2023人工智能辅助心脏听诊技术的研究与应用现状.docx

《2023人工智能辅助心脏听诊技术的研究与应用现状.docx》由会员分享，可在线阅读，更多相关《2023人工智能辅助心脏听诊技术的研究与应用现状.docx（11页珍藏版）》请在第一文库网上搜索。

1、2023人工智能辅助心脏听诊技术的研究与应用现状摘要人工智能辅助听诊是以电子听诊器和计算机辅助的心音分析算法为基础的心血管疾病辅助检查技术。人工智能通过对心音信号进行去噪、分段、特征提取和分类，能够准确识别异常心音，判断特定的疾病。应用目前最先进的深度学习方法诊断心脏瓣膜病、先天性心脏病等均可达到较高的准确性。人工智能所具备的高度准确性，加之听诊本身便具有的无创、费用低、便捷等优点，为该技术在心血管疾病的早期筛查方面带来了极大的临床应用价值。该文将对心脏听诊、电子听诊器以及计算机辅助的心音信号的处理分析方法进行简要介绍，概述人工智能辅助听诊技术的研究现状与临床应用前景。心血管病在城乡居民死亡率

2、构成比中居首位，高于肿瘤等其他疾病11为了减轻心血管病所带来的危害，尽早诊断、尽早治疗是重中之重。心血管病的诊治中，心脏听诊是必不可少的环节之一，也是每一位医生都应掌握的基本技能。多数情况下，在患者表现出明显的临床症状前，对心音的正确解读能协助医生发现心脏的结构异常，即使在影像学飞速发展的今天,心脏听诊作为一项无创、低成本、便捷的检查,仍占据不可取代的地位2J9但不可否认的是，心脏听诊的临床应用仍受到诸多限制，不论是外界干扰还是医生主观判断的差异,都可能会对听诊的结果造成极大影响。随着电子听诊器和心音分析技术的发展，人工智能（artificia1inte11igence,A1）辅助听诊技术的产

3、生为心脏听诊提供了新的可能性。电子听诊器能够有效地抑制环境噪音和摩擦，获得定量化的心音数据，通过蓝牙等方式上传至采集系统,生成心音图。基于心音信号的新型计算机辅助诊断系统通过提取心音图中的关键参数，将监测到的患者数据与库中数据进行对比分析，自动获得直观的诊断结果。该技术对瓣膜病和先天性心脏病的诊断具有极高的准确性3z对其他心血管疾病的早期筛查、辅助诊断也具有潜在临床应用价值。本文将对心脏听诊、电子听诊器以及前沿的心音信号的处理分析方法进行简要介绍，概述AI辅助听诊技术的研究现状与临床应用前景。一、心脏听诊常规的心脏听诊中，医生需要注意心率、心律、心音、额外心音及心脏杂音。目前普遍认为心音、心脏

4、杂音是多种事件相互作用的结果，包括血液在心内进行加速、减速运动形成的湍流与涡流，血流冲刷瓣膜、心壁和大血管所产生的振动，瓣膜的开、闭，以及心肌在周期性的心电活动作用下的舒张、收缩4,5,6o因此，其强度、性质和成分的改变反映着心内血流、心脏瓣膜和心肌功能的变化。心脏活动产生的声音经过心胸传导系统到达体表，便可被人耳或辅助工具采集，人耳可分辨的心音，一般按其在心动周期中出现的顺序被分为4种成分。第一心音（S1）出现在二尖瓣和三尖瓣关闭、心室收缩开始时，代表着收缩期的开始。第二心音（S2）出现在主动脉瓣和肺动脉瓣关闭、心室舒张开始时，代表着舒张期的开始。S1和S2的辨别对于确定额外心音和杂音很重要

5、，通常S1音调较低，持续时间较长，与心尖的外向搏动几乎同步。在正常的S1、S2以外听到的附加心音为额外心音。舒张早期由于心室的快速充盈可能会出现第三心音(S3),这在部分青年人中属正常表现，但对于40岁以上人群而言则为病理性改变。心房收缩引起的舒张晚期心室充盈可产生第四心音(S4),往往是左心室肥厚和冠状动脉疾病的临床征兆7o此外，还有开瓣音、喷射音和喀喇音等。心脏杂音是心音、额外心音之外的异常声音，其发生时相、强度、性质、形态等特征均对心脏的功能性或器质性疾病起到一定提示作用。准确地识别具有病理意义的心音、杂音，能够协助医生对可能的心血管疾病进行分析，作出初步判断。但基于人工听诊的心音诊断，

