WO1992003094A1 - Procede et dispositif d'aide au diagnostic par analyse des bruits du c×ur - Google Patents
Procede et dispositif d'aide au diagnostic par analyse des bruits du c×ur Download PDFInfo
- Publication number
- WO1992003094A1 WO1992003094A1 PCT/FR1991/000649 FR9100649W WO9203094A1 WO 1992003094 A1 WO1992003094 A1 WO 1992003094A1 FR 9100649 W FR9100649 W FR 9100649W WO 9203094 A1 WO9203094 A1 WO 9203094A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- parameters
- expert system
- analysis
- signals
- energy detection
- Prior art date
Links
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
Definitions
- the present invention relates to methods of assisting in the diagnosis of heart disease by analyzing heart sounds. It also relates to the devices which make it possible to implement this method.
- Listening to the sounds of the heart, especially with a sté ⁇ thoscope has long been a method that allows the practitioner to diagnose a number of heart conditions. Long practice has enabled specialists to refine this process in a particularly remarkable way. We know for example the "Précis de phonomécanographie" published by Raymond Carré and Richard Amoretti at Editions Médicales Spécia, ref. ISBN 2-901495-02-8. The consultation of this manual shows that, when the noises of the heart have been identified with certainty, one can establish a sure and precise diagnosis by a completely systematic method.
- echocardiographs are relatively expensive devices which must be used by specialized personnel. It is therefore not possible to use them systematically and even less to use them for screening or even for early diagnosis.
- the invention provides a method for assisting in diagnosis by analysis of the heart in which the noises of the heart are converted into electrical signals which are then analyzed, mainly characterized in that it comprises the following steps:
- the device comprises an acoustic sensor 101 which is intended to be applied to the patient at the cardiac auscultation points.
- This sensor can be a specialized microphone for this use, such as those manufactured by the company Siemens, but hydrophones usually used in passive sonars are advantageously used, such as those intended for submarine buoys built by the company Thomson - S in tra ASM. These latter devices have given excellent results.
- the signals from the sensor 101 are processed in a device 102 in a conventional manner by amplification and filtering. They are then sampled and digitized in an analog-digital converter 103, the sampling frequency of which, to which the cut-off frequency of the filters of circuit 102 is linked, will not drop below that corresponding to the cut-off frequency. high of a classic stethoscope. Advantageously, a higher frequency will be used to refine the results of the measurements. Tests have shown that the results obtained become better as the sampling frequency is increased, to stabilize around OKHz. The signal thus digitized is then processed to obtain detection according to two main different methods.
- a first modality used permanently in a module 104, consists in carrying out an energy detection which makes it possible to compare the energy of the signal for short periods of time with the energy for long periods of time, which can be assimilated to instant measurement of signal-to-noise ratio.
- This detection can be carried out in different ways, for example by a conventional statistical analysis based on sliding averages and analysis of the variance of the signal. It can also be done using other techniques, such as transforming de Wigner-Ville or wavelet analysis.
- the Wigner-Ville transform gave very interesting results, but it has the disadvantage of being two-dimensional, which means treating the results obtained as an image analysis. Wavelet analysis gave the best results compared to subsequent processing difficulties.
- This energy detection makes it possible on the one hand to obtain objective primary parameters on the phenomena collected by the sensor 101. These objective parameters are the instants of start and end of these phenomena, as well as the measurement of their level, which is quantified . On the other hand, we obtain a series of parameters which are directly related to the qualitative nature of the sounds collected and which should then be classified. A finer complementary detection can also be done in a module 105 by breaking the model. This processing is not carried out permanently, because it requires a relatively long computation time whereas the energy detection can be done in almost real time, and the information obtained by this analysis by rupture of model is not required permanently.
- This analysis by model breakage will preferably be carried out using an autoregressive system, also known as predictive. It will also be possible to use, depending on the circumstances, other systems such as the autoregressive system with adapted average known under the name ARMA, or multi-pulse analysis, or even ceptral analysis.
- an autoregressive system also known as predictive. It will also be possible to use, depending on the circumstances, other systems such as the autoregressive system with adapted average known under the name ARMA, or multi-pulse analysis, or even ceptral analysis.
- the qualitative parameters obtained by the energy detection are then classified in a device 106 according to a set of symbols which correspond to the different are treated in the device 104.
