專利名稱::心血管聲音的多參數(shù)分類的制作方法
技術(shù)領(lǐng)域:
:本發(fā)明涉及用于將從活體記錄的心音分類為多個類別的方法和系統(tǒng),所述類別用于描述是否在心音內(nèi)存在由于冠狀動脈狹窄而導(dǎo)致的雜音。
背景技術(shù):
:在西方世界,冠狀動脈疾病是心血管疾病導(dǎo)致的單個最常見的死因。心肌通過冠狀動脈來接收其血液供應(yīng),并且動脈粥樣硬化是在引起冠狀動脈攪拌(CAD)的冠狀動脈內(nèi)發(fā)生的最常見的病理生理過程。動脈粥樣硬化是在動脈內(nèi)產(chǎn)生斑的過程,因此,血流能夠被斑減小或者甚至阻塞。不斷工作的心臟需要連續(xù)和有效的血液供應(yīng),以便正確地工作。在血液供應(yīng)上的缺陷可能很嚴(yán)重或者甚至致命。程度漸增的血管直徑減少或者冠狀動脈狹窄首先限制反流(reserveflow),然后減少在靜息時的流動,最后可能完全地閉塞血管。臨床醫(yī)生和其他醫(yī)療專業(yè)人員需要測量/檢測冠狀動脈狹窄以診斷CAD。一旦已經(jīng)進(jìn)行了診斷,則能夠開始治療/處理?,F(xiàn)在,存在幾種非侵入性技術(shù),用于測量/檢測狹窄的嚴(yán)重度或者其在冠狀動脈內(nèi)的存在。這能夠通過磁共振成像(MRI)、活體血管內(nèi)超聲(IVUS)或者光學(xué)相干斷層掃描(OCT)來完成。但是,上述技術(shù)使用起來都相當(dāng)復(fù)雜和昂貴,因此僅僅向具有特定病癥的病人提供這些檢查。結(jié)果是大多數(shù)病人當(dāng)被檢査時具有嚴(yán)重的狹窄。臨床醫(yī)生和其他醫(yī)療專業(yè)人員長期依賴于諸如心血管聲音的聽診聲音,以幫助檢測和診斷生理情況。例如,臨床醫(yī)生可以使用聽診器來監(jiān)控和記錄心音,以便檢測心臟瓣膜疾病。而且,所記錄的心音能夠被數(shù)字化、保存和存儲為數(shù)據(jù)文件以用于以后的分析。已經(jīng)開發(fā)了向電子記錄的聽診聲音應(yīng)用算法的裝置。一個示例是自動化的血壓監(jiān)控裝置。其他示例包括分析系統(tǒng),其試圖根據(jù)聽診聲音的分析而自動地檢測生理情況。例如,人工神經(jīng)網(wǎng)絡(luò)已經(jīng)被討論作為一種用于分析聽診聲音并且提供自動化的診斷或者建議診斷的可能機(jī)制。難于提供一種用于使用這些傳統(tǒng)技術(shù)來按照冠狀動脈狹窄而對聽診聲音進(jìn)行分類的自動化裝置,因?yàn)榭紤]人之間的差別對這些技術(shù)進(jìn)行調(diào)整是非常困難的。兩個不同的人將不同地影響聽診聲音,并且即使兩人都患有冠狀動脈狹窄,來自兩個病人的聽診聲音也會不同。而且,經(jīng)常難于以可以實(shí)時或者偽實(shí)時地應(yīng)用來幫助臨床醫(yī)生的方式來實(shí)現(xiàn)傳統(tǒng)技術(shù)。許多臨床醫(yī)生推崇使用數(shù)字聽診器來獲取聽診聲音,因?yàn)樗麄兪煜ぢ犜\器,但是使用數(shù)字聽診器所獲取的聽診聲音的質(zhì)量與由更高級的系統(tǒng)記錄的聽診聲音相比較,經(jīng)常不良。這樣的聽診聲音的質(zhì)量經(jīng)常降低,因?yàn)樵谟涗浧陂g引入了其他的噪聲一一例如由于在麥克風(fēng)和病人的胸部之間的摩擦或者由于環(huán)境噪聲所導(dǎo)致的噪聲。而且,當(dāng)臨床醫(yī)生使用聽診器來記錄聽診聲音時是很親密的情況,因?yàn)樵诓∪撕团R床醫(yī)生之間的距離很小,結(jié)果是聽診記錄很短。因此,當(dāng)使用聽診器時,僅僅獲取適于執(zhí)行冠狀動脈疾病的分析的小量數(shù)據(jù),因此由已知的技術(shù)執(zhí)行的分析經(jīng)常不正確。US5036857公開了一種用于非侵入地檢測冠狀動脈疾病的方法和系統(tǒng)。所述方法包括分析在心臟周期的舒張期間從病人的胸腔檢測的舒張的心音,以便識別與在部分阻塞的冠狀動脈內(nèi)的湍流的血流相關(guān)聯(lián)的低階可聽分量(lowlevelauditorycomponent)。使用諸如自回歸(AAR)、自回歸滑動平均(ARMA)和特征向量方法的高級信號處理技術(shù)來對這些舒張的心音建模,以便可以可靠地指示這樣的可聽分量的存在。所述系統(tǒng)包括聲換能器、脈搏傳感器裝置、信號處理器和診斷8顯示器。另外,所述系統(tǒng)包括控制器,用于自動地對數(shù)據(jù)收集、分析和顯示階段進(jìn)行排序,因此需要最少的操作員交互。這種方法和系統(tǒng)分析在舒張段內(nèi)的噪聲量,并且具有大量噪聲的舒張段被丟棄,并且不用于分析與在部分阻塞的冠狀動脈內(nèi)的湍流的血流相關(guān)聯(lián)的低階可聽分量。因此,需要記錄大量的舒張段,以便實(shí)現(xiàn)正確的分析,因此,聲音記錄應(yīng)當(dāng)很長或者被重復(fù)多次。在許多臨床情況下,這是不可能的,特別是當(dāng)使用數(shù)字聽診器來記錄心音時。
發(fā)明內(nèi)容本發(fā)明的目的是解決上述問題。這是通過一種用于對從活體記錄的心血管聲音進(jìn)行分類的方法來實(shí)現(xiàn)的;所述方法包括步驟*識別所述心血管聲音的心臟舒張和/或收縮段;*將所識別的心臟舒張和/或收縮段中的至少一個劃分為多個子段,所述多個子段包括至少第一子段和至少第二子段;*從所述第一子段提取用于表征所述心血管聲音的第一屬性的至少第一信號參數(shù),從所述第二子段提取用于表征所述心血管聲音的第二屬性的至少第二信號參數(shù);*在多變量分類方法內(nèi)使用所述至少第一信號參數(shù)和所述至少第二信號參數(shù)來對所述心血管聲音進(jìn)行分類。在此,提供了一種很魯棒和簡單的方法,其僅僅需要小量的心血管聲音以便對聲音進(jìn)行分類。結(jié)果是能夠根據(jù)短記錄來對心血管聲音進(jìn)行分類,當(dāng)已經(jīng)由聽診器記錄了聲音時,短記錄是很方便的。其實(shí)現(xiàn)是因?yàn)樾难苈曇舻男呐K舒張和/或收縮段被劃分為子段,并且之后,根據(jù)從來自同一心臟舒張或收縮段的至少兩個子段提取的信號參數(shù)來對心血管聲音進(jìn)行分類。結(jié)果是心血管信號的分類能夠僅僅基于具有良好信噪比的子段,例如沒有摩擦或者背景噪聲的子段。因此,能夠在對心血管聲音進(jìn)行分類之前,丟棄具有不良的信噪比的子段。在此,因?yàn)閮H僅很少部分的記錄信號由于噪聲而需要被丟棄,所以僅僅需要小量的被記錄的心血管聲音來實(shí)現(xiàn)正確的分類。與湍流相關(guān)聯(lián)的心血管聲音包括至少兩個分量由與動脈壁撞擊的湍流的血流引起的寬帶分量和與動脈壁的共振頻率相關(guān)聯(lián)的窄帶分量。因此,需要用于描述不同屬性的不同變量以便執(zhí)行魯棒的分類。由于諸如骨結(jié)構(gòu)、胸部厚度、脂肪量等的人們的身體差別,對于不同人來說心血管聲音將會不同。本發(fā)明通過在對心血管聲音進(jìn)行分類時使用不同的信號參數(shù)來消除這種不同。例如來自一個人的一些信號參數(shù)能夠顯著地對心血管聲音進(jìn)行分類,而來自第二人的相同信號參數(shù)將不適合于心血管信號的顯著分類。但是,在這種情況下,當(dāng)使用根據(jù)本發(fā)明的方法時,能夠使用其他信號參數(shù)來對來自第二人的心血管聲音進(jìn)行分類。而且,一些信號參數(shù)可能受到人之間的一種差別的影響,而其他信號參數(shù)可能被其他種類的差別影響。因此,選擇多個不同的信號參數(shù)將使得所述分類方法更魯棒。不同的信號參數(shù)描述心血管聲音的不同特征,因此是不相關(guān)的,并且因此提供心血管聲音的不同信息。不同的信號參數(shù)能夠例如是心血管聲音的舒張段的持續(xù)時間、心臟收縮的心血管聲音的持續(xù)時間、聲音的最主要的頻率分量、不同的頻率分量的帶寬、在兩個頻帶內(nèi)的能量、信號的一部分的遷移率(MOBILITY)、信號的復(fù)雜性、諸如兩個不同的段或者兩個不同的頻帶的信號的不同部分之間的功率比、諸如在不同段之間的相關(guān)率或者隨著時間的幅值改變的形態(tài)特征、在信號內(nèi)的拐點(diǎn)的數(shù)量等。當(dāng)對心血管聲音進(jìn)行分類時,所述方法能夠在任何種類的數(shù)據(jù)處理器單元內(nèi)容易地實(shí)現(xiàn),因此例如被集成在要由臨床醫(yī)生或者大夫使用的軟件程序內(nèi)。而且,所述方法能夠被集成在數(shù)字聽診器內(nèi),并因此能夠使用所述聽診器來對病人的心血管聲音進(jìn)行分類。因?yàn)榇蠓蚝推渌R床音聲熟悉聽診器,因此他們能夠容易地被教會使用聽診器來對心血管聲音進(jìn)行分類。結(jié)果是所述分類能夠幫助大夫或者其他臨床醫(yī)生診斷病人是否患有CAD。在另一個實(shí)施例內(nèi),從所述多個子段的至少兩個提取所述至少兩個信號參數(shù)。在此,能夠從所述子段的每個提取在多變量分類方法內(nèi)使用的信號參數(shù),并且然后能夠在所述多變量分類方法內(nèi)提供和使用大量的相同種類的信號參數(shù)。這使得心血管信號的分類更魯棒。而且,能夠利用多變量分類方法來對每個子段進(jìn)行分類。