目的:通过可穿戴心音心电同步监测技术连续无创评估运动负荷状态下左心室收缩功能，为实现长时间连续监测航天员在航天活动中心功能变化提供参考。方法:招募11名健康男性青年为研究对象。受试者在卧位功率自行车上进行递增负荷运动，50 W起步，每3 min递增25 W，最高达到125 W。选取受试者在静息状态下、运动过程中每级负荷1 min后以及运动结束后3 min的心音心电信号进行分析；运动前、后5 min受试者行经胸心脏超声检查。对心音心电信号指标和左心室射血分数（left ventricular ejection fraction，LVEF）进行相关性分析，并建立在运动过程中预测LVEF的回归模型。结果:不同运动负荷状态下，受试者心率、LVEF、电-机械活动时间（electromechanical activation time，EMAT）、左心室射血时间（left ventricular ejection time，LVET）差异均有统计学意义（ F=53.22、45.33、3.65、23.19， P<0.001、<0.001、=0.011、<0.001）；与静息状态比较，受试者在运动负荷过程中心率和LVEF增加，EMAT和LVET降低，差异均有统计学意义（ P<0.01或0.05）。相关性分析显示，LVEF与EMAT、LVET呈负相关（ r=-0.415、-0.758， P=0.002、<0.001），与第1心音的幅度呈正相关（ r=0.606， P<0.001）。通过EMAT、LVET建立预测LVEF的模型，多元回归模型为LVEF=108.698-0.092×LVET-0.134×EMAT（ r=0.87， P<0.001）。 结论:通过心音心电信号同步监测技术可在运动负荷下连续无创监测运动中的LVEF变化状态；LVET与LVEF的关系最为密切；LVEF有助于预测航天员在航天活动过程中心脏功能的变化。

先天性心脏病(congenital heart disease，CHD)是常见的出生缺陷之一，随着人们对CHD认识的加深和筛查手段的不断进步，CHD患儿已能够在早期得到诊治。CHD早期筛查主要通过双指标检测法，即心音听诊和脉氧测定。脉氧测定目前已有较成熟的商用设备，但心音听诊受个人经验和外界因素的影响较大，易出现误诊、漏诊。近年来随着人工智能(artificial intelligence，AI)的不断发展，心音信号的数字化采集、存储、分析技术日趋成熟，进而促使智能化心血管疾病听诊辅助诊断技术成为可能。目前基于深度学习(deep learning，DL)的AI算法在CHD心音听诊辅助诊断方面已有较多研究，但大部分仍处于算法研究阶段，且基于特定数据集实现，尚未在临床得到验证。本文就目前AI听诊技术的研究现状进行综述，总结近年来基于DL的智能听诊技术在CHD领域的发展，并提出心音听诊在临床应用中亟待解决的问题。

目的:对室间隔缺损、房间隔缺损、动脉导管未闭和卵圆孔未闭合并肺动脉高压4种常见先天性心脏病(简称先心病)心音信号进行分析，提出一种基于深度学习的智能听诊算法，实现心音信号的自动分类。方法:基于数字信号处理技术，将一维时序信号分类问题转换为二维图像分类问题，利用深度神经网络实现心音的自动分类。采用该算法对浙江大学医学院附属儿童医院采集的941例心音数据进行训练、验证和测试，按照8∶1∶1的比例分为训练集、验证集和测试集。此外，本研究还收集了107例基于临床筛查环境的心音数据，用于验证智能听诊算法在实际临床应用中的效果。结果:本文采用离散小波变换法对心音信号进行降噪处理，观察到降噪处理对模型性能的显著改善。与未经降噪处理的模型相比，经过降噪处理的模型在测试集上的准确率、灵敏度、特异度和F1分数分别提高了15.8%、32.6%、11.1%和27.3%。比较5种通用分类神经网络模型(Swin_transform、Vit、Mobilenet、Resenet和Vgg)的性能，F1分数分别为0.905、0.842、0.687、0.814和0.864。使用Swin_transform模型对107例外部数据集进行测试，得到0.833的准确率、0.872的灵敏度和0.801的特异度。结论:先心病心音信号的自动分类模型性能受噪声与神经网络结构的影响较大。通过应用离散小波变换法对心音信号进行降噪处理，模型性能显著改善。比较多种通用分类神经网络模型发现Swin_transform模型展现出了最佳的分类性能。智能听诊算法在实际临床应用中有良好的有效性、准确率、灵敏度和特异度。基于深度学习的智能听诊算法在先心病心音信号自动分类方面具有潜在应用价值。

