CN110368019B - 一种心音信号特征提取、检测模型构建及检测装置 - Google Patents
一种心音信号特征提取、检测模型构建及检测装置 Download PDFInfo
- Publication number
- CN110368019B CN110368019B CN201910595558.1A CN201910595558A CN110368019B CN 110368019 B CN110368019 B CN 110368019B CN 201910595558 A CN201910595558 A CN 201910595558A CN 110368019 B CN110368019 B CN 110368019B
- Authority
- CN
- China
- Prior art keywords
- heart sound
- sound signal
- feature
- unit
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000005236 sound signal Effects 0.000 title claims abstract description 282
- 238000000605 extraction Methods 0.000 title claims abstract description 75
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 238000010276 construction Methods 0.000 title claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 29
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 67
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 230000011218 segmentation Effects 0.000 claims description 17
- 238000007493 shaping process Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000000737 periodic effect Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 230000036772 blood pressure Effects 0.000 claims description 2
- 230000003205 diastolic effect Effects 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 17
- 238000012216 screening Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 4
- 206010020772 Hypertension Diseases 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000001631 hypertensive effect Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000036961 partial effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 206010011224 Cough Diseases 0.000 description 2
- 230000034994 death Effects 0.000 description 2
- 231100000517 death Toxicity 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 210000001765 aortic valve Anatomy 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002565 electrocardiography Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000002837 heart atrium Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000004115 mitral valve Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 210000003102 pulmonary valve Anatomy 0.000 description 1
- 230000035176 regulation of the force of heart contraction Effects 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 210000000591 tricuspid valve Anatomy 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B7/00—Instruments for auscultation
- A61B7/02—Stethoscopes
- A61B7/04—Electric stethoscopes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Acoustics & Sound (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种心音信号特征提取、检测模型构建及检测装置，通过设置了噪声处理子模块利用阈值筛选的方法对心音信号中的噪声进行去除，设置了削顶失真处理子模块利用对称三角形重塑的方法对心音信号中的削顶失真信号进行塑形，获得了准确的心音信号，从而提高了心音特征提取的准确性；通过设置了心音特征提取模块，将心音信号中的频域特征、时域特征以及待检测对象的个体特征进行融合，获得了准确的心音特征；采用分类网络对提取到的心音特征进行分类，提高了分类的准确性，从而提高了心音检测的准确率。