在另一個實(shí)施例內(nèi),從所述第一子段和所述第二子段提取所述至少第一信號參數(shù)和/或所述至少第二信號參數(shù)。在此,可以從相同的子子段(SUB-SUBSEGMENT)提取所述第一和第二信號參數(shù),并且然后能夠根據(jù)大量的信號參數(shù)來對心血管信號進(jìn)行分類,由此提高分類的魯棒性。在另一個實(shí)施例內(nèi),所述方法還包括步驟識別含噪聲的(NOISY)子段,并且在所述提取所述第一信號參數(shù)和/或提取所述第二信號參數(shù)的步驟之前,丟棄所述含噪聲的子段。由此,在從子段提取信號參數(shù)之前,能夠丟棄所述含噪聲的子段,并且因?yàn)橛绊懶盘枀?shù)的聲音特性不會被噪聲所影響,由此將大大地提高所提取的信號參數(shù)的質(zhì)量。含噪聲的子段能夠例如是具有低信噪比的子段,諸如具有摩擦尖峰的子段、具有背景噪聲的子段或者具有諸如呼吸噪聲的生理噪聲的子段。可以以不同方式來對含噪聲的子段進(jìn)行識別,例如將含噪聲的子段識別為具有與大多數(shù)子段不同的幅值、頻率或者能量分布的子段。在另一個實(shí)施例內(nèi),所述方法還包括步驟識別非固定的子段,并且在提取所述第一信號參數(shù)和/或提取所述第二信號參數(shù)的所述步驟之前,丟棄所述非固定的子段。由此,在從子段提取信號參數(shù)之前,能夠丟棄非固定的子段。由此,有可能考慮在舒張段內(nèi)的非固定聲音,經(jīng)常是這種情況,因?yàn)樵诠跔顒用}內(nèi)的血流在舒張期間不是不變的,因此,由于狹窄所導(dǎo)致的雜音將不是固定的。幾種信號處理方法(例如AR模型)假定要建模的信號是固定的,因?yàn)樵诙虝r間內(nèi)的子段能夠被假定為固定的,所以通過將舒張段劃分為子段,能夠克服由于非穩(wěn)定所導(dǎo)致的誤差。因此,從子段的AR模型提取的信號參數(shù)的精度將更精確。在所述方法的另一個實(shí)施例內(nèi),所述第一子段的至少一部分與所11述第二子段的至少一部分重疊。因?yàn)闆]有噪聲的信號部分能夠與包括短噪聲尖峰的子段一起丟棄,段的重疊確保當(dāng)提取信號參數(shù)和對心血管聲音進(jìn)行分類時使用盡可能多的舒張/收縮段。但是,這些信號部分將被包括在重疊的段內(nèi),因此,心血管聲音的較大部分將用于信號參數(shù)的提取和心血管聲音的分類。在另一個實(shí)施例內(nèi),用于對心血管聲音進(jìn)行分類的步驟包括步驟計(jì)算從所述多個子段的至少兩個提取的所述第一信號參數(shù)和/或所述至少第二信號參數(shù)的平均值;以及在所述多變量分類方法內(nèi)使用所述平均值。在所述分類方法內(nèi)使用的信號參數(shù)由此則被計(jì)算為來自大量子段的信號參數(shù)的平均值,從而減少了由隨機(jī)噪聲而導(dǎo)致的誤差。所述平均值進(jìn)一步能夠通過不同地加權(quán)不同的子段來計(jì)算,例如使得在舒張段的開始的子段的權(quán)重高于在舒張段的結(jié)尾的子段。由此,當(dāng)對心血管聲音進(jìn)行分類時,其中更容易聽到由于狹窄導(dǎo)致的雜音的舒張段的開始能夠具有較大的加權(quán)。在另一個實(shí)施例內(nèi),對心血管聲音進(jìn)行分類的步驟包括步驟在所述多變量分類方法內(nèi),使用第一信號參數(shù)和所述第二信號參數(shù)來對所述多個子段的至少一個進(jìn)行分類,其中,所述第一信號參數(shù)和所述第二信號參數(shù)都是從所述多個子段的所述至少一個被提取的;以及,根據(jù)對所述多個子段的所述至少一個的所述分類來對所述心血管聲音進(jìn)行分類。然后能夠根據(jù)大量的被分類的子段來對心血管聲音進(jìn)行分類,由此有可能確定所述分類正確的概率。如果已經(jīng)一致地(UNIFORMLY)對所述子段的例如99%進(jìn)行了分類,則所述心血管聲音能夠例如被認(rèn)為是正確的。在另一個實(shí)施例內(nèi),所述方法還包括步驟將所述多個子段的至少一個建模;以及從所述模型提取所述第一信號參數(shù)和/或所述第二信號參數(shù)。使用模型的優(yōu)點(diǎn)是,模型能夠例如通過使用包絡(luò)函數(shù)或者自回歸模型來增強(qiáng)信號屬性。而且,當(dāng)在數(shù)據(jù)處理器內(nèi)實(shí)現(xiàn)所述方法時,模型將會簡化和優(yōu)化計(jì)算過程。在所述方法的另一個實(shí)施例內(nèi),所述第一信號參數(shù)和/或所述第二信號參數(shù)是頻率水平參數(shù),用于描述所述多個子段的至少一個的至少一個頻率分量的頻率水平屬性。當(dāng)對心血管聲音進(jìn)行分類時,頻率水平參數(shù)很有用,因?yàn)橛瑟M窄導(dǎo)致的雜音通常具有在200-1200HZ之間的主要頻率分量,并且如果最強(qiáng)的頻率分量在這個間隔內(nèi),則其將是由狹窄導(dǎo)致的雜音的存在的良好指示。頻率水平屬性也能夠限定在不同的頻帶內(nèi)的能量之間的比率。在所述方法的另一個實(shí)施例內(nèi),所述第一信號參數(shù)和/或所述第二信號參數(shù)是描述所述多個子段的至少一個的復(fù)雜性的復(fù)雜性參數(shù)。能夠例如利用用于對信號建模的特征函數(shù)的數(shù)量來限定心血管聲音的復(fù)雜性,因?yàn)閷π盘柦K枰奶卣骱瘮?shù)越多,則所述信號越復(fù)雜。心血管聲音的復(fù)雜性通常被保持,并且不被病人之間的差異所影響。一些特征函數(shù)可能相對于不同的人而不同地被衰減,但是它們很少被從心血管聲音完全地去除,因此保持了復(fù)雜性。在另一個實(shí)施例內(nèi),所識別的心臟舒張和/或收縮段的至少一個被劃分為至少8個子段。由此,因?yàn)橐詷颖緮?shù)量的平方根統(tǒng)計(jì)地改善平均值,所以改善了心血管聲音的分類的準(zhǔn)確度。結(jié)果是,需要心血管聲音的更短記錄,以便對聲音進(jìn)行分類。本發(fā)明還涉及一種用于對從活體記錄的心血管聲音進(jìn)行分類的系統(tǒng),所述系統(tǒng)包括*用于識別所述心血管聲音的心臟舒張和/或收縮段的處理部件;*用于將所識別的心臟舒張和/或收縮段的至少一個劃分為多個子段的處理部件,所述多個子段包括至少第一子段和至少第二子段;*用于從所述第一子段提取用于表征所述心血管聲音的第一屬性的至少第一信號參數(shù)的處理部件,以及從所述第二子段提取用于表征所述心血管聲音的第二屬性的至少第二信號參數(shù)的處理部件;*用于在多變量分類方法內(nèi)使用所述至少第一信號參數(shù)和所述至少第二信號參數(shù)來對所述心血管聲音進(jìn)行分類的處理部件;用于使用多變量分類方法并使用所述至少兩個信號參數(shù)來對所述心血管聲音進(jìn)行分類的處理部件。由此,能夠構(gòu)造一種用于對心血管聲音進(jìn)行分類的系統(tǒng),并且由此,實(shí)現(xiàn)與如上所述相同的優(yōu)點(diǎn)。在另一個實(shí)施例內(nèi),用于提取所述第一信號參數(shù)的處理部件和/或用于提取所述第二信號參數(shù)的所述處理部件適于從所述多個子段的至少一個提取所述第一信號參數(shù)和/或所述第二信號參數(shù)。由此,實(shí)現(xiàn)與如上所述相同的優(yōu)點(diǎn)。在另一個實(shí)施例內(nèi),所述系統(tǒng)還包括用于識別含噪聲的子段的處理部件;以及,用于在提取所述第一信號參數(shù)和/或提取所述第二信號參數(shù)之前丟棄所述含噪聲的子段的處理部件。由此,實(shí)現(xiàn)與如上所述相同的優(yōu)點(diǎn)。在另一個實(shí)施例內(nèi),所述系統(tǒng)還包括用于識別非固定的子段的處理部件;以及,用于在提取所述第一信號參數(shù)和/或提取所述第二信號參數(shù)之前丟棄所述非固定的子段的處理部件。在另一個實(shí)施例內(nèi),用于將所識別的心臟舒張和/或收縮段的至少一個劃分為多個子段的處理部件適于將所述第一子段的至少一部分與所述第二子段的至少一部分重疊。由此,實(shí)現(xiàn)與如上所述相同的優(yōu)點(diǎn)。在另一個實(shí)施例內(nèi),用于對所述心血管聲音進(jìn)行分類的所述處理部件適于計(jì)算從所述多個子段的至少一個提取的所述第一信號參數(shù)和/或所述至少第二信號參數(shù)的平均值,以及在所述多變量分類方法內(nèi)使用所述平均值。由此,實(shí)現(xiàn)與如上所述相同的優(yōu)點(diǎn)。在另一個實(shí)施例內(nèi),用于對所述心血管聲音進(jìn)行分類的所述部件適于在所述多變量分類方法內(nèi)使用所述第一信號參數(shù)和所述第二信號參數(shù)來對所述多個子段的至少一個進(jìn)行分類,并且適于根據(jù)所述多個子段的所述至少一個的所述分類來對所述心血管聲音進(jìn)行分類。由此,實(shí)現(xiàn)與如上所述相同的優(yōu)點(diǎn)。在另一個實(shí)施例內(nèi),所述系統(tǒng)包括用于對所述多個子段的所述至少一個建模的處理部件;用于從所述模型提取所述第一信號參數(shù)和/或所述第二信號參數(shù)的處理部件。由此,實(shí)現(xiàn)與如上所述相同的優(yōu)點(diǎn)。