CN102499879B - 一种中医穴位定位装置及方法 - Google Patents

Abstract

本发明公开一种中医穴位定位装置，包括一信号发生器，用于产生信号幅值不大于3伏，还包括用于与人体皮肤接触的银电极以及用于信号模数转换的A/D模块和用于数据采集的CPU，银电极与所述信号发生器相连，在人体十二经脉中的所要定位的穴位所在的一条经脉上顺经络“气”的走向，选择“气”的上游端穴位作为银电极作电刺激的刺激点，将经络下游端穴位作为接地点，在所需定位的穴位及附近选取多个测量点接入A/D模块，当银电极在刺激点作电刺激时，CPU从A/D模块获取测量点的响应电压信号数据，CPU对该响应电压信号数据采用小波包分解技术进行特征提取，进而判定测量点是否为所要的穴位。

Description

一种中医穴位定位装置及方法

技术领域

本发明属于医疗设备技术领域，特别涉及一种中医穴位定位装置及方法。

背景技术

在中医理论中经络是经脉和络脉的总称。经脉是气血流通运行的主要通道，任督二脉以及手足12条经脉皆属于经脉，合称14正经。络脉则是沟通经脉、全身上下以及表里的分支联络通道。经脉是主干，分布有穴位；络脉是分支，没有穴位分布。穴位是经络之气汇聚输注于体表的部位，又是疾病反映于体表的部位，还是针灸、推拿、气功等疗法的施治部位。

在临床应用针灸方法时，人们发现穴位的准确定位是一个棘手的问题，对于如何找准穴位，中医理论中一直没有一个科学定量的方法，所谓的‘同身寸’法等都只是定性的以每个个体自身手指作为标尺或参照物来找穴位，但是个体有高矮胖瘦之分，差异相当大，缺乏科学性，只能凭经验感觉去找。

虽然中医认为只要找到穴位所在的经络，穴位找得准不准对于治疗疾病来说并不重要，即所谓的‘离穴不离经’，但是找经络也是缺乏科学的方法，这种情况的存在不利于中医的发展和传播。

发明内容

本发明的目的是提供一种中医穴位定位装置及方法，以解决现有技术中对穴位定位方法不科学不准确的问题。

本发明的技术方案是，一种中医穴位定位装置，包括一信号发生器，用于产生连续正弦信号、三角波序列信号、幅值指数衰减正弦信号、三角波序列信号、变频率的正弦信号或者变频率三角波序列信号，信号幅值不大于3伏，

还包括用于与人体皮肤接触的银电极以及用于信号模数转换的A/D模块和用于数据采集的嵌入式微处理器，

银电极与所述信号发生器相连，在人体十二经脉中的所要定位的穴位所在的一条经脉上顺经络“气”的走向，选择“气”的上游端穴位作为银电极作电刺激的刺激点，将经络下游端穴位作为接地点，

在所需定位的穴位及附近选取多个测量点接入A/D模块，当银电极在刺激点作电刺激时，嵌入式微处理器的CPU从A/D模块获取测量点的响应电压信号数据，

CPU对该响应电压信号数据采用小波包分解技术进行特征提取，进而判定测量点是否为所要的穴位。

进一步的，所述的CPU对该响应电压信号数据采用小波包分解技术进行特征提取，包括以下步骤：

A1，将一次测量中的某个穴位点采集的信号和该穴位点边上的非穴位点采集的信号设为f(t)，用小波包进行3层分解，

为第j层上第i个小波包系数，G、H是小波分解滤波器，令

$p_0^1\left(t\right)=f\left(t\right)---\left(1\right)$

则

$p_j^{2i-1}\left(t\right)={\mathrm{\Σ}}_{k}H(k-2t)p_{j-1}^i\left(t\right)---\left(2\right)$

$p_j^{2i}\left(t\right)={\mathrm{\Σ}}_{k}G(k-2t)p_{j-1}^i\left(t\right)---\left(3\right)$

