包括：
18.s221：识别预处理后的心电信号的qrs波；
19.s222：根据qrs波的q波，从预处理后的心音信号中识别出第一心音的持续和幅值信息，根据所述qrs波的t波，从预处理后的心音信号中识别出第二心音的持续时间和幅值信息；
20.s223：根据第一心音和第二心音的持续时间和幅值信息，获取收缩期的持续时间和幅值信息、舒张期的持续时间和幅值信息；
21.s224：将所述第一心音、第二心音、收缩期和舒张期的持续时间和幅值信息作为初始心音特征。
22.优选地，s23中，通过时域分析方法对所述初始心音特征进行分析，得到时域心音特征的方法包括：分别计算第一心音、收缩期、第二心音和舒张期两两之间的幅值比；分别计算相邻第一心音、收缩期、第二心音和舒张期之间的时间差；计算emat％；计算各个幅值比、各个时间差、emat％在整个心动周期的均值，得到11个时域心音特征。
23.优选地，s23中，通过频域分析方法对所述初始心音特征进行分析，得到时域心音特征的方法包括：对所述初始心音特征进行傅里叶变换，得到对应的频谱序列，其中，所述频谱序列包括第一心音频谱序列、第二心音频谱序列、收缩期频谱序列和舒张期频谱序列；分别提取第一心音频谱序列、第二心音频谱序列、收缩期频谱序列和舒张期频谱序列中频率为多个指定频率的数值，求取各个数值在所有心动周期的均值，并形成新的频谱序列；得到4个频域心音特征。
24.优选地，所述第一心音频谱序列、第二心音频谱序列、收缩期、舒张期对应的多个指定频率为60hz、70hz、80hz、90hz、100hz、110hz、120hz、130hz、80hz、150hz。
25.优选地，s23中，通过频域分析方法对所述初始心音特征进行分析，得到时域心音特征的方法包括：分别计算第一心音、收缩期、第二心音和舒张期两两之间的能量比，并求各个能量比在所有心动周期的均值，得到6个能量域心音特征。
26.优选地，s3中，所述诊断模型包括输入层、隐藏层、输出层和softmax函数，其中，所述输入层由21个神经元组成，所述21个神经元对应多维心音特征；所述隐藏层分别有7和8个神经元；所述输出层由个8神经元组成，对应心血管疾病的类型；最后使用一个softmax函数，用于解决多分类问题而创建。
27.本发明的有益效果体现在：本发明实施例提供了一种基于心电心音的儿童心血管疾病诊断方法，结合了心音信号和心电信号，充分考虑了心血管疾病在心音信号上的体现，提取了包括时域、频域和能量域心音特征的多维心音特征，通过构建诊断模型和多维心音特征，实现了心血管疾病的精准预测。另外，本发明还提供了一种多维心音特征的提取方法，为诊断模型进行心血管疾病精准预测提供了基础支持。本发明具体实用高效等优点。
附图说明
28.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
29.图1为本发明实施例所提供的一种基于心电心音的儿童心血管疾病诊断方法的流程图；
30.图2为本发明实施例所提供的诊断模型的构建图。
具体实施方式
31.下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
32.需要注意的是，除非另有说明，本技术使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
33.如图1所示，本发明实施例提供了一种基于心电心音的儿童心血管疾病诊断方法；所述方法包括以下步骤：
34.步骤一:获取待诊断患儿的心电信号和心音信号；
35.需要说明的，获取待诊断患儿的心电信号和心音信号的方法为按照常规心电图操作方法将心电图十二导联放好，在此基础上同步放置高精心音探头，同步记录心音的特征,得到待诊断患儿的心电信号和心音信号。
36.步骤二:对所述心电信号和心音信号进行处理，得到多维心音特征；
37.在本发明实施例中，对心电信号和心音信号进行处理，得到心电心音特征的方法包括：
38.a:对心电信号和心音信号进行预处理；其中，对心电信号和心音信号进行预处理的方法包括：对心电信号和心音信号进行截取；对采样后的心电信号和心音信号进行滤波降噪处理；对滤波降噪后的心电信号和心音信号进行归一化处理；
39.具体的，对心电信号和心音信号进行截取时，需要保证被截取的心电信号和心音信号至少包括11个心动周期，以满足诊断模型的输入序列的长度需求。滤波降噪处理采用无限冲激相应数字带组滤波器进行滤波，该滤波器为现有技术，其工作过程在此不做赘述。
40.b:根据预处理后的心电信号和心音信号，获取初始心音特征；方法具体为识别预处理后的心电信号的qrs波；根据qrs波的q波，从预处理后的心音信号中识别出第一心音的持续和幅值信息，根据所述qrs波的t波，从预处理后的心音信号中识别出第二心音的持续时间和幅值信息；根据第一心音和第二心音的持续时间和幅值信息，获取收缩期的持续时间和幅值信息、舒张期的持续时间和幅值信息；将所述第一心音、第二心音、收缩期和舒张期的持续时间和幅值信息作为初始心音特征；