- Different techniques are known which make it possible to obtain this result.
- neuromimetic techniques They basically consist to use a circuit chosen from the various known neural networks.
- neural networks learn by classifying the different signals applied to their input.
- supervised learning which involves applying to the input signal a repre ⁇ sentative symbols and define a cost function by applying a minimization algorithm provides output on the classification (symbol) desired.
- One possible system is known as the gradient back propagation algorithm.
- the various noises to be classified are already available on recordings and it suffices to replace the sensor 101 with a reader of the recording, and to proceed with learning the network. of neurons until obtaining the desired responses at the exit of this network.
- This phase constitutes the main characteristic of the invention, since it makes it possible to automatically match cardiac noises with classified signals, which corresponds to simulating all the learning of the doctor, something which one will not be able to do. expertly.
- neuromimetic networks In addition to neuromimetic networks, one can also use other classification techniques such as discriminant factor analysis, hierarchical analysis, or correspondence analysis.
- the parameters obtained by breaking the model are also treated in a neural network 116, shown for convenience separately in the figure, but which may be the same as the network 106, it being understood that such a network can be reconfigured as required .
- the data thus classified are then applied to an expert system 107 which also receives directly the objective parameters of the module 104, as well as the classified data and the objective parameters of the module 105.
- This system includes, like all expert systems, a database of facts, a rule base and an inference engine.
- the fact base corresponds to objective symbols and parameters and the rule base is fed from the elements provided by human experts. In fact, as we saw above, these elements are already published in the literature, which already constitutes an excellent starting point which will of course be supplemented as the system evolves starting from new knowledge and / or mistakes made.
- the expert system therefore delivers a diagnosis, or a pre-diagnosis, which allows the operator to make the necessary arrangements, either that he directs the patient if he is not a doctor, or that he determines a therapy if is a doctor.
- the expert system can determine that the data available to it is insufficient and ask module 104 for additional detection, or module 105 for detection by model breakdown. We then perform a new iteration of symbolic classification and expertise.
- the expert system may have other entries, such as an entry 110 allowing it to provide it with various data such as the age or sex of the patient, and an entry 111 for applying the results of other clinical examinations, such as than those provided by an electrocardiogram.
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
L'invention concerne les procédés permettant d'effectuer un prédiagnostic sur un patient à l'aide d'une machine automatique. Elle consiste à recueillir les bruits du c÷ur (101) et à traiter les signaux représentatifs de ces bruits en effectuant tout d'abord une détection énergétique (104) suivie d'un classement symbolique dans un réseau neuronal (106) puis d'un tri par un système expert (107) qui délivre un prédiagnostic de l'état cardiaque du patient. Elle permet d'effectuer un dépistage systématique des affections cardiaques.
Description
PROCEDE ET DISPOSITIF D'AIDE AU DIAGNOSTIC PAR ANALYSE DES BRUITS DU COEUR
La présente invention se rapporte aux procédés qui permettent d'aider au diagnostic des maladies cardiaques par analyse des bruits du coeur . Elle concerne également les dis¬ positifs qui permettent de mettre en oeuvre ce procédé . L'écoute des bruits du coeur, notamment avec un sté¬ thoscope, est depuis longtemps une méthode qui permet au praticien de diagnostiquer un certain nombre d'affections cardiaques . Une longue pratique a permis aux spécialistes d'affiner ce procédé de manière particulièrement remarquable . On connaît par exemple le "Précis de phonomécanographie" publié par Raymond Carré et Richard Amoretti aux Editions Médicales Spécia, réf . ISBN 2-901495-02-8. La consultation de ce manuel montre que, lorsque les bruits du coeur ont été identifiés avec certitude, on peut établir un diagnostic sûr et précis par une méthode tout à fait systématique. On constate malheureusement en même temps que la difficulté se trouve justement dans l'identification de ces bruits, cardiaques . A titre d'exemple la description d'un bruit cardiaque comme étant un "souffle mésosystolique d'obstruction latérale gauche" n'est pas du tout parlante , et il en est de même pour pratiquement tous les autres bruits cardiaques . Seule une longue expérience permet au praticien de former son oreille pour qualifier ainsi les bruits qu'il entend à l'auscultation et les faire rentrer dans une classification reconnue par tous les spécialistes . Il existe heureusement des enregistrements de bruits cardiaques typiques classés en référence à leur appellation et qui permettent un entraînement systématique sans avoir besoin d'une collection de patients à écouter les uns après les autres . On citera par exemple les cassettes éditées par la société 3M SANTE intitulées "Principes de base de l'auscultation cardiaque" et ayant pour auteur Littmann.