Description
技术领域
本发明涉及信号检测装置，具体涉及一种心音信号特征提取、检测模型构建及检测装置。
背景技术
随着现代社会物质生活水平的改善，心血管疾病在我国呈上升趋势，统计资料表明，心血管疾病死亡者占总死亡人数的比例是最大的，心脏检测和分析是了解心脏和血管状态的一种不可缺少的手段，心电图检查是心脏变时性和变传导性的最佳监测方法，但不能用来监测心脏的变力性，心音检查有无创性、重复性好的优点，具有心电图、超声心动图不可取代的诊断优势，随着心音的发生机理、心胸传播特性等方面研究工作的深入开展以及现代数字信号处理技术的广泛应用，越来越多的研究结果表明心音信号的测量及处理在实际应用中具有重要意义，心音检测方法已经从以前模拟心音图上进行的时域分析、频域分析、功率谱分析发展为现在数字心音图上的时频分析。
由于在心音信号的分析中，所要面对的一个问题就是噪声干扰，它们直接影响着心音检测的准确性，在实际环境对被采样人进行心音的采集过程中，由于传感器和被采样人皮肤的摩擦声(偶发)/被采样人身体内出现的异常肺部呼吸噪声/采样环境突发的大的电器噪声/人的咳嗽声等(身体内及环境的偶发噪声)，以及由于被采样人的特殊身体情况(如身体瘦弱/心脏跳动特别有力/采样时紧张，胸口起伏很大等等)，都可能导致心音信号有大噪声信号混入或者心音信号产生部分或周期性的削顶失真，导致心音特征提取的不准确，从而造成不能准确的对心音信号进行处理。
发明内容
本发明的目的在于提供一种心音信号特征提取、检测模型构建及检测装置，用以解决现有技术中心音检测方法中由于心音信号有大噪声信号混入或者心音信号产生部分或周期性的削顶失真导致心音特征提取的不准确，从而造成不能准确的对心音信号进行处理的问题。
为了实现上述任务，本发明采用以下技术方案：
一种心音信号特征提取装置，用于获取待检测对象的初始心音信号序列中的特征序列，包括心音信号预处理模块以及心音特征提取模块；
所述的心音信号预处理模块用于对所述的初始心音信号序列进行预处理，获得预处理后的心音信号序列；
所述的心音信号预处理模块包括噪声处理子模块以及削顶失真处理子模块；
所述的噪声处理子模块用于对初始心音信号序列进行去噪，获得去噪后的心音信号序列；
所述的削顶失真处理子模块用于对所述的去噪后的心音信号序列中的削顶失真信号进行重塑后，获得预处理后的心音信号序列；
所述的心音特征提取模块用于对所述的预处理后的心音信号序列中提取信号特征，所述的信号特征包括频域特征以及时域特征；
所述的心音特征提取模块还用于提取个体特征，将所述的频域特征、时域特征以及个体特征融合后，获得特征序列。
进一步地，所述的噪声处理子模块包括周期分段单元、阈值获得单元、判断单元、去噪单元以及信号整合单元；
所述的周期分段单元用于根据所述的心跳周期数对所述的初始心音信号序列进行周期分段，获得多个心音信号子序列；
所述的阈值获得单元用于获取每个心音信号子序列中所有数据点的幅值绝对值，获得每个心音信号子序列中所有幅值绝对值的最大值后，求取平均值，获得门限阈值；
所述的判断单元用于判断每个心音信号子序列中幅值绝对值的最大值是否大于门限阈值，将大于门限阈值的心音信号子序列作为正常心音信号子序列输入至去噪单元；将小于等于门限阈值的心音信号子序列作为噪声心音信号子序列输入至信号整合单元中；
所述的去噪单元用于对噪声心音子序列进行去噪，获得去噪后的心音信号子序列，具体包括：
在所述的噪声心音信号子序列中寻找一段包含幅值绝对值的最大值的数据点Xn的连续数据点的噪声集合，所述噪声集合中每一个数据点的幅值的符号均与数据点Xn相同，将所述噪声集合中每一个数据点的幅值置零，保持噪声心音信号子序列中除噪声集合以外的所有数据点的幅值不变后，获得去噪后的心音信号子序列；
所述的信号整合单元用于将去噪后的心音信号子序列以及正常心音信号子序列进行整合，获得去噪后的心音信号序列。
进一步地，所述阈值获得单元中获得的门限阈值为所述平均值的整数倍。
进一步地，所述的削顶失真处理子模块包括削顶失真判断单元、塑形单元以及输出单元；
所述的削顶失真判断单元用于检测所述的去噪后的心音信号序列中每个数据点的幅值，若存在相邻多个数据点的幅值相同，则相邻多个数据点组成的失真信号集合，将所述的失真信号集合输入至塑形单元中，将除失真信号集合以外的所有数据点作为正常信号集合输入至输出单元；否则将去噪后的心音信号序列输入至输出单元；
所述的塑形单元用于对失真信号集合进行对称三角塑形，获得塑形后的信号集合，具体包括：
获得失真信号集合中的两个端点数据点，将两个端点数据点的幅值置0；
获得失真信号集合中的中点数据点，将中点数据点的幅值置为
其中M为失真信号集合中数据点的总数，d为增加值，单位为，0.001≤d<1；
连接所述的两个端点数据点与中点数据点，形成一个对称三角形，所述的失真信号集合中除两个端点数据点以及中点数据点以外的所有数据点的幅值均在所述的对称三角形的两条斜边上，获得塑形后的信号集合；
所述的输出单元用于将去噪后的心音信号序列直接作为预处理后的心音信号，或用于整合正常信号集合以及塑形后的信号集合，获得预处理后的心音信号。
进一步地，所述的心音特征提取模块包括频域特征提取子模块、时域特征提取子模块、个体特征提取子模块以及特征融合子模块；
所述的频域特征提取子模块用于从预处理后的心音信号序列中提取频域特征，获得频域特征数据；
所述的时域特征提取子模块用于从预处理后的心音信号序列中提取时域特征，获得时域特征数据；所述的时域特征包括第一心音与第二心音幅值比、心舒期与心缩期时长比以及HRV变化值；
所述的个体特征提取子模块用于获得待检测对象的个体特征数据，所述的个体特征包括BMI值、血压值以及性别值；
所述的特征融合子模块用于将频域特征数据、时域特征数据以及个体特征数据进行融合，获得特征序列。
进一步地，所述的频域特征提取子模块包括心音初分段单元、心音再分段单元、频域转换单元、特征提取单元以及特征集合单元；
所述的心音初分段单元用于根据心跳周期数对所述的预处理后的心音信号序列分段，获得多段预处理后的心音信号子序列；
所述的心音再分段单元用于对每段预处理后的心音信号子序列进行再次分段，获得每段预处理后的心音信号子序列对应的4个信号集合，分别是第一心音信号集合、第一心音至第二心音信号集合、第二心音信号集合以及第二心音至第一心音信号集合；
所述频域转换单元用于对每个信号集合进行离散傅里叶变换后再进行归一化处理，获得每段预处理后的心音信号子序列对应的4段频域数据；