41.c:通过时域、频域、能量域分析方法对所述初始心音特征进行分析，得到多维心音特征，所述多维心音特征包括时域心音特征、频域心音特征和能量域心音特征。
42.需要说明的，通过时域分析方法对所述初始心音特征进行分析，得到时域心音特征的方法包括：分别计算第一心音、收缩期、第二心音和舒张期两两之间的幅值比；分别计算相邻第一心音、收缩期、第二心音和舒张期之间的时间差；分别计算每个心动周期的emat％；计算各个幅值比、各个时间差、各个emat％；得到11个时域心音特征。
43.具体的，计算每个心动周期中上述所述的各个幅值比和各个时间差和各个emat％构建6个幅值比序列、4个时间差序列、1个emat％序列，得到11个时域心音特征。
44.其中，emat是从心电图中qrs波起始至第一心音开始(二尖瓣关闭)的时间，包括电-机械延迟时间和二尖瓣关闭前的左室收缩期，是左室收缩前期的一部分，emat％是指
emat在rr间期所占的比例，经研究表明，emat％对心血管疾病的具有显著影响，因此，本发明实施例将emat％序列作为一个时域心音特征。
45.为保证序列长度的一致性，若序列长度是预设序列长度的倍数，则根据倍数对序列进行分段，求取各个分段中各个数值的平均值作为新的序列，若序列长度不是预设序列的倍数，则从序列的第一数值进行删除，直到序列长度为预设序列长度的倍数。具体的，本发明实施例所提供的序列长度为10，之前步骤截取的心动周期为12，则构建的时间差序列长度为11，此时删除时间长度序列的第一个数值，得到新的时间差序列，新的时间差序列为预设序列长度的1倍，则将1作为分段参数将时间差序列分为10段，求取10段的平均值，得到长度为10的时间差序列。
46.需要说明的，通过频域分析方法对所述初始心音特征进行分析，得到时域心音特征的方法包括：对所述初始心音特征进行傅里叶变换，得到对应的频谱序列，其中，所述频谱序列包括第一心音频谱序列、第二心音频谱序列、收缩期频谱序列和舒张期频谱序列；分别提取第一心音频谱序列、第二心音频谱序列、收缩期频谱序列和舒张期频谱序列中频率为多个指定频率的数值，求取各个数值在所有心动周期的均值，并形成新的频谱序列；得到4个频域心音特征。
47.由于第一心音和第二心音的频谱分布是50～100hz，若超过100hz就判定为存在杂音，并且预设的序列长度为10，因此，在本发明实施例中选定的5个指定频率的正常组和5个指定频率的异常组构建频谱心音特征，所述第一心音频谱序列、第二心音频谱序列、收缩期、舒张期对应的多个指定频率为60hz、70hz、80hz、90hz、100hz、110hz、120hz、130hz、80hz、150hz，并从而得到4个长度为10的频域心音特征。
48.需要说明的，通过频域分析方法对所述初始心音特征进行分析，得到时域心音特征的方法包括：分别计算第一心音、收缩期、第二心音和舒张期两两之间的能量比，并求各个能量比在所有心动周期的均值，得到6个能量域心音特征。为保证能量域心音特征的长度满足要求，对序列长度进行处理的方法与上述获取用于输对时域心音特征序列长度进行处理的方法相同，在此不做赘述。
49.步骤三：将所述多维心音特征输入诊断模型，得到诊断结果，其中，所述诊断结果为心血管疾病类型。
50.如图2所示，在本发明实施例中，所述诊断模型包括输入层、隐藏层、输出层和softmax函数，其中，所述输入层由21个神经元组成，所述21个神经元对应多维心音特征；所述隐藏层分别有7和8个神经元，所述隐藏层为2层双向长短期记忆网络模型；所述输出层由个8个神经元组成，对应心血管疾病的类型；最后使用一个softmax函数，用于解决多分类问题而创建，其输出结果为多个心血管疾病的概率，其概率为0-1之间的数值，且得到的概率之和为1。
51.在其他实施例中，所述输出层的神经元可以是8个也可以是50个或者100个，可以根据现有的常见心血管疾病进行设置，若增加输出层神经元就需要增加诊断模型训练时的样本，以保证诊断模型诊断的精确性。
52.在其他实施例中，所述诊断模型可以是全连接神经网络模型，2层全连接层作为全连接神经网络模型的隐藏层，s型生长曲线层作为全连接神经网络模型的输出层；当所述诊断模型为全连接神经网络模型是，其输出结果为多个类型的心血管疾病的概率，其概率为
0-1的数值，且输出的概率的和不一定为1。
53.综上，本发明实施例提供了一种基于心电心音的儿童心血管疾病诊断方法，结合了心音信号和心电信号，充分考虑了心血管疾病在心音信号上的体现，提取了包括时域、频域和能量域心音特征的多维心音特征，通过构建诊断模型和多维心音特征，实现了心血管疾病的精准预测。另外，本发明还提供了一种多维心音特征的提取方法，为诊断模型进行心血管疾病精准预测提供了基础支持。本发明具体实用高效等优点。
54.最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。