METHOD AND DEVICE FOR HEART, CARDIOVASCULAR AND RESPIRATORY MONITORING USING HIDDEN MARKOV MODELS AND NEURONAL NETWORKS

Die Erfindung betrifft ein Verfahren und eine Vorrichtung zum Herz-, Kreislauf- und Atmungsmonitoring mittels Hidden Markov Modellen und Neuronalen Netzwerken. Mittels einem einfachen akustischen Sensorsystem, am Beispiel eines Körperschall-Mikrofons, werden Herz-, Atem- und Strömungsgeräusche im Brustkorbbereich eines Patienten aufgezeichnet und mittels eines Analog- Digital-Wandlers in einem PC digitalisiert. Basierend auf Methoden der Signalverarbeitung und der künstlichen Intelligenz, wie Hidden Markov Modellen und Neuronalen Netzwerken, wird anschließend eine lernfähige Software so trainiert, dass einerseits pathologische und nichtpathologische Geräuschklassen erkannt werden und andererseits aufgrund einer darauffolgenden statistischen Auswertung zu Krankheitsbildern, z.B. Herzrhythmusstörungen, Kreislaufstörungen oder Atemwegserkrankungen, zugeordnet werden. The invention relates to a method and a device for heart, cardiovascular and respiratory monitoring using Hidden Markov models and neuronal networks. A simple acoustic sensor system, e.g. an airborne sound microphone, is used to identify heart, respiratory and flow sounds in the chest region of a patient, which sounds are then digitized in a PC by means of an analog-to-digital converter. An adaptive software is trained, based on methods of signal processing and artificial intelligence, such as Hidden Markov models and neuronal networks, in such a manner as to identify pathological and non-pathological sound classes and to associate them, following a subsequent statistical evaluation thereof, with clinical pictures, e.g. cardiac arrhythmia, circulatory disorders or respiratory diseases. L'invention concerne un procédé et un dispositif de surveillance cardiaque, circulatoire et respiratoire au moyen de modèles de Markov cachés et de réseaux neuronaux. Selon l'invention, des bruits cardiaques, respiratoires et vasculaires sont enregistrés dans la région thoracique d'un patient au moyen d'un système de détection acoustique simple, tel qu'un microphone pour bruits du corps, puis ces bruits sont numérisés dans un ordinateur au moyen d'un convertisseur analogique-numérique. À partir de méthodes de traitement de signal et d'intelligence artificielle, tels les modèles de Markov cachés et les réseaux neuronaux, un logiciel adaptatif est entraîné de sorte que des catégories de bruits pathologiques et non pathologiques soient d'une part identifiées et d'autre part associées à des tableaux cliniques, p. ex. à