本發(fā)明涉及心臟病檢測裝置領域，具體地說，特別涉及到一種基于心音檢測和機器學習算法的心臟病篩查系統(tǒng)。

背景技術：

心臟病作為對現代人危害最大的疾病之一，需要醫(yī)生或患者對心率進行實時監(jiān)測以預防心臟病的危害?，F代醫(yī)院的檢測手段復雜價格昂貴，而檢查結果往往50％都沒有心臟病。對于被檢測者而言，傳統(tǒng)的檢測手段是時間和金錢上的浪費。超聲波在臨床操作復雜，費時費錢；心電圖無法準確預測先天性心臟病，上述兩種技術均難于應用大規(guī)模臨床先心病的篩查。

為了解決上述問題，現有技術中已有通過采用用心音檢測的方法來檢測心臟病，但其仍然存在不足，問題如下：

1、抗干擾能力差，少有涉及噪音隔離及利用硬件消除的設計。

2、目前心音信號處理算法大多采用傳統(tǒng)的信號處理方法，信號處理效果差，只能適用于特定要求下的病人復現性差。

3、現有技術均只是針對部分病人的數據，沒有利用到大量的病人數據，沒有建立數據庫，所采用的技術及其方案均具有局限性。

技術實現要素：

本發(fā)明的目的在于針對現有技術中的不足，提供本發(fā)明旨在改變，提出一種心臟病篩查系統(tǒng)，提供一種采用噪音隔離硬件設計、新型信號處理算法、大量數據的數據庫系統(tǒng)的篩查設備及對應的信號分析管理系統(tǒng)，從而解決心臟病檢查時排隊久、費用高的問題。

本發(fā)明所解決的技術問題可以采用以下技術方案來實現：

一種基于心音檢測和機器學習算法的心臟病篩查系統(tǒng)，包括信號采集模塊、心音數據分析模塊和數據庫模塊；

所述信號采集模塊包括殼體、以及設置在所述殼體內的噪音采集單元和心音采集單元；

所述噪音采集單元安裝在殼體的頂部，其包括與殼體固定連接的上安裝殼體，在所述上安裝殼體上安裝有噪音采集器、以及與所述噪音采集器連接的噪音傳感器；

所述心音采集單元安裝在殼體的底部，其包括通過卡槽與殼體固定連接的不銹鋼腔體、以及安裝在不銹鋼腔體上的下安裝殼體，在所述下安裝殼體上安裝有心音采集器、以及與所述心音采集器連接的心音傳感器；

所述心音數據分析模塊包括預處理電路，預處理電路的輸入端與噪音傳感器和心音傳感器的數據輸出端連接，預處理電路包括依次設置的前級放大器、濾波器、中間放大器、后級放大器和a/d轉換器，心音數據和噪音數據經預處理電路處理后由藍牙天線發(fā)送至云端，并利用基于機器學習算法得到的模型進行數據分析，數據分析后得到的數據與數據庫模塊中的心臟病數據進行比對；

所述數據庫模塊存儲有病人基本信息、病人心臟病類型、病人心音和各類心臟病的模型，其中各類心臟病的模型前期的建立和后期的更新由機器學習算法實現。

進一步的，所述基于機器學習算法的模型的建立和更新過程如下：

1)將連續(xù)的心音信號f1(t)利用分割算法將原信號按照心跳周期進行分割。從而得到一系列只含有一個心跳周期的心音信號；

2)利用深度學習的自編碼器進行降維和特征提取，并同時提取心音信號時域和頻域的特征參數；

3)將上述有特征參數的訓練樣本利用分類算法，確定模型中不同類型的心臟病所對應的參數，結合交叉驗證的方法對所得到的模型進行融合并存儲于云端的數據庫模塊。

進一步的，所述不銹鋼腔體用于隔離噪音，其主體為圓錐形腔體，圓錐形腔體的傾角為46°。

進一步的，用于測量環(huán)境噪音的噪音采集單元和用于測量心跳聲音的心音采集單元相互配合。通過反相的方法減少環(huán)境噪音對測量的心音的影響。

與現有技術相比，本發(fā)明的有益效果如下：

1.本發(fā)明包含了心音傳感器和噪音傳感器，可以同時測量心音和環(huán)境噪音，還包含了特定形狀的不銹鋼錐形腔體和塑料外殼的配合，實現了從硬件角度隔離噪音的效果，也為數據處理時的減相設計提供了準備，有效提高本設計的抗干擾能力，使得本發(fā)明能適用于各類場合，對環(huán)境要求低，有效地克服現有技術這個方面的不足。

