CN119343088A - 用于确定心脏组织和瓣膜血流参数的心音图(pcg)信号处理系统和方法 - Google Patents

Abstract

提供了一种非侵入性的、被动的、全自动的基于心音的系统和方法，其提供了血液速度、组织运动和心腔尺寸参数的估计，以用于心脏评估。系统使用计算机处理器和软件来从一个或多个传感器接收PCG声信号，并且同时从附接到患者的一个或多个传感器接收心电图(ECG)信号。心音图(PCG)处理系统和方法计算心脏组织运动和瓣膜血流的超声心动图参数的指标度量以进行评估。

Description

用于确定心脏组织和瓣膜血流参数的心音图(PCG)信号处理 系统和方法

相关申请的交叉引用

本申请要求在2022年4月18日提交的美国临时专利申请序列号63/332,074的优先权和益处，其通过引用整体并入本文。

关于联邦赞助的研发或开发的声明

不适用

受版权保护的材料的通知

本专利文献中的一部分材料在美国和其他国家的版权法下受到版权保护。版权的所有者不反对任何人对专利文献或专利公开的复制，因为它出现在美国专利商标局公开可用的文件或记录中，但是无论如何保留所有版权。版权所有者因此不放弃使本专利文献保持保密的任何权利，包括但不限于根据37C.F.R.§1.14的权利。

技术领域

本技术总体上涉及用于提供心脏评估的系统和方法，并且更具体地，涉及通过根据心音(heart sounds)计算血流速度和组织运动的值来产生心脏评估(cardiacassessments)的非侵入性设备和方法。

背景技术

心脏是泵送血液通过身体的肌肉，并且被分成四个心室，并且具有四个瓣膜，分别如图1A和图1B示意性地示出。在一个心动周期期间，缺氧血液从身体流入心脏的右侧，通过肺进入心脏的左侧，然后从心脏泵送回到身体的其余部分，如图2所示。

通常通过计算左心室(lelf ventricular,LV)射血分数(ejection fraction)来测量心脏的泵送效率，左心室射血分数被定义为在每个心动周期期间从心脏泵送出到身体的左心室中的血液的分数。该测量结果可以由以下方程表示：

在某些情况下，心脏的泵送能力受到损害，因为左心室的肌肉不能完全放松或者过于僵硬而不能在泵送之前允许正常的血液充盈，这增加了LV充盈压力。这种情况被称为LV舒张功能障碍(LV diastolic dysfunction)，是人类心力衰竭发展的最大原因之一。

推荐表现出心力衰竭症状(例如呼吸短促、疲劳或运动耐受性降低)的患者进行心脏的超声询问，也称为超声心动图(echocardiography)。在这种成像技术期间，技术人员可视化心脏血流和肌肉运动，然后计算一些参数值以评估LV尺寸、壁运动和瓣膜血流模式。这种基于超声心动图的参数包括峰值E速度(在早期舒张期间通过二尖瓣的血流的峰值速度)、E/A比(在舒张期间通过二尖瓣的早期峰值流速与晚期峰值流速的比)、e’速度(在早期舒张期间通过二尖瓣的平均流速)、峰值TR速度(在收缩期间通过三尖瓣的血液回流的峰值速度)和LAVi(与体表面积相关联的左心房的最大体积)。然后分析这些参数中的每一个的截止值，以便对舒张功能障碍(diastolic dysfunction)的程度进行分级，并估计LV充盈压力。虽然医生可以独立地分析这些超声心动图参数，但是计算这些参数的准确度取决于超声心动图图像的质量以及技术人员的训练水平和经验。因此，超声心动图是资源密集型工具。

尽管存在能够进行心脏评估的非侵入性系统，但是像超声这样的现有系统不是被动的，也不使用除了心音之外的模态，例如心冲击描记术、压力心动描记术(pressocardiography)或生物阻抗。现有的基于心音的非侵入性和被动系统一般要求保护(claim)心脏评估和异常声音检测的能力，并且还可以通过名称来识别心脏病痛，但是它们没有明确地要求保护评估心脏组织和血流参数计算的能力或为其提供任何证据。换句话说，存在基于心音的现有系统，其计算血量(诸如心搏量或射血分数)和血压(诸如收缩或舒张血压或肺压)，但是不计算血流速度(诸如通过心脏瓣膜的血流速度)、心脏组织运动(诸如瓣膜或心脏组织的偏转)或心室大小(诸如心房容积)。

因此，需要新的非侵入性的、低成本且易于操作的系统、设备和方案，以允许可靠且准确地测量血流速度、心脏组织运动和心室尺寸。

发明内容

提供了一种非侵入性和自动心音图(PCG)处理系统和方法，其计算用于心脏组织运动和瓣膜血流的超声心动图参数的指标度量(proxy metrics)。该系统使用计算机处理器和软件来从一个或多个传感器接收PCG声信号，并且同时从附接到患者的一个或多个传感器接收心电图(ECG)信号。

优选地，对所采集的PCG信号去噪，并处理成同一患者的每次心跳的时间特征、幅度特征、频率特征或谱熵特征中的一个或多个。

然后，基于一组预定的转换方程将经处理的特征转换成若干心脏组织和瓣膜血流参数类似物(指标度量)中的一者。在一个实施例中，同一患者的所有心跳的幅度特征被处理成用于在早期舒张期间通过患者二尖瓣的血流的峰值速度(峰值E速度)的指标度量。

在另一个实施例中，将同一患者的所有心跳的提取的频率特征处理成用于在早期舒张期间通过患者二尖瓣的平均流速(e’速度)和与患者的体表面积(LAVi)相关联的患者的左心房的最大体积的指标度量。

在另一个实施例中，将同一对象的所有心跳的谱熵特征处理成用于在舒张期间通过患者的二尖瓣的早期峰值流速与晚期峰值流速的比(E/A比)和在收缩期间通过患者的三尖瓣的血液回流的峰值速度(峰值TR速度)的指标度量。

与现有方法和系统相反，本技术提供了通过根据采集的心音(心音图PCG)数据计算血流速度和组织运动的值来进行心脏评估的自动化方法和系统。PCG信号采集是被动的，即，它不涉及任何对身体的能量施加(不同于超声心动图)并且是非侵入性的。相反，该方法仅涉及记录由心脏在一段时间内生成的声音。本公开提出的方法和系统需要超越简单的心智过程并且不能使用简单的计算或观测来完成的信号处理。这些方法和系统是自动化的，并且不需要专家监督。已经使用来自现实世界临床PCG数据的洞察力开发了这些信号处理方法和系统。该技术基于根据心音计算这些血液速度和组织运动参数的概念，并且基于它们在帮助保健从业者诊断和评估心脏病中的效用。

本文所述技术的其它方面将在说明书的以下部分中给出，其中详细描述是为了充分公开该技术的优选实施例而不是对其进行限制。

附图说明

通过参考仅用于说明性目的的以下附图，将更全面地理解本文

描述的技术：

图1A是示出两个上心室(心房)和两个下心室(心室)的人体心脏解剖结构的示意性截面图。

图1B是示出四个心脏瓣膜的人体心脏解剖结构的示意性截面图。

图2是通过心脏、肺和器官的血流循环的概念性描述。

图3是示出根据使用心音数据来计算用于超声心动图参数的相应指标以便评估心力衰竭中的左心室功能的技术的方法和系统的示意图。

图4是根据本技术的一个实施例的信号处理器/诊断处理器架构的示意图。

图5是示出根据本技术的一个实施例的使用信号采集传感器和用于采集PCG信号的四个声传感器以及用于采集ECG信号的三个电极的一般放置位置的概念图。

图6是根据本技术的实施例的PCG信号处理器的模块和相关联的模块功能的概念图。PCG信号处理器的输入包括从对象(左上)采集的PCG信号，并且输出包括提供给护理提供者(右下)的超声心动图参数的指标。