A2，按以下公式重构第3层每个节点系数，

$p_j^i\left(t\right)=2[{\mathrm{\Σ}}_{k}h(t-2k)p_{j+1}^{2i-1}\left(t\right)$

$+{\mathrm{\Σ}}_{k}g(t-2k)p_{j+1}^{2i}\left(t\right)]---\left(4\right)$

式中j＝J-1，J-2…，1，0；i＝2j，2j-1，…2，1；J＝log2N；h、g为重构滤波器，它们分别与尺度函数和小波函数有关；

A3，计算第3层各个节点小波包系数的范数，

$N_3^i={\left|\right|p_3^i\left(t\right)\left|\right|}_2---\left(5\right)$

A4，将得到的穴位点和非穴位点(该穴位边上的某个非穴位点)的对应节点系数的范数求平方距离。

$N_i={\left|\right|N_3^i-{\hat{N}}_3^i\left|\right|}_2---\left(6\right)$

A5，选取N_i(i＝1…8)最大的两个对应的节点作为特征节点，

A6，按照A1至A5步骤采用小波包db1对所测人体经络上的穴位及穴边上的非穴位点的信号进行叉数为2深度为3的一维分解(采用Shannon熵)，然后对信号的第3层各系数进行重构，再计算各重构系数的方差，从中选取方差最大的两个系数作为特征向量；

A7，将所获得的特征向量输入到SVM进行分类器训练和测试，具体实现的方法为：

B1，随机抽取特征节点上的一半系数的作为训练数据，剩下的另一半为测试数据；

B2，用训练数据训练SVM分类器，测试数据对训练好的分类器进行测试，设x_i，i＝1，…，l为一组输入的训练样本，y_i∈{+1，-1}为对应期望输出，其中+1表示穴位点，-1表示非穴位点，选择合适的核函数K(x_i，x)＝Φ(x_i)·Φ(x)及核函数对应的参数，在约束条件

0≤α_i≤C(i＝1，…，l)下求解方程

$W\left(\mathrm{\α}\right)={\mathrm{\Σ}}_{i=1}^l{\mathrm{\α}}_i-\frac{1}{2}{\mathrm{\Σ}}_{i,j=1}^l{\mathrm{\α}}_i{\mathrm{\α}}_j{y}_i{y}_{j}k(x_i,x)---\left(7\right)$

的最大值，得到最优的再计算

$W^{*}={\mathrm{\Σ}}_{i=1}^l{\mathrm{\α}}_i^{*}{y}_i\mathrm{\Φ}\left(x_i\right)---\left(8\right)$

得到最优偏置b^*，从而得到最优分类超平面

(w^*)^TΦ(x)＝0                    (9)

最后对于输入样本x，通过计算

$f\left(x\right)=\mathrm{sgn}\{{\mathrm{\Σ}}_{i=1}^l{y}_i{\mathrm{\α}}_i^{*}k(x_i,x)+b^{*}\}---\left(10\right)$

确定x属于哪一类，由此确定经络穴位与非穴位点。

一种中医穴位定位方法，包括以下步骤：

在人体十二经脉中的所要定位的穴位所在的一条经脉上顺经络“气”的走向，选择“气”的上游端穴位作为银电极作电刺激的刺激点，将经络下游端穴位作为接地点，

将信号幅值不大于3伏的连续正弦信号、三角波序列信号、幅值指数衰减正弦信号、三角波序列信号、变频率的正弦信号或者变频率三角波序列信号通过银电极作用于刺激点，

在所需定位的穴位及附近选取多个测量点，获取测量点的响应电压信号数据，对该响应电压信号数据采用小波包分解技术进行特征提取，进而判定测量点是否为所要的穴位。

进一步的，所述的响应电压信号数据采用小波包分解技术进行特征提取，包括以下步骤：

C1，将一次测量中的某个穴位点采集的信号和该穴位点边上的非穴位点采集的信号设为f(t)，用小波包进行3层分解，为第j层上第i个小波包系数，G、H是小波分解滤波器，令

$p_0^1\left(t\right)=f\left(t\right)---\left(1\right)$

则

$p_j^{2i-1}\left(t\right)={\mathrm{\Σ}}_{k}H(k-2t)p_{j-1}^i\left(t\right)---\left(2\right)$

$p_j^{2i}\left(t\right)={\mathrm{\Σ}}_{k}G(k-2t)p_{j-1}^i\left(t\right)---\left(3\right)$

C2，按以下公式重构第3层每个节点系数，

$p_j^i\left(t\right)=2[{\mathrm{\Σ}}_{k}h(t-2k)p_{j+1}^{2i-1}\left(t\right)$

$+{\mathrm{\Σ}}_{k}g(t-2k)p_{j+1}^{2i}\left(t\right)]---\left(4\right)$

式中j＝J-1，J-2…，1，0；i＝2j，2j-1，…2，1；J＝log2N；h、g为重构滤波器，它们分别与尺度函数和小波函数有关；

C3，计算第3层各个节点小波包系数的范数，

$N_3^i={\left|\right|p_3^i\left(t\right)\left|\right|}_2---\left(5\right)$

C4，将得到的穴位点和非穴位点(该穴位边上的某个非穴位点)的对应节点系数的范数求平方距离，

$N_i={\left|\right|N_3^i-{\hat{N}}_3^i\left|\right|}_2---\left(6\right)$

C5，选取N_i(i＝1…8)最大的两个对应的节点作为特征节点，

C6，按照C1至C5步骤采用小波包db1对所测人体经络上的穴位及穴边上的非穴位点的信号进行叉数为2深度为3的一维分解(采用Shannon熵)，然后对信号的第3层各系数进行重构，再计算各重构系数的方差，从中选取方差最大的两个系数作为特征向量；