所述的特征提取单元用于利用训练好神经网络对所述的4段频域数据进行分类，所述的训练好的神经网络的输入为频域数据，输出为频域特征数据，所述的频域特征数据包括正常或非正常，获得每段预处理后的心音信号子序列对应的频域特征数据；
所述的特征集合单元用于对获得每段预处理后的心音信号子序列对应的频域特征数据进行统计，获得频域特征数据。
一种心音信号检测模型构建装置，包括所述的心音信号特征提取装置，还包括心音特征标注模块以及心音信号检测模型构建模块；
所述的心音信号特征提取装置用于获取多个特征序列，获得特征集；
所述的心音特征标注模块用于对每个特征序列进行标签标注，所述的标签包括正常心音以及非正常心音，获得标签集；
所述的心音信号检测模型构建模块用于将所述的特征集作为输入，将所述标签集作为输出，训练分类网络，获得心音信号检测模型。
一种心音信号检测装置，用于对待检测对象的心音信号进行检测，所述的装置包括心音信号采集模块、所述的心音信号特征提取装置、心音信号检测模型构建装置以及结果输出模块；
所述的心音信号采集模块用于采集待检测对象的多段固定时长的心音信号，获得多个初始心音信号序列；
所述的心音信号特征提取装置用于从每个初始心音信号序列中提取特征序列，获得多个特征序列；
所述的心音信号检测模型构建装置用于对每个特征序列进行分类，获得多个分类结果；
所述的结果输出模块用于根据所有分类结果中非正常心音的个数，获得检测结果。
本发明与现有技术相比具有以下技术效果：
1、本发明提供的心音信号特征提取装置通过设置了噪声处理子模块利用阈值筛选的方法对心音信号中的噪声进行去除，设置了削顶失真处理子模块利用对称三角形重塑的方法对心音信号中的削顶失真信号进行塑形，获得了准确的心音信号，从而提高了心音特征提取的准确性；
2、本发明提供的心音信号特征提取装置通过设置了心音特征提取模块，将心音信号中的频域特征、时域特征以及待检测对象的个体特征进行融合，获得了准确的心音特征；
3、本发明提供的心音信号检测模型构建及检测装置通过采用分类网络对提取到的心音特征进行分类，提高了分类的准确性，从而提高了心音检测的准确率。
附图说明
图1为本发明的一个实施例中提供的心音信号示意图；
图2为本发明的一个实施例中提供的大噪声心音信号示意图；
图3为本发明的一个实施例中提供的削顶噪声心音信号示意图；
图4为本发明的一个实施例中提供的重塑后的心音信号示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细说明。以便本领域的技术人员更好的理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
以下对本发明涉及的定义或概念内涵做以说明：
如图1所示，一般心音信号的横轴为时间轴，纵轴为幅值，心脏储备指标(在心音上的表现为心音信号特征，即S1/S2，D/S，其中，S1为第一心音特征值，S2为第二心音特征值，D/S为时限比，diastole/systole的缩写)。当心脏正常时，心音信号的时域特征是心脏的舒张期大于收缩期，在心音上则反映为第二心音开始到下一周期第一心音信号开始的持续时间大于第一心音开始到第二心音开始时的持续时间，则D/S等于第二心音开始到下一周期第一心音信号开始的持续时间，与第一心音开始到第二心音开始的持续时间的比值。
心跳周期数：在一段时长采样的心音信号中，包含完整的心跳周期数据段的个数。
削顶失真：由于传感器的采样幅度限制或者个体心音过强导或外部噪声等因素导致采样数据值在某持续时间段没有变化，这段数据为位削顶失真数据。
第一心音与第二心音幅值比：在一段完整的心跳周期的数据中，第一心音数据包络的最大值(S1max)和第二心音数据包络的最大值(S2max)的比。
心舒期与心缩期时长比：在一段完整的心跳周期的数据中，第一S1max到S2max时间间隔和S2max到S1max(下一个)时间间隔的比；
HRV变化值：在一段心音信号的采样数据包含的多个完整心跳周期计算得到的心跳数(Heart Rate Value)HRVi和HRVi的均值Mhrv的比。
BMI值：身体质量指数(Body Mass Index)，体重值(单位：公斤)和身高(单位：米)平方的比值。
实施例一
在本实施例中公开了一种心音信号特征提取装置，用于获取待检测对象的一个初始心音信号序列中的特征序列，包括心音信号预处理模块以及心音特征提取模块；
心音信号预处理模块用于初始心音信号序列中的噪声以及削顶失真进行处理，获得预处理后的心音信号序列；
在本实施例中，在实际环境对被采样人进行心音的采集过程中，由于传感器和被采样人皮肤的摩擦声(偶发)/被采样人身体内出现的异常肺部呼吸噪声/采样环境突发的大的电器噪声/人的咳嗽声等(身体内及环境的偶发噪声)，以及由于被采样人的特殊身体情况(如身体瘦弱/心脏跳动特别有力/采样时紧张，胸口起伏很大等等)，都可能导致心音信号有大噪声信号混入或者心音信号产生部分或周期性的削顶失真，从信号波形看，如果心音信号有削顶失真出现，则会有水平线段的数据波形出现，因此在提取心音信号特征之前，需要对心音信号先进行预处理，以保证信号的准确性。
心音信号预处理模块包括噪声处理子模块以及削顶失真处理子模块；
噪声处理子模块用于根据心跳周期数对初始心音信号序列进行分段后，利用阈值筛选的方法对获得的心音信号子序列进行去噪，获得去噪后的心音信号序列；
如图2所示，是一个包含大噪声的心音信号，从图中可以看出大噪声信号的幅值相比于两侧的正常心音信号的幅值大很多，因此可以通过阈值筛选的方法将大噪声删除。
可选地，噪声处理子模块包括周期分段单元、阈值获得单元、判断单元、去噪单元以及信号整合单元；
周期分段单元用于根据心跳周期数对初始心音信号序列进行周期分段，获得多个心音信号子序列；
根据信号幅值对于初始心音信号序列进行分析，获得心跳周期数；
在本实施例中，如图1所示，出现幅度值最大的数据点(S1max)附近数据段是第一心音(S1)数据包络，在相邻两个的S1max间，出现的波峰(S2max)是第二心音(S2)数据包络。心音的基础分析利用了心音时域上的统计分析特性，即一个完整的心跳周期的基本数据波形中会明显包含第一心音(S1)和第二心音(S2)数据包络，第一心音(S1)或者第二心音(S2)的数据峰值最大，通过判断采集信号的数据最大值个数大致估计心跳周期数，为后续的分析提供基础。
在本实施例中，获得心跳周期数，具体包括：
首先采集固定时长的心音信号，固定时长可以是1min，30s等时间，在本发明中不做限制，在本实施例中选择1min的心音信号；