图7是计算用于诸如心脏组织运动和瓣膜血流的超声心动图参数的指标度量的非侵入性和自动心音图(PCG)处理方法的功能框图。

图8是从如图5所示的信号传感器获得的三个连续心跳的PCG信号波形(顶部)和ECG信号波形(底部)的示意图。

图9是已经由PCG信号处理器滤波和分割的心跳的PCG信号的示例。该示意图示出了舒张间期、第一心音(S1)、收缩间期和第二心音(S2)。

图10A是由PCG信号处理器执行的用于幅度特征提取的信号处理步骤的功能框图。

图10B是由PCG信号处理器执行的用于频率特征提取的信号处理步骤的功能框图。

图10C是由PCG信号处理器执行的用于谱熵特征提取的信号处理步骤的功能框图。

图11A是由PCG信号处理器执行的用于峰值E速度的指标度量计算的信号处理步骤的功能框图。

图11B是由PCG信号处理器执行的用于E/A比的指标度量计算的信号处理步骤的功能框图。

图11C是由PCG信号处理器执行的用于e’速度的指标度量计算的信号处理步骤的功能框图。

图11D是由PCG信号处理器执行的用于峰值TR速度的指标度量计算的信号处理步骤的功能框图。

图11E是由PCG信号处理器执行的用于LAVi的指标度量计算的信号处理步骤的功能框图。处理步骤示出了所使用的信号类型(原始或去噪)、源(主动脉、肺或二尖瓣)、心跳(全部或质量)、信号间期(收缩或舒张)和特征(幅度、频率或谱熵)。

图12A是2016年美国超声心动图协会(ASE)和欧洲心血管成像协会(EACVI)的联合推荐中描述的用于评估LV舒张功能的诊断标准的概念图。

图12B是用于估计平均左心房压力作为来自同一源的LV充盈压力的可靠近似值的诊断标准的概念图。选择“平均”e’速度的截止值作为“中隔”和“侧面”e’速度的截止值的平均值。

具体实施方式

更具体地参考附图，为了说明的目的，通常示出了用于心音图(PCG)信号处理的系统和方法，其计算用于超声心动图参数的指标度量(proxy metric)。在图1A至图12B中一般地描述了本技术的若干实施例，以示出设备、系统和方法的特性和功能。将了解，在不脱离如本文中所公开的基本概念的情况下，方法可关于特定步骤及顺序而变化，且系统及设备可关于结构细节而变化。方法步骤仅仅是这些步骤可能发生的顺序的示例。这些步骤可以以任何期望的顺序发生，使得其仍然执行所要求保护的技术的目标。

现在转到图4，示意性地示出了用于根据心音图(PCG)信号计算用于超声心动图参数的指标度量的一个装置和系统10的总体结构。系统10的装置具有控制和计算装置12，其具有产生心电图(ECG)信号的一个或多个ECG传感器14以及产生心音图(PCG)信号的一个或多个PCG传感器16，ECG信号和PCG信号是装置12的输入18。控制/处理装置12具有至少一个处理器20、非暂时性存储器22和具有编程的应用软件24，该编程处理ECG信号和PCG信号的输入18以及提取特征、创建或应用模型和计算如本文所述的指标度量。装置还可以具有显示器26。显示器26可以用于向保健提供者输出计算的分析或诊断结果。

在另一实施例中，诊断处理器可以是单独的装置或PCG信号处理器的一部分，在这种情况下，应用软件还将包含用于执行这里描述的诊断处理功能的指令。

在一个实施例中，如图3中一般性地示出的，提供了可穿戴系统10，其使用心音(心音图PCG)信号来计算基于PCG的指标作为超声心动图参数的等效物。该计算利用确定血流和肌肉运动的生理特性的PCG信号分析技术，并且该全自动系统在没有任何专家监督的情况下工作。用于计算基于PCG的指标度量的生理特性基本上与否则可以通过超声心动图参数进行测量的生理特性相同。该计算涉及复杂的信号处理，其不能简单地作为心智过程、仅仅观测或用笔和纸来完成。所得到的指标度量值的心力衰竭筛查准确度与超声心动图参数的相当，并且该系统可以用于临床护理环境中以评估心力衰竭患者。

在图5所示的实施例中，三个ECG传感器14被放置在特定位置30，四个PCG声传感器16被放置在患者身体28的左侧和右侧的其它位置32，以便由控制/处理装置12进行信号采集。尽管图5中一般性描述的传感器的数量和位置是优选的，但是每个传感器类型的数量和位置可以变化。

在图6中在使用的情况下一般地阐述了传感器信号采集和处理步骤的概述。示出了从患者采集到健康护理从业者42对结果进行评估的PCG信号处理器34的处理模块和相关模块功能。在该实施例中，来自患者28的传感器信号由PCG信号处理器34接收以进行处理。在第一模块36处，可选地利用滤波和噪声消减来改善信号。在一个实施例中，利用语音处理中通常使用的谱噪声消减算法，使用带通滤波和噪声消减，从原始PCG信号中去除来自语音、运动和其他干扰的噪声伪像，以获得在质量上比原始信号具有更高的音频保真度的PCG信号。

然后，在图6所示的实施例中，利用心跳分割和质量保证模块38处理去噪信号。在该模块中，使用ECG信号作为参考来识别PCG信号中的各次心跳的开始时间和结束时间。ECG信号的每个心动周期中的R波的起始可以被认为是一次心跳结束和下一次心跳开始之间的过渡点。

也可以考虑各次心跳的质量以用于识别并进一步处理。如果心跳的信号：(1)S1和S2都被成功识别，(2)收缩间期(interval)和舒张间期没有信号偏移，以及(3)心跳持续时间在该对象的中值持续时间的±20％内，那么心跳可以被识别为“优质”。

第三处理模块40用于特征提取和指标度量计算。在一个实施例中，PCG信号处理器处理PCG信号，以将信号转换成三种类型的特征。重要的是注意到，特征不是PCG信号的段，而是表示从PCG信号的段获得的区别性质。因此，特征计算不是心智过程，并且不能使用简单的观察或计算来完成，而是使用这里描述的复杂的信号处理技术来完成。一旦提取了特征，PCG信号处理器就处理那些特征，以将特征转换成用于每个超声心动图参数的基于PCG的指标度量。这些基于PCG的指标度量是心脏组织和瓣膜血流参数类似物。指标度量计算涉及提取表征生理现象(诸如，否则通过超声心动图参数进行测量的心脏压力梯度、组织运动和血流)的特征。在一个实施例中，特征包括幅度特征、频率特征和谱熵特征。在一个优选实施例中，指标度量包括峰值E速度、e’速度、LAVi、E/A比和峰值TR速度。

图7示出了根据心音图(PCG)信号计算用于超声心动图参数的指标度量的替代方法44。在框46处，与来自附接到对象的一个或多个传感器的心电图(ECG)信号同时接收或采集来自一个或多个声传感器的PCG声信号。

可选地，在框48处，可以利用滤波器或其他信号质量改进方法对同时接收到的信号去噪。在一个实施例中，通过应用截止频率为25Hz和140Hz的带通滤波器，然后应用谱噪声消减算法来对PCG信号去噪，谱噪声消减算法涉及在心音活动的短暂暂停期间估计噪声谱。此后，在框48处，从整个信号的谱中减去该估计以获得干净的心音信号。

在另一个实施例中，将四阶巴特沃斯低通滤波器应用于心音图信号，并且所得到的信号包络被划分为多个帧。计算总噪声谱并从信号包络帧的各个离散傅立叶变换中减去总噪声谱，并且无噪声帧相加在一起，以根据整个PCG信号重建心音图信号。

在框48处可以采用其他去噪方法以产生干净的心音信号。图9中示出了已经由PCG信号处理器滤波和分割的用于心跳的PCG信号的示意图，其示出了舒张间期、第一心音(S1)、收缩间期和第二心音(S2)。

在图7的框50处，将原始或去噪的PCG信号处理成同一对象的每次心跳的时间特征、幅度特征、频率特征和/或谱熵特征中的一个或多个。特征提取过程可以利用原始或去噪的心音图信号的特定情况选择，其中该原始或去噪的心音图信号取决于被表征的潜在生理机能而属于全部或专门的优质心跳。