Même avec ces facilités l'entraînement est long et fastidieux et dépend en outre des aptitudes personnelles du praticien, qui peut s'engager dans la voie d'une telle spécia¬ lisation sans avoir la certitude d'arriver à des résultats vraiment convenables .
En outre le généraliste a toutes les chances de ne pas détecter une pathologie rare .
Dans ces conditions, devant l'apparition des échocar- diographes à ultrasons, qui présentaient l'avantage de donner une image des différentes parties du coeur selon toutes les coupes voulues, l'auscultation auriculaire par l'oreille a cédé rapidement la place à la visualisation à l'aide de ces appareils et si cette technique n'est pas encore perdue, puisqu'il reste des praticiens relativement âgés encore expérimentés, elle n'est plus guère enseignée et l'expérience accumulée risque de disparaître faute de transmission .
Toutefois les échocardiographes sont des appareils relativement chers qui doivent être mis en oeuvre par du per¬ sonnel spécialisé . Il n'est donc pas possible de les utiliser systématiquement et encore moins de s'en servir pour faire du dépistage ni même du diagnostic précoce .
Pour pallier ces inconvénients, l'invention propose un procédé d'aide aux diagnostics par analyse du coeur dans lequel on convertit les bruits du coeur en signaux électriques que l'on analyse ensuite, principalement caractérisé en ce qu'il comprend les étapes suivantes :
- détection énergétique pour déterminer d'une part les para¬ mètres primaires objectifs des signaux, et d'autre part les paramètres qualitatifs de ces signaux ; - classification symbolique de ces paramètres qualitatifs ;
- analyse des paramètres primaires objectifs et des paramètres ainsi classifiés par un système expert pour délivrer un diagnostic .
D'autres particularités et avantages de l'invention apparaîtront clairement dans la description suivante faite en
regard de la figure annexée qui représente un schéma-bloc d'un dispositif selon l'invention.
Le dispositif dont le schéma-bloc est représenté sur la figure annexée comprend un capteur acoustique 101 qui est destiné à être appliqué sur le patient au niveau des points d'auscultation cardiaque . Ce capteur peut être un microphone spécialisé pour cet usage, tel que ceux qui sont fabriqués par la société Siemens, mais on utilisera avantageusement des hydrophones habituellement utilisés dans les sonars passifs , tels que ceux destinés aux bouées sous -marines construits par la société Thomson -S in tra ASM. Ces derniers dispositifs ont donné des résultats excellents .
Les signaux provenant du capteur 101 sont traités dans un dispositif 102 de manière classique par amplification et filtrage . Ils sont ensuite échantillonnés et numérisés dans un convertisseur analogique -numérique 103 dont la fréquence d'échan¬ tillonnage, à laquelle est liée la fréquence de coupure des filtres du circuit 102 , ne descendra pas au-dessous de celle correspondant à la fréquence de coupure haute d'un stéthoscope classique . On prendra avantageusement une fréquence plus élevée pour affiner les résultats des mesures . Des essais ont montré que les résultats obtenus devenaient meilleurs au fur et à mesure qu'on augmentait la fréquence d'échantillonnage, pour se stabiliser vers lOKHz . Le signal ainsi numérisé est alors traité pour obtenir une détection selon deux grandes modalités différentes .
Une première modalité, utilisée en permanence dans un module 104, consiste à effectuer une détection énergétique qui permet la comparaison de l'énergie du signal pendant des temps courts à l'énergie pendant des temps longs , ce qu'on peut assi¬ miler à une mesure instantanée du rapport signal/bruit. Cette détection peut s'effectuer de différentes manières, par exemple par une analyse statistique classique à base de moyennes glis¬ santes et d'analyse de la variance du signal. Elle peut aussi s'effectuer selon d'autres techniques, telles que la transformée
de Wigner- Ville ou l'analyse par ondelettes . La transformée de Wigner- Ville a donné des résultats très intéressants, mais elle présente l'inconvénient d'être bidimensionnelle, ce qui impose de traiter les résultats obtenus comme une analyse d'images . L'analyse par ondelettes a donné les meilleurs résultats par rapport aux difficultés de traitement ultérieurs .