在另一個實(shí)施例內(nèi),用于提取所述第一信號參數(shù)和/或所述第二信號參數(shù)的所述處理部件適于提取至少一個頻率水平參數(shù),該至少一個頻率水平參數(shù)描述所述多個子段的至少一個的至少一個頻率分量的頻率水平屬性。由此,實(shí)現(xiàn)與如上所述相同的優(yōu)點(diǎn)。在另一個實(shí)施例內(nèi),用于提取所述第一信號參數(shù)和/或所述第二信號參數(shù)的所述處理部件適于提取至少一個復(fù)雜性參數(shù),該至少一個復(fù)雜性參數(shù)描述所述多個子段的至少一個的復(fù)雜性的復(fù)雜性參數(shù)。由此,實(shí)現(xiàn)與如上所述相同的優(yōu)點(diǎn)。在另一個實(shí)施例內(nèi),用于將所識別的心臟舒張和/或收縮段的至少一個劃分為多個子段的處理部件適于將所識別的心臟舒張和/或收縮段的至少一個劃分為至少8個子段。本發(fā)明還涉及一種計(jì)算機(jī)可讀介質(zhì),其中存儲了用于使得處理單元執(zhí)行如上所述的方法的指令。由此,實(shí)現(xiàn)與如上所述相同的優(yōu)點(diǎn)。本發(fā)明還涉及一種聽診器,該聽診器包括記錄部件,適于從活體記錄心血管聲音;存儲部件,適于存儲所記錄的心血管聲音;計(jì)算機(jī)可讀介質(zhì)和處理單元,所述計(jì)算機(jī)可讀介質(zhì)內(nèi)存儲了用于使得所述處理單元執(zhí)行如上所述的方法并且由此對所記錄的心血管聲音進(jìn)行分類的指令。在此,能夠在聽診器內(nèi)實(shí)現(xiàn)根據(jù)本發(fā)明的方法,并且實(shí)現(xiàn)上述優(yōu)點(diǎn)。本發(fā)明還涉及一種連接到通信網(wǎng)絡(luò)的服務(wù)器裝置,包括接收部件,適于通過所述通信網(wǎng)絡(luò)接收從活體記錄的心血管聲音;存儲部件,適于存儲所接收的心血管聲音;計(jì)算機(jī)可讀介質(zhì)和處理單元,所述計(jì)算機(jī)可讀介質(zhì)內(nèi)存儲了用于使得所述處理單元執(zhí)行如上所述的方法并且由此對所接收的心血管聲音進(jìn)行分類的指令。由此,根據(jù)本發(fā)明的方法能夠在連接到通信網(wǎng)絡(luò)的服務(wù)器內(nèi)實(shí)現(xiàn)。服務(wù)器因此能夠執(zhí)行上述方法,并且實(shí)現(xiàn)上述的優(yōu)點(diǎn)。在服務(wù)器的另一個實(shí)施例內(nèi),所述接收部件進(jìn)一步適于從連接到所述通信網(wǎng)絡(luò)的客戶機(jī)接收所述心血管聲音。由此,臨床醫(yī)生/大夫能夠使用諸如膝上型計(jì)算機(jī)的客戶機(jī)裝置來向所述服務(wù)器發(fā)送心血管聲音。之后所述服務(wù)器能夠?qū)λ邮盏男难苈曇暨M(jìn)行分類。由此,實(shí)現(xiàn)如上所述的優(yōu)點(diǎn)。在服務(wù)器的另一個實(shí)施例內(nèi),所述服務(wù)器裝置還包括用于向至少一個客戶機(jī)單元發(fā)送所述心血管聲音的所述分類的部件。由此,能夠向客戶機(jī)發(fā)送所述分類的結(jié)果,并且臨床醫(yī)生/大夫由此能夠接收分類的結(jié)果。由此,實(shí)現(xiàn)如上所述的優(yōu)點(diǎn)。圖l圖解了典型的心音的圖,圖2圖解了動脈狹窄的流體動態(tài)模型,圖3圖解了在根據(jù)本發(fā)明的方法的流程圖形式的概觀。圖4圖解了根據(jù)本發(fā)明的系統(tǒng)的一個實(shí)施例,圖5圖解了根據(jù)本發(fā)明的方法的另一個實(shí)施例,圖6圖解了分段方法的流程圖,圖7圖解了對于心音而言的、在心動周期的包絡(luò)自相關(guān)與所述心動周期之間的關(guān)系,圖8圖解了用于計(jì)算聲音是S1、S2和噪聲聲音的概率的貝葉斯網(wǎng)絡(luò)的實(shí)現(xiàn),圖9圖解了如何將舒張段劃分為多個順序的子段,圖10圖解了如何將舒張段劃分為重疊的子段,圖11圖解了用于在圖9內(nèi)圖解的心臟舒張期的功率譜密度(PSD)。具體實(shí)施例方式圖l圖解了由聽診器記錄的典型心音的圖,并且示出了在y軸上的聲壓的幅值(A)和在x軸上的時間(t)。心音反映了在心動周期內(nèi)的事件血液的減速、血流的湍流和瓣膜的關(guān)閉。瓣膜的關(guān)閉通常由兩種不同的心音表示第一(S1)和第二(S2)心音。在圖內(nèi)圖解了所述第一和第二心音,并且S1標(biāo)記心臟收縮期(101)的開始,心臟收縮期(101)是心動周期的一部分,期間心肌收縮的將血液推到主血管內(nèi),以及標(biāo)記心臟舒張期的結(jié)束,心臟舒張期是心動周期的一部分,期間心肌放松和擴(kuò)展。在舒張期(102)期間,血液填充心室。對于健康的對象來說,收縮段的持續(xù)時間大約300ms幾乎不變。如果脈搏為每分鐘60跳,則心動周期的持續(xù)時間將是平均一秒,并且舒張期的持續(xù)時間將是700ms。但是,舒張期持續(xù)時間不恒定,而是將根據(jù)對象的脈搏而改變。另外,由于神經(jīng)調(diào)節(jié)和呼吸的效應(yīng),引入了舒張期持續(xù)時間的較小的變化。圖2圖解了動脈狹窄的流體動態(tài)模型,并且示出了具有狹窄病變(202)的動脈(201)。箭頭(203)指示通過動脈的血流。當(dāng)高速血液流出狹窄病變(202)時,將發(fā)生渦流(204)。這些渦流與動脈壁(205)沖撞,并且被轉(zhuǎn)換為壓力振動,所述壓力振動導(dǎo)致動脈以它們的共振頻率振動。結(jié)果是,從動脈壁產(chǎn)生和發(fā)出雜音形式的聲波(206),其具有對應(yīng)于動脈壁的共振頻率的頻率。如果存在狹窄,則增大在動脈段內(nèi)的共振頻率,并且與動脈的直徑相比較,它們的頻率依賴于狹窄段的直徑。隨著狹窄的嚴(yán)重性增大,共振頻率也增加。部分阻塞的狹窄動脈的共振頻率最為可能在200Hz和llOOHz之間。渦流波動的強(qiáng)度依賴于血流,以便當(dāng)流過左冠狀動脈的血流最大時,在心臟舒張期期間來自左冠狀動脈的雜音最強(qiáng)。如果在供應(yīng)右側(cè)腔的右冠狀動脈的分支內(nèi)有狹窄,則在舒張期期間來自右冠狀動脈的雜音最強(qiáng),而所述雜音更可能將是來自向左心室提供動脈血液的右冠狀動脈的那些分支的心臟收縮。雜音的強(qiáng)度不僅依賴于血流,而且依賴于雜音的頻率成分。與低頻率相比較,高的雜音頻率被胸壁更多地抑制。由動脈振動引起的雜音將影響由例如聽診器記錄的心音圖。圖3圖解了根據(jù)本發(fā)明的方法的流程圖形式的概觀。所述方法能夠例如被實(shí)現(xiàn)為在計(jì)算機(jī)上或者在聽診器內(nèi)實(shí)現(xiàn)的微控制器上運(yùn)行的軟件程序。簡而言之,所述方法以初始化(301)開始,接收測試信號(302),將測試信號劃分為相關(guān)的(relevant)段(306),對相關(guān)段進(jìn)行濾波(307);計(jì)算/開發(fā)在相關(guān)段內(nèi)的信號的模型(308);從所述信號和所述模型提取不同的參數(shù)(309),使用所提取的參數(shù)來執(zhí)行所述信號的分析(310),并且將相關(guān)段劃分為兩個分組一個用于指示所述信號包括由狹窄導(dǎo)致的雜音的分組(311),以及一個用于指示所述信號不包括由狹窄導(dǎo)致的雜音的分組(312)。在已經(jīng)初始化了所述方法(301)后,所述方法接收測試信號(302)作為數(shù)據(jù)文件(303)。所述測試信號將是由例如數(shù)字聽診器記錄和數(shù)字化為數(shù)據(jù)文件的、來自人(304)的心音。所述測試信號將類似于在圖l內(nèi)圖解的心音;但是,測試信號的持續(xù)時間通常是在圖l內(nèi)所示的信號長度的5-15倍。一旦已經(jīng)接收到測試信號(302),則執(zhí)行分段(306),以便檢測測試信號和將其劃分為多個段。所述分段處理通常將檢測心音S1和S2,之后將所述測試信號劃分為收縮和舒張部分。接著,對測試信號進(jìn)行濾波(307),并且所述濾波處理包括自回歸濾波器,其減少在信號內(nèi)的白噪聲;以及帶通濾波器,其僅僅讓在450-1100Hz之間的頻率通過。當(dāng)在動脈內(nèi)出現(xiàn)狹窄時,所述測試信號此后將包括由動脈壁的振動引起的頻率。自回歸濾波器能夠被實(shí)現(xiàn)為卡爾曼濾波器,該卡爾曼濾波器是過去、當(dāng)前和未來狀態(tài)的強(qiáng)大估計(jì)器,并且即使當(dāng)不知道所建模的系統(tǒng)的精確特性時,其也能夠這么做。因?yàn)殡s音的精確成分是未知的,所以當(dāng)減少噪聲的效應(yīng)時,這是在本申請中的期望特征。一階卡爾曼濾波器能夠減少白噪聲的效應(yīng),并且平滑含噪聲的心音記錄以用于進(jìn)一步處理。所述帶通濾波器能夠被實(shí)現(xiàn)為小波濾波器。在另一個實(shí)施例內(nèi),省略了卡爾曼濾波器,以便簡化所述方法在例如微處理器內(nèi)的實(shí)現(xiàn),并且進(jìn)一步減少由微處理器執(zhí)行的計(jì)算的次數(shù)。