在一个优选实施例中，在图10A中所示的步骤之后，在图7的框50处将PCG信号处理成时间特征。该过程60开始于在框62处采集对应于一次心跳的PCG信号。通过首先在框64处对需要在时域和频域中进行信号处理的PCG信号应用希尔伯特变换，将所采集的信号处理成幅度特征。在框66处，应用截止频率为51Hz的低通滤波器，从而产生信号包络。然后在框68处计算该心跳的所得信号包络的第60个百分位(60th percentile)的值，以产生幅度特征70。

还参考图10B，示出了在图7的框50处产生频率特征的过程72的一个实施例。可以通过在框76处将汉明窗应用于在框74处采集的对应于一次心跳的PCG信号的段，来根据PCG信号处理频率特征。在框78处应用64点离散傅立叶变换，并且在框80处计算该心跳的在16Hz和160Hz之间的频率分布的质心，以产生频率特征82。

在一个优选实施例中，可以使用图10C中所示的过程84来计算谱特征。在框86处采集对应于一次心跳的PCG信号，并且通过以下步骤将PCG信号处理成谱熵特征：首先在框88处从PCG信号获得信号分布概率估计，并且在框90处针对该心跳计算信号概率分布估计与其对数的负积(negative product)，以产生谱熵特征92。

然后，如图7的框52所示，可以将这些计算出的特征中的一个或多个用于公式化(formulate)几个指标度量中的至少一个。尽管示出了用于产生这些特征的特定过程，但是可以在框50处使用其它特征提取过程来获得特征，以用于在框52处公式化指标度量。

在图7的框52处选择和公式化的指标度量是可以与标准相比较的生理现象的度量标准(measure)。在框52处可以公式化一个或多个指标度量，并且在图7的框54处可以评估对象患者的心脏的不同方面的状态。

在图11A至图11E中描述了使用图10A至图10C的所提取的特征的若干变换的基于PCG的指标度量，以说明方法。可以将用于峰值E速度、e’速度、LAVi、E/A比和峰值TR速度的公式化的基于PCG的指标度量输出到诊断处理器，诊断处理器被配置为用于在图7的框54处，根据基于PCG的指标度量来评估舒张功能和左心房压力。

在一个实施例中，如图11A所示，确定用于导出基于超声心动图的峰值E速度参数的基于PCG的指标度量110的过程100。通过首先在框102处采集针对优质心跳的舒张间期的去噪PCG信号来获得指标度量。在框104处计算每次心跳的肺信号和主动脉信号的幅度特征值的比。然后，在框106处确定每个对象的所有优质心跳的可用比的平均值。然后在图11A的框108处使用预定转换方程将该平均值拟合到预定义的线性模型，以产生峰值E速度的指标110。

可以利用图11B中所示的过程112来确定用于基于超声心动图的E/A比参数的基于PCG的指标度量122。在该实施例中，通过在框114处获得针对优质心跳的原始肺PCG信号来确定用于E/A比参数的指标度量。在框116处确定每次心跳的早期舒张间期和晚期舒张间期的谱熵特征值的比。在框118处，计算每个对象的所有优质心跳的可用比的平均值。然后，在框120处，使用预定转换方程将计算的平均值拟合到预定义的线性模型，以产生E/A比指标度量122。

图11C示出了用于处理用于e’速度参数的指标度量134的实施例124。这里，通过以下步骤来确定用于基于超声心动图的e’速度参数的基于PCG的指标度量：在框126处获得针对所有心跳的去噪主动脉PCG信号，在框128处计算每次心跳的晚期心脏收缩间期的频率特征值，在框130处计算每个对象的所有心跳的可用比的平均值，以及然后在框132处使用预定转换方程将所计算的平均值拟合到预定义的线性模型以产生e’速度的指标134。

可以用图11D中所示的过程136来确定用于基于超声心动图的峰值TR速度参数的基于PCG的指标度量146。在该实施例中，通过在框138处获得针对优质心跳的舒张间期的去噪PCG信号，来确定用于基于超声心动图的峰值TR速度参数的基于PCG的指标度量。然后在框140处计算每次心跳的肺信号和主动脉信号的谱熵特征值的比。在框142处计算每个对象的所有优质心跳的可用比的平均值。然后在框144处使用预定转换方程将计算的平均值拟合到预定义的线性模型，以产生峰值TR速度的指标146。

可以利用图11E中所示的过程148来确定用于基于超声心动图的LAVi参数的基于PCG的指标度量158。在该实施例中，在框150处，通过获得针对所有心跳的原始二尖瓣PCG信号来确定LAVi参数。然后在框152处计算每次心跳的早期舒张间期的频率特征值。在框154处，计算每个对象的所有心跳的可用比的平均值。在框156处，使用预定转换方程将计算的平均值拟合到预定义的线性模型，以产生LAVi的指标158。

优选地使用训练数据来生成图11A到图11E所示的过程的预定义的线性模型，以确定可用于计算任何以前从未见过的对象的指标度量的转换方程，如这里所呈现的本发明的意图。在其他实施例中，信号处理伴随有高级机器学习方法，而不是线性回归，以在这些处理步骤中提供指标度量的准确计算。

在用户可以选择特性与这里应用的传感器不同的一组传感器的这种系统的实施方式中，可以预期用户必须再次训练系统。这是因为已知声传感器信号的特性由所选传感器的特定特性确定。因此，必须通过使用训练数据集利用线性回归来训练线性模型和所得到的转换方程，所述训练数据集是利用将所选择的传感器应用于对象的信号采集获得的，针对所述对象，也已经获得了对应的对象状况实际情况。

因此，这些基于PCG的系统和方法可以用作呈现呼吸困难或心力衰竭症状的患者的常规评估的一部分，并且可以帮助他们从事加速的护理途径。该装置和方法是首创的使用心音进行心脏组织和瓣膜血流参数的非侵入性和被动计算的装置和方法。可以以完全自动的方式操作用于LV舒张功能评估的端到端PCG信号处理、特征提取和指标度量计算算法，而无需专家监督。虽然使用2016ASE/EACVI算法确定指标度量的临床值，但是指标度量计算本身独立于该算法，并且因此不受将来可能引入的任何指南修改的影响。这证明了所提出的基于PCG的系统在医院或诊所的真实世界环境中在信号采集的几分钟内向解读医生提供类似超声心动图的参数方面的效用和潜力，由此允许患有心力衰竭和其他心脏病的个体从事加速的护理途径。

参考所附的示例可以更好地理解本文所述的技术，所述示例仅用于说明的目的，并且不应被解释为以任何意义限制本文所述的技术的范围，如所附权利要求书中所限定的。

示例1

为了证明该技术的操作原理，使用在俄勒冈健康和科学大学医院(Portland，OR)安排进行右心导管术的34名成年住院患者的研究群体设计并验证了系统。对于每个对象获得超声心动图报告，该超声心动图报告由来自在紧邻右心导管术处进行的经胸廓检查的2维和多普勒参数组成。每个报告包括基于超声心动图研究质量的五个参数中的一个或多个。参见(表1)。对象群体中这34个对象的超声心动图报告构成对象状况实际情况数据。

还展示和评估了该群体的个体的信号采集、滤波、心跳分割和质量保证特征。在信号采集期间，对象仰卧在导管室病床上。

使用四个通常如图5所示放置的声传感器，以512Hz的采样率从每个对象采集心音图(PCG)信号。每个传感器由容纳在丙烯腈-丁二烯-苯乙烯共聚物塑料体中的驻极体麦克风组成，该塑料体的一端具有0.4mm厚的黑色丁腈橡胶膜。