其次，将固定时长的心音信号进行分段，按1.5秒-2.5秒对心音信号进行连续分段。在本实施例中，按2秒时长将1min的心音信号分成30段；
接着，提取每一段心音信号幅值的最大值并计算所有最大值的均值，在本实施例中，获取30段心音信号中每一段心音信号幅值的最大值，获得最大值序列{举例：489.709.1342.801.600.643.714.1433.643.760.766.1214.814.566.712.621.725.777.910.1520.651.777.916.548.1578.691.666.632.1326.1070.}，并计算最大值序列的平均值T＝853.8；
设置初始门限值
在本实施例中，初始门限值V＝426.9；
接着，按初始门限值V逐个扫描1min的心音信号中每一个数据点的幅值，将低于门限值的数据点的幅值置零，统计大于等于门限值的数据点的个数(HRN：Heart RateNumber)；
接着，实时判断HRN的个数，若HRN的个数大于120时，调整门限值V＝V+Δ11为初始门限值，返回上一步，其中Δ1的取值范围为0.1T-0.5T；
当HRN的个数小于30时，调整当前门限值V＝V-Δ2，返回继续扫描每一个数据点的幅值，其中Δ2的取值范围为0.01T-0.05T。
直至HRN值落在30---120间时，此HRN值作为预估的心跳周期数。
阈值获得单元用于获取每个心音信号子序列中所有数据点的幅值绝对值，获得每个心音信号子序列中所有幅值绝对值的最大值后，求取平均值，获得门限阈值；
优选地，阈值获得单元中获得的门限阈值为平均值的整数倍。
在本实施例中取3倍。
判断单元用于判断每个心音信号子序列中幅值绝对值的最大值是否大于门限阈值，将大于门限阈值的心音信号子序列作为正常心音信号子序列输入至去噪单元；将小于等于门限阈值的心音信号子序列作为噪声心音信号子序列输入至信号整合单元中；
去噪单元用于对噪声心音子序列进行去噪，获得去噪后的心音信号子序列，具体包括：
在噪声心音信号子序列中寻找一段包含幅值绝对值的最大值的数据点Xn的连续数据点的噪声集合，噪声集合中每一个数据点的幅值的符号均与数据点Xn相同，将噪声集合中每一个数据点的幅值置零，保持噪声心音信号子序列中除噪声集合以外的所有数据点的幅值不变后，获得去噪后的心音信号子序列；
在本实施例中，去噪单元用于对大于门限阈值的周期的心音信号进行扫描，在大噪声位置分别向前及向后对原始数据进行扫描，直至数据点越过0值并记录位置(由正值变为负值，或相反)，将大噪声位置至越过0值点进行清零操作，例如噪声心音信号子序列的幅值为{497,781,562,514,335，-206，-305，-601，-908，-506，-421，-120,356,421}，其中幅值绝对值最大值为908的数据点，那么先搜索这个数据点前的所有数据点，发现该数据点前3个值均与这个数据点的符号相同，为负值，在这个数据点的前第四个数据点为335，为正值，那么先将该数据点前3个值加入至噪声集合中{-206，-305，-601，-908}，再次搜索这个数据点后面所有数据点发现直至第四个数据点以前的前三个数据点的幅值的符号与该数据点的幅值符号相同，那么将该数据点以后的3个数据点加入噪声集合中，至此噪声集合中共有7个数据点，将这7个数据点的幅值全部置0后，获得去噪后的心音信号子序列。
信号整合单元用于将去噪后的心音信号子序列以及正常心音信号子序列进行整合，获得去噪后的心音信号序列。
在本实施例中，按照序列的顺序将正常心音信号与非正常心音信号进行拼接，获得去噪后的心音信号序列。
削顶失真处理子模块用于对所述的去噪后的心音信号序列进行削顶失真检测，若去噪后的心音信号序列存在削顶失真的情况，对去噪后的心音信号序列进行重塑后，获得预处理后的心音信号序列；若去噪后的心音信号序列不存在削顶失真的情况，则将去噪后的心音信号序列直接作为预处理后的心音信号序列；
在本实施例中，对去噪后的心音信号序列进行重塑时，一般通过修改信号幅值，使之从平直的信号变成凹凸不平的信号。
可选地，削顶失真处理子模块包括削顶失真判断单元、塑形单元以及输出单元；
削顶失真判断单元用于检测去噪后的心音信号序列中每个数据点的幅值，若存在相邻多个数据点的幅值相同，则相邻多个数据点组成的失真信号集合，将失真信号集合输入至塑形单元中，将除失真信号集合以外的所有数据点作为正常信号集合输入至输出单元；否则将去噪后的心音信号序列输入至输出单元；
在本实施例中提供的削顶失真判断单元用于对去噪后的心音信号序列进行检测，寻找是否存在连续的一段直的信号，如图3所示，如果出现了一段平直的信号，则认为该段信号是削顶失真信号，则需要对该段信号进行重塑。
塑形单元用于对失真信号集合进行对称三角塑形，获得塑形后的信号集合，具体包括：
获得失真信号集合中的两个端点数据点，将两个端点数据点的幅值置0；
获得失真信号集合中的中点数据点，将中点数据点的幅值置为
其中M为失真信号集合中数据点的总数，d为增加值，单位为，0.001≤d<1；
连接两个端点数据点与中点数据点，形成一个对称三角形，失真信号集合中除两个端点数据点以及中点数据点以外的所有数据点的幅值均在对称三角形的两条斜边上，获得塑形后的信号集合；
在本实施例中，对削顶失真的信号进行重塑时，采用了对称三角形重塑的方法，目的是将一段平直线重新整形成对称三角形，如图4所示，具体方法是将失真信号集的两端数据点的幅值置0，将这两个点作为等腰三角形的两个底点，将失真信号集的中间数据点的幅值设置成最高值
将中间数据点作为三角形的顶点，此时连接三角形的两个底点和顶点，形成了一个对称的等腰三角形，将失真信号集合中的其他数据幅值进行修改，修改的方法是以数据点向垂直方向做直线，这条直线与等腰三角形侧边的交叉点的幅值即为数据点修改后的幅值，将失真信号集合中所有的数据点都进行幅值修改后，获得塑形后的信号集合，如图4所示。
输出单元用于将去噪后的心音信号序列直接作为预处理后的心音信号，或用于整合正常信号集合以及塑形后的信号集合，获得预处理后的心音信号。
心音特征提取模块用于对所述的预处理后的心音信号序列中提取信号特征，信号特征包括频域特征以及时域特征；
心音特征提取模块还用于提取个体特征，将频域特征、时域特征以及个体特征融合后，获得特征序列。
可选地，提取模块包括频域特征提取子模块、时域特征提取子模块、个体特征提取子模块以及特征融合子模块；
频域特征提取子模块用于从每段预处理后的心音信号子序列中提取频域特征，获得每段预处理后的心音信号子序列对应的频域特征数据；