患儿，男性，年龄5岁，体重15 kg，身高105 cm，因肝硬化、肝功能不全拟行亲体肝移植术入院。既往因肝内胆汁淤积症于出生40 d时行胆囊结肠吻合术，术后肝功能好转。4个月前家属发现患儿体力活动较同龄儿童变差，活动后有全身无力感，基因检测结果显示：MPV17基因两个复合杂合变异，c.451dupC，c.293C>t。目前患儿智力发育正常。体格检查：体温36.5 ℃，BP 98/60 mmHg(1 mmHg＝0.133 kPa)，HR 100次/min。生化检查：ALT活性81 U/L，AST活性97 U/L，总胆红素浓度7.1 μmol/L，白蛋白浓度38.8 g/L，Cr浓度26 μmol/L，BUN浓度6.1mmol/L，血糖浓度3.5 mmol/L。心脏专科检查：心界正常，心音正常，律齐，各瓣膜听诊区未闻及病理性杂音。心脏彩色多普勒超声示：各心腔内径正常范围内，各室壁厚度及运动未见异常，三尖瓣反流(少量)，左室射血分数69%。神经专科检查：腹壁反射、角膜反射及双侧膝腱反射等生理反射存在；双侧巴彬斯基征、双侧霍夫曼征及双侧布氏征等病理反射均为阴性。颅脑MRI示：双侧额顶枕叶多发条状信号影，脑室形态及脑沟裂池未见异常扩张或变窄。胸部CT平扫及其余检查未见明显异常。术前诊断：线粒体DNA耗竭综合征(MDS)、肝硬化、肝功能不全、胆囊结肠吻合术后。拟在全身麻醉下行亲体肝移植术。

患儿 　男，1个月，出生体重4 kg，因"产检发现心脏畸形"于本院门诊复查，父母诉患儿生后有右上肢较左上肢温度低、呼吸促伴声响，偶有右上肢指端发紫，且室温低时明显，心脏超声提示(图1)：室间隔缺损(肌部)，房间隔缺损，右锁骨下动脉起源于右肺动脉，右侧椎动脉显示反向血流信号，右锁骨下动脉窃血。入院后体格检查：体温36.5℃，脉搏120次/min，呼吸30次/min，体重4.1 kg。未吸氧状态下氧饱和：右上肢99%，左上肢100%。血压：右上肢40/20 mmHg(1 mmHg＝0.133 kPa)、左上肢71/39 mmHg。心音有力，律齐，胸骨左缘第3、4肋间可闻及收缩期3/6级吹风样杂音，肺动脉瓣第二心音增强。四肢活动自如，双上肢大小基本对称，右上肢脉搏减弱，股动脉及足背动脉搏动无减弱，四肢末梢暖。入院后进一步完善心脏计算机体层血管成像(computed tomography angiography，CTA)，确诊为右锁骨下动脉起源于右肺动脉(图2、3)。诊断"先天性心脏病：室间隔缺损，房间隔缺损，孤立右锁骨下动脉，心功能Ⅱ级"。

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。

目的:为解决传统听诊器存在距离限制、在高噪声或严重病变情况下无法准确确定心音信号的起始位置等问题,设计一种蓝牙听诊系统.方法:该系统主要包括手持设备端(下位机)、个人计算机或蓝牙耳机设备(上位机).其中手持设备端以STM32F103C8单片机为核心,主要包括心音信号采集单元、心电信号采集单元和蓝牙传输单元.手持设备端的软件采用嵌入式系统uC/OS Ⅱ控制调配各任务线程;上位机端软件基于MATLAB和C#平台设计,实现信号存储、显示及基本的数字信号分析.结果:经验证,采用该系统采集的健康志愿者的心音信号成分清晰,采集的患者志愿者的心音信号中心音几乎被湮没,信号中存在大量病变杂音.结论:该蓝牙听诊系统可实现对心音信号的采集、处理及分析,进一步优化后有望应用于日常医疗、军事卫勤、公共卫生、心音听诊教学等多个领域.

目的:提出一种从心肺音信号中分离肺音做定量分析的方法,实现对呼吸率和呼吸强度的实时测量.方法:使用电子听诊器采集患者主动脉瓣第二听诊区的心肺音,通过蓝牙将信号传输至手机端,App显示波形,并将数据存储于云端.采用非负矩阵分解,结合经验模态分析算法将心肺音进行分离,根据肺音计算呼吸率及呼吸强度.以阻抗法测定的呼吸率为对照,评价通过肺音计算呼吸率的准确性.结果:通过肺音计算呼吸率与阻抗法测定的呼吸率有显著相关性(P＜0.05),两种方法测量结果有良好的一致性.结论:该方法在监测心音的同时能准确监测呼吸功能,为临床便携式呼吸监测提供了一种新方法,在床旁或远程生命体征监测中具有良好的转化前景.

心音是由心肌收缩、心脏瓣膜关闭和血液撞击大动脉壁、心室壁等引起的振动所产生的机械波,心血管血流动力学改变及心脏结构异常往往伴随着心音的变化.心脏听诊是获取心音最直接的方式,但结果受医生听诊经验的影响较大.心音图(phonocardiogram,PCG)是将心音的振动转变为时间序列振动的波形图.心电心音同步检测(acoustic cardiography,ACG)是一种基于心电心音信号同步采集并分析的新型计算机辅助诊断技术,近年来,在临床上的应用特别是在心血管疾病的筛查、诊断及预后中取得了很大的进展.本文对ACG在临床上的应用研究进展作一综述.

听诊是诊断心血管和呼吸系统疾病最有效的方法.为了达到准确诊断的目的,设备必须能够识别各种临床情况下的心肺音.然而,记录的胸腔声音通常为心肺音混合信号.因此,将心肺音混合信号分离对于医生听诊至关重要.本文介绍了心音信号和肺音信号的频率范围和信号特征,综述了目前心肺音分离方法的研究进展,阐述了现有各种心肺音分离方法的优缺点,指出了选取一种合适的心肺音分离算法来分离心肺音对辅助医疗的重要意义.