當(dāng)已經(jīng)對信號進(jìn)行了濾波(307)時,選擇相關(guān)段來用于進(jìn)一步的分析。在一個實(shí)施例內(nèi),因?yàn)橛捎讵M窄導(dǎo)致的雜音最可能在心臟舒張段內(nèi)被聽到,所以舒張段的一部分被選擇來用于進(jìn)一步的分析,并且在另一個實(shí)施例內(nèi),還將舒張段劃分為多個子段,以便去除由于在麥克風(fēng)和病人的胸部之間的摩擦導(dǎo)致的噪聲(參見圖5)。以下使用在數(shù)據(jù)文件內(nèi)的采樣的心音來計(jì)算/開發(fā)在所選擇的段內(nèi)的信號的數(shù)學(xué)模型(308)。所述模型用于提取參數(shù),所述參數(shù)表征在段內(nèi)的聲音,并且能夠用于對是否在聲音段內(nèi)存在由狹窄導(dǎo)致的雜音進(jìn)行分類。在本實(shí)施例內(nèi),使用自回歸全極點(diǎn)參數(shù)估計(jì)(AR模型)來對信號建模。在所述AR模型內(nèi),來自數(shù)據(jù)文件的采樣的聲音信號y被建模為信號的M個過去值和當(dāng)前的輸入u的線性組合,所述當(dāng)前輸入u用于驅(qū)動聲音產(chǎn)生處理。能夠由下面的方程描述所述模型My(n)=-》py(n-p)+u(n)p=i其中,M表示模型階,Ap表示AR系數(shù),并且n表示采樣數(shù)。通過自相關(guān)并且通過最小化與模型相關(guān)聯(lián)的誤差來確定AR系數(shù)。19在這個實(shí)施例內(nèi)的AR模型用于提取用于描述心音的頻率參數(shù)。二階模型M=2是優(yōu)選的,因?yàn)槠湓趶拇嬖陔s音的心音提取的頻率參數(shù)與從存在雜音的心音提取的頻率參數(shù)之間做出較好的分離(separation)。其后,使用信號處理技術(shù)來從采樣信號和AR模型提取不同的信號參數(shù)(309)。能夠從所選擇的段或者子段提取一些信號參數(shù)。每個信號參數(shù)表征在所選擇的段/子段內(nèi)的心音,因此能夠用于對心血管聲音進(jìn)行分類,例如是否在心音內(nèi)存在由狹窄導(dǎo)致的雜音。所述信號參數(shù)能夠例如是用于描述在心血管聲音的至少一部分的頻域內(nèi)的屬性的頻率參數(shù),并且所述頻率參數(shù)能夠在如下所述的多變量分類方法內(nèi)被用作參數(shù)。因?yàn)楠M窄會改變心血管聲音的頻率分量,所以頻率參數(shù)是用于對在心血管聲音內(nèi)是否存在由狹窄導(dǎo)致的雜音進(jìn)行分類的很好的參數(shù)。所述頻率參數(shù)能夠例如是頻率水平參數(shù),該頻率水平參數(shù)描述所述心血管聲音的至少一部分的頻率水平屬性。所述雜音通常會改變心血管聲音的頻率水平,并且通過使用用于描述聲音的頻率水平的參數(shù),能夠?qū)崿F(xiàn)心血管聲音的魯棒分類。頻率水平屬性也能夠表征所述心血管聲音的至少一部分的最強(qiáng)的頻率分量。這個參數(shù)是很有用的參數(shù),因?yàn)橛瑟M窄導(dǎo)致的雜音通常具有在200-1200Hz之間的主要頻率分量。以及如果最強(qiáng)的頻率分量在該間隔內(nèi),將是存在由狹窄導(dǎo)致的雜音的良好指示。所述頻率參數(shù)也能夠是頻率帶寬參數(shù),該頻率帶寬參數(shù)用于描述所述心血管聲音的至少一部分的頻率帶寬屬性。使用心血管聲音的頻率帶寬屬性的優(yōu)點(diǎn)是,雜音經(jīng)常具有有限的頻率帶寬,并且所述頻率帶寬參數(shù)因此將是在心血管聲音內(nèi)是否存在由狹窄導(dǎo)致的雜音的良好指示器。所述頻率帶寬屬性能夠例如表征最強(qiáng)的頻率分量的帶寬。所述信號參數(shù)也能夠是時間參數(shù),該時間參數(shù)用于描述在所述心血管聲音的至少一部分的時域內(nèi)的屬性。因?yàn)闀r間和頻率屬性經(jīng)常不相關(guān),所以通過使用時間和頻率參數(shù),實(shí)現(xiàn)心血管的非常魯棒的分類。時間參數(shù)能夠例如表征所述心血管聲音的至少一部分的遷移率。所述遷移率是在心血管聲音內(nèi)是否存在由狹窄導(dǎo)致的雜音的良好指示器。所述遷移率描述聲音的方差,并且因?yàn)殡s音會引起在聲音內(nèi)的較大方差,因此遷移率將是良好的指示器。在當(dāng)前實(shí)施例內(nèi)使用的信號參數(shù)是每個信號長度的拐點(diǎn)的數(shù)量TP;信號的遷移率MB;極幅PM;歸一化的AR峰值頻率NF;以及ARi普比(spectralratio)SR。從在時域內(nèi)的采樣信號提取拐點(diǎn)的數(shù)量TP,并且,通過計(jì)算信號在時域內(nèi)每單位時間執(zhí)行的轉(zhuǎn)折的數(shù)量來得到它。這能夠通過確定在時段內(nèi)的局部極值的數(shù)量來完成。因此從在時域內(nèi)的采樣信號來提取遷移率MB,并且通過計(jì)算在時域內(nèi)的信號的方差Oy和信號的一階導(dǎo)數(shù)的方差cv來得到遷移率MB。通過下述公式來得到遷移率通過將AR模型轉(zhuǎn)換到z域內(nèi),并且計(jì)算在由AR譜描述的z域內(nèi)的極幅,來得到極幅PM。歸一化的AR峰值頻率NF基于下述假設(shè)在舒張段內(nèi)比在收縮段內(nèi)更可能找到由狹窄導(dǎo)致的雜音。通過計(jì)算在z平面內(nèi)的AR譜內(nèi)的極點(diǎn)的角度,并且將其轉(zhuǎn)換為舒張段和收縮段的頻率,來得到NF。如果在兩者之間的絕對差(absolutedifference)小于25Hz,25Hz在不存在由狹窄導(dǎo)致的雜音的情況下是典型的,則從舒張峰值頻率減去25Hz。如果平均舒張頻率比平均收縮峰值頻率大了超過50Hz,50Hz當(dāng)存在由狹窄導(dǎo)致的雜音時是典型的,則向平均峰值舒張頻率加上25Hz。通過計(jì)算在頻率范圍200-500Hz的舒張段內(nèi)的能量與在頻率范圍500-1000Hz的舒張段內(nèi)的能量的比率,得到AR譜比SR。以下在多參數(shù)判別函數(shù)內(nèi)使用所提取的參數(shù),以便劃分聲音段是否包括由狹窄導(dǎo)致的雜音(310)。在這個實(shí)施例內(nèi),使用線性判別函數(shù)來對聲音段進(jìn)行分類。所述線性判別函數(shù)將加權(quán)特征組合為判別分?jǐn)?shù)g(x),并且能夠通過下述公式來描述該判別分?jǐn)?shù)g(x):g(x)=m^Xi+w2:c2+w3a:3+......+^4^+Wo=w、+wo其中,x是由所提取的參數(shù)構(gòu)成的特征向量,k表示特征的數(shù)量,i表示類別,w是保持(hold)判別系數(shù)的加權(quán)向量。在僅僅必須區(qū)分開兩個類別的情況下,使用單個判別函數(shù)。兩類分類器被稱為二分器。二分器通常使用判定邊界g(x^0(由于常數(shù)wo所導(dǎo)致)來對特征向量進(jìn)行分類。如果判別分?jǐn)?shù)g(x)大于0,則所述段被分配到類別l,否則其被分配到類別2。因?yàn)間是線性函數(shù)g(x)=0,因此其定義了超平面判定表面,將多維空間劃分為兩個半子空間。判別分?jǐn)?shù)g(x)是到超平面的代數(shù)距離。判別函數(shù)需要被訓(xùn)練,以便找到權(quán)重的值w,并且進(jìn)行聲音段的安全和魯棒的分類。需要在使用所述系統(tǒng)之前,執(zhí)行判別訓(xùn)練過程,并且所述過程的目的是找到w的最佳加權(quán)值,以便超平面對特征向量進(jìn)行最佳劃分。在一個實(shí)施例內(nèi),通過使用從18個測試人記錄的18個測試聲音來執(zhí)行所述訓(xùn)練過程,其中,9個測試人具有冠脈狹窄,并且9個測試人不具有冠脈狹窄。通過使用用于windows的統(tǒng)計(jì)軟件程序SPSSv.l2.0(美國伊利諾斯州芝加哥的SPSS公司)來執(zhí)行所述判別訓(xùn)練過程。上述的參數(shù)被從所述18個訓(xùn)練聲音提取,并且被用作所述軟件程序的統(tǒng)計(jì)輸入。得到的判別式可以是:g(x)=164.709Affl—0.06liV尸—78.027尸Af+27,18857+91.8787+33,712其中,MB是信號的遷移率,NF是AR峰值頻率,PM是極幅,SR是AR譜比,TP是拐點(diǎn)的數(shù)量。如果判別函數(shù)的結(jié)果大于O(g(x)X)),則聲音段不包括由狹窄導(dǎo)致的雜音(312)。另一方面,如果判別函數(shù)小于0(g(x)<0),則聲音段包括由狹窄導(dǎo)致的雜音(311)。所述判別函數(shù)能夠被本領(lǐng)域技術(shù)人員容易地調(diào)整,以包括另外或者更少的參數(shù),以便開發(fā)可以能夠?qū)π囊暨M(jìn)行分類的適當(dāng)判別函數(shù)。其他的參數(shù)能夠例如是在時域內(nèi)的采樣信號的復(fù)雜度CP。這個參數(shù)基于信號的一階導(dǎo)數(shù)的遷移率與所述信號本身的遷移率的比率,其中,y"是被濾波的心音信號的二階導(dǎo)數(shù)。