在本实施例中，由于心音信号序列有着明显的周期性，因此在心音信号序列的频域特征进行提取时，需要根据心跳周期对心音信号序列进行分段后再提取每一段心音信号子序列的特征。
例如，一段长为1min的心音信号序列按心跳周期数经过分段后，获得了60段信号子序列(60个心跳周期子序列)，在特征提取的时候，对60段信号子序列进行特征提取，获得的特征数据是长为1min的心音信号的频域特征数据。
频域特征提取可以采用现有技术中的傅里叶变换等方法对频域特征进行提取，通过神经网络预分类得到固定时长(1Min)心音信号的总体频域特征。
优选地，频域特征提取子模块包括心音初分段单元、心音再分段单元、频域转换单元、特征提取单元以及特征集合单元；
心音初分段单元用于根据心跳周期数对所述的预处理后的心音信号序列分段，获得多段预处理后的心音信号子序列；
心音再分段单元用于对每段预处理后的心音信号子序列进行再次分段，获得每段预处理后的心音信号子序列对应的4个信号集合，分别是第一心音信号集合、第一心音至第二心音信号集合、第二心音信号集合以及第二心音至第一心音信号集合；
在本实施例中，根据心跳周期对每段预处理后的心音信号子序列进行再次分段，对每一个完整心跳周期数据段进行分段，分成4段信号集合是采用了现有的公知方法依据心音的时域特性，为了更好的后续特征提取，分成第一心音信号集合、第一心音至第二心音信号集合、第二心音信号集合以及第二心音至第一心音信号集合。
频域转换单元用于对每个信号集合进行离散傅里叶变换后再进行归一化处理，获得每段预处理后的心音信号子序列对应的4段频域数据；
特征提取单元用于利用训练好神经网络对所述的4段频域数据进行分类，训练好的神经网络的输入为频域数据，输出为频域特征数据，频域特征数据包括正常或非正常，获得每段预处理后的心音信号子序列对应的频域特征数据；
特征集合单元用于对获得每段预处理后的心音信号子序列对应的频域特征数据进行统计，获得频域特征数据。
在本实施例中，训练好的神经网络在训练时训练的数据也是4段FFT后归一化的数据序列作为数据输入集，在进行了标记0(正常)，1(非正常)以后，获得多个标签集；利用数据输入集以及标签集对神经网络训练，获得训练好的神经网络用于对频域数据进行预分类，输出得到0,1，针对一个固定时长(1Min)的心音信号(1Min)有多个心跳周期，每个心跳周期都将有一个预分类输出，会形成一个输出序列{例：1 0 1 0 1 0 0 0 0 1 0 0 0 0 01 1 1 1 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 0 1 1 0 1 1 1 1 1 1 1 0 1 1 1 0 1 11 1 1 1 1 1}，统计输出序列不同预分类的个数后得到最终的频域特征{F0，F1}{例：17，43}。
时域特征提取子模块用于从每段预处理后的心音信号子序列中提取时域特征，获得每段预处理后的心音信号子序列对应的时域特征数据；时域特征包括{TC1，TC2，TC3}：
1、TC1：第一心音与第二心音幅值比(S1max/S2max)的变化最大值；
2、TC2：心舒期时长(单位：毫秒)与心缩期时长(毫秒)比的变化最大值；
3、TC3：HRV变化最大值(持续1Min的心音信号中心率变化的的最大值和平均心率值的比值)；
个体特征提取子模块用于获得待检测对象的个体特征数据，个体特征包括{SC1，SC2，SC3}：SC1是否肥胖(依据BMI值，非肥胖：0，肥胖：1)、SC2是否高血压(非高血压：0，高血压：1)以及性别值SC3(男：0，女：1)；
特征融合子模块用于将每段心音信号子序列对应的频域特征数据、每段心音信号子序列对应的时域特征数据以及个体特征数据进行融合，其中融合方式可以是将所有特征进行集合获得特征数据序列，也可以是采用主成分分析的方法从所有特征中选取几个贡献值较大的特征进行集合获得特征数据序列，还可以是采用深度学习的方法将所有特征输入至融合网络中，获得特征数据，此时特征数据可以只有一个，可以是由多个特征数据组成的特征数据序列。
在本实施例中，采用将所有特征进行集合的方式，获得8个特征数据序列{F0，F1，TC1，TC2，TC3，SC1，SC2，SC3}。
在本实施例中，由于心脏的健康情况涉及到个体整体身体情况，心脏内的各器官(主要是心室，心房及二尖瓣、三尖瓣、主动脉瓣和肺动脉瓣)情况及心血管情况，采用心音的这三类特征数据可以全面的分析判断心脏的健康情况。
实施例二
一种心音信号检测模型构建装置，包括心音信号特征提取装置，还包括心音特征标注模块以及心音信号检测模型构建模块；
心音信号特征提取装置用于获取多个特征序列，获得特征集；
心音特征标注模块用于对每个特征序列进行标签标注，所述的标签包括正常心音以及非正常心音，获得标签集；
心音信号检测模型构建模块用于将特征集作为输入，将标签集作为输出，训练分类网络，获得心音信号检测模型。
在本实施例中，分类网络可以是SVM分类器、卷积神经网络、神经网络等能够实现数据分类的网络模型。
作为一种优选的实施方式，分类网络为SVM分类器。
实施例三
一种心音信号检测装置，用于对待检测对象的心音信号进行检测，其特征在于，装置包括心音信号采集模块、心音信号特征提取装置、心音信号检测模型构建装置以及结果输出模块；
心音信号采集模块用于采集待检测对象的多段固定时长的心音信号，获得多个初始心音信号序列；
固定时长可以是1min、30s、90s等，在本实施例中，固定时长为1min。
在本实施例中，获取了30段1min的心音信号，获得了30个初始心音信号序列。
心音信号特征提取装置用于从每个初始心音信号序列中提取特征序列，获得多个特征序列；
在本实施例中，对30个初始心音信号序列提取特征序列，获得了30个特征序列。
心音信号检测模型构建装置用于对每个特征序列进行分类，获得多个分类结果；
在本实施例中，对30个特征序列进行分类后，每一个特征序列都对应了一个分类结果，在30个特征序列中包括了11个正常心音，19个非正常心音。
结果输出模块用于根据所有分类结果中非正常心音的个数，获得检测结果。
在本实施例中，非正常心音占总数的63.3％，说明检测对象的心脏可能会出现问题。
在本实施例中，对于一个待检测对象的多段固定时长的心音信号获得的所有分类结果中可能包括了多个正常心音以及多个非正常心音，通过判断非正常心音的数量占总心音数据的百分比R，在实际的心音检查过程(或日常的健康管理)，可进行多次(如2---5次)的心音采样，每次采样得到的心音信号数据重复上述处理方法，最终会得到多个R值，R值的一致性能够保证分类判断的准确性。如果R值的一致性不好，一般也表明心音信号处于分类判断边界中，需要更长时间的心音监测。
