XiaoMi-AI文件搜索系统
World File Search System心音
通过心音图记录检测心脏杂音
心脏听诊是一种方便的诊断筛查工具，可以帮助识别患有心脏杂音的患者，以便进行后续诊断筛查和治疗心脏功能异常。然而，需要专家来解释心音，这限制了在资源受限的环境中听诊用于心脏护理的可及性。因此，2022 年乔治·B·穆迪 PhysioNet 挑战赛邀请各团队开发算法方法，从心音的心音图 (PCG) 记录中检测心脏杂音和心脏功能异常。在挑战赛中，我们从巴西农村的 1568 名儿科患者那里收集了 5272 条 PCG 记录，并邀请各团队实施诊断筛查算法，从记录中检测心脏杂音和心脏功能异常。我们要求参与者提交完整的代码来训练和运行他们的算法，以提高他们工作的透明度、可重复性和实用性。我们还设计了一个评估指标，该指标考虑了筛查、诊断、治疗和诊断错误的成本，使我们能够研究算法诊断筛查的好处并促进开发更具临床相关性的算法。在挑战赛期间，我们收到了来自 87 个团队的 779 个算法，最终形成了 53 个可用于检测心电图心脏杂音和心脏功能异常的代码库。这些算法代表了学术界和工业界的多种方法。
L17 – 心音 | Biopac 学生实验室® 第 17 课......
在本课中，您将录制心动周期的声音，生成称为心音图的记录，同时录制 II 导联心电图。您将比较和关联心动周期的电事件和心动周期的机械事件。人体心血管系统由心脏和血管组成，形成双循环：体循环和肺循环。循环模式类似于数字 8，心脏位于中心（图 17.1）。心脏的主要功能是从肺静脉接收血液并将其泵入体动脉，以及从体静脉接收血液并将其泵入肺动脉。在一次心跳期间，与从静脉系统接收血液并将其泵入动脉系统相关的心脏电事件和机械事件序列称为心动周期。心脏的一个简单机械类比是双泵。左右两侧是分开的，但会同步泵血，使血液流经心脏。血液在心脏和血管中的正常流动是单向的，如下所示：
评论文章计算机辅助心音检测技术综述
心血管疾病已成为全球范围内威胁人类健康的首要疾病之一，心音检测技术作为一种无创性辅助诊断手段，在心血管疾病的预测中发挥着重要作用。本文对近5年来计算机辅助心音检测技术的最新发展进行了综述，主要涉及心音的理论及心音与心血管疾病的关系；心音信号的处理与分析中所涉及的关键技术，包括去噪、分割、特征提取与分类；重点介绍了深度学习算法在心音处理中的应用。最后对计算机辅助心音检测技术未来的研究方向进行了展望，旨在为心血管疾病的预测提供参考。
HSDreport：使用超声心动图报告进行心音诊断
心音听诊在先天性心脏病的诊断中具有重要意义。然而，现有的心音诊断 (HSD) 任务方法主要局限于几个固定的类别，将 HSD 任务视为一个严格的分类问题，与医疗实践不完全相符，并且只能向医生提供有限的信息。此外，这种方法不利用超声心动图报告，而超声心动图报告是诊断相关疾病的黄金标准。为了应对这一挑战，我们推出了 HSDreport，这是 HSD 的新基准，它要求直接利用从听诊中获得的心音来预测超声心动图报告。该基准旨在将听诊的便利性与超声心动图报告的全面性结合起来。首先，我们为这个基准收集了一个新数据集，包括 2,275 个心音样本及其相应的报告。随后，我们开发了一个基于查询的知识感知转换器来处理这项任务。目的是利用医学预训练模型的功能和大型语言模型 (LLM) 的内部知识来解决任务固有的复杂性和多变性，从而提高方法的稳健性和科学有效性。此外，我们的实验结果表明，我们的方法在检测心音中的关键异常方面明显优于传统的 HSD 方法和现有的多模态 LLM。
使用 PCG 和 ECG 信号的 AI 增强心脏监测
研讨会概要 研讨会名称：使用 PCG 和 ECG 信号的 AI 增强心脏监测 最低资格：来自电子、电气、计算机等专业的 3 年级工程专业学生 讲师：岳荣教授，科廷大学，SPARC 客座教授 研讨会时长：2 天，6 小时/天 研讨会描述：本研讨会通过使用增强人工智能 (AI) 监测心音图 (PCG) 和心电图 (ECG) 信号来介绍非侵入性心脏病诊断技术。它包括对心音信号、数字听诊器、PCG 和 ECG 信号特征提取、分类和机器学习的背景介绍。在研讨会结束时，参与者可以了解非侵入性传感，以便以可承受的价格诊断心脏病。他们可以练习基本的 PCG 和 ECG 信号处理和机器学习算法。 研讨会内容（暂定） 时间 主题 内容 第 1 天（1 小时） 介绍心音的生理学；心音测量； PCG 和 ECG 设备 第 1 天（第 2 个小时） PCG 信号处理 信号预处理和分割 第 1 天（第 3 个小时） 实验课 1. 使用 Matlab 进行 PCG 信号滤波和分割
对深度和机器进行系统的文献综述......