復(fù)雜度測量對于含噪聲信號較為敏感,因?yàn)槠浠诙A導(dǎo)數(shù)。CP=~2L=_iL_^L能夠使用信號復(fù)雜度的其他測量,諸如近似熵、譜熵或者嵌入空間特征i普(embeddingspaceeigenspectrum)。而且,AR峰值頻率(PF)能夠被提取,并且能夠被用于判別函數(shù)內(nèi)。能夠通過計(jì)算在z平面內(nèi)的AR極點(diǎn)的角度而找到AR峰值頻率。而且,能夠從具有功率譜密度函數(shù)(PSD)的不同段提取功率比(PR)。能夠通過使用離散傅立葉變換來計(jì)算PSD。能夠從PSD提取功率比為在150-350Hz之間的能量與在350和1000Hz之間的能量的比率。在判別函數(shù)內(nèi)使用的參數(shù)能夠被從心音的不同段一一諸如多個不同的舒張段一一提取,其中,從每個舒張段提取多個參數(shù)。然后,能夠計(jì)算每個參數(shù)的平均值,并且用作在判別函數(shù)內(nèi)的輸入。圖4a圖解了根據(jù)本發(fā)明的系統(tǒng)的一個實(shí)施例,其中,服務(wù)器(401)被編程來執(zhí)行在圖3內(nèi)所述的方法。而且,服務(wù)器連接到網(wǎng)絡(luò)(402),諸如因特網(wǎng),并且適于應(yīng)請求而接收和分析心音。臨床醫(yī)生或者其他醫(yī)療專業(yè)人員將通過數(shù)字聽診器(305)從病人記錄心音,然后向個人計(jì)算機(jī)(403)發(fā)送數(shù)字化的心音。臨床醫(yī)生然后能夠向服務(wù)器發(fā)送請求,以便使其分析心音。一旦服務(wù)器已經(jīng)分析了心音,則結(jié)果被自動地發(fā)回到臨床醫(yī)生。圖4b圖解了在個人計(jì)算機(jī)(403)和服務(wù)器之間的過程和通信的流程圖。左手側(cè)表示客戶機(jī)側(cè)(410),右手側(cè)表示服務(wù)器側(cè)(411)。首先,客戶機(jī)向服務(wù)器發(fā)送數(shù)字形式的心音(412)。之后,服務(wù)器執(zhí)行在圖3內(nèi)所示的方法,并且向客戶機(jī)發(fā)回(413)分析的結(jié)果,其中,分析的結(jié)果被顯示(414)給臨床醫(yī)生。臨床醫(yī)生然后能夠評估所述結(jié)果,以便選擇病人的正確治療。根據(jù)本發(fā)明的系統(tǒng)也能夠被實(shí)現(xiàn)為一件式的(allinone)數(shù)字聽診器。當(dāng)已經(jīng)記錄了心音時,聽診器由此將自動地執(zhí)行在圖3內(nèi)所述的分析。這意味著在圖3內(nèi)所述的方法需要被實(shí)現(xiàn)在聽診器的處理部件內(nèi),并且分析的結(jié)果能夠例如被顯示于集成在聽診器內(nèi)的小LCD上。這個實(shí)施例的優(yōu)點(diǎn)是大多數(shù)臨床醫(yī)生熟悉數(shù)字聽診器,并且因此能夠容易地學(xué)習(xí)使用聽診器來診斷病人是否具有冠脈狹窄。圖5圖解了在圖3內(nèi)所述的方法的另一個實(shí)施例。當(dāng)已經(jīng)對信號進(jìn)行了濾波(307)時,識別諸如心臟收縮和/或舒張段的相關(guān)段(501),然后將相關(guān)段劃分為子段(502)。在步驟(503)識別并丟棄含噪聲的子段,以及在步驟(504)還識別并丟棄非固定的子段。在一個實(shí)施例內(nèi),因?yàn)樽羁赡茉谑鎻埗蝺?nèi)聽到由狹窄導(dǎo)致的雜音,所以選擇舒張段的一部分來用于進(jìn)一步分析。在這個實(shí)施例內(nèi),在步驟(501)內(nèi)丟棄包括呼吸聲音的舒張段。這通過下述方式來完成計(jì)算在頻帶200-440Hz內(nèi)的舒張段的能量水平,并且將這個能量水平與整個舒張段的中間能量水平進(jìn)行比較。如果200-440Hz頻帶的能量水平是整個舒張段內(nèi)的能量水平的l.l倍,則將丟棄該舒張段。然后在步驟(502)內(nèi)將剩余的舒張段劃分為多個子段,并且圖9和10圖解了如何能夠?qū)⑹鎻埗蝿澐譃樽佣巍D9和10圖解了由聽診器記錄的典型心音的圖,并且示出了在y軸上的聲壓的幅值(A)和在x軸上的時間(t)。這些解了第一心音(S1)、第二心音(S2)、收縮段(101)和舒張段(102)。已經(jīng)在舒張段內(nèi)引入了兩個短噪聲尖峰(NS)。圖9圖解了如何將舒張段(102)劃分為多個順序的子段(A,B,C,D,E,F(xiàn),G,H,I,J)。每個子段用于在步驟(309)和(310)內(nèi)的心血管聲音的分類;但是,含噪聲段(B)和(E)由于短噪聲尖峰(NS)而在步驟(503)被丟棄,因此當(dāng)對心血管聲音進(jìn)行分類時不被使用。圖10圖解了如何將舒張段(102)劃分為重疊的子段(a,b,c……t)。能夠看出,段(b)的至少一部分與段(a)的至少一部分重疊,并且段(b)的另一部分與段(c)的至少一部分重疊。剩余的段以類似的方式彼此重疊。結(jié)果是,當(dāng)在步驟(309)和(310)內(nèi)對心血管聲音進(jìn)行分類時,能夠使用較大量的舒張段。段(j)由于短噪聲尖峰(NS)而被丟棄,但是,因?yàn)樽佣?j)的持續(xù)時間比噪聲尖峰的持續(xù)時間更長,所以段(j)的最后部分不包括任何噪聲。結(jié)果是,當(dāng)丟棄段(j)時會丟棄適于心血管聲音分類的聲音。但是,因?yàn)槎?j)和段(k)彼此重疊,所以沒有噪聲尖峰的段(j)的部分將作為段(k)的一部分來用于分類。段的重疊由此確保將盡可能多的舒張段用于分類方法中。摩擦尖峰經(jīng)常包括高能量,其使得它們支配(dominate)在步驟(309)內(nèi)提取的信號參數(shù)。在圖11內(nèi)圖解了摩擦尖峰如何支配和影響在步驟(309)內(nèi)提取的信號參數(shù)的值的示例。圖11圖解了在圖9內(nèi)圖解的舒張期的功率譜密度(PSD),其中,將丟棄(1101)或者不丟棄(1102)含有摩擦尖峰的子段的、以dB為單位的功率譜幅值(PSM)繪制為以Hz為單位的頻率(f)的函數(shù)。通過下述方式來做出兩個PSD繪圖如圖9所示將信號子分段為子段,然后從每個子段計(jì)算功率譜,然后通過平均每個子段的PSD來計(jì)算PSD。在兩個圖(1101)和(1102)之間的差別是,在計(jì)算以實(shí)線(1101)所示的平均PSD之前,去除包括摩擦尖峰的2個子段(B,E)(參見圖9)??梢钥闯觯Σ良夥逶陬l率區(qū)域200-1600Hz內(nèi)嚴(yán)重影響PSD。因此,去除具有高能量噪聲的短子段,能夠減少由手持聽診器產(chǎn)生的噪聲的影響。子段的短持續(xù)時間確保僅僅排除了信號的局部部分。來自20個病人的心音記錄的分析顯示,138個舒張期內(nèi)的僅僅44個(32%)包括256毫秒長的沒有高能量噪聲的段。這指示,像使用來自每個舒張期的一個固定256毫秒窗口的現(xiàn)有技術(shù)方法的方法,將需要丟棄所記錄舒張期的68%,由此需要當(dāng)前方法3倍長的記錄,以便能夠分析相同數(shù)量的舒張期。在當(dāng)前實(shí)施例內(nèi),子段的持續(xù)時間是37.5毫秒,但是在其他實(shí)施例內(nèi),持續(xù)時間能夠比37.5毫秒更短或者更長,并且它們也可以如圖10內(nèi)圖解那樣重疊。較短段的一個優(yōu)點(diǎn)是在時域內(nèi)的較高的分辨率,而較長段的一個優(yōu)點(diǎn)是從當(dāng)前子段計(jì)算的參數(shù)的經(jīng)常較好的精度。在步驟(503),通過對子段的統(tǒng)計(jì)分析來識別和丟棄含噪聲的子段。含噪聲的子段是具有低信噪比的子段,如具有摩擦尖峰的子段、具有背景噪聲的子段、或者具有諸如呼吸噪聲的生理噪聲的子段??梢砸圆煌姆绞絹碜R別含噪聲的子段,例如具有與大多數(shù)子段不同的幅值、頻率或者能量分布的子段可以被識別為含噪聲的子段。在當(dāng)前實(shí)施例內(nèi),計(jì)算在所有子段內(nèi)的信號的方差,然后丟棄具有所有子段的中值方差(medianvariance)的1.3倍的方差的子段。在其他實(shí)施例內(nèi),能夠通過下述方式來識別含噪聲的子段將信號濾波到多個頻帶內(nèi),并且計(jì)算在每個子段內(nèi)的頻帶的方差。其中一個或多個頻帶的方差大于在剩余子段內(nèi)的頻帶的方差的子段被認(rèn)為含噪聲。然后,在步驟(504)后,去除非固定的子段,以便減少非固定的影響。在冠狀動脈內(nèi)的血流在舒張期期間不是不變的,因此由狹窄導(dǎo)致的雜音不是固定的;但是,如AR模型的幾種信號處理方法假定要建模的信號是固定的。使用短子段的優(yōu)點(diǎn)是,短時間內(nèi)信號能夠被假定是固定的。在當(dāng)前實(shí)施例內(nèi),這是通過下述方式來實(shí)現(xiàn)的將子段劃分為具有3.75毫秒的持續(xù)時間或者30個采樣的多個子子段,然后計(jì)算每個子子段的方差。從而,構(gòu)建在子段各部分的方差的概況(outline)。然后計(jì)算所述概況的方差,并且如果所述概況的方差大于l,則去除所述子段。此處,已經(jīng)丟棄了多個子段以便去除含噪聲和非固定的子段。這通常會從大約IO秒的心血管記錄得到30-100個子段。