C7，将所获得的特征向量输入到SVM进行分类器训练和测试，具体实现的方法为：

D1，随机抽取特征节点上的一半系数的作为训练数据，剩下的另一半为测试数据；

D2，用训练数据训练SVM分类器，测试数据对训练好的分类器进行测试，设x_i，i＝1，…，l为一组输入的训练样本，y_i∈{+1，-1}为对应期望输出，其中+1表示穴位点，-1表示非穴位点，选择合适的核函数K(x_i，x)＝Φ(x_i)·Φ(x)及核函数对应的参数，在约束条件0≤α_i≤C(i＝1，…，l)下求解方程

$W\left(\mathrm{\α}\right)={\mathrm{\Σ}}_{i=1}^l{\mathrm{\α}}_i-\frac{1}{2}{\mathrm{\Σ}}_{i,j=1}^l{\mathrm{\α}}_i{\mathrm{\α}}_j{y}_i{y}_{j}k(x_i,x)---\left(7\right)$

的最大值，得到最优的

再计算

$W^{*}={\mathrm{\Σ}}_{i=1}^l{\mathrm{\α}}_i^{*}{y}_i\mathrm{\Φ}\left(x_i\right)---\left(8\right)$

得到最优偏置b^*，从而得到最优分类超平面

(w^*)^TΦ(x)＝0              (9)

最后对于输入样本x，通过计算

$f\left(x\right)=\mathrm{sgn}\{{\mathrm{\Σ}}_{i=1}^l{y}_i{\mathrm{\α}}_i^{*}k(x_i,x)+b^{*}\}---\left(10\right)$

确定x属于哪一类，由此确定经络穴位与非穴位点。

要找准穴位，则必须先区分穴位点和非穴位点以及不同穴位点之间的区别，然后再提取不同穴位点和非穴位点的特征模式。本发明通过在人体经络某条经络上的任意穴位施以微弱交变电压信号刺激，并粗略选定该经络上所需定位的穴位及附近的若干待测量点，然后测量该穴位及其周围待测点的响应电压信号，进而基于实验数据采用小波包分解技术提取所测得初步确认的经络穴位与非穴位相应数据的特征，并利用支持向量机技术对原来初定的穴位和非穴位点进行准确分类，从而实现对经络穴位准确定位。

附图说明

图1是本发明的穴位定位装置的原理示意图。

具体实施方式

分别采用连续正弦、三角波序列信号，幅值指数衰减正弦、三角波序列信号，以及频率变化的正弦、三角波序列信号作为产生刺激信号，信号幅值在毫伏级到3伏电压之间，以使人体无任何刺激感觉，用银电极作为与皮肤的接触电极，对人体十二经脉中所需判断的任何一条经络进行电刺激实验，一般顺应经络“气”的走向，选刺激穴位为所测经络的“气”的“上游”端穴位，而接地点为该条经络的“下游”端穴位。例如对于太阴肺经，可取“天府”穴作为刺激点，而“少商”穴作为接地点。用信号采集装置监测刺激点和接地点间的经络上有关穴位的响应信号。经络信息测量原理框图如图1所示，其中虚线代表经络。

根据采集的穴位响应信号数据，进行特征提取，以确定穴位与非穴位点的差异性，从而为穴位定位提供依据。本发明采用小波包分解技术对测量数据进行特征提取。

在经络实验测量信号的分析中选择合适的小波包和分解层数是很重要的。本发明采用采用一阶小波包db1，而分解的层数选择则依赖于信号的主要频率成分。经过用电刺激实验数据进行的计算机实验分析，通常选用第3层的重构系数作为提取的频率特征已经能取得很好的效果。

对于用小波包分解而得的关于经络电刺激实验数据的特征提取结果，采用支持向量机(SVM)进行模式分类。通常，对于某个特定的问题，需选择SVM的一个合适的核函数，该函数依赖于特定的数据，本发明采用radial basisfunction(RBF)核函数取得的分类效果最佳。