由护理提供者将传感器的膜侧朝下放置在胸壁主动脉(第二肋间隙，右胸骨缘)、肺(第二肋间隙，左胸骨缘)、三尖瓣(第四肋间隙，左胸骨缘)和二尖瓣(第五肋间隙，左锁骨中线)上的四个传统听诊点处。相对于胸骨上切迹确定传感器放置的位置，并且这些位置不需要提供者干预。使用图5中所示的三个ECG电极以300Hz的采样速率同时采集ECG信号。电极被邻近地放置在两个上肢和(左下)腹部上。根据导管室计划安排，每个对象的PCG信号采集和ECG信号采集持续时间在4分钟至80分钟之间，然后将这些信号存储在Matlab(MathWorks，MA)中用于离线分析。来自连续心跳的示例PCG信号波形和ECG信号波形在图8中示出。如上所述，通过这种信号采集获得的对象群体中的34个对象中的每个的PCG数据和ECG数据与上述对象状况实际情况数据一起构成训练数据集。

PCG信号处理器被设计为执行如图6和图7中所示的一般PCG信号处理步骤，即，滤波和噪声消减、心跳分割和质量保证、以及特征提取和指标度量计算。

为了演示信号滤波和噪声消减特征，对从每个对象采集的信号进行降噪。使用滤波和噪声消减从原始PCG信号中去除来自语音、运动和其他干扰的噪声伪像，以获得在质量上比原始信号具有更高的音频保真度的PCG信号。在该图示中，第一步骤涉及应用截止频率为25Hz和140Hz的带通滤波器以保留最大量的心音信息，同时去除大多数低频和高频噪声伪像。

在中频范围中的剩余噪声伪像与心音的频率范围重叠，并且通过应用语音处理中常用的谱噪声消减算法来去除在中频范围中的剩余噪声伪像。该技术涉及在心音活动的短暂暂停期间估计噪声谱，然后从整个信号的谱中减去该估计以获得干净的心音信号。在逐帧的基础上在信号包络的幅度分布中识别对应于心音活动暂停的PCG信号的区域。为此目的，将截止频率为38Hz的四阶巴特沃斯低通滤波器应用于心音图信号。然后，将作为结果获得的信号包络划分为93毫秒长的帧，其中在相邻帧之间具有31毫秒(33％)的重叠。帧和重叠长度是根据经验确定的，以提供最佳的噪声消减。

接下来，通过以递增顺序排列各个帧的均方根幅度值来获得信号包络的幅度分布。该幅度分布具有大致双峰形状，其中一个峰值是对应于心音活动的暂停的较低幅度值，另一个峰值是对应于生理心音和病理心音的较高幅度值。

使用离散傅立叶变换计算第一峰值中的所选帧的各个频谱，然后对这些谱求平均以近似该PCG信号的一个总噪声谱。然后从所有可用信号包络帧(包括属于心音活动的那些)的各个离散傅立叶变换中减去该平均噪声谱，并通过执行逆傅立叶变换来恢复其相应的时域信号。

然后将每帧中的无噪声信号加在一起，同时考虑原始33％重叠，以重建整个PCG信号的心音图信号。最后，然后再次应用截止频率为25Hz和140Hz的相同带通滤波器，并且得到的信号现在是无噪声的。

还展示了应用于去噪信号或原始信号的心跳分割和质量保证特征。对于分割，使用ECG信号作为参考来识别经处理的PCG信号中的各次心跳的开始时间和结束时间。将ECG信号的每个心动周期中的R波的起始视为一次心跳结束和下一次心跳开始之间的过渡点。然后，将两个连续的起始点之间的ECG信号识别为一个心动周期，并且因此将对应的PCG信号识别为一次心跳。然后，利用心动周期的短时间周期性来识别每次心跳内的第一心音(S1)和第二心音(S2)，该周期性甚至存在于严重受影响的情况中。为此，将PCG信号划分为包含两次心跳的重叠帧，每次心跳在连续帧之间具有一个重叠搏动，并且使用截止频率为10Hz的低通滤波器来计算每个帧的信号包络。

然后，对于每个帧，利用梳状函数来执行互相关，所述梳状函数在除了t＝0和t＝T(其中T是两次心跳中的第一次心跳的时间段)之外的所有点处值为零。该函数中的脉冲的位置预期接近于PCG信号帧中的第一个S1峰值的起始，第二个S2峰值的位置在第一个S1峰值之后T秒。一旦知道了两个S1峰值位置，就通过从峰值向后和向前搜索与60％峰高相对应的时间点来确定S1心音的开始时间和结束时间。使用类似的方法来识别第二心音，然而这次使用15Hz的截止频率来计算信号包络。前面的信号分析实验揭示，在S1峰值的0.2T和0.55T秒内发现S2峰值，因此在第一最显著峰值之后的这个时间间隔中出现的互相关时间序列中的峰值通知了第一心跳的S2峰值的位置。以与上述类似的方式确定S2心音的开始时间和结束时间。

识别S1和S2心音的终点允许识别这些心音之间的收缩间期和舒张间期，如图9所示。使用经分割的去噪信号来标记原始PCG信号中的相应终点。并非所得到的数据集中的所有心跳都被完美地分割，并且因此为不需要心跳的整个数据集的应用创建优质心跳的子集。如果心跳的信号为：(1)S1和S2都被成功识别，(2)收缩间期和舒张间期没有信号偏移，以及(3)心跳持续时间在该对象的中值持续时间的±20％内，则该心跳被认为是优质心跳。

示例2

为了说明方法的特征提取过程，将初始对象组的经采集和处理的信号用作源。特征提取过程利用原始或去噪心音图信号的特定情况选择，该原始或去噪心音图信号取决于被表征的潜在生理机能而属于全部或专门的优质心跳。

在该示例中，PCG信号处理器处理PCG信号以将信号变换成包括幅度特征、频率特征和谱熵特征的三种类型的特征。然后，这些特征可用于公式化包括峰值E速度、e’速度、LAVi、E/A比和峰值TR速度的指标度量。

如图10A的过程中所示，通过对所选PCG信号段应用希尔伯特变换并且然后应用截止频率为51Hz的低通滤波器，来生成该示例中的幅度特征，由此产生信号包络。然后计算所得信号包络的第60个百分位值，并将其指定为幅度特征。该幅度特征随后被用于计算用于峰值E速度参数的指标度量。基于PCG的指标度量计算是在每心跳的基础上执行的。

通过按照图10B的过程将汉明窗应用于PCG信号段并且然后应用64点离散傅立叶变换，来生成频率特征。然后计算16Hz和160Hz之间的频率分布的质心，并将其指定为频率特征。随后使用频率特征来计算用于e’速度和LAVi参数的指标度量。基于PCG的指标度量计算是在每心跳的基础上执行的。

最后，如图10C中所示的过程中所描述的，通过从PCG信号段获得信号分布概率估计并且然后计算信号概率分布估计与其对数的负积，来生成谱熵特征。随后使用谱熵特征计算用于E/A比和峰值TR速度参数的指标度量。基于PCG的指标度量计算是在每心跳的基础上执行的。

示例3

为了演示指标度量的公式化，通过取每个对象的选择的心跳的平均特征值来计算该对象的最终特征值。噪声消减、心跳分割、特征提取和指标度量计算以全自动的方式进行。所提取的特征直接表征否则通过超声心动图参数进行测量的生理现象。用于每个超声心动图参数的特征的概要在表2中示出，并且使用的过程一般在图11A至图11E中描述。

将每个对象的特征值对照其超声心动图参数作图，并使用线性拟合估计每个对象的指标度量。线性拟合涉及：首先通过计算超声心动图参数与PCG特征之间的线性回归的常数(斜率和截距)来建立两者之间的关系的模型，然后使用这些计算的常数来估计针对任何给定PCG特征值的指标超声心动图的度量。通过减去线性模型的截距并除以其斜率来调整指标度量，并且相应地截断生理上可行范围之外的任何指标值。可以看出，这些预定义的线性模型可以用于计算任何从未见过的对象的指标度量，并且对于每次分析可能不需要新的模型推导。

通过如图11A所示获得优质心跳的舒张间期的去噪PCG信号、计算肺信号和主动脉信号的幅度特征值的比、计算每个对象的可用比的平均值、并将计算的平均值拟合到线性模型，来确定用于峰值E速度的指标。