然后將剩余的子段用于圖3內(nèi)所示的步驟(308)和(309)內(nèi),以便提取用于描述心血管信號的不同屬性的信號參數(shù)。然后,使用來自每個子段的信號參數(shù)的值來計(jì)算每個參數(shù)的中值(505)。然后,將每個參數(shù)的中值用于圖3所示的多參數(shù)判別函數(shù)內(nèi)。在這個實(shí)施例內(nèi),使用下面的信號參數(shù)6階AR模型內(nèi)的一個3極(a3pole)的遷移率、功率比和極幅。因?yàn)槠骄档木仍诮y(tǒng)計(jì)上以釆樣數(shù)量的平方根得到改善,所以計(jì)算信號參數(shù)為來自許多子段的信號參數(shù)的平均值,減少了隨機(jī)噪聲的影響。為了圖解在由來自每個舒張期的一個段來計(jì)算信號參數(shù)與使用來自所有舒張期的多個子段計(jì)算信號參數(shù)之間的差別,對于兩種方法計(jì)算信號參數(shù)PR。當(dāng)對每個舒張期使用一個256毫秒窗口來分析記錄時,在9個舒張期上計(jì)算的平均PR值是0.484,并且所述平均值的95%的置信區(qū)間是士0.0134(通過將標(biāo)準(zhǔn)誤差乘以1.96而計(jì)算得出)。但是,如果使用當(dāng)前的方法來分析同一記錄,則使用50個短子段,平均值的95%的置信區(qū)間將僅僅是±0.0064。為了使用來自每個舒張期的單個段來達(dá)到同樣窄的置信區(qū)間,需要39個舒張期,由此需要很長的記錄。在另一個實(shí)施例內(nèi),使用剩余的子段,以便提取用于描述心血管信號的不同屬性的信號參數(shù),并且來自每個子段的信號參數(shù)然后被用于多參數(shù)判別函數(shù),所述多參數(shù)判別函數(shù)建立與每個子段相關(guān)聯(lián)的判別分?jǐn)?shù)。由此,最后的判別分?jǐn)?shù)被計(jì)算作為與每個子段相關(guān)的分?jǐn)?shù)的中值。圖6圖解了根據(jù)本發(fā)明的分段方法的流程圖,所述方法用于自動地將心音(601)劃分為多個子段。所述心音(601)己經(jīng)被聽診器記錄,并且信號已經(jīng)被數(shù)字化,以便數(shù)字地處理所述信號。所述圖將聲音強(qiáng)度的幅值(A)示出為時間(t)的函數(shù)。所述心音反映了在心動周期內(nèi)的事件;血液的減速、血流的湍流和瓣膜的關(guān)閉。瓣膜的關(guān)閉通常由兩個不同的心音表示,第一(S1)和第二(S2)心音。在附圖內(nèi)圖解了第一和第二心音,(Sl)標(biāo)記心臟收縮期的開始,心臟收縮期是心動周期的一部分,其間心肌收縮并將血液推到主血管內(nèi),(Sl)還標(biāo)記心臟舒張期的結(jié)束,心臟舒張期是心動周期的一部分,其間心肌放松和擴(kuò)展。在舒張期期間,血液填充心室。所述分段方法的目的是將所記錄的心音劃分為收縮、舒張和噪聲段。所圖解的方法包括降噪步驟(602),接著是包絡(luò)建立步驟(603)。能夠?qū)⒔翟雽?shí)現(xiàn)為高通濾波器,跟著去除由在記錄期間的諸如聽診器的移動的外部噪聲所導(dǎo)致的高幅值摩擦噪聲尖峰,以及然后是低通濾波器。包絡(luò)建立的目的是增強(qiáng)信號的趨勢(trend)。在這個實(shí)施例內(nèi),通過計(jì)算信號的香農(nóng)能量來建立所述包絡(luò)se(n)=—x(n)2logx(n)2其中,x是信號,se是香農(nóng)能量。當(dāng)計(jì)算香農(nóng)能量時,信號中的高幅值分量比低幅值分量的權(quán)重更高。在圖(613)內(nèi)示出了通過使用香農(nóng)能量來計(jì)算的心音(601)的包絡(luò)(613),并且能夠看出增強(qiáng)了心音Sl和S2。為了根據(jù)在心音Sl和S2的任一側(cè)上的間隔持續(xù)時間來將所檢測的聲音劃分為收縮段、舒張段和噪聲分量,必須知道在Sl和S2之間的間隔是多長。因此,由包絡(luò)的自相關(guān)提取心動周期(收縮和舒張間隔)的持續(xù)時間(604)。在圖7內(nèi)詳細(xì)描述了這個過程。然后在包絡(luò)(613)上使用上面提取的時間間隔和門限值(614)來檢測(605)候選者Sl和S2。為了減少所檢測的噪聲峰值的數(shù)量,向候選段施加最低要求,其有效地去除了一些錯誤檢測的噪聲尖峰。在一些記錄內(nèi),在Sl和S2聲音的強(qiáng)度之間有大差別。這引起一個問題,因?yàn)橐恍┑蛷?qiáng)度聲音可能被門限值丟失。結(jié)果是,分段方法執(zhí)行對于丟失Sl和S2聲音的測試(606)。如果能夠確定丟失了一些段,則使用較低的局部門限值來重新運(yùn)行(607)門限過程(thresholdprocedure)。一旦已經(jīng)將信號劃分為如上所述的多個段,則然后提取每個段的間隔參數(shù)和頻率參數(shù)(608)。所述參數(shù)幫助將聲音分類為收縮段和舒張段。所述間隔參數(shù)是通過下述方式而對于每個聲音提取的四個布爾參數(shù)通過將持續(xù)時間與前一個聲音和下一個聲音相比較,而時間間隔是使用自相關(guān)而提取的。所述參數(shù)是*AfterDia:如果所述聲音在對應(yīng)于舒張期的持續(xù)時間的時段后接著是第二聲音,則為真,*AfterSys:如果所述聲音在對應(yīng)于收縮期的持續(xù)時間的時段后接著是第二聲音,則為真,*BeforeDia:如果在第二聲音后經(jīng)過對應(yīng)于舒張期的持續(xù)時間的時段接著是所述聲音,則為真,*BeforeSys:如果在第二聲音后經(jīng)過對應(yīng)于收縮期的持續(xù)時間的時段接著是所述聲音,則為真。所述頻率參數(shù)通過計(jì)算聲音的中值頻率將聲音劃分為低頻和高頻聲音。這是有用的信息,因?yàn)榈谝恍囊纛A(yù)期是低頻聲音,而第二心音預(yù)期是高頻聲音。所述參數(shù)被解析到貝葉斯網(wǎng)絡(luò)內(nèi),其中,計(jì)算段是S1、S2和噪聲聲音的概率(609)。所述附解了對于在心臟信號(601)內(nèi)的每個聲音計(jì)算的概率的條形圖(615)。每個聲音通常具有一個優(yōu)勢概率(dominatingprobability),其指示聲音的類型(S1、S2或者噪聲)。由此,所有的聲音被劃分為S1、S2和噪聲聲音。但是,三種類型的概率在一些情況下或多或少地相等,并且在這種情況下,不可能使用貝葉斯網(wǎng)絡(luò)來將聲音劃分為Sl、S2或者噪聲聲音。在最后的步驟(610)內(nèi)使用所述概率,以將心臟信號劃分為收縮段和舒張段,并且檢驗(yàn)所述心臟信號。這是通過如下方式實(shí)現(xiàn)的使用被識別的Sl和S2聲音的位置來分別標(biāo)記收縮和舒張聲音段的開始。所述方法的最后結(jié)果(611)是所有被識別的收縮期和舒張期的開始和結(jié)束。因此,能夠建立一"串"(616)交替的收縮期(617)和舒張期(618)。一旦已經(jīng)識別了收縮期和舒張期,則它們能夠用于進(jìn)一步的數(shù)據(jù)處理,例如用于從這些段提取另外的參數(shù),并且然后使用該參數(shù)來對所記錄的心音的病情(medicalcondition)進(jìn)行分類。圖7圖解了在包絡(luò)自相關(guān)與心動周期之間的關(guān)系,以及如何能夠根據(jù)自相關(guān)來找到在心音Sl和S2之間的間隔。圖7a圖解了包絡(luò)自相關(guān),其中,在y軸上示出歸一化的自相關(guān)(NA),而在x軸上示出的移位包絡(luò)的位移(m)。圖7b圖解了當(dāng)移位的包絡(luò)(701)被位移了對應(yīng)于未移位的包絡(luò)(702)的心臟收縮的持續(xù)時間時的位移(ml)。y軸示出了包絡(luò)的幅值(A),而x軸示出了時間(t)。在位移的包絡(luò)內(nèi)的Sl被乘以在未移位的包絡(luò)內(nèi)的S2,得到在自相關(guān)中看到的第一峰值(703)。圖7c圖解了當(dāng)移位的包絡(luò)(701)被位移了對應(yīng)于未移位的包絡(luò)(702)的心臟舒張的持續(xù)時間時的位移(m2)。位移的S2被乘以在未移位的包絡(luò)內(nèi)的Sl,得到在自相關(guān)中看到的第二峰值(704)。圖6b圖解了當(dāng)移位的包絡(luò)(701)被位移了對應(yīng)于未移位的包絡(luò)(702)的心動周期的持續(xù)時間時的位移(m3)。在位移的包絡(luò)內(nèi)的Sl被乘以在未移位的包絡(luò)內(nèi)的Sl,而在位移的包絡(luò)內(nèi)的S2則乘以在未移位的包絡(luò)內(nèi)的S2。當(dāng)此發(fā)生時,產(chǎn)生在自相關(guān)中的主要(dominating)峰值(705)。因此,通過測量在如上所述的自相關(guān)內(nèi)的峰值之間的距離,能夠找到在心音之間的間隔。圖8圖解了用于在步驟(809)內(nèi)計(jì)算聲音是Sl、S2和噪聲聲音的概率的貝葉斯網(wǎng)絡(luò)的實(shí)現(xiàn)。在貝葉斯網(wǎng)絡(luò)內(nèi)的基本概念是條件概率和后驗(yàn)概率。所述條件概率描述在給定事件b的情況下事件a的概率。