用WPD-SVM算法对经络实验数据进行特征提取和模式识别的步骤：

Step1：将一次测试实验中的某个待测穴点采集的信号和该穴位边上的非穴位点采集的信号设为f(t)，用小波包进行3层分解，为第j层上第i个小波包系数，G、H是小波分解滤波器，令

$p_0^1\left(t\right)=f\left(t\right)---\left(1\right)$

则

$p_j^{2i-1}\left(t\right)={\mathrm{\Σ}}_{k}H(k-2t)p_{j-1}^i\left(t\right)---\left(2\right)$

$p_j^{2i}\left(t\right)={\mathrm{\Σ}}_{k}G(k-2t)p_{j-1}^i\left(t\right)---\left(3\right)$

Step2：按以下公式重构第3层每个节点系数。

$p_j^i\left(t\right)=2[{\mathrm{\Σ}}_{k}h(t-2k)p_{j+1}^{2i-1}\left(t\right)$

$+{\mathrm{\Σ}}_{k}g(t-2k)p_{j+1}^{2i}\left(t\right)]---\left(4\right)$

式中j＝J-1，J-2…，1，0；i＝2j，2j-1，…2，1；J＝log2N；h、g为重构滤波器，它们分别与尺度函数和小波函数有关。

Step3：计算第3层各个节点小波包系数的范数。

$N_3^i={\left|\right|p_3^i\left(t\right)\left|\right|}_2---\left(5\right)$

Step4：将得到的穴位点和非穴位点(该穴位边上的某个非穴位点)的对应节点系数的范数求平方距离。

$N_i={\left|\right|N_3^i-{\hat{N}}_3^i\left|\right|}_2---\left(6\right)$

Step5：选取N_i(i＝1…8)最大的两个对应的节点作为特征节点。

按照上述算法采用小波包db1对所测人体经络上的穴位及穴边上的非穴位点的信号进行叉数为2深度为3的一维分解(采用Shannon熵)，，然后对信号的第3层各系数进行重构。再计算各重构系数的方差，从中选取方差最大的两个系数作为特征向量。

将所获得的特征向量输入到SVM进行分类器训练和测试。具体实现的算法为：

Step1：随机抽取特征节点上的一半系数的作为训练数据，剩下的另一半为测试数据。

Step2：用训练数据训练SVM分类器，测试数据对训练好的分类器进行测试。设x_i，i＝1，…，l为一组输入的训练样本，y_i∈{+1，-1}为对应期望输出，其中+1表示穴位点，-1表示非穴位点，选择合适的核函数K(x_i，x)＝Φ(x_i)·Φ(x)及核函数对应的参数，在约束条件0≤α_i≤C(i＝1，…，l)下求解方程

$W\left(\mathrm{\α}\right)={\mathrm{\Σ}}_{i=1}^l{\mathrm{\α}}_i-\frac{1}{2}{\mathrm{\Σ}}_{i,j=1}^l{\mathrm{\α}}_i{\mathrm{\α}}_j{y}_i{y}_{j}k(x_i,x)---\left(7\right)$

的最大值，得到最优的

再计算

$W^{*}={\mathrm{\Σ}}_{i=1}^l{\mathrm{\α}}_i^{*}{y}_i\mathrm{\Φ}\left(x_i\right)---\left(8\right)$

得到最优偏置b^*，从而得到最优分类超平面

(w^*)^TΦ(x)＝0                    (9)

最后对于输入样本x，通过计算

$f\left(x\right)=\mathrm{sgn}\{{\mathrm{\Σ}}_{i=1}^l{y}_i{\mathrm{\α}}_i^{*}k(x_i,x)+b^{*}\}---\left(10\right)$

确定x属于哪一类。

由此可以确定经络穴位与非穴位点。

本发明是一种基于对经络穴位进行微弱电刺激，测取经络穴位点与非穴位点响应信号，然后通过利用信息处理技术对所测取的响应信号进行特征提取和模式分类，从而准确地对穴位与非穴位点进行定位确认的方法。

Claims (1)

1.一种中医穴位定位方法，采用中医穴位定位装置，该装置包括一信号发生器，用于产生连续正弦信号、三角波序列信号、幅值指数衰减正弦信号，信号幅值不大于3伏；

还包括用于与人体皮肤接触的银电极以及用于信号模数转换的A/D模块和用于数据采集的嵌入式微处理器；

银电极与所述信号发生器相连，在人体十二经脉中的所要定位的穴位所在的一条经脉上顺经络“气”的走向，选择“气”的上游端穴位作为银电极作电刺激的刺激点，将经络下游端穴位作为接地点；