峰值E速度参数是在左心房被动排空到左心室期间二尖瓣小叶末端处的峰值早期舒张流速的度量标准。该参数值反映了左心房和左心室之间的压力梯度，并受左心室舒张速率或左心房压力的任何变化影响。具有高流速的组中的对象展示出相应的高信号幅度。因此，针对优质搏动的舒张去噪心音图信号计算的基于肺幅度与主动脉幅度的特征的比被选中用来表征该趋势。

由于舒张血流的方向远离主动脉听诊点位置和肺听诊点位置，对于高峰值E速度值可以看到较低的基于幅度的特征值。这里，肺特征值与主动脉特征值的比允许在心脏的左侧和右侧比较这种趋势。结果，对于具有较大峰值E速度值的对象，看到较大的舒张幅度比，并且因此该比被选中用来计算用于峰值E速度参数的指标度量。

通过如图11B所示获得优质心跳的原始肺PCG信号、计算早期舒张间期和晚期舒张间期的谱熵特征值的比、计算每个对象的可用比的平均值、以及将计算的平均值拟合到线性模型，来确定用于E/A比的指标。

E/A比参数是在左心房被动和随后主动排空到左心室期间二尖瓣小叶末端处的早期峰值舒张流速与晚期峰值舒张流速之比的度量标准。该参数的值用于识别左心室功能的状态：正常、受损松弛、中度舒张功能障碍(假型充盈(pseudoformal filling))或限制性左心室充盈(受损左心室顺应性)。

使用基于谱熵的特征来识别与左心室充盈相关的肌肉收缩相关联的舒张心音图信号段。当与对应于被动左心房排空的早期舒张信号段相比时，在对应于主动左心房收缩的晚期舒张信号段中观察到较低的谱熵值。对于在肺听诊点处采集的优质心跳中的原始心音图信号，这种趋势最强。因此，基于早期与晚期肺舒张信号谱熵的特征的比被选中用来计算用于E/A比参数的指标度量。

通过如图11C中所示获得所有心跳的去噪主动脉PCG信号、计算晚期收缩间期的频率特征值、计算每个对象的可用比的平均值、以及将计算的平均值拟合到线性模型，来确定用于e’速度的指标。

e’速度参数是在左心房被动排空到左心室期间二尖瓣环处的平均早期舒张流速的度量标准。可以看出，该参数值与左心室松弛的时间常数相关联。在收缩期间间接地估计负责这些早期舒张二尖瓣环偏转的左心室血流动力。

与高速血流相关联的高频振动展示出对应的高频信号成分的升高水平，而与心肌运动相关联的低频振动展示出对应的低频信号成分的升高水平。由于较大二尖瓣环偏转而具有高e’速度值的对象在收缩期间也展示出较大的肌肉运动相关的低频成分。通过计算在主动脉听诊点处采集的所有心跳中的经去噪的期末收缩心音图信号的基于频率的特征来表征该现象。因此，该特征被选中用来计算用于e’速度参数的指标度量。

通过如图11D所示获得优质心跳的舒张间期的去噪PCG信号、计算肺信号和主动脉信号的谱熵特征值的比、计算每个对象的可用比的平均值、并将计算的平均值拟合到线性模型，来确定用于峰值TR速度的指标。

峰值TR速度参数是在右心室收缩期间三尖瓣处的峰值回流收缩射流速度的度量标准。该参数值提供了肺动脉收缩压的间接度量标准，可以看出所述肺动脉收缩压与左心房压力直接相关。已经观察到具有较大峰值TR速度值并因此具有较高肺动脉压力的对象在肺听诊点处采集的心音图信号中展示出有组织的心音图案。通过计算在肺听诊点和主动脉听诊点处采集的舒张间期心音图信号的基于谱熵的特征的比来表征这些图案。

对于具有较大峰值TR速度值的对象，在肺听诊点处观察到较低的谱熵值。对于优质的心跳中的去噪心音图信号，这种趋势最强，因此这个比被选中用来计算用于峰值TR速度参数的指标度量。

通过如图11E所示获得针对所有心跳的原始二尖瓣PCG信号、计算早期舒张间期的频率特征值、计算每个对象的可用比的平均值、以及将计算的平均值拟合到线性模型，来确定用于LAVi的指标。

LAVi参数是与体表面积相关联的最大左心房体积的度量标准。该参数值反映了左心房压力随时间增加的累积效应。具有较大LAVi值并因此具有较大左心房的对象在早期舒张的左心室充盈期间展示出较大的肌肉运动相关的低频信号成分。通过计算在二尖瓣听诊点处采集的早期舒张间期心音图信号的基于频率的特征来表征该趋势，并且对于所有心跳中的原始心音图信号，该趋势最强。因此，该特征被选中用来计算用于LAVi参数的指标度量。

由于与嘈杂的导管室环境中的测量相关联的偶然的信号质量缺陷，因此不能为所有对象计算指标度量。峰值E速度指标和峰值TR速度指标对于6个对象中的每一个是不可用的，e’速度对于三个对象是不可用的，并且LAVi对于一个对象是不可用的。

示例4

将指标度量结果与现有的超声心动图和标准进行比较，以验证装置和方法的诊断准确性。使用采用定制诊断算法的诊断处理器来评估指标度量的临床值，所述定制诊断算法基于2016年美国超声心动图协会(ASE)和欧洲心血管成像协会(EACVI)的联合推荐中描述的算法。

图12A所示的示意图表示用于评估患有正常左心室射血分数(LVEF)的患者的左心室舒张功能障碍的算法的元素。定制该算法以使用峰值E速度、e’速度、峰值TR速度和LAVi来识别在正常LV射血分数值存在的情况下具有LV舒张功能障碍的对象。图12A示出所用的标准参数。还参考图12B，该算法的第二部分被定制为使用上述4个参数以及E/A比来估计存在潜在心肌疾病的对象的平均左心房压力(作为LV充盈压力的间接测量)，所述对象具有降低的射血分数值或者具有正常射血分数值。所使用的参数在图12B的示意图中示出。

该示例的目标是将基于PCG的指标度量与超声心动图参数进行比较，以使用该2016ASE/EACVI算法进行LV舒张功能评估。使用其超声心动图参数来获得每个对象的实际情况舒张功能障碍和左心房压力评估，而不管其射血分数值如何。

指标度量以87.5％的准确性在29个对象中识别出LV舒张功能障碍，并且以75％的准确性在17个对象中识别出升高的LV充盈压力。这些数字与参考研究中报道的非常一致，所述参考研究将超声心动图参数的诊断准确性与金标准侵入导管压力测量结果进行比较。指标度量计算中的潜在误差源是不与超声心动图参数同时记录的PCG信号，或者是由于在嘈杂的导管室环境中的测量期间的偶然的信号质量缺陷而导致的。

从本文的描述中，将理解的是，本公开涵盖多个实施例，其包括但不限于以下各项：

一种用于计算超声心动图参数的指标度量的系统，包括：(a)一个或多个心音图(PCG)传感器；(b)一个或多个心电图(ECG)传感器；(c)计算机处理器；以及(d)非暂时性存储器，其存储可由所述计算机处理器执行的指令；(e)其中，所述指令在由所述处理器执行时使所述处理器执行包括以下各项的步骤：(i)从附接到对象的一个或多个PCG传感器接收PCG声信号；(ii)同时从附接到所述对象的一个或多个心电图(ECG)传感器接收ECG信号；(iii)可选地，对接收到的PCG声信号去噪；(iv)将所述PCG信号处理成所述对象的每次心跳的时间特征、幅度特征、频率特征或谱熵特征中的一个或多个；以及(v)利用一组预定转换方程，将经处理的特征转换成心脏组织和瓣膜血流参数的一个或多个指标度量。

根据任何前述或以下实施方式所述的系统，其中，对接收到的PCG声信号去噪包括：将截止频率为25Hz和140Hz的带通滤波器应用于所述PCG声信号；估计心音活动的短暂暂停期间的谱噪声谱；以及从整个信号的谱中减去估计以获得干净的心音信号。