Cette détection énergétique permet d'une part d'obtenir des paramètres primaires objectifs sur les phénomènes recueillis par le capteur 101. Ces paramètres objectifs sont les instants de début et de fin de ces phénomènes, ainsi que la mesure de leur niveau, qui est quantifiée . On obtient d'autre part une série de paramètres qui sont directement reliés à la nature qualitative des sons recueillis et qu'il convient ensuite de classifier . Une détection complémentaire plus fine peut également se faire dans un module 105 par rupture de modèle . Ce traitement ne s'effectue pas en permanence, car il nécessite un temps de calcul relativement long alors que la détection énergétique peut se faire en temps quasi réel, et les renseignements obtenus par cette analyse par rupture de modèle ne sont pas requis en permanence .
Cette analyse par rupture de modèle s'effectuera de préférence en utilisant un système autorégressif, connu aussi sous le nom de prédictif . On pourra aussi utiliser selon les circonstances d'autres systèmes tels que le système auto- régressif à moyenne adaptée connu sous le nom ARMA, ou l'analyse multi-impulsionnelle, ou encore l'analyse ceptrale .
Les paramètres de nature qualitative obtenus par la détection énergétique sont ensuite classifiés dans un dispositif 106 selon un ensemble de symboles qui correspondent aux diffé¬ rents sont traités dans le dispositif 104. On connaît diffé¬ rentes techniques permettant d'obtenir ce résultat . Parmi celles-ci les plus intéressantes sont celles connues sous le nom de techniques neuromimétiques . Elles consistent essentiellement
à utiliser un circuit choisi parmi les différents réseaux de neurones connus .
Comme on le sait, les réseaux de neurones font de l'apprentissage en classifiant les différent signaux appliqués à leur entrée . Dans le cas présent on utilise l'apprentissage supervisé, qui consiste à appliquer à l'entrée un signal repré¬ sentatif des symboles et à définir une fonction de coût qui par application d'un algorithme de minimisation permet d'obtenir sur la sortie la classification (symbole) souhaitée . Un système envisageable est connu sous le nom d'algorithme de rétro- propagation du gradient. En l'occurrence, comme on l'a exposé plus haut, les différents bruits à classifier sont déjà disponibles sur des enregistrements et il suffit de remplacer le capteur 101 par un lecteur de l'enregistrement, et de procéder à l'apprentissage du réseau de neurones jusqu'à obtenir les répon¬ ses souhaitées à la sortie de ce réseau . Cette phase constitue la caractéristique principale de l'invention, puisqu'elle permet de mettre automatiquement en correspondance des bruits car¬ diaques avec des signaux classifiés, ce qui correspond à simuler tout l'apprentissage du médecin, chose qu'on ne saura pas faire de manière expertisée .
Outre les réseaux neuromimétiques , on peut aussi utiliser d'autres techniques de classification telles que l'analyse factorielle discriminante, l'analyse hiérarchique, ou l'analyse des correspondances .
Les paramètres obtenus par rupture de modèle sont eux aussi traités dans un réseau neuronal 116, représenté pour la commodité de manière séparée sur la figure, mais qui pourra être le même que le réseau 106, étant bien entendu qu'on peut reconfigurer un tel réseau selon les besoins .
Les données ainsi classifiées sont alors appliquées à un système expert 107 qui reçoit par ailleurs directement les paramètres objectifs du module 104, ainsi que les données classifiées et les paramètres objectifs du module 105. Ce système comprend comme tous les systèmes experts une base de
faits, une base de règles et un moteur d'inférences . La base de faits correspond aux symboles et aux paramètres objectifs et la base de règles est nourrie à partir des éléments fournis par les experts humains . En fait, comme on l'a vu plus haut, ces éléments sont déjà publiés dans la littérature, ce qui constitue déjà une excellente base de départ qui sera bien entendu com¬ plétée au fur et à mesure de l'évolution du système en partant des connaissances nouvelles et/ou des erreurs faites .
On voit bien là la différence d'approche par rapport à l'étape précédente, puisque le système expert est établi de manière synthétique à partir des connaissances existantes et dûment répertoriées .