在所需定位的穴位及附近选取多个测量点接入A/D模块，当银电极在刺激点作电刺激时，嵌入式微处理器的CPU从A/D模块获取测量点的响应电压信号数据；

CPU对该响应电压信号数据采用小波包分解技术进行特征提取，进而判定测量点是否为所要的穴位，

其特征在于，所述的中医穴位定位方法包括以下步骤：

在所需定位的穴位及附近选取多个测量点，获取测量点的响应电压信号数据，对该响应电压信号数据采用小波包分解技术进行特征提取，进而判定测量点是否为所要的穴位，

所述的响应电压信号数据采用小波包分解技术进行特征提取，包括以下步骤：

C1，将一次测量中的某个穴位点采集的信号和该穴位点边上的非穴位点采集的信号设为f(t)，用小波包进行3层分解，

(t)为第j层上第i个小波包系数，G、H是小波分解滤波器，令

$P_0^1\left(t\right)=f\left(t\right)---\left(1\right)$

则

$P_j^{2i-1}\left(t\right)={\mathrm{\Σ}}_{k}H(k-2t)p_{j-1}^i\left(t\right)---\left(2\right)$

$p_j^{2i}\left(t\right)={\mathrm{\Σ}}_{k}G(k-2t)p_{j-1}^i\left(t\right)---\left(3\right)$

其中，t、k分别表示采样时间点；

C2，按以下公式重构第3层每个节点系数，

$p_j^i\left(t\right)=2[{\mathrm{\Σ}}_{k}h(t-2k)p_{j+1}^{2i-1}\left(t\right)$

$+{\mathrm{\Σ}}_{k}g(t-2k)p_{j+1}^{2i}\left(t\right)]---\left(4\right)$

式中j=J-1，J-2…，1，0；i=2j，2j-1，…2，1；J=log₂N；h、g为重构滤波器，它们分别与尺度函数和小波函数有关；

C3，计算第3层各个节点小波包系数的范数，

$N_3^i={\left|\right|p_3^i\left(t\right)\left|\right|}_2---\left(5\right);$

C4，将得到的穴位点和该穴位点边上的非穴位点的对应节点系数的范数求平方距离，

$N_i={\left|\right|N_3^i-{\hat{N}}_3^i\left|\right|}_2---\left(6\right);$

C5，选取N_i(i=1…8)最大的两个对应的节点作为特征节点；

C6，按照C1至C5步骤采用小波包db1对所测人体经络上的穴位及穴边上的非穴位点的信号采用Shannon熵，进行叉数为2深度为3的一维分解，然后对信号的第3层各系数进行重构，再计算各重构系数的方差，从中选取方差最大的两个系数作为特征向量；

C7，将所获得的特征向量输入到SVM进行分类器训练和测试，具体实现的方法为：

D1，随机抽取特征节点上的一半系数的作为训练数据，剩下的另一半为测试数据；

D2，用训练数据训练SVM分类器，测试数据对训练好的分类器进行测试，设x_i，i=1，…，l为一组输入的训练样本，y_i∈{+1，-1}为对应期望输出，其中+1表示穴位点，-1表示非穴位点，选择凸显局部特征的核函数K(x_i，x)＝Φ(x_i)·Φ(x)，在约束条件 ${\mathrm{\Σ}}_{i=1}^l{y}_i{\mathrm{\α}}_i=\mathrm{0,0}\≤{\mathrm{\α}}_i\≤C(i=1,\·\·\·,l)$ 下求解方程

$W\left(\mathrm{\α}\right)={\mathrm{\Σ}}_{i=1}^l{\mathrm{\α}}_i-\frac{1}{2}{\mathrm{\Σ}}_{i,j=1}^l{\mathrm{\α}}_i{\mathrm{\α}}_j{y}_i{y}_{j}k(x_i,x)---\left(7\right)$

的最大值，得到最优的

再计算

$W^{*}={\mathrm{\Σ}}_{i=1}^l{\mathrm{\α}}_i^{*}{y}_i\mathrm{\Φ}\left(x_i\right)---\left(8\right)$

得到最优偏置b^*，从而得到最优分类超平面

(w^*)^TΦ(x)=0    (9)

最后对于输入样本x，通过计算

$f\left(x\right)=\mathrm{sgn}\{{\mathrm{\Σ}}_{i=1}^l{y}_i{\mathrm{\α}}_i^{*}k(x_i,x)+b^{*}\}---\left(10\right)$

确定x属于哪一类，由此确定经络穴位与非穴位点。

Images