心脏特征指数确定方法和装置、电子设备及程序产品与流程
本发明涉及医疗、健康或运动领域,特别是涉及一种心脏特征指数确定方法和装置、电子设备及程序产品。
背景技术:
1、在心血管临床中,需要对多种心脏生理指标进行监测和评估。通过对心音图(pcg)的分析,可以有效评估心脏的健康状况,特别是心脏的生理年龄。
2、当前,对心音图的分析主要依赖于医生的经验判断,存在主观性强、标准不统一等问题。虽然一些分析方案尝试采用计算机辅助分析方法,但这些方法通常需要复杂的信号处理技术,对设备和专业知识的要求较高,限制了其在日常健康监测中的应用。同时,现有的分析方法主要关注于心脏疾病的诊断,缺乏对心脏生理年龄状态的系统评估,难以为早期预防提供有效指导。
3、此外,随着健康监测设备的普及,大量心音数据被采集,但如何高效、准确地从这些数据中提取有价值的心脏健康信息,仍然是一个亟待解决的问题。尤其是在非专业环境下采集的心音数据,往往存在噪声干扰大、信号质量不稳定等问题,进一步增加了分析难度。
4、因此,期望能够提供一种能够客观评估心脏生理年龄状态的方法,以便更加简便高效地进行心脏健康监测和疾病预防。
5、本背景技术描述的内容仅为了便于了解本领域的相关技术,不视作对现有技术的承认。
技术实现思路
1、本发明实施例旨在提供一种心脏特征指数确定方案,其不仅能够实现对心脏生理年龄状态的精准评估,而且更简便高效地进行心脏日常健康监测和疾病预防。
2、在第一方面,本发明实施例提供一种心脏特征指数确定方法,其可包括:获取心音图的二维图像;
3、将所述心音图的二维图像输入经训练的深度学习分类模型,以根据多个预设分类的心脏特征指数输出所述心音图对应的心脏特征指数,所述心脏特征指数反映心脏的生理年龄状态,其中,所述深度学习分类模型被训练成提取心音图特征信息并将所述心音图特征信息映射到多个预设分类的心脏特征指数,所述被捕获的心音图特征信息包括第一心音特征、第二心音特征以及基底噪声特征。
4、在一些实施例中,所述深度学习分类模型为残差网络模型,其中,所述残差网络模型被训练成通过多层卷积结构和残差连接机制提取所述心音图特征信息。
5、在一些实施例中,所述残差网络模型,包括:
6、输入层,用于接收所述心音图的二维图像;
7、批量归一层,用于对所述二维图像进行归一化;
8、卷积层,用于提取所述心音图的局部特征;
9、池化层,用于减小特征图尺寸并保留特征图的显著特征;
10、包含跳跃连接结构的残差块,所述跳跃连接结构构造成使浅层网络提取的特征信息跳跃传递至深层网络;
11、全连接层,用于将所提取特征信息映射到所述多个预设分类的向量输出空间;以及
12、softmax分类层,用于生成各个预设分类的心脏特征指数的概率分布,确定输出的心脏特征指数。
13、在一些实施例中,训练所述深度学习分类模型,具体包括:
14、获取心音图训练数据,并按照不同年龄段对所述心音图训练数据进行标注,形成训练数据集;
15、对所述训练数据集进行预处理,包括滤波处理和二维图像生成;
16、将所述训练数据集输入所述深度学习模型,通过反向传播算法优化模型参数,直至达到预设条件。
17、在一些实施例中,所述心脏特征指数确定方法还包括,获取受试者心音图;以及
18、通过带通滤波器对所采集的心音图进行滤波处理,以去除直流干扰和环境噪声干扰。
19、在第二方面,本发明实施例提供另外一种心脏特征指数确定方案,其可包括:
20、通过目标识别模型识别心音图的二维图像中的第一心音和第二心音,生成对应所述第一心音和第二心音的第一边界框和第二边界框;
21、根据所述第一边界框和第二边界框,确定所述第一心音和所述第二心音的宽度信息;
22、获取所述心音图中的基底噪声区域的基底噪声信息;以及
23、根据所述第一心音和所述第二心音的宽度信息和所述基底噪声信息,确定所述心音图对应的心脏特征指数,所述心脏特征指数反映心脏的生理年龄状态。