Le système expert délivre donc un diagnostic, ou un prédiagnostic, qui permet à l'opérateur de prendre les dispositions utiles, soit qu'il oriente le patient s'il n'est pas médecin, soit qu'il détermine une thérapie s'il est médecin.
Par ailleurs le système expert peut déterminer que les données qui lui sont disponibles sont insuffisantes et redeman¬ der au module 104 des compléments de détection, ou au module 105 une détection par rupture de modèle . On effectue alors une nouvelle itération de classification symbolique et d'expertise .
En outre le système expert peut avoir d'autres entrées, telle qu'une entrée 110 permettant de lui fournir des données diverses comme l'âge ou le sexe du patient, et une entrée 111 pour appliquer les résultats d'autres examens cliniques , tels que ceux fournis par un électrocardiogramme .
On peut aussi utiliser la variante inverse, où les résultats de l'expertise seront envoyés à un système de diagnostic par électrocardiographie .
Claims
1. Procédé d'analyse des bruits du coeur dans lequel on convertit les bruits du coeur en signaux électriques que l'on analyse ensuite, caractérisé en ce qu'il comprend les étapes suivantes : - détection énergétique (104) pour déterminer d'une part les paramètres primaires objectifs des signaux, et d'autre part des paramètres qualitatifs de ces signaux ;
- classification symbolique (106) de ces paramètres qualitatifs ;
- analyse des paramètres primaires objectifs et des paramètres ainsi classifiés, par un système expert (107) pour délivrer un pré - diagnostic .
2. Procédé selon la revendication 1, caractérisé en ce que la détection énergétique (104) comprend une analyse par ondelettes .
3. Procédé selon l'une quelconque des revendications 1 et
2, caractérisé en ce que l'on utilise un réseau symbolique auquel on fait subir un apprentissage supervisé à partir d'enregistrements caractéristiques des bruits du coeur .
4. Procédé selon la revendication 3 , caractérisé en ce que le réseau symbolique est un réseau neuronal (106) .
5. Procédé selon l'une quelconque des revendications 1 à 4, caractérisé en ce que l'on effectue en outre une détection énergétique plus fine par rupture de modèle (105) sur appel du système expert.
6. Procédé selon la revendication 5, caractérisé en ce que la rupture du modèle fait appel à un traitement autorégressif (105) .
7. Procédé selon l'une quelconque des revendications 5 et 6, caractérisé en ce que les paramètres obtenus par rupture de modèle (105) sont appliqués à un autre réseau neuronal (116) .
8. Procédé selon l'une quelconque des revendication 1 à 7, caractérisé en ce que l'on introduit en outre dans le système expert des données caractéristiques du patient.
9. Procédé selon l'une quelconque de revendication 1 à 8, caractérisé en ce qu'on introduit en outre dans le système expert les résultats d'autres examens effectués sur le patient
(111) • 10. Procédé selon la revendication 9, caractérisé en ce que ces autres examens (111) comprennent un examen électrocardiographique .
11. Utilisation du procédé selon l'une quelconque des revendications 1 à 10, caractérisé en ce que l'on dirige les 0 données délivrées par le système expert vers un autre dispositif d'aide au diagnostic .
12. Dispositif d'analyse des bruits du coeur qui comprend des moyens pour convertir les bruits du coeur en signaux électriques, caractérisé en ce qu'il comprend en outre : 5 - des moyens de détection énergétique (104) pour déterminer d'une part les paramètres primaires objectifs des signaux, et d'autre part des paramètres qualitatifs de ces signaux ; des moyens de classification symbolique (106) de ces paramètres quantitatifs ; 0 - un système expert (107) pour analyser les paramètres primaires objectifs et les paramètres ainsi classifiés , et pour délivrer les résultats de l'analyse des bruits du coeur .
13. Dispositif selon la revendication 12, caractérisé en ce que les moyens de détection énergétique (104) comprennent ". des moyens d'analyse par ondelettes .
14. Dispositif selon l'une quelconque des revendications 12 et 13 , caractérisé en ce qu'il comprend un réseau symbolique auquel on a fait subir un apprentissage supervisé à partir d'enregistrements caractéristiques des bruits du coeur .