P(a|b)=xc如果上述的等式描述了初始條件概率,則后驗(yàn)概率是P(b|a)=xp按照貝葉斯規(guī)則,在后驗(yàn)概率和條件概率之間的關(guān)系是:P(b|a)=P(a=其中,P(a)是事件a的先驗(yàn)概率,而P(b)是事件b的先驗(yàn)概率。等式[8.3]僅僅描述了在一個父(parent)和一個子(child)之間的關(guān)系,但是因?yàn)槭录能夠是幾個事件(aha2,,,,,,,aj的組合,所以所述等式能夠被擴(kuò)展為因?yàn)槟繕?biāo)是找到當(dāng)已知a,和&2時的b的不同狀態(tài)的概率,因此P(ai,a2,,,,,,,an)僅僅是標(biāo)準(zhǔn)化常數(shù)k,并且[7.4]能夠被簡化為P(biai,a2,,,,,an)=tP(ai,a2,,,,,anib)P(b)如果子事件(a,,a2,,,,,an)是條件上獨(dú)立的,則等式[8.5]能夠被歸納為P(b|ai,a2,,,,,an)=A:.P(b)fjP(i|b)其中,N是已知事件a的數(shù)量。如果已知所有a事件的狀態(tài)并且如果所有的a事件是在條件上獨(dú)立的,則等式[8.6]能夠用于確定事件b的概率。基于等式[8.6]的貝葉斯網(wǎng)絡(luò)被稱為樸素貝葉斯網(wǎng)絡(luò)(nai'veBayesiannetwork),因?yàn)槠湫枰邮录臈l件獨(dú)立性。貝葉斯網(wǎng)絡(luò)的任務(wù)是評估在檢測門限值之上的每個檢測的聲音的類型。對于這些聲音的每一個,計(jì)算其是S1聲音、S2聲音或者噪聲分量的后驗(yàn)概率,并且使用一個父和5個子來構(gòu)造貝葉斯網(wǎng)絡(luò)。父是在包絡(luò)門限值之上的聲音(801),并且子是如上所述的5個參數(shù)Frequency(802)、AfterSys(803)、AfterDia(804)、BeforeSys(805)和BeforeDia(806)。當(dāng)確定特定聲音類型的后驗(yàn)概率時,必須知道聲音類型的不同狀態(tài)的先驗(yàn)概率P(S)和條件概率,即當(dāng)S是給定類型時"AfterSys"在給定狀態(tài)內(nèi)的條件概率P(AfterSysiS)。這個后驗(yàn)概率要求在能夠使用等式[8.6]來計(jì)算聲音是特定類型的聲音的后驗(yàn)概率之前,限定P(S)、P(AfterSys|S)、P(AfterDia|S)、P(BeforeSys|S)、P(BeforeDia|S)和P(Frequency!S)。聲音是S1、S2或者噪聲分量的先驗(yàn)概率在記錄之間變化。在未檢測到噪聲分量的最佳記錄內(nèi),噪聲的先驗(yàn)概率是0,P(S=N。ise)=0。如果是這種情況并且檢測到相同數(shù)量的Sl和S2,則所檢測的聲音是Sl的概率是50%,并且對于S2類似。因此,如果P(S-N。ise)二0,則P(S-S1)=P(S=S2)=0.5。但是,對于實(shí)際信號不能假定這種最佳的條件,并且將檢測到噪聲聲音。這將增加給定聲音是噪聲的先驗(yàn)概率。如果已知檢測到噪聲聲音的數(shù)量Nn。ise和檢測聲音的總數(shù)Ns。unds,則能夠限定所檢測的聲音是噪聲的確切概率P(S=n。ise)。例如,如果已知檢測到四個噪聲聲音,Nn。ise=4,并且所檢測的聲音的總數(shù)是20,則被檢査的聲音是噪聲聲音的概率是P(S-w。ise)^4/20。但是,在大多數(shù)信號內(nèi),Nn。iM是未知的,因此需要N。。ise的估計(jì),并且這個估計(jì)能夠基于已經(jīng)能夠獲得的信息,因?yàn)閺陌j(luò)自相關(guān)(804)得知心動周期的持續(xù)時間。因此,能夠通過將記錄的長度除以心動周期的長度,來計(jì)算在一個記錄內(nèi)的心動周期的預(yù)期數(shù)量。因此,在記錄內(nèi)的Sl和S2的數(shù)量是在記錄內(nèi)的心動周期的數(shù)量的兩倍。因此,聲音類型的先驗(yàn)概率是P(S=noise)=^2^丄、sound并且,所檢測的聲音是S1或者S2的先驗(yàn)概率是33[8.8]P(S=S1)=P(S=S2)=—、2=nois"SI在對應(yīng)于收縮期的持續(xù)時間的間隔后接著是S2聲音的條件概率,P(AfterSys|S=sl),依賴于幾個因素。SI聲音通常在等于收縮期的持續(xù)時間的間隔后接著是S2聲音。與此的偏離能夠例如在如下情況下發(fā)生當(dāng)SI是在記錄內(nèi)的最后聲音時,或者如果S2因?yàn)闆]有被門限值檢測到而丟失。也可能發(fā)生,因?yàn)樵谂c那些聲音相關(guān)聯(lián)的容差窗口內(nèi)發(fā)生噪聲,而檢測到弱(門限值下方)的S2。如果聲音是SI聲音則"AfterSys"為假的概率可以因此被計(jì)算為P(AfterSys=false|S=S1)=P(EndSounduSinglesound),NoiseInWin)其中,"EndSound"是描述聲音是在記錄內(nèi)的最后聲音的事件。"SingleSound"描述SI后面沒有跟著S2,因?yàn)橛捎诘陀陂T限值幅值而導(dǎo)致未檢測到下一個S2聲音。"NoiselnWin"描述在窗口內(nèi)的噪聲發(fā)生,在所述窗口中,預(yù)期S2聲音。如果被檢查的聲音是SI則"AfterSys"為真的條件概率被給出為P(AfterSys=tre|S=sl)d-P(AfterSyS=/ateIS^)如果被檢查的聲音是S2聲音,則不可能在對應(yīng)于收縮持續(xù)時間的間隔后發(fā)生任何聲音,因?yàn)樵谑鎻埰诘某掷m(xù)時間后將發(fā)生下一個SI聲音。例外是,如果在窗口內(nèi)出現(xiàn)噪聲聲音P(NoiselnWin),或者如果收縮期和舒張期持續(xù)時間相等。如果舒張期的持續(xù)時間等于收縮期的持續(xù)時間,則在S2聲音后經(jīng)過舒張期的持續(xù)時間后跟著的SI聲音出現(xiàn)在舒張期容差窗口內(nèi)和收縮期容差窗口內(nèi)。這將在對象心率較高的情況下發(fā)生。在兩個容差窗口內(nèi)發(fā)生一個聲音(重疊)的概率等于在收縮期和舒張期容差窗口之間的重疊(overlap)程度。這個概率被稱為P(Overlap)。因此,如果被檢査的聲音是S2聲音則在收縮期持續(xù)時間后在窗口內(nèi)發(fā)生一個聲音的條件概率是P(AfterSys=tn<e|S=S2)=P(OverlapuNoiselnWin)如果被檢查的聲音是S2,則在收縮期持續(xù)時間后未發(fā)生聲音的條件概率是其發(fā)生的條件概率的相對值P(AfterSyS=/。te|SJ=1-P(AfterSy^|SJ檢測的噪聲聲音在收縮期持續(xù)時間之后跟著是另一聲音的條件概率,基于在具有所使用的容差窗口的長度的段內(nèi)存在任何種類的聲音的概率。這能夠根據(jù)一個比率來估計(jì),該比率是容差窗口長度乘以檢測聲音的數(shù)量減去1與記錄長度的比率。P(SoundlnWin|S=S2)=1-P(AfterSys=tn(e|S=S2)所檢測的噪聲聲音在收縮期持續(xù)時間后跟著是另一個聲音的條件概率,P(AfterSys|S=n。ise),基于在具有所使用的容差窗口的長度的段內(nèi)存在任何種類的聲音的概率。這能夠根據(jù)一個比率來估計(jì),該比率是容差窗口長度乘以所檢測聲音的數(shù)量減去1與記錄長度的比率。因此,噪聲聲音在收縮期持續(xù)時間后跟著是另一個聲音的條件概率是P(AfterSyS=tmeIS=noise)=P(SoimdlnWin):(N醒廣l)-2-SystolRecLength其中,N,。u。d是在記錄內(nèi)的聲音的數(shù)量,SySt。,是收縮期的持續(xù)時間,而RecLength是記錄的長度。噪聲在收縮期間隔后未被另一個聲音跟隨的概率是相對值P(AfterSyS=falseIS=noise)=1-P(S麵緒in)P(AfterDia|S)、P(BeforeSyslS)和P(BeforeDialS)的條件概率基于用于限定P(AfterSyslS)的相同假設(shè)。能夠在下面的表格內(nèi)找到這些條件概率<table>tableseeoriginaldocumentpage36</column></row><table>之前已經(jīng)發(fā)現(xiàn),頻率參數(shù)將SI聲音的86%劃分為低頻的,并且將S2聲音的80%劃分為高頻的。所有的噪聲聲音的85%被劃分為高頻的。這個信息被用作在頻率參數(shù)之間的條件概率P(FrequencylS):P(Frequency|S)低高SI0,860,14S20,200,80噪聲0,150,85當(dāng)找到所有的條件概率時,由貝葉斯網(wǎng)絡(luò)使用等式[8.6]來計(jì)算所有被檢測的聲音的后驗(yàn)概率。以這種方式,對于每個聲音計(jì)算三個概率,它們反映了當(dāng)前聲音有多大的可能為給定類型。應(yīng)當(dāng)注意,上述的實(shí)施例說明而不是限定本發(fā)明,并且本領(lǐng)域內(nèi)的技術(shù)人員能夠在不脫離所附的權(quán)利要求的范圍的情況下提出許多替代實(shí)施例。3權(quán)利要求1.