CN103034837B - 特征参数与脉象要素的关联 - Google Patents
特征参数与脉象要素的关联 Download PDFInfo
- Publication number
- CN103034837B CN103034837B CN201110316998.2A CN201110316998A CN103034837B CN 103034837 B CN103034837 B CN 103034837B CN 201110316998 A CN201110316998 A CN 201110316998A CN 103034837 B CN103034837 B CN 103034837B
- Authority
- CN
- China
- Prior art keywords
- pulse wave
- wave signal
- point
- pulse
- extreme value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明提供特征参数与脉象要素的关联,属于中医脉象量化技术领域。该特征参数与脉象要素的关联方法中,包括步骤:计算脉搏每个特征参数的重要度;按重要度对特征参数进行排序;基于人工神经网络对训练样本集的脉搏波信号进行学习;利用测试样本集对所述人工神经网络进行测试,并计算得出对测试样本集关于该脉象要素判断脉象的第一分类准确率;去除所述重要度排序相对最低的特征参数后,计算得出对测试样本集关于该脉象要素判断脉象的第二分类准确率;基于第一分类准确率和第二分类准确率之间的差值判断,实现特征参数与所述脉象要素的关联选取。该关联方法可以准确获取中医中的每个脉象要素与相应特征参数的对应关系。
Description
技术领域
本发明属于中医脉象量化技术领域,涉及利用计算机技术实现脉象的特征参数与脉象要素的关联选定。
背景技术
脉诊是根据“脉象”观察、判断病症情况的一种诊断方法,它是中医的基本技术,也是中医临床不可缺少的诊察步骤和内容。脉诊之所以重要,就是由于脉象能传递机体各部分的生理病理信息,是窥视体内功能变化的窗口,可为诊断病证提供重要依据。
传统的中医脉诊是完全依赖于医生的经验,医生通过感知脉搏搏动,获取病人的脉象信息实现疾病诊断,其经验程度要求较高、并且主观性相对较强。因此,近年来,为实现中医脉诊技术的广泛化、规范化、客观化应用,推出了中医脉诊仪器设备,其利用信号采集装置从病人采集反映脉象的脉搏波信号,并且进一步利用信号分析处理技术、图像处理技术等对脉搏波信号进行分析,为脉象的判断提供客观的数据信息,从而为脉诊创造便利条件。
其中,脉象要素是指脉象的基本组成部分,其一般地包括“位、数、形、势”等四个方面,病脉是基于脉象的“位、数、形、势”四个方面来分类,例如,按脉位可以分为浮脉、沉脉,按脉形可以分为洪脉、细脉、长脉、短脉等,按脉数可以分为促脉、结脉、代脉等,按脉势可以分为实脉、虚脉、涩脉等。因此,在脉诊过程中,需要按照脉象要素来判断病脉的类型。在中医脉诊仪器设备中,脉象要素的判断是需要通过相应脉搏波的特征参数的具体量化来实现;而许多特征参数中,每个特征参数对于每个脉象要素(脉象中有多个脉象要素)的判断的重要度可能是不同的;因此,在对应于某一个脉象要素的脉象判断时,需要从多个特征参数中选取其中有利于脉象判断的特征参数,也即实现脉象要素与特征参数的对应关联。
有鉴于此,脉象要素与特征参数的准确关联是利用计算机图像识别技术进行脉诊的关键技术之一。
发明内容
本发明的目的在于,准确实现特征参数与脉象要素之间的关联。
为实现以上目的或者其它目的,本发明提供以下技术方案。
按照本发明的一方面,提供一种特征参数与脉象要素的关联方法,其包括以下步骤:
按规则计算脉搏波信号的每个特征参数的重要度;
按所述重要度的大小对特征参数进行由高到低的相应排序;
基于人工神经网络对训练样本集的脉搏波信号进行学习;
利用测试样本集的脉搏波信号对所述人工神经网络进行测试,并计算得出对所述测试样本集关于该脉象要素判断脉象的第一分类准确率;
去除所述重要度排序相对最低的特征参数后,计算得出对所述测试样本集关于该脉象要素判断脉象的第二分类准确率;以及
判断所述第一分类准确率和第二分类准确率之间的差值的绝对值是否小于预定阈值,
如果判断为“是”,进而返回至所述去除步骤,直至判断为“否”,