2.本發(fā)明中的算法采用了機器學習算法，能夠有效地提取并建立各類心臟病的特征和模型。同時，機器學習算法在前期訓練模型的時候采集了大量的心臟病數據，能夠覆蓋大量的心臟病樣本，所得到的模型可靠度遠高于現有的。

3.本發(fā)明包括數據庫系統(tǒng)，能夠操作度要求低，對使用者醫(yī)學水平無要求。同時，該數據庫系統(tǒng)還能為未來心臟病的預測和管理提供幫助。

附圖說明

圖1為本發(fā)明所述的基于心音檢測和機器學習算法的心臟病篩查系統(tǒng)的示意圖。

圖2為本發(fā)明所述的預處理電路的模塊示意圖。

圖3為本發(fā)明所述的機器學習算法的示意圖。

具體實施方式

為使本發(fā)明實現的技術手段、創(chuàng)作特征、達成目的與功效易于明白了解，下面結合具體實施方式，進一步闡述本發(fā)明。

參見圖1和圖2，本發(fā)明所述的一種基于心音檢測和機器學習算法的心臟病篩查系統(tǒng)，包括信號采集模塊1、心音數據分析模塊2和數據庫模塊3；

所述信號采集模塊包括殼體、以及設置在所述殼體內的噪音采集單元11和心音采集單元12；

所述噪音采集單元11安裝在殼體的頂部，其包括與殼體固定連接的上安裝殼體111，在所述上安裝殼體111上安裝有噪音采集器112、以及與所述噪音采集器112連接的噪音傳感器113；

所述心音采集單元12安裝在殼體的底部，其包括通過卡槽與殼體固定連接的不銹鋼腔體121、以及安裝在不銹鋼腔體121上的下安裝殼體122，在所述下安裝殼體122上安裝有心音采集器123、以及與所述心音采集器123連接的心音傳感器124；

所述心音數據分析模塊包括預處理電路21，預處理電路21的輸入端與噪音傳感器113和心音傳感器124的數據輸出端連接，預處理電路21包括依次設置的前級放大器、濾波器、中間放大器、后級放大器和a/d轉換器，心音數據和噪音數據經預處理電路21處理后由藍牙天線14發(fā)送至云端，并利用基于機器學習算法得到的模型進行數據分析，數據分析后得到的數據與數據庫模塊中的心臟病數據進行比對；

所述數據庫模塊存儲有病人基本信息、病人心臟病類型、病人心音和各類心臟病的模型，其中各類心臟病的模型前期的建立和后期的更新由機器學習算法實現。

參見圖3，所述基于機器學習算法的模型的建立和更新過程如下：

1)將連續(xù)的心音信號f1(t)利用分割算法將原信號按照心跳周期進行分割。從而得到一系列只含有一個心跳周期的心音信號；

2)利用深度學習的自編碼器進行降維和特征提取，并同時提取心音信號時域和頻域的特征參數；

3)將上述有特征參數的訓練樣本利用分類算法，確定模型中不同類型的心臟病所對應的參數，結合交叉驗證的方法對所得到的模型進行融合并存儲于云端的數據庫模塊。

本發(fā)明的工作過程如下：

在對潛在心臟病患者進行篩查的時候，只需要準備好采集模塊，然后連接到云端數據。將心音采集傳感器所在的一側放置在被測試者胸前第四根肋骨之間，放置穩(wěn)定后開始測量測量8s之后，即可停止測量。

本發(fā)明會自動上傳數據，并經過數據分析軟件計算該測量結果所對應的模型。并于和數據庫中的數據進行對比，如果被測試者的心音數據和某一類心臟病的模型一致，則需要進行確診。反之，如果數據顯示不存在患病可能，則不需要到醫(yī)院進行確診。

本發(fā)明采用硬件隔離噪音技術、機器學習算法以及云端和大數據的設計，對使用環(huán)境沒有特定需求，因此使用時不需要一定去醫(yī)院，且設備體積小，醫(yī)院和個人均可以采購和使用。醫(yī)院可用于確診前篩查，個人可用于平時的心臟病監(jiān)測。

以上顯示和描述了本發(fā)明的基本原理和主要特征和本發(fā)明的優(yōu)點。本行業(yè)的技術人員應該了解，本發(fā)明不受上述實施例的限制，上述實施例和說明書中描述的只是說明本發(fā)明的原理，在不脫離本發(fā)明精神和范圍的前提下，本發(fā)明還會有各種變化和改進，這些變化和改進都落入要求保護的本發(fā)明范圍內。本發(fā)明要求保護范圍由所附的權利要求書及其等效物界定。