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘，硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
Claims (7)
1.一种心音信号特征提取装置，用于获取待检测对象的初始心音信号序列中的特征序列，其特征在于，包括心音信号预处理模块以及心音特征提取模块；
所述的心音信号预处理模块用于对所述的初始心音信号序列进行预处理，获得预处理后的心音信号序列；
所述的心音信号预处理模块包括噪声处理子模块以及削顶失真处理子模块；
所述的噪声处理子模块用于对初始心音信号序列进行去噪，获得去噪后的心音信号序列；
所述的削顶失真处理子模块用于对所述的去噪后的心音信号序列中的削顶失真信号进行重塑后，获得预处理后的心音信号序列；
所述的心音特征提取模块用于对所述的预处理后的心音信号序列中提取信号特征，所述的信号特征包括频域特征以及时域特征；
所述的心音特征提取模块还用于提取个体特征，将所述的频域特征、时域特征以及个体特征融合后，获得特征序列；
所述的心音特征提取模块包括频域特征提取子模块、时域特征提取子模块、个体特征提取子模块以及特征融合子模块；
所述的频域特征提取子模块用于从预处理后的心音信号序列中提取频域特征，获得统计后的频域特征数据；
所述的频域特征提取子模块包括心音初分段单元、心音再分段单元、频域转换单元、特征提取单元以及特征集合单元；
所述的心音初分段单元用于根据心跳周期数对所述的预处理后的心音信号序列分段，获得多段预处理后的心音信号子序列；
所述的心音再分段单元用于对每段预处理后的心音信号子序列进行再次分段，获得每段预处理后的心音信号子序列对应的4个信号集合，分别是第一心音信号集合、第一心音至第二心音信号集合、第二心音信号集合以及第二心音至第一心音信号集合；
所述频域转换单元用于对每个信号集合进行离散傅里叶变换后再进行归一化处理，获得每段预处理后的心音信号子序列对应的4段频域数据；
所述的特征提取单元用于利用训练好神经网络对所述的4段频域数据进行分类，所述的训练好的神经网络的输入为频域数据，输出为频域特征数据，所述的频域特征数据包括正常或非正常，获得每段预处理后的心音信号子序列对应的频域特征数据；
所述的特征集合单元用于对获得每段预处理后的心音信号子序列对应的频域特征数据进行统计，获得统计后的频域特征数据。
2.如权利要求1所述的心音信号特征提取装置，其特征在于，所述的噪声处理子模块包括周期分段单元、阈值获得单元、判断单元、去噪单元以及信号整合单元；
所述的周期分段单元用于根据所述的心跳周期数对所述的初始心音信号序列进行周期分段，获得多个心音信号子序列；
所述的阈值获得单元用于获取每个心音信号子序列中所有数据点的幅值绝对值，获得每个心音信号子序列中所有幅值绝对值的最大值后，求取平均值，获得门限阈值；
所述的判断单元用于判断每个心音信号子序列中幅值绝对值的最大值是否大于门限阈值，将大于门限阈值的心音信号子序列作为噪声心音信号子序列输入至去噪单元；将小于等于门限阈值的心音信号子序列作为正常心音信号子序列输入至信号整合单元中；
所述的去噪单元用于对噪声心音子序列进行去噪，获得去噪后的心音信号子序列，具体包括：
在所述的噪声心音信号子序列中寻找一段包含幅值绝对值的最大值的数据点Xn的连续数据点的噪声集合，所述噪声集合中每一个数据点的幅值的符号均与数据点Xn相同，将所述噪声集合中每一个数据点的幅值置零，保持噪声心音信号子序列中除噪声集合以外的所有数据点的幅值不变后，获得去噪后的心音信号子序列；
所述的信号整合单元用于将去噪后的心音信号子序列以及正常心音信号子序列进行整合，获得去噪后的心音信号序列。
3.如权利要求2所述的心音信号特征提取装置，其特征在于，所述阈值获得单元中获得的门限阈值为所述平均值的整数倍。
4.如权利要求1所述的心音信号特征提取装置，其特征在于，所述的削顶失真处理子模块包括削顶失真判断单元、塑形单元以及输出单元；
所述的削顶失真判断单元用于检测所述的去噪后的心音信号序列中每个数据点的幅值，若存在相邻多个数据点的幅值相同，则相邻多个数据点组成的失真信号集合，将所述的失真信号集合输入至塑形单元中，将除失真信号集合以外的所有数据点作为正常信号集合输入至输出单元；否则将去噪后的心音信号序列输入至输出单元；
所述的塑形单元用于对失真信号集合进行对称三角塑形，获得塑形后的信号集合，具体包括：
获得失真信号集合中的两个端点数据点，将两个端点数据点的幅值置0；
获得失真信号集合中的中点数据点，将中点数据点的幅值置为
其中M为失真信号集合中数据点的总数，d为增加值，单位为，0.001≤d<1；
连接所述的两个端点数据点与中点数据点，形成一个对称三角形，所述的失真信号集合中除两个端点数据点以及中点数据点以外的所有数据点的幅值均在所述的对称三角形的两条斜边上，获得塑形后的信号集合；
所述的输出单元用于将去噪后的心音信号序列直接作为预处理后的心音信号，或用于整合正常信号集合以及塑形后的信号集合，获得预处理后的心音信号。
5.如权利要求1所述的心音信号特征提取装置，其特征在于，所述的时域特征提取子模块用于从预处理后的心音信号序列中提取时域特征，获得时域特征数据；所述的时域特征包括第一心音与第二心音幅值比、心舒期与心缩期时长比以及HRV变化值；
所述的个体特征提取子模块用于获得待检测对象的个体特征数据，所述的个体特征包括BMI值、血压值以及性别值；
所述的特征融合子模块用于将频域特征数据、时域特征数据以及个体特征数据进行融合，获得特征序列。
6.一种心音信号检测模型构建装置，其特征在于，包括权利要求1-5任一项权利要求所述的心音信号特征提取装置，还包括心音特征标注模块以及心音信号检测模型构建模块；
所述的心音信号特征提取装置用于获取多个特征序列，获得特征集；
所述的心音特征标注模块用于对每个特征序列进行标签标注，所述的标签包括正常心音以及非正常心音，获得标签集；
所述的心音信号检测模型构建模块用于将所述的特征集作为输入，将所述标签集作为输出，训练分类网络，获得心音信号检测模型。
7.一种心音信号检测装置，用于对待检测对象的心音信号进行检测，其特征在于，所述的装置包括心音信号采集模块、如权利要求1-5任一项权利要求所述的心音信号特征提取装置、如权利要求6所述的心音信号检测模型构建装置以及结果输出模块；