6、是一种医生凭借个人经验和技巧对心音的音调及强度进行判断的定性方法，受到主观因素、人耳分辨能力以及环境噪音的限制。二、电子听诊器电子听诊器的发明弥补了人工听诊的缺陷，为计算机辅助心音检测技术奠定了基础。电子听诊器具有钟式、膜式和扩展式3种听诊模式，通过环境降噪技术选择性地过滤背景噪音，同时按一定倍数对听诊音进行放大，协助医生获得更好的听诊效果。此外，记录的听诊音可随时回放，支持蓝牙传输、电子归档，自动生成心音图，便于进一步可视化分析，亦能用于远程医疗8,9O电子听诊器的工作原理为将胸件所接受到的声波转换为电信号，进一步降噪、放大，再通过数字化进行传输。因此，采用不同换能器或传感器的电子听诊器收集

7、心音数据的效果也有很大差别。最简单的方式为在胸件中内置麦克风，由于受环境噪音干扰过于严重目前已被淘汰。压电传感器较常见，它通过压电晶体与膜片耦合，在膜片运动时发生形变而产生电信号，该方式的弊端在于转换过程中可能产生信号失真。基于微机电系统技术的电容式传感器以电容值的变化检测声压，由于其对声波的反应与传统声学听诊器相同,能够有效避免失真10J1o目前,市面上的电子听诊器型号及其特点见表1其中3M1ittmannCore.EkoDUOxMinttihea1thSmartho-D2以及上海拓萧云听G-200几款电子听诊器不仅有专属配套软件，还提供了AI算法，能够即时对心音信号进行处理分析，有利于患者

8、居家自查；尚有一些电子听诊器配有远程医疗系统,包括3M1ittmannCorexCardionicsESeoPe-II以及eKuorePro-ep0002等。此外，EKuore以及Minttihea1th和汉泓等厂家生产的电子听诊器可搭配蓝牙耳机使用，支持完全隔离听诊，减少感染风险，在疫情期间得到了高度评价。三、AI心音分析技术心音图是心音信号的图形表示，对心音图进行数据处理和分析可以为先天性心脏病、充血性心力衰竭等疾病的诊断和预后判断提供有价值的信息80目前，心音图的临床应用仍不广泛，其主要问题在于心血管疾病症状多变，心音信号往往呈现出复杂性和多样性，人工读图过程繁琐、极易出现错误或忽视某些

9、关键信息12,这使得高效、可靠、自动化的智能心音分析工具的研发变得十分有必要。计算机辅助心音分析的过程通常包含4个部分,去噪、分段、时域特征提取和分类，诊断结果的准确性依赖于先进的分析方法。而深度学习作为AI领域的核心技术之一，是当下心音分析领域研究的前沿，其在心音分类中的应用尤为广泛。()去噪在心音采集的过程中，心音信号会不可避免地受到呼吸音、胃肠音等来自人体的干扰，以及来自外界的电磁干扰、工频干扰和随机噪声干扰口30由于信号质量将直接影响心音分析的准确性，去噪是关键的第一步。主要方式有离散小波变换141奇异值分解(singu1arva1uedecomposition,SVD)15和自适应去

10、噪16等。采用不同去噪方式的组合能获得更好的去噪效果，如基于小波变换和SVD的组合框架，根据互信息度量标准选择小波中信息量最大的节点，然后采用SVD技术对所选节点对应的系数进行处理，以抑制心音信号中的噪声成分，这种方法达到了更好的效果170Grado1ewski等18将小波变换和时延神经网络相结合提出了一种新的自适应去噪算法，能在不影响信号复杂性和可用性的情况下消除不断变化的环境干扰。Puri等19提出了一种自判别学习去噪技术,能够通过模式识别和统计学习总结噪音特征，达到对噪音和心音的准确区分。1.离散小波变换：小波变换可以描述为函数X(t)12(R)通过带通滤波器之后的滤波。使用小波变换能够

11、将原始信号分解成具有频率和时域特征的二维信号，使得对信号的分析更加全面。而离散小波变换将所需信号分量收敛至大系数，同时将噪声分散在小系数中，抑制与阈值相比幅度较小的系数通过，从而进行去噪14o2.SVD:SVD是一种矩阵分解技术，将某个信号分解为一系列特征值，并将这些特征值按其对信号重构的贡献排序15I,SVD是一种正交化的方法，对于一个行或列线性相关的矩阵，通过在矩阵的左右分别乘以一个正交的矩阵来对原矩阵进行变换，这样就可以将原矩阵中线性相关的行或者列变为线性独立的行或者列。对矩阵H进行SVD分解，保留前K个奇异值，较小的奇异值代表噪声信号。按照SVD分解的逆过程就可以得到重构矩阵H,将H&