在整个心动周期中，都会产生心音，随着心脏调节器的打开和关闭，血液进入心腔。血流产生听觉噪声；血流越湍急，产生的氛围就越多。健康成人每次心跳都会连续出现两种常见的心音。它们是第一心音 (S1) 和第二心音 (S2)，分别由房室瓣和半月瓣关闭引起。当前的系统评价基于“系统评价和荟萃分析声明的首选报告项目”和 40 项相关研究。文献搜索使用了类似于以下搜索引擎：IEEE Xplore、Google Scholar、Hindawi、PubMed、SCOPUS、Wiley Online、Web of Science、Taylor and Francis、ScienceDirect 和 Ebscohost。本研究集中于四个特征：机器和深度学习算法、最佳算法性能、数据集和心血管疾病预测中的应用。实验文章没有使用强化学习、半监督学习、深度学习和机器学习的有前景的方面。基于集成技术的算法表现出合理的准确率，但并不常见，而卷积神经网络 (CNN) 则得到了很好的体现。一些研究涂抹了主要数据集（37 个中的 13 个）。循环神经网络 (RNN)、增强算法、支持向量机 (SVM) 和 K-最近邻 (KNN) 是表现最佳的算法。这篇评论将有利于研究人员使用机器和深度学习方法预测心血管疾病。关键词——心血管疾病、数据集、算法、深度学习、机器学习
MegaCode Kid 高级心电图儿童版
插管 ................................................................................................................................ 2 心脏相关技能 ................................................................................................................ 2 安全预防措施 ................................................................................................................ 2 心音、呼吸音和肠音听诊 ........................................................................................ 2 颈动脉脉搏 ...................................................................................................................... 2 静脉输液 ...................................................................................................................... 3 多静脉输液臂 ............................................................................................................. 3 骨内输液技能 ............................................................................................................. 3 保养和维护 ...................................................................................................................... 4 更换零件 ...................................................................................................................... 4
AI-CardioCare：基于人工智能的心脏健康监测设备
摘要 — 心脏疾病是全球主要死亡原因之一，早期诊断心脏病有助于减轻疾病负担。本文提出了一种基于人工智能 (AI) 的设备，该设备可以基于深度学习技术自动实时诊断心脏疾病。心音 (心音图) 信号由定制设计的听诊器采集，信号经过处理后使用 AI 方法进行分析，以对四种主要心脏疾病 (主动脉瓣狭窄、二尖瓣反流、二尖瓣狭窄和二尖瓣脱垂) 进行分类。从这些信号的分析中，我们得到了两个基于深度学习的神经网络、一维 (1-D) 卷积神经网络 (CNN) 和基于频谱图的 2-D-CNN 模型，它们已与低成本单板处理器集成在一起，形成一个独立设备。所有数据处理都在单个硬件设置中完成，并提供用户界面，允许用户控制数据的可访问性和可见性以生成诊断报告。因此，所开发的设备已被证明是一种适合医疗专业人员和家庭个人使用的有价值的低成本诊断工具。
人工智能辅助听诊心脏杂音
摘要 人工智能 (AI) 有可能提高通过听诊筛查瓣膜和先天性心脏病的准确性。然而，尽管最近在以心音为重点的信号处理和分类算法方面取得了进展，但临床对这项技术的接受度仍然有限，部分原因是缺乏客观的性能数据。我们假设可以通过虚拟临床试验对心脏杂音检测算法进行定量和客观的评估。从约翰霍普金斯心脏听诊记录数据库 (CARD) 中选择了所有具有病理性杂音、无害杂音或无杂音的病例。独立于 CARD 开发的测试算法使用自动批处理协议分析每个记录。从 CARD 中选择了来自 603 次门诊就诊的 3180 条心音记录。算法对心率的估计与黄金标准相似。检测病理病例的敏感性和特异性分别为 93%（CI 90–95%）和 81%（CI 75–85%），准确率为 88%（CI 85–91%）。性能因算法确定性度量、患者年龄、心率、杂音强度、胸部记录位置和病理诊断而异。据我们所知，这是首次报道的基于人工智能的杂音检测算法的全面客观评估。测试算法在这次虚拟临床试验中表现良好。该策略可用于有效地比较其他算法对同一数据集的性能，并提高对人工智能辅助听诊潜在临床实用性的理解。
肥厚型心肌病体格检查的临床意义
研究人群 这项回顾性研究招募了 105 名连续 HCM 患者（82 名男性；平均年龄 64 岁），这些患者均在松下纪念医院接受了包括心音图和体外脉搏记录在内的评估。HCM 的诊断基于常规超声心动图显示左心室 (LV) 舒张末期厚度 ≥ 15 mm，且不存在任何可能导致肥大的心脏或全身疾病，例如严重高血压（定义为血压 ≥ 160/100 mmHg）或主动脉瓣狭窄（定义为主动脉瓣面积 <1.5 cm 2）。排除标准包括有心房颤动、房室传导阻滞、导管消融、永久性机械装置植入或心脏移植病史。年龄和性别匹配的对照对象为 104 名患者（74 名男性；平均年龄 63 岁），他们因各种原因到松下纪念医院心脏内科就诊，后来被诊断患有心脏或非心脏疾病