所述的心音信号采集模块用于采集待检测对象的多段固定时长的心音信号，获得多个初始心音信号序列；
所述的心音信号特征提取装置用于从每个初始心音信号序列中提取特征序列，获得多个特征序列；
所述的心音信号检测模型构建装置用于对每个特征序列进行分类，获得多个分类结果；
所述的结果输出模块用于根据所有分类结果中非正常心音的个数，获得检测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910595558.1A CN110368019B (zh) | 2019-07-03 | 2019-07-03 | 一种心音信号特征提取、检测模型构建及检测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910595558.1A CN110368019B (zh) | 2019-07-03 | 2019-07-03 | 一种心音信号特征提取、检测模型构建及检测装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110368019A CN110368019A (zh) | 2019-10-25 |
| CN110368019B true CN110368019B (zh) | 2022-03-08 |
Family
ID=68251718
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910595558.1A Active CN110368019B (zh) | 2019-07-03 | 2019-07-03 | 一种心音信号特征提取、检测模型构建及检测装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110368019B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114886416A (zh) * | 2022-05-07 | 2022-08-12 | 重庆邮电大学 | 一种基于心冲击图信号的心率和心动周期检测方法 |
| CN117954116B (zh) * | 2024-03-27 | 2024-05-24 | 广州市第一人民医院（广州消化疾病中心、广州医科大学附属市一人民医院、华南理工大学附属第二医院） | 基于人工智能的呼吸重症患者状态监测预警方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0879036B1 (de) * | 1996-02-05 | 2002-05-02 | Ufz-Umweltforschungszentrum Leipzig-Halle Gmbh | Fixiervorrichtung für sensoren auf der hautoberfläche und verfahren zum nachweis des entfernens von sensoren von der hautoberfläche |
| CN102655814A (zh) * | 2009-12-18 | 2012-09-05 | 皇家飞利浦电子股份有限公司 | 用于心音图信号的信号处理设备和方法 |
| CN109961017A (zh) * | 2019-02-26 | 2019-07-02 | 杭州电子科技大学 | 一种基于卷积循环神经网络的心音信号分类方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100418480C (zh) * | 2006-05-16 | 2008-09-17 | 清华大学深圳研究生院 | 基于心音分析的心脏病自动分类系统及其心音分段方法 |
| CN108968933B (zh) * | 2018-06-23 | 2021-04-20 | 桂林医学院附属医院 | 心脑血管疾病检测装置 |
| CN109497991B (zh) * | 2019-01-04 | 2021-07-02 | 济南汇医融工科技有限公司 | 基于机器学习的心衰检测装置 |
| CN109893163B (zh) * | 2019-01-23 | 2021-07-02 | 苏州美糯爱医疗科技有限公司 | 一种自动定位并修复电子听诊器削波失真波形的方法 |
-
2019
- 2019-07-03 CN CN201910595558.1A patent/CN110368019B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0879036B1 (de) * | 1996-02-05 | 2002-05-02 | Ufz-Umweltforschungszentrum Leipzig-Halle Gmbh | Fixiervorrichtung für sensoren auf der hautoberfläche und verfahren zum nachweis des entfernens von sensoren von der hautoberfläche |
| CN102655814A (zh) * | 2009-12-18 | 2012-09-05 | 皇家飞利浦电子股份有限公司 | 用于心音图信号的信号处理设备和方法 |
| CN109961017A (zh) * | 2019-02-26 | 2019-07-02 | 杭州电子科技大学 | 一种基于卷积循环神经网络的心音信号分类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110368019A (zh) | 2019-10-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Papadaniil et al. | Efficient heart sound segmentation and extraction using ensemble empirical mode decomposition and kurtosis features | |
| CN100418480C (zh) | 基于心音分析的心脏病自动分类系统及其心音分段方法 | |