15. Dispositif selon la revendication 14, caractérisé en ce que le réseau symbolique est un réseau neuronal (106) .
16. Dispositif selon l'une quelconque des revendications 12 à 15, caractérisé en ce qu'il comprend en outre des moyens pour effectuer une détection énergétique plus fine par rupture de modèle (105) sur appel du système expert .
17. Dispositif selon la revendication 16, caractérisé en ce que la rupture du modèle fait appel à un traitement autorégressif (105) .
18. Dispositif selon l'une quelconque des revendications 16 et 17, caractérisé en ce que les paramètres obtenus par rupture de modèle (105) sont appliqués à un autre réseau neuronale (116) .
19. Dispositif selon l'une quelconque des revendications 12 à 18, caractérisé en ce qu'il comprend en outre des moyens pour introduire dans le système expert des données caractéristiques du patient.
20. Dispositif selon l'une quelconque des revendications 12 à 19, caractérisé en ce qu'il comprend en outre des moyens pour introduire dans le système expert les résultats d'autres examens effectués sur le patient (111) .
21. Dispositif selon la revendication 20, caractérisé en ce que ces moyens (111) sont adaptés aux résultats d'un examen électrocardiographique .
22. Dispositif selon l'une quelconque des revendications 12 à 21, caractérisé en ce qu'il comprend en outre des moyens pour diriger les données délivrées par le système expert vers un autre dispositif d'aide au diagnostic .
23. Dispositif selon l'une quelconque des revendications 12 à 22, caractérisé en ce qu'il comprend des moyens pour numériser (103) les signaux provenant d'un capteur (101) à une fréquence inférieure ou égale à lOKHz .
24. Dispositif selon la revendication 23, caractérisé en ce que le capteur (101) est un hydrophone prévu pour les sonars passifs .
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR90/10416 | 1990-08-17 | ||
| FR9010416A FR2665831B1 (fr) | 1990-08-17 | 1990-08-17 | Procede et dispositif d'aide au diagnostic par analyse des bruits du cóoeur. |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO1992003094A1 true WO1992003094A1 (fr) | 1992-03-05 |
Family
ID=9399710
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/FR1991/000649 WO1992003094A1 (fr) | 1990-08-17 | 1991-08-06 | Procede et dispositif d'aide au diagnostic par analyse des bruits du c×ur |
Country Status (2)
| Country | Link |
|---|---|
| FR (1) | FR2665831B1 (fr) |
| WO (1) | WO1992003094A1 (fr) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6277080B1 (en) | 1996-03-12 | 2001-08-21 | Polar Electro Oy | Method and apparatus for measuring exertion endurance |
| US6540686B2 (en) | 2000-02-23 | 2003-04-01 | Polar Electro Oy | Measurement relating to human body |
| US6572560B1 (en) * | 1999-09-29 | 2003-06-03 | Zargis Medical Corp. | Multi-modal cardiac diagnostic decision support system and method |
| DE19781642B4 (de) * | 1996-03-12 | 2008-01-03 | Polar Electro Oy | Verfahren zum Bestimmen eines die maximale Sauerstoffaufnahme beschreibenden Wertes eines zu beurteilenden Lebenswesens |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4154231A (en) * | 1977-11-23 | 1979-05-15 | Russell Robert B | System for non-invasive cardiac diagnosis |
| US4679570A (en) * | 1984-11-13 | 1987-07-14 | Phonocardioscope Partners | Phonocardioscope with a liquid crystal display |
| US4712565A (en) * | 1986-10-27 | 1987-12-15 | International Acoustics Incorporated | Method and apparatus for evaluating of artificial heart valves |
| WO1989006932A1 (fr) * | 1988-02-04 | 1989-08-10 | Blood Line Technology | Stethoscope intelligent |
-
1990
- 1990-08-17 FR FR9010416A patent/FR2665831B1/fr not_active Expired - Lifetime
-
1991
- 1991-08-06 WO PCT/FR1991/000649 patent/WO1992003094A1/fr unknown
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4154231A (en) * | 1977-11-23 | 1979-05-15 | Russell Robert B | System for non-invasive cardiac diagnosis |
| US4679570A (en) * | 1984-11-13 | 1987-07-14 | Phonocardioscope Partners | Phonocardioscope with a liquid crystal display |