12、S照重构的方法进行逆变换，就可以得到降噪后的信号2013.基于重叠组稀疏的自适应去噪方法：重叠组稀疏函数是定义在二维信号的点组，重叠组稀疏正则化可以较好地表征心音信号，与传统的小波方法相比，该算法的优点是不需要预先定义的基函数，并且可以根据噪声水平和组大小以自适应方式执行16o（二）分段分段的目的在于将心音信号分为SK收缩期、S2和舒张期，用于后续的特征分析。用于分段的方法可以粗略分为3类基于包络的算;却21,221基于特征提取和分类器的方法23以及基于序列模型的方法，目前效果最好的分段技术大多基于马尔可夫模型（HMM）24或隐半马尔可夫模型。深度学习框架近年来也已被应用于心音分段,Renna

13、等25首次将卷积神经网络与马尔可夫模型联合，经测试其平均灵敏度达93.9%;Messner等26和Fernando等27则引入了循环神经网络,灵敏度分别达到了96.1%和97.2%o1 .基于包络的算法：该算法使用各种技术来构建心音信号的包络，从而进行心音分割。心音信号可以表达为给定二维平面上的点集，相关包络及其特征分析方法包括最小凸包法、包络圆法和包络矩形法3种。基于包络的算法能够通过将心音转换为更适合其时间定位的形式来增强心音的可识别性，同时保留与时域的直接联系，这一优势使其成PCG信号分割的最常用方法。2 .马尔可夫模型：又称为马尔可夫转移矩阵法，是指在马尔可夫过程的假设前提下，通过分析

14、随机变量的现时变化来预测这些变量未来变化的一种预测方法。该算法具有强大的泛化能力和稳定分割心音的能力。1iu等24还运用了隐半马可科夫模型,即在标准的马尔可夫模型=(A,Bz)中整合每个心音状态剩余时间的概率模型即入=(A,B,p),灵敏度达98.1%o其中A为4种心音状态的传递矩阵，B为观察分布矩阵,为初始心音声音状态分布，p是每个心音状态预期保持时间的概率密度函数。(三)特征提取特征提取即用少量具有代表性的特征来替代原信号28,一般在心音分段后进行，但如前文所述，也可对原始信号或去噪后的信号直接提取特征，之后进行基于特征的心音分段。经验模式分解29和梅尔频率倒谱系数8是目前常用的心音特征提

15、取方法。其中经验模式分解用于将信号分解为单组分的子带信号，其将非平稳和非线性信号分解为一组幅度和频率调制信号的单分量，称为本征模式函数。生物信号通常表现出非线性和非平稳的行为。经验模式分解技术对非线性和非平稳数据的适用性使其适用于生物医学信号的时频域分析29o梅尔频率倒谱系数是自动声波分类领域中最常用的时频特征，能够使用汉明窗口将音频信号重塑为较小的窗,从而将信号分割为帧30;从而更便于提取数据特征，优点是声音信号的所有特征都集中在第一系数中，便于聚类算法的提取，且其频带划分更接近人类听觉，目前作为一种强大的信号处理方式被广泛应用于声音识别领域。（四）分类分类的目的是对检测结果作出定性判断，将

16、心音信号判断为正常或异常。心音分类技术主要包括支持向量机311k-最近邻算法32和人工神经网络等，可被划分为传统机器学习方法和深度学习方法两大类33o传统模型例如浅层神经网络，其输入数据是人为选择的数据，而人为选择过程耗时、依赖于专业知识，易产生偏差。深度学习是机器学习的一个子领域，使用多层（深度）神经网络来学习一组输入数据和输出数据之间的函数关系。深度学习网络的优势在于输入信号的含义由网络自身通过训练学习获得，且一些深度学习的模型无须人工监督，降低了人为因素导致系统或随机误差的风险34o用于心音分类的深度学习方法主要包括卷积神经网络35,36和循环神经网络，也有研究同时应用两种神经网络模型37o1 .传统机器学习：传统的支持向量机的核心思想是将平面数据转换为多维数据，使用超平面的方法对这些数据进行分类，被分类的所有点