| Varghees et al. | Effective heart sound segmentation and murmur classification using empirical wavelet transform and instantaneous phase for electronic stethoscope | |
| Alaskar et al. | The implementation of pretrained AlexNet on PCG classification | |
| Dokur et al. | Heart sound classification using wavelet transform and incremental self-organizing map | |
| Castro et al. | Heart sound segmentation of pediatric auscultations using wavelet analysis | |
| CN108670209A (zh) | 一种自动识别中医脉象的方法和系统 | |
| Javed et al. | A signal processing module for the analysis of heart sounds and heart murmurs | |
| Upretee et al. | Accurate classification of heart sounds for disease diagnosis by a single time-varying spectral feature: Preliminary results | |
| CN114469124B (zh) | 一种运动过程中异常心电信号的识别方法 | |
| Gavrovska et al. | Automatic heart sound detection in pediatric patients without electrocardiogram reference via pseudo-affine Wigner–Ville distribution and Haar wavelet lifting | |
| CN113343805A (zh) | 一种基于rr间期心电数据和集成学习的房颤节律识别方法 | |
| CN112971839B (zh) | 一种基于前馈卷积神经网络的心音分类方法 | |
| Sedighian et al. | Pediatric heart sound segmentation using Hidden Markov Model | |
| Dokur et al. | Feature determination for heart sounds based on divergence analysis | |
| CN110368019B (zh) | 一种心音信号特征提取、检测模型构建及检测装置 | |
| WO2023226223A1 (zh) | Ppg信号质量评估方法及装置以及ppg信号处理方法及系统 | |
| Ari et al. | A robust heart sound segmentation algorithm for commonly occurring heart valve diseases | |
| Argha et al. | Blood pressure estimation from korotkoff sound signals using an end-to-end deep-learning-based algorithm | |
| Putra et al. | Study of feature extraction methods to detect valvular heart disease (vhd) using a phonocardiogram | |
| Yang et al. | Classification of phonocardiogram signals based on envelope optimization model and support vector machine | |
| CN110368020B (zh) | 一种心音信号预处理方法及装置 | |
| Pretorius et al. | Development of a pediatric cardiac computer aided auscultation decision support system | |
| CN101897578A (zh) | 一种动脉压信号逐拍分割方法 | |
| Sayed et al. | Arrhythmia classification based on novel distance series transform of phase space trajectories |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Nie Tao Inventor after: Wang Yong Inventor after: Qiu Zifeng Inventor after: Yin Xueliang Inventor before: Nie Tao Inventor before: Qiu Zifeng Inventor before: Yin Xueliang |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230418 Address after: 100037 Beijing City, Xicheng District No. 167 North Patentee after: FUWAI HOSPITAL, CHINESE ACADEMY OF MEDICAL SCIENCES Patentee after: Beijing Bi'An biheng Technology Development Co.,Ltd. Address before: 100016 11-3-701 Yangguang Shangdong, North East Fourth Ring Road, Chaoyang District, Beijing Patentee before: Beijing Bi'An biheng Technology Development Co.,Ltd. |