根据任何前述或以下实施方式所述的系统，其中，所述指令在由所述处理器执行时还执行包括以下各项的步骤：使用ECG信号作为参考来识别PCG信号中的各次心跳的开始时间和结束时间；识别识别出的每次心跳内的第一心音(S1)和第二心音(S2)以及舒张间期和收缩间期；以及通过以下各项来评估心跳是否符合优质心跳的条件：确定S1和S2两者是否都已经被成功识别，确定收缩间期和舒张间期是否没有信号偏移，以及确定心跳持续时间是否在所述对象的中值持续时间的±20％内。

根据任何前述或以下实施方式所述的系统，其中，所述幅度特征处理包括：在时域和频域中利用信号处理对所述PCG信号应用希尔伯特变换；应用截止频率为51Hz的低通滤波器，从而产生信号包络，以及计算所述心跳的所得信号包络的第60个百分位值。

根据任何前述或以下实施方式所述的系统，其中，所述频率特征处理包括：隔离与一次心跳对应的PCG信号；将汉明窗应用于所述PCG信号的段；应用64点离散傅立叶变换，以及计算所述心跳的在16Hz与160Hz之间的频率分布的质心。

根据任何前述或以下实施方式所述的系统，其中，所述谱熵频率特征处理包括：隔离与一次心跳对应的PCG信号；从所述PCG信号获得信号分布概率估计；以及计算所述心跳的所述信号概率分布估计与其对数的负积。

根据任何前述或以下实施方式所述的系统，其中，使用线性回归来生成每个转换方程，所述线性回归应用于针对对象群体获得的对象状况实际情况数据和传感器信号数据的训练数据集。

根据任何前述或以下实施方式所述的系统，其中，计算用于基于超声心动图的峰值E速度参数的基于PCG的指标度量包括：获得针对舒张间期的去噪的PCG信号；识别优质心跳；计算每次心跳的肺信号和主动脉信号的幅度特征值的比；计算每个对象的所有优质心跳的可用比的平均值；以及使用预定转换方程将所计算的平均值拟合到预定义的线性模型。

根据任何前述或以下实施方式所述的系统，其中，计算用于基于超声心动图的E/A比参数的基于PCG的指标度量包括：获得针对优质心跳的原始脉搏PCG信号；计算每次心跳的早期舒张间期和晚期舒张间期的谱熵特征值的比；计算每个对象的所有优质心跳的可用比的平均值；以及使用预定转换方程将所计算的平均值拟合到预定义的线性模型。

根据任何前述或以下实施方式所述的系统，其中，计算用于基于超声心动图的e’速度参数的基于PCG的指标度量，包括：获得针对所有心跳的去噪的主动脉PCG信号；计算每次心跳的晚期收缩间期的频率特征值；计算每个对象的所有心跳的可用比的平均值；以及使用预定转换方程将所计算的平均值拟合到预定义的线性模型。

根据任何前述或以下实施方式所述的系统，其中，计算用于基于超声心动图的峰值TR速度参数的基于PCG的指标度量包括：获得针对优质心跳的舒张间期的去噪的PCG信号；计算每次心跳的肺信号和主动脉信号的谱熵特征值的比；计算每个对象的所有优质心跳的可用比的平均值；以及使用预定转换方程将所计算的平均值拟合到预定义的线性模型。

根据任何前述或以下实施方式所述的系统，其中，计算用于基于超声心动图的LAVi参数的基于PCG的指标度量包括：获得针对所有心跳的原始二尖瓣PCG信号；计算每次心跳的早期舒张间期的频率特征值；计算每个对象的所有心跳的可用比的平均值；以及使用预定转换方程将所计算的平均值拟合到预定义的线性模型。

根据任何前述或以下实施方式所述的系统，其中，用于峰值E速度、e’速度、LAVi、E/A比、以及峰值TR速度的基于PCG的指标度量被输出到诊断处理器，所述诊断处理器被配置为根据所述基于PCG的指标度量来评估舒张功能和左心房压力。

一种用于计算用于超声心动图参数的指标度量的方法，所述方法包括：(a)从附接到对象的一个或多个传感器接收PCG声信号；(b)同时从附接到所述对象的一个或多个传感器接收心电图(ECG)信号；(c)将去噪的PCG信号处理成同一对象的每次心跳的时间特征、幅度特征、频率特征或谱熵特征中的一个或多个；(d)基于一组预定转换方程，将所提取的特征转换成多个心脏组织和瓣膜血流参数类似物(指标度量)，所述转换包括；(i)将同一对象的所有心跳的所述幅度特征处理成用于在早期舒张期间通过所述对象的二尖瓣的血流的峰值速度(峰值E速度)的指标度量；(ii)将同一对象的所有心跳的频率特征处理成用于在早期舒张期间通过所述对象的二尖瓣的平均流速(e’速度)和与所述对象的体表面积相关联的所述对象的左心房的最大体积(LAVi)的指标度量；以及(iii)将同一对象的所有心跳的谱熵特征处理成用于在舒张期间通过所述对象的二尖瓣的早期峰值流速与晚期峰值流速的比(E/A比)和在收缩期间通过所述对象的三尖瓣的血液回流的峰值速度(峰值TR速度)的指标度量。

根据任何前述或以下实施方式所述的方法还包括对接收到的PCG声信号去噪，所述去噪包括：将截止频率为25Hz和140Hz的带通滤波器应用于所述PCG声信号；估计心音活动的短暂暂停期间的谱噪声谱；以及从整个信号的谱中减去所述估计以获得干净的心音信号。

根据任何前述或以下实施方式所述的方法还包括：使用ECG信号作为参考来识别PCG信号中的各次心跳的开始时间和结束时间；识别识别出的每次心跳内的第一心音(S1)和第二心音(S2)以及舒张间期和收缩间期；以及通过以下各项来评估心跳是否符合优质心跳的条件：确定S1和S2两者是否都已经被成功识别，确定收缩间期和舒张间期是否没有信号偏移，以及确定心跳持续时间是否在所述对象的中值持续时间的±20％内。

根据任何前述或以下实施方式所述的方法，其中，幅度特征处理包括：在时域和频域中利用信号处理对所述PCG信号应用希尔伯特变换；应用截止频率为51Hz的低通滤波器，从而产生信号包络，以及计算所述心跳的所得信号包络的第60个百分位值。

根据任何前述或以下实施方式所述的方法，其中，频率特征处理包括：隔离与一次心跳对应的PCG信号；将汉明窗应用于所述PCG信号的段；应用64点离散傅立叶变换，以及计算所述心跳的在16Hz与160Hz之间的频率分布的质心。

根据任何前述或以下实施方式所述的方法，其中，谱熵频率特征处理包括：隔离与一次心跳对应的PCG信号；从所述PCG信号获得信号分布概率估计；以及计算所述心跳的所述信号概率分布估计与其对数的负积。

根据任何前述或以下实施方式所述的方法，其中，计算用于基于超声心动图的峰值E速度参数的基于PCG的指标度量包括：获得针对舒张间期的去噪的PCG信号；识别优质心跳；计算每次心跳的肺信号和主动脉信号的幅度特征值的比；计算每个对象的所有优质心跳的可用比的平均值；以及使用预定转换方程将所计算的平均值拟合到预定义的线性模型。

根据任何前述或以下实施方式所述的方法，其中，计算用于基于超声心动图的E/A比参数的基于PCG的指标度量，包括：获得针对优质心跳的原始脉搏PCG信号；计算每次心跳的早期舒张间期和晚期舒张间期的谱熵特征值的比；计算每个对象的所有优质心跳的可用比的平均值；以及使用预定转换方程将所计算的平均值拟合到预定义的线性模型。

根据任何前述或以下实施方式所述的方法，其中，计算用于基于超声心动图的e’速度参数的基于PCG的指标度量包括：获得针对所有心跳的去噪的主动脉PCG信号；计算每次心跳的晚期收缩间期的频率特征值；计算每个对象的所有心跳的可用比的平均值；以及使用预定转换方程将所计算的平均值拟合到预定义的线性模型。

根据任何前述或以下实施方式所述的方法，其中，计算用于基于超声心动图的峰值TR速度参数的基于PCG的指标度量包括：获得针对优质心跳的舒张间期的去噪的PCG信号；计算每次心跳的肺信号和主动脉信号的谱熵特征值的比；计算每个对象的所有优质心跳的可用比的平均值；以及使用预定转换方程将所计算的平均值拟合到预定义的线性模型。