如果判断为“否”,则选择该特征参数以及排序高于该特征参数的其它特征参数与所述脉象要素相关联。
按照本发明提供的关联方法,其中,所述规则可以为基于互信息、基于判别式分析或者基于多层感知器的特征排序方法。
按照本发明提供的关联方法的一实施例,其中,所述基于判别式分析的特征排序方法中的判别式函数为:
其中,
并且,其中,Sw是类内协方差矩阵,Sb是类间协方差矩阵,mj是第j类训练样本的均值,m是所有训练样本的均值,Pj是训练样本属于第j类训练样本的概率,Nj是第j类训练样本的总数,代表矩阵Sb的迹与对角线上第i个元素的差,代表矩阵Sw的迹与对角线上第i个元素的差,i和j为不超过特征维数的正整数。
按照本发明提供的关联方法的又一较佳实施例,其中,所述特征参数通过以下方法过程获取:
获取一段包括一个周期以上的脉搏波信号;
确定所述脉搏波信号中的所有主峰点;
依据每个主峰点确定相应的每个脉搏波信号周期的起始点,以实现所述脉搏波信号的周期分割;
依据微积分理论确定所述脉搏波信号周期中的所有可能极值点;
去除所述可能极值点中的干扰极值点以精确得到所述脉搏波信号周期信号中的特征点;以及
依据所述特征点的信息获取特征参数。
在之前所述的实施例中,优选地,所述去除干扰极值点的过程包括:
依据所述起始点计算每个脉搏波信号周期的平均周期;
判断任意相邻的第一可能极值点和第二可能极值点之间的幅度差是否小于或等于特定幅度阈值,若判断为“是”,则将第一可能极值点和第二可能极值点中的幅度较小的一个作为干扰极值点被去除;和/或
判断任意相邻的第一可能极值点和第二可能极值点之间的时间差是否小于或等于特定时间阈值,若判断为“是”,则合并第一可能极值点和第二可能极值点为一个可能极值点以实现所述干扰极值点的去除;和
将剩余的可能极值点进行直方图统计,利用聚类分析法将直方图划分为若干区域,若某一区域内的所述可能极值点的数目小于第一数值时,则该区域内的相应所述可能极值点作为干扰极值点被去除。
在之前所述的实施例中,优选地,在所述直方图统计并去除干扰极值点之后,还包括步骤:
判断一个脉搏波信号周期内的剩余的可能极值点的数目是否大于10,如果大于10,则去除该脉搏波信号周期。
在之前所述的实施例中,优选地,所述特定幅度阈值为所述脉搏波信号的幅度浮动范围的0.01倍,所述特定时间阈值为所述平均周期的0.02倍。
在之前所述的实施例中,优选地,所述第一数值为所述剩余的可能极值点的总数的百分之五。
在之前所述的实施例中,优选地,所述若干区域的个数五个,其分别为主峰值区域、潮波区域、重博波区域、房缩波区域和周期起始点区域。
在之前所述的实施例中,优选地,所述聚类分析法为k均值聚类算法或者模糊聚类算法。
在之前所述的实施例中,优选地,所述脉搏波信号的周期分割之后,还包括步骤:
去除所述脉搏波信号的基线漂移影响;以及
对所述脉搏波信号的数据进行规范化处理。
在之前所述的实施例中,优选地,所述去除基线漂移影响的步骤中,包括:对于所述起始点进行插值计算以得到所述基线。
在之前所述的实施例中,优选地,所述去除基线漂移影响的步骤中,包括:所述脉搏波信号对应减去所述基线的幅度值。
在之前所述的实施例中,优选地,所述插值计算为三次样条插值计算或者分段三次埃米尔特插值计算。
在之前所述的实施例中,优选地,所述规范化处理包括以下过程:
依据所述主峰点和起始点确定该脉搏波信号的浮动范围;以及
根据所述浮动范围对脉搏波信号中的每个点进行归一化处理。
在之前所述的实施例中,优选地,在确定所有主峰点之前,还包括步骤:
对所述脉搏波信号进行平滑滤波以及去除噪声处理。
在之前所述的实施例中,优选地,所述平滑滤波以及去除噪声处理采用一维均值滤波方法或者高斯滤波方法。
在之前所述的实施例中,优选地,所述一维均值滤波方法或者高斯滤波方法的滤波窗口被设置为大于或等于所述脉搏波信号的采样频率的0.03倍、并小于或等于所述脉搏波信号的采样频率的0.08倍。
在之前所述的实施例中,优选地,所述确定所有主峰点的步骤包括:
确定第一窗口的大小;
利用该第一窗口对所述脉搏波信号进行遍历;
计算出每个第一窗口范围内的最大幅度值;以及
判断任意两个相邻的所述最大幅度值对应的时间差是否小于所述第一窗口的大小,如果判断为“是”,则去除其中较小的最大幅度值,剩余的所述最大幅度值对应的位置点被定义为主峰点。
在之前所述的实施例中,优选地,所述第一窗口被设置为大于或等于所述脉搏波信号的采样频率的0.6倍且小于或等于所述脉搏波信号的采样频率的0.8倍。