一種用于對從活體記錄的心血管聲音進(jìn)行分類的方法,所述方法包括以下步驟●識別所述心血管聲音的心臟舒張和/或收縮段;●將所識別的心臟舒張和/或收縮段中的至少一個劃分為多個子段,所述多個子段包括至少第一子段和至少第二子段;●從所述第一子段提取用于表征所述心血管聲音的第一屬性的至少第一信號參數(shù),從所述第二子段提取用于表征所述心血管聲音的第二屬性的至少第二信號參數(shù);●在多變量分類方法內(nèi)使用所述至少第一信號參數(shù)和所述至少第二信號參數(shù)來對所述心血管聲音進(jìn)行分類。2.根據(jù)權(quán)利要求l所述的方法,其中,從所述多個子段中的至少兩個提取所述至少第一信號參數(shù)和/或所述至少第二信號參數(shù)。3.根據(jù)權(quán)利要求l-2所述的方法,其中,所述方法還包括以下步驟*識別含噪聲的子段,以及*在提取所述第一信號參數(shù)和/或提取所述第二信號參數(shù)的所述步驟之前,丟棄所述含噪聲的子段。4.根據(jù)權(quán)利要求l-3所述的方法,其中,所述方法還包括以下步驟*識別非固定的子段,以及*在提取所述第一信號參數(shù)和/或提取所述第二信號參數(shù)的所述步驟之前,丟棄所述非固定的子段。5.根據(jù)權(quán)利要求l-4所述的方法,其中,所述第一子段的至少一部分與所述第二子段的至少一部分重疊。6.根據(jù)權(quán)利要求2-5所述的方法,其中,對所述心血管聲音進(jìn)行分類的所述步驟包括以下步驟*計(jì)算從所述多個子段中的至少兩個提取的所述第一信號參數(shù)和/或所述至少第二信號參數(shù)的平均值,以及在所述多變量分類方法中使用所述平均值。7.根據(jù)權(quán)利要求2-6所述的方法,其中,對所述心血管聲音進(jìn)行分類的所述步驟包括以下步驟*在所述多變量分類方法中,使用所述第一信號參數(shù)和所述第二信號參數(shù)來對所述多個子段中的至少一個進(jìn)行分類,其中,所述第一信號參數(shù)和所述第二信號參數(shù)都從所述多個子段中的所述至少一個提取,*根據(jù)對所述多個子段中的所述至少一個的所述分類,來對所述心血管聲音進(jìn)行分類。8.根據(jù)權(quán)利要求l-7所述的方法,其中,所述方法還包括以下步驟對所述多個子段中的至少一個建模,并且從所述模型提取所述第一信號參數(shù)和/或所述第二信號參數(shù)。9.根據(jù)權(quán)利要求l-8所述的方法,其中,所述第一信號參數(shù)和/或所述第二信號參數(shù)是描述所述多個子段中的至少一個子段的至少一個頻率分量的頻率水平屬性的頻率水平參數(shù)。10.根據(jù)權(quán)利要求l-9所述的方法,其中,所述第一信號參數(shù)和/或所述第二信號參數(shù)是描述所述多個子段中的至少一個子段的復(fù)雜度的復(fù)雜度參數(shù)。11.根據(jù)權(quán)利要求i-io所述的方法,其中,所識別的心臟舒張和/或收縮段中的至少一個被劃分為至少8個子段。12.—種用于對從活體記錄的心血管聲音進(jìn)行分類的系統(tǒng),所述系統(tǒng)包括*用于識別所述心血管聲音的心臟舒張和/或收縮段的處理部件;*用于將所識別的心臟舒張和/或收縮段中的至少一個劃分為多個子段的處理部件,所述多個子段包括至少第一子段和至少第二子段;*用于從所述第一子段提取用于表征所述心血管聲音的第一屬性的至少第一信號參數(shù)的處理部件,以及用于從所述第二子段提取用于表征所述心血管聲音的第二屬性的至少第二信號參數(shù)的處理部件;*用于在多變量分類方法中使用所述至少第一信號參數(shù)和所述至少第二信號參數(shù)來對所述心血管聲音進(jìn)行分類的處理部件。13.根據(jù)權(quán)利要求12所述的系統(tǒng),其中,用于提取所述第一信號參數(shù)的所述處理部件和/或用于提取所述第二信號參數(shù)的所述處理部件適于從所述多個子段中的至少一個提取所述第一信號參數(shù)和/或所述第二信號參數(shù)。14.根據(jù)權(quán)利要求12-13所述的系統(tǒng),其中,所述系統(tǒng)還包括*用于識別含噪聲的子段的處理部件;*用于在提取所述第一信號參數(shù)和/或提取所述第二信號參數(shù)之前丟棄所述含噪聲的子段的處理部件。15.根據(jù)權(quán)利要求12-14所述的系統(tǒng),其中,所述系統(tǒng)還包括*用于識別非固定的子段的處理部件;以及,*用于在提取所述第一信號參數(shù)和/或提取所述第二信號參數(shù)之前丟棄所述非固定的子段的處理部件。16.根據(jù)權(quán)利要求12-15所述的系統(tǒng),其中,用于將所識別的心臟舒張和/或收縮段中的至少一個劃分為多個子段的所述處理部件適于將所述第一子段的至少一部分與所述第二子段的至少一部分重疊。17.根據(jù)權(quán)利要求13-16所述的系統(tǒng),其中,用于對所述心血管聲音進(jìn)行分類的所述處理部件適于計(jì)算從所述多個子段中的至少兩個提取的所述第一信號參數(shù)和/或所述至少第二信號參數(shù)的平均值,以及在所述多變量分類方法中使用所述平均值。18.根據(jù)權(quán)利要求13-17所述的系統(tǒng),其中,用于對所述心血管聲音進(jìn)行分類的所述部件適于在所述多變量分類方法中使用所述第一信號參數(shù)和所述第二信號參數(shù)來對所述多個子段中的至少一個進(jìn)行分類,并且根據(jù)對所述多個子段中的所述至少一個的所述分類來對所述心血管聲音進(jìn)行分類。19.根據(jù)權(quán)利要求12-18所述的系統(tǒng),其中,所述系統(tǒng)還包括用于對所述多個子段中的至少一個建模的處理部件;以及用于從所述模型提取所述第一信號參數(shù)和/或所述第二信號參數(shù)的處理部件。20.根據(jù)權(quán)利要求12-19所述的系統(tǒng),其中,用于提取所述第一信號參數(shù)和/或所述第二信號參數(shù)的所述處理部件適于提取描述所述多個子段中的至少一個子段的至少一個頻率分量的頻率水平屬性的至少一個頻率水平參數(shù)。21.根據(jù)權(quán)利要求12-20所述的系統(tǒng),其中,用于提取所述第一信號參數(shù)和/或所述第二信號參數(shù)的所述處理部件適于提取描述所述多個子段中的至少一個的復(fù)雜度的至少一個復(fù)雜度參數(shù)。22.根據(jù)權(quán)利要求12-21所述的系統(tǒng),其中,用于將所識別的心臟舒張和/或收縮段中的至少一個劃分為多個子段的處理部件適于將所識別的心臟舒張和/或收縮段的至少一個劃分為至少8個子段。23.—種計(jì)算機(jī)可讀介質(zhì),其中存儲了用于使得處理單元執(zhí)行根據(jù)權(quán)利要求l-ll所述的方法的指令。24.—種聽診器,包括*記錄部件,適于從活體記錄心血管聲音;*存儲部件,適于存儲所記錄的心血管聲音;計(jì)算機(jī)可讀介質(zhì)和處理單元,所述計(jì)算機(jī)可讀介質(zhì)內(nèi)存儲了指令,該指令用于使得所述處理單元執(zhí)行根據(jù)權(quán)利要求l-ll所述的方法,并由此對所記錄的心血管聲音進(jìn)行分類。25.—種連接到通信網(wǎng)絡(luò)的服務(wù)器裝置,包括*接收部件,適于通過所述通信網(wǎng)絡(luò)接收從活體記錄的心血管聲音;*存儲部件,適于存儲所接收的心血管聲音;計(jì)算機(jī)可讀介質(zhì)和處理單元,所述計(jì)算機(jī)可讀介質(zhì)內(nèi)存儲了指令,該指令用于使得所述處理單元執(zhí)行根據(jù)權(quán)利要求l-ll所述的方法,并由此對所接收的心血管聲音進(jìn)行分類。26.根據(jù)權(quán)利要求25所述的服務(wù)器裝置,其中,所述接收部件進(jìn)一步適于從連接到所述通信網(wǎng)絡(luò)的客戶機(jī)接收所述心血管聲音。27.根據(jù)權(quán)利要求25-26所述的服務(wù)器裝置,其中,所述服務(wù)器裝置還包括用于向至少一個客戶機(jī)單元發(fā)送所述心血管聲音的所述分類的部件,所述至少一個客戶機(jī)單元連接到所述通信網(wǎng)絡(luò)。全文摘要本發(fā)明涉及一種用于對從活體記錄的心血管聲音進(jìn)行分類的方法。所述方法包括步驟識別所述心血管聲音的心臟舒張和/或收縮段;將所識別的心臟舒張和/或收縮段的至少一個劃分為多個子段,所述多個子段包括至少第一子段和至少第二子段;從所述第一子段提取用于表征所述心血管聲音的第一屬性的至少第一信號參數(shù),從所述第二子段提取用于表征所述心血管聲音的第二屬性的至少第二信號參數(shù);在多變量分類方法內(nèi)使用所述至少第一信號參數(shù)和所述至少第二信號參數(shù)來對所述心血管聲音進(jìn)行分類。而且,本發(fā)明涉及用于對從活體記錄的心血管聲音進(jìn)行分類的系統(tǒng)、聽診器和服務(wù)器,在這些系統(tǒng)、聽診器和服務(wù)器中已經(jīng)實(shí)現(xiàn)了上述方法。文檔編號A61B7/04GK101478921SQ200780024270公開日2009年7月8日申請日期2007年6月26日優(yōu)先權(quán)日2006年6月26日發(fā)明者克勞斯·格拉夫,塞繆爾·埃米爾·施密特,約翰內(nèi)斯·史杜爾克申請人:科洛普拉斯特公司