根据任何前述或以下实施方式所述的方法，其中，计算用于基于超声心动图的LAVi参数的基于PCG的指标度量，包括：获得针对所有心跳的原始二尖瓣PCG信号；计算每次心跳的早期舒张间期的频率特征值；计算每个对象的所有心跳的可用比的平均值；以及使用预定转换方程将所计算的平均值拟合到预定义的线性模型。

如本文所使用的，术语“实施方式”旨在包括但不限于实施例、示例或实践本文所描述的技术的其他形式。

如本文所用，单数术语“一(a和an)”和“该”可包括复数指代物，除非上下文另外清楚地指明。除非明确说明，以单数形式提及对象不旨在表示“一个且仅一个”，而是表示“一个或多个”。

本公开中的诸如“A、B和/或C”的措词结构描述了其中A、B或C可以存在，或者项目A、B和C的任何组合。指示诸如“……中的至少一个”(其前面列出一组元素)的措词结构指示存在这些组元素中的至少一个，其包括所列元素的任何可能的组合(如适用的话)。

本公开中提及“实施例”、“至少一个实施例”或类似的实施例用语的引用，表示结合所描述的实施例描述的特定特征、结构或特性包括在本公开的至少一个实施例中。因此，这些各种实施例短语不一定都指相同的实施例，或指与所描述的所有其它实施例不同的特定实施例。实施例措词应当被解释为是指给定实施例的特定特征、结构或特性可以以任何适当的方式组合在所公开的装置、系统或方法的一个或多个实施例中。

如在此所使用的，术语“组”指的是一个或多个对象的集合。因此，例如，一组对象可以包括单个对象或多个对象。

诸如第一和第二、顶部和底部等的关系术语可以仅用于将一个实体或动作与另一实体或动作区分开，而不必要求或暗示在这样的实体或动作之间的任何实际的这样的关系或顺序。

术语“包括(comprises、comprising、includes、including)”、“具有(has、having)”、“包含(contains、containing)”或其任何其它变化形式旨在涵盖非排他性的包含，使得包括、具有、包含一系列元素的过程、方法、物品或装置不仅包括那些元素，而且可以包括未明确列出的或对于这样的过程、方法、物品或装置固有的其它元素。前面有“包括”、“具有”、“包含”的元素在没有更多约束的情况下不排除在包括、具有、包含该元素的过程、方法、物品或装置中存在额外的相同元素。

如本文所用，术语“近似地”、“近似的”、“基本上”、“本质上”和“大约”或其任何其它形式用于描述和说明小的变化。当与事件或情况结合使用时，该术语可以指其中事件或情况精确地发生的实例以及其中事件或情况接近近似地发生的实例。当与数值结合使用时，该术语可以指小于等于该数值的±10％的变化范围，例如小于等于±5％、小于等于±4％、小于等于±3％、小于等于±2％、小于等于±1％、小于等于±0.5％、小于等于±0.1％或小于等于±0.05％。例如，“基本上”对齐可以指小于等于±10°的角度变化范围，如小于等于±5°、小于等于±4°、小于等于±3°、小于等于±2°、小于等于±1°、小于等于±0.5°、小于等于±0.1°或小于等于±0.05°。

另外，量、比和其它数值有时可以以范围形式呈现在本文中。应当理解，使用这种范围形式是为了方便和简洁，并且应当灵活地理解为包括明确指定为范围的界限的数值，而且还包括该范围内涵盖的所有单个数值或子范围，如同每个数值和子范围都被明确指定一样。例如，在约1至约200范围内的比应当理解为包括明确列举的约1和约200的界限，但还包括单独的比，例如约2、约3和约4，以及子范围，例如约10至约50、约20至约100等。

这里使用的术语“耦接”被定义为连接，但不必是直接连接，也不必是机械连接。以某种方式“配置”的设备或结构至少以该方式配置，但也可以未列出的方式配置。

益处、优点、问题的解决方案以及可以使任何益处、优点或解决方案出现或变得更加显著的(一个或多个)任何元素，不应被解释为本文或任何或所有权利要求中描述的技术的关键的、必需的或基本的特征或元素。

另外，在前述公开中，为了使公开流畅，各种特征可以在各种实施例中组合在一起。这种公开方法不应被解释为反映了所要求保护的实施例需要比每个权利要求中明确记载的特征更多的特征的意图。发明主题可以在于少于单个公开实施例的所有特征。

提供本公开的摘要以允许读者快速确定本技术公开的性质。应当理解，摘要不是用于解释或限制权利要求的范围或含义。

应当理解，在提交申请之后，一些司法权的实践可能需要删除本公开的一个或多个部分。因此，读者应当查阅为本公开的原始内容而提交的申请。本公开内容的任何删除不应被解释为向公众放弃、丧失或贡献如最初提交的本申请的任何主题。

随附权利要求由此被并入本公开中，其中每个权利要求独立地作为单独要求保护的主题。

尽管本文的描述包含许多细节，但这些细节不应被解释为限制本公开的范围，而应被解释为仅提供对一些当前优选实施例的说明。因此，将理解，本公开的范围完全涵盖对于本领域技术人员而言可能变得显而易见的其他实施例。

本领域普通技术人员已知的所公开实施例的元素的所有结构和功能等同物通过引用明确地并入本文，并且旨在被权利要求所涵盖。此外，本公开中的元素、组件或方法步骤都不是专用于公众的，无论该元素、组件或方法步骤是否在权利要求中明确叙述。除非使用短语“用于……的装置(means for)”明确地叙述了该元素，否则本文的权利要求元素不应被解释为“装置加功能”元素。除非使用短语“用于……的步骤”明确地叙述了该元素，否则本文没有权利要求元素被解释为“步骤加功能”元素。

表1

超声心动图报告中可用的参数的概要

表2用于计算用于超声心动图参数的指标的特征概要

Claims (24)

1.一种用于计算超声心动图参数的指标度量的系统，包括：

(a)一个或多个心音图(PCG)传感器；

(b)一个或多个心电图(ECG)传感器；

(c)计算机处理器；以及

(d)非暂时性存储器，其存储可由所述计算机处理器执行的指令；

(e)其中，所述指令在由所述处理器执行时使所述处理器执行包括以下各项的步骤：

(i)从附接到对象的一个或多个PCG传感器接收PCG声信号；

(ii)同时从附接到所述对象的一个或多个ECG传感器接收心电图(ECG)信号；

(iii)可选地，对接收到的PCG声信号去噪；

(iv)将所述PCG信号处理成所述对象的每次心跳的时间特征、幅度特征、频率特征或谱熵特征中的一个或多个；以及

(v)利用一组预定转换方程，将经处理的特征转换成心脏组织和瓣膜血流参数的一个或多个指标度量。

2.根据权利要求1所述的系统，其中，对接收到的PCG声信号去噪，包括：

将截止频率为25Hz和140Hz的带通滤波器应用于所述PCG声信号；

估计心音活动的短暂暂停期间的谱噪声谱；以及

从整个信号的谱中减去所述估计，以获得干净的心音信号。

3.根据权利要求1所述的系统，其中，所述指令在由所述处理器执行时还执行包括以下各项的步骤：

使用ECG信号作为参考来识别PCG信号中的各次心跳的开始时间和结束时间；

识别识别出的每次心跳内的第一心音(S1)和第二心音(S2)以及舒张间期和收缩间期；以及

通过以下各项来评估心跳是否符合优质心跳的条件：确定S1和S2两者是否都已经被成功识别，确定收缩间期和舒张间期是否没有信号偏移，以及确定心跳持续时间是否在所述对象的中值持续时间的±20％内。

