[发明专利]一种基于人工智能的主动脉瓣狭窄严重程度自动分类方法

说明书

本发明公开了一种基于人工智能的主动脉瓣狭窄严重程度自动分类方法，包括如下步骤：读取缓存空间中同步采集的心电信号x_ECG与心音信号x_PCG；通过滤波器对心音信号x_PCG进行滤波；设定预设长度L，首先以同步采集的心电信号x_ECG为参考对心音信号进行分段，再将各分段左对齐，然后将大于L的分段其右端多余部分切除，小于L的分段其右端补零，最后进行归一化，以向量形式输出第i段心音数据x_i；将x_i输入对数梅尔滤波器组进行变换；计算出三个通道的数据矩阵Δ_i,0、Δ_i,1和Δ_i,2后，输入预先搭建并训练好的卷积神经网络，该神经网络输出概率值：p_i＝[p_i,mild,p_i,moderate,p_i,severe]^T。通过比较上述输出概率值的大小，输出最终判断结果。本发明能够通过心音自动分析实现主动脉瓣狭窄三种严重程度的分类，且具有较好的鲁棒性。

技术领域

本发明涉及主动脉瓣狭窄严重程度分类技术领域，特别是涉及一种基于人工智能的主动脉瓣狭窄严重程度自动分类方法。

背景技术

心脏杂音是由于血液流动加速或血液流动紊乱产生湍流并形成湍流场(漩涡)使心脏壁或血管壁发生振动所致，常见原因有：瓣膜口狭窄、瓣膜关闭不全、异常通道和赘生物或断裂的腱索等，其中瓣膜口狭窄主要包括二尖瓣狭窄和主动脉瓣狭窄。主动脉瓣狭窄是一种常见的心脏瓣膜病，患有主动脉瓣狭窄的患者在心音的收缩期期间会有明显的杂音产生。由于左心室有较强的代偿性，主动脉瓣狭窄一般不表现出明显的症状，然而在长期的劳作活动下，左心室会出现向心性肥厚，心肌耗氧量增加等问题，最终导致心力衰竭。不同严重程度的主动脉瓣狭窄需要进行不同的治疗手段，因此，对主动脉瓣狭窄的早期严重程度分类就非常重要。

目前，主动脉瓣狭窄的诊断主要有超声心动图、心电图以及胸部X线，其中以超声心动图作为诊断的金标准，主要包括主动脉瓣的计算面积(AVA)、峰值收缩速度(PSV)和平均压力梯度(MPG)这三个参数。然而基于超声心动图的检查价格昂贵且不方便，不适合作为日常的检查手段。

听诊作为一种方便且有效的医疗手段，具有悠久的历史。它是一种非侵入式的检查方法，对人体没有伤害且操作便捷，是医护人员检查内科疾病的常用手段。对于患有主动脉瓣狭窄的患者，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严重程度的早期判断。如图1所示，展示了不同严重程度的主动脉瓣狭窄的心脏杂音示例，其中(a)是轻度；(b)是中度；(c)是重度。但是这种方法局限于医护人员听诊的经验水平和听诊时的周围环境。随着近年来物联网以及计算机技术的蓬勃发展，实现一种能够自动分类主动脉瓣狭窄严重程度的方法成为可能。

目前已有的与主动脉瓣狭窄相关的专利的关注点包括：利用超声心动图来作主动脉瓣狭窄的相关诊断，以及在治疗时使用到的植入式设备、药剂等。然而，都没有提供一种利用心音信号对主动脉瓣狭窄的严重程度作分类的方案。

现有技术中，Kim D等人(Assessment of Severity of Aortic StenosisThrough Time-Fre quency Analysis of Murmur[J].Chest,124(5):1638-1644.)于2003年提出了一种计算频谱图中杂音持续时间来对主动脉瓣狭窄进行分级的方法。首先将记录得到的心音信号通过快速傅里叶变换转变为频谱的形式，然后就将其纸质打印出来，使用卡尺测量杂音在不同频率时的持续时间，参见图2。基于这个持续时间与多普勒超声心动图导出的相关参数作相关来进行严重程度的分类。但是该文献提出的方法有以下几个缺点：

(1)需要结合多普勒超声心动图的相关参数才能进行严重程度的诊断，这增加了此方法的复杂性，不能仅分析心音信号就得出诊断结果；