24、在一些实施例中,所述获取所述心音图中的基底噪声区域的基底噪声信息,包括:
25、使用滑动窗口确定心音图的至少部分区域的功率密度特征;
26、根据所述功率密度特征与预设功率密度阈值,确定所述基底噪声区域;
27、确定所述基底噪声区域中的所述基底噪声信息。
28、在一些实施例中,所述获取所述心音图中的基底噪声区域的基底噪声信息,包括:
29、通过目标识别模型识别心音图(pcg)的二维图像中的基底噪声区域;
30、使用滑动窗口确定所述基底噪声区域的所述基底噪声信息。
31、在一些实施例中,对心音图进行预处理,具体包括:获取受试者心音图;通过带通滤波器对所采集的心音图进行滤波处理,以去除直流干扰和环境噪声干扰;生成所述心音图的二维图像。
32、在第三方面,本发明实施例提供一种心脏特征指数确定装置,其可包括:
33、图像获取单元,配置成获取心音图的二维图像;
34、图像分析单元,配置成将心音图的二维图像输入经训练的深度学习分类模型,以根据多个预设分类的心脏特征指数输出所述心音图对应的心脏特征指数,其中,图像分析单元被进一步配置成所述深度学习分类模型被训练成提取心音图特征信息并将所述心音图特征信息映射到多个预设分类的心脏特征指数,所述被捕获的心音图特征信息包括第一心音特征、第二心音特征以及基底噪声特征。
35、在第四方面,本发明实施例还提供另一种心脏特征指数确定装置,其可包括:
36、边界框生成单元,配置成通过目标识别模型识别心音图的二维图像中的第一心音和第二心音,生成对应第一心音和第二心音的第一边界框和第二边界框;
37、宽度信息确定单元,配置成根据所述第一边界框和第二边界框,确定所述第一心音和所述第二心音的宽度信息;
38、噪音信息获取确定单元,配置成获取所述心音图中的基底噪声区域的基底噪声信息;以及
39、心脏特征指数单元,配置成根据所述第一心音和所述第二心音的宽度信息和所述基底噪声信息,确定所述心音图对应的心脏特征指数,所述心脏特征指数反映心脏的生理年龄状态。
40、在第五方面,本发明实施例提供一种电子设备,包括:处理器和存储有计算机程序的存储器,所述处理器被配置为在执行所述计算机程序时实现如第一方面所述的方法。
41、在第六方面,本发明实施例提供一种程序产品,包括计算机程序,其中,所述计算机程序被处理器执行时实现如第一方面所述的方法。
42、在第七方面,本发明实施例提供一种存储介质,存储有计算机程序,其中,所述计算机程序被处理器执行时实现如第一方面所述的方法。
43、本发明实施例提供了的心脏特征指数确定方法,通过获取心音图的二维图像,将其输入经训练的深度学习分类模型,提取包括第一心音特征、第二心音特征以及基底噪声特征在内的心音图特征信息,并映射到预设分类的心脏特征指数。该方案具有以下显著优势:简便易用,通过心音图检测并利用深度学习分类模型评估心脏年龄,操作简便,非常适用于日常心脏健康的评估和监测;早期疾病预警,心脏年龄评估能够在无明显症状时提供早期警示信号,帮助医生根据心音变化判断是否需要进行进一步检查;干预与管理,通过及时评估心脏健康状况并识别心音的显著变化,能够在早期对心脏疾病采取干预措施,例如控制高血压、调整生活方式以及监测心脏功能等。
44、本发明实施例提供的另一种心脏特征指数确定方法,通过目标识别模型识别心音图二维图像中的第一心音和第二心音,生成相应边界框,确定心音宽度信息,并获取基底噪声区域的噪音信息,进而确定反映心脏生理年龄状态的心脏特征指数。该方案通过直接定位和测量关键声学特征,获取心音物理特征参数,算法高效且结果具有良好可解释性,降低了对大量训练数据的依赖,为心脏健康评估提供了更加灵活可靠的实现途径。
45、本发明实施例的其他可选特征和技术效果一部分在下文描述,一部分可通过阅读本文而明白。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com