| US4712565A (en) * | 1986-10-27 | 1987-12-15 | International Acoustics Incorporated | Method and apparatus for evaluating of artificial heart valves |
| WO1989006932A1 (fr) * | 1988-02-04 | 1989-08-10 | Blood Line Technology | Stethoscope intelligent |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6277080B1 (en) | 1996-03-12 | 2001-08-21 | Polar Electro Oy | Method and apparatus for measuring exertion endurance |
| DE19781642B4 (de) * | 1996-03-12 | 2008-01-03 | Polar Electro Oy | Verfahren zum Bestimmen eines die maximale Sauerstoffaufnahme beschreibenden Wertes eines zu beurteilenden Lebenswesens |
| US6572560B1 (en) * | 1999-09-29 | 2003-06-03 | Zargis Medical Corp. | Multi-modal cardiac diagnostic decision support system and method |
| US6953436B2 (en) | 1999-09-29 | 2005-10-11 | Zargis Medical Corp. | Multi-modal cardiac diagnostic decision support system and method |
| US6540686B2 (en) | 2000-02-23 | 2003-04-01 | Polar Electro Oy | Measurement relating to human body |
Also Published As
| Publication number | Publication date |
|---|---|
| FR2665831B1 (fr) | 1992-10-09 |
| FR2665831A1 (fr) | 1992-02-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112353391A (zh) | 一种基于脑电信号的汽车车内声音品质识别方法及装置 | |
| Khojasteh et al. | Parkinson's disease diagnosis based on multivariate deep features of speech signal | |
| CN113208629A (zh) | 一种基于eeg信号的阿尔兹海默症筛查方法及系统 | |
| Daoud et al. | FPGA implementation of high accuracy automatic epileptic seizure detection system | |
| CA1323662C (fr) | Analyse de formes d'onde physiologiques | |
| Antunes et al. | A morphology-based feature set for automated Amyotrophic Lateral Sclerosis diagnosis on surface electromyography | |
| Chronowski et al. | Parkinson's disease diagnostics using AI and natural language knowledge transfer | |
| WO1992003094A1 (fr) | Procede et dispositif d'aide au diagnostic par analyse des bruits du c×ur | |
| CN118013366B (zh) | 一种自然阅读环境下基于脑电信号的目标辨识分类方法 | |
| Han et al. | Cepstral analysis-based artifact detection, recognition, and removal for prefrontal EEG | |
| CN116484290A (zh) | 一种基于Stacking集成的抑郁症识别模型构建方法 | |
| Kalimuthukumar et al. | Early-detection of Parkinson’s disease by patient voice modulation analysis through MFCC Feature extraction technique | |
| Archana et al. | Predicting the Severity of Pulmonary Disease from Respiratory Sounds using ML Algorithms | |
| Zubair et al. | Early detection on autistic children by using EEG signals | |
| Laasya et al. | Breathalytics: Deep Learning-Based Prediction of Abnormality in Respiratory Sounds using Continuous Wavelet Transform | |
| Baydemir et al. | classification mental workload levels from EEG signals with 1D convolutional neural network | |
| Nancy et al. | A brain EEG classification system for the mild cognitive impairment analysis | |
| Ouamri et al. | ALS disease detection in EMG using a polynomial compact support kernel-based time-frequency distribution and CNN | |
| Asayesh et al. | Transfer learning using deep convolutional neural network for predicting dementia severity | |
| Basha et al. | Single channel EEG signal for automatic detection of absence seizure using convolutional neural network | |
| Bhargavi et al. | Emotion classification using single-channel EEG | |
| WO2015044216A1 (fr) | Procédé, système et programme d'ordinateur pour la détection et la caractérisation de clignements oculaires par électro-encéphalographie | |
| Caroline El Fiorenza et al. | Forecast the Onset of Parkinson’s Disease at all Three Stages using Deep Learning Techniques | |
| Fitriah et al. | Spatial, Spatiotemporal, and Feature Analysis of Electroencephalogram During Imagined Speech with Visual vs Audio Cues | |
| Rahman et al. | Hierarchical fusion in feature and decision space for detection of valvular heart disease using PCG signal |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| AK | Designated states |
Kind code of ref document: A1 Designated state(s): US |
|
| AL | Designated countries for regional patents |
Kind code of ref document: A1 Designated state(s): AT BE CH DE DK ES FR GB GR IT LU NL SE |