4.根据权利要求1所述的系统，其中，所述幅度特征处理包括：

在时域和频域中利用信号处理对所述PCG信号应用希尔伯特变换；

应用截止频率为51Hz的低通滤波器，从而产生信号包络，以及

计算所述心跳的所得信号包络的第60个百分位值。

5.根据权利要求1所述的系统，其中，所述频率特征处理包括：

隔离与一次心跳对应的PCG信号；

将汉明窗应用于所述PCG信号的段；

应用64点离散傅立叶变换，以及

计算所述心跳的在16Hz与160Hz之间的频率分布的质心。

6.根据权利要求1所述的系统，其中，所述谱熵频率特征处理包括：

隔离与一次心跳对应的PCG信号；

从所述PCG信号获得信号分布概率估计；以及

计算所述心跳的所述信号概率分布估计与其对数的负积。

7.根据权利要求1所述的系统，其中，使用线性回归来生成每个转换方程，所述线性回归应用于针对对象群体获得的对象状况实际情况数据和传感器信号数据的训练数据集。

8.根据权利要求1所述的系统，其中，计算用于基于超声心动图的峰值E速度参数的基于PCG的指标度量，包括：

获得针对舒张间期的去噪的PCG信号；

识别优质心跳；

计算每次心跳的肺信号和主动脉信号的幅度特征值的比；

计算每个对象的所有优质心跳的可用比的平均值；以及

使用预定转换方程将所计算的平均值拟合到预定义的线性模型。

9.根据权利要求1所述的系统，其中，计算用于基于超声心动图的E/A比参数的基于PCG的指标度量，包括：

获得针对优质心跳的原始脉搏PCG信号；

计算每次心跳的早期舒张间期和晚期舒张间期的谱熵特征值的比；

计算每个对象的所有优质心跳的可用比的平均值；以及

使用预定转换方程将所计算的平均值拟合到预定义的线性模型。

10.根据权利要求1所述的系统，其中，计算用于基于超声心动图的e’速度参数的基于PCG的指标度量，包括：

获得针对所有心跳的去噪的主动脉PCG信号；

计算每次心跳的晚期收缩间期的频率特征值；

计算每个对象的所有心跳的可用比的平均值；以及

使用预定转换方程将所计算的平均值拟合到预定义的线性模型。

11.根据权利要求1所述的系统，其中，计算用于基于超声心动图的峰值TR速度参数的基于PCG的指标度量，包括：

获得针对优质心跳的舒张间期的去噪的PCG信号；

计算每次心跳的肺信号和主动脉信号的谱熵特征值的比；

计算每个对象的所有优质心跳的可用比的平均值；以及

使用预定转换方程将所计算的平均值拟合到预定义的线性模型。

12.根据权利要求1所述的系统，其中，计算用于基于超声心动图的LAVi参数的基于PCG的指标度量，包括：

获得针对所有心跳的原始二尖瓣PCG信号；

计算每次心跳的早期舒张间期的频率特征值；

计算每个对象的所有心跳的可用比的平均值；以及

使用预定转换方程将所计算的平均值拟合到预定义的线性模型。

13.根据权利要求1所述的系统，其中，用于峰值E速度、e’速度、LAVi、E/A比、以及峰值TR速度的基于PCG的指标度量被输出到诊断处理器，所述诊断处理器被配置为根据所述基于PCG的指标度量来评估舒张功能和左心房压力。

14.一种用于计算用于超声心动图参数的指标度量的方法，所述方法包括：

(a)从附接到对象的一个或多个传感器接收PCG声信号；

(b)同时从附接到所述对象的一个或多个传感器接收心电图(ECG)信号；

(c)将去噪的PCG信号处理成同一对象的每次心跳的时间特征、幅度特征、频率特征或谱熵特征中的一个或多个；

(d)基于一组预定转换方程，将所提取的特征转换成多个心脏组织和瓣膜血流参数类似物(指标度量)，所述转换包括；

(i)将同一对象的所有心跳的所述幅度特征处理成用于在早期舒张期间通过所述对象的二尖瓣的血流的峰值速度(峰值E速度)的指标度量；

(ii)将同一对象的所有心跳的所述频率特征处理成用于在早期舒张期间通过所述对象的二尖瓣的平均流速(e’速度)和与所述对象的体表面积相关联的所述对象的左心房的最大体积(LAVi)的指标度量；以及

(iii)将同一对象的所有心跳的所述谱熵特征处理成用于在舒张期间通过所述对象的二尖瓣的早期峰值流速与晚期峰值流速的比(E/A比)和在收缩期间通过所述对象的三尖瓣的血液回流的峰值速度(峰值TR速度)的指标度量。

15.根据权利要求14所述的方法，还包括对接收到的PCG声信号去噪，所述去噪包括：

将截止频率为25Hz和140Hz的带通滤波器应用于所述PCG声信号；

估计心音活动的短暂暂停期间的谱噪声谱；以及

从整个信号的谱中减去所述估计以获得干净的心音信号。

16.根据权利要求14所述的方法，还包括：

使用ECG信号作为参考来识别PCG信号中的各次心跳的开始时间和结束时间；

识别识别出的每次心跳内的第一心音(S1)和第二心音(S2)以及舒张间期和收缩间期；以及

通过以下各项来评估心跳是否符合优质心跳的条件：确定S1和S2两者是否都已经被成功识别，确定收缩间期和舒张间期是否没有信号偏移，以及确定心跳持续时间是否在所述对象的中值持续时间的±20％内。

17.根据权利要求14所述的方法，其中，所述幅度特征处理包括：

在时域和频域中利用信号处理对所述PCG信号应用希尔伯特变换；

应用截止频率为51Hz的低通滤波器，从而产生信号包络，以及

计算所述心跳的所得信号包络的第60个百分位值。

18.根据权利要求14所述的方法，其中，所述频率特征处理包括：

隔离与一次心跳对应的PCG信号；

将汉明窗应用于所述PCG信号的段；

应用64点离散傅立叶变换，以及

计算所述心跳的在16Hz与160Hz之间的频率分布的质心。

19.根据权利要求14所述的方法，其中，所述谱熵频率特征处理包括：

隔离与一次心跳对应的PCG信号；

从所述PCG信号获得信号分布概率估计；以及

计算所述心跳的所述信号概率分布估计与其对数的负积。

20.根据权利要求14所述的方法，其中，计算用于基于超声心动图的峰值E速度参数的基于PCG的指标度量，包括：

获得针对舒张间期的去噪的PCG信号；

识别优质心跳；

计算每次心跳的肺信号和主动脉信号的幅度特征值的比；

计算每个对象的所有优质心跳的可用比的平均值；以及

使用预定转换方程将所计算的平均值拟合到预定义的线性模型。

21.根据权利要求14所述的方法，其中，计算用于基于超声心动图的E/A比参数的基于PCG的指标度量，包括：

获得针对优质心跳的原始脉搏PCG信号；

计算每次心跳的早期舒张间期和晚期舒张间期的谱熵特征值的比；

计算每个对象的所有优质心跳的可用比的平均值；以及

使用预定转换方程将所计算的平均值拟合到预定义的线性模型。

22.根据权利要求14所述的方法，其中，计算用于基于超声心动图的e’速度参数的基于PCG的指标度量，包括：

获得针对所有心跳的去噪的主动脉PCG信号；

计算每次心跳的晚期收缩间期的频率特征值；

计算每个对象的所有心跳的可用比的平均值；以及

使用预定转换方程将所计算的平均值拟合到预定义的线性模型。

23.根据权利要求14所述的方法，其中，计算用于基于超声心动图的峰值TR速度参数的基于PCG的指标度量，包括：

获得针对优质心跳的舒张间期的去噪的PCG信号；

计算每次心跳的肺信号和主动脉信号的谱熵特征值的比；

计算每个对象的所有优质心跳的可用比的平均值；以及

使用预定转换方程将所计算的平均值拟合到预定义的线性模型。

24.根据权利要求14所述的方法，其中，计算用于基于超声心动图的LAVi参数的基于PCG的指标度量，包括：

获得针对所有心跳的原始二尖瓣PCG信号；

计算每次心跳的早期舒张间期的频率特征值；

计算每个对象的所有心跳的可用比的平均值；以及

使用预定转换方程将所计算的平均值拟合到预定义的线性模型。