在之前所述的实施例中,优选地,确定所述起始点的步骤中,通过定位每个主峰点之前的0.3倍于采样频率的范围内的最小值、并定义该最小值对应的点为所述起始点。
在之前所述的实施例中,优选地,确定所述可能极值点的过程中,计算所述脉搏波信号周期中每个点分别与相邻的两点之间的第一幅度差值和第二幅度差值,并计算所述第一幅度差值与第二幅度差值的乘积,如果该乘积值小于或等于预定的阈值,则确定该点为所述可能极值点。
在之前所述的实施例中,优选地,所述脉搏波信号的数据被进行归一化处理,所述预定的阈值为1×10-5。
在之前所述的实施例中,优选地,所述脉搏波信号通过脉象采集装置实时获取。
在之前所述的实施例中,优选地,所述脉搏波信号通过从脉象数据库中获取。
在之前所述的实施例中,优选地,通过COM接口、USB接口、网络接口、或者无线传输模块从所述脉象数据库中获取所述脉搏波信号。
在之前所述的实施例中,优选地,所述脉搏波信号包括8-10个脉搏波信号周期。
按照本发明的又一方面,提供一种用于特征参数与脉象要素的关联的装置,其包括:
用于按规则计算脉搏波信号的每个特征参数的重要度的部件;
用于按所述重要度的大小对特征参数进行由高到低的相应排序的部件;
用于基于人工神经网络对训练样本集的脉搏波信号进行学习的部件;
用于利用测试样本集的脉搏波信号对所述人工神经网络进行测试、并计算得出对所述测试样本集关于该脉象要素判断脉象的第一分类准确率的部件;
用于去除所述重要度排序相对最低的特征参数后、计算得出对所述测试样本集关于该脉象要素判断脉象的第二分类准确率的部件;以及
判断部件,其用于判断所述第一分类准确率和第二分类准确率之间的差值的绝对值是否小于预定阈值,
如果判断为“是”,进而返回至所述去除步骤,直至判断为“否”,
如果判断为“否”,则选择该特征参数以及排序高于该特征参数的其它特征参数与所述脉象要素相关联。
按照本发明提供的装置的一较佳实施例,其中,进一步包括特征参数提取部件,其包括:。
用于获取一段包括一个周期以上的脉搏波信号的部件;
用于确定所述脉搏波信号中的所有主峰点的部件;
用于依据每个主峰点确定相应的每个脉搏波信号周期的起始点、以实现所述脉搏波信号的周期分割的部件;
用于依据微积分理论确定所述脉搏波信号周期中的所有可能极值点的部件;
用于去除所述可能极值点中的干扰极值点以精确得到所述脉搏波信号周期信号中的特征点的部件;以及
用于依据所述特征点的信息获取特征参数的部件。
在之前所述装置的实施例中,较佳地,所述用于去除所述可能极值点中的干扰极值点以精确得到所述脉搏波信号周期信号中的特征点的部件进一步包括:
用于依据所述起始点计算每个脉搏波信号周期的平均周期的部件;
用于判断任意相邻的第一可能极值点和第二可能极值点之间的幅度差是否小于或等于特定幅度阈值的部件,若该部件判断为“是”,则将第一可能极值点和第二可能极值点中的幅度较小的一个作为干扰极值点被去除;和/或
用于判断任意相邻的第一可能极值点和第二可能极值点之间的时间差是否小于或等于特定时间阈值的部件,若该部件判断为“是”,则合并第一可能极值点和第二可能极值点为一个可能极值点以实现所述干扰极值点的去除;和
用于将剩余的可能极值点进行直方图统计的部件,该部件利用聚类分析法将直方图划分为若干区域,若某一区域内的所述可能极值点的数目小于第一数值时,则该区域内的相应所述可能极值点作为干扰极值点被去除。
本发明的技术效果是,该关联方法中结合应用了重要度排序规则和人工神经元网络,从而获取了与某一脉象要素相关的特征参数,准确实现了二者之间的关联,也即可以获取中医中的每个脉象要素与相应特征参数的对应关系。
附图说明
从结合附图的以下详细说明中,将会使本发明的上述和其它目的及优点更加完全清楚,其中,相同或相似的要素采用相同的标号表示。
图1是按照本发明一实施例提供的脉搏波的特征参数与脉象要素的关联方法的基本流程示意图;
图2是按照图1所示方法在基于判别分析方法实现流利度与特征参数的关联的结果示意图;
图3是按照本发明一实施例提供的提取脉搏波的特征参数的基本方法流程示意图;
图4是本发明一实施例获取的脉搏波信号的波形图;
图5是平滑滤波及去除噪声处理后的脉搏波信号的主峰点以及周期的起始点的示意图;
图6是通过对起始点进行差值计算法后得到的脉搏波的基线;
图7是去除基线漂移影响后的脉搏波信号的波形图;
图8是脉搏波信号周期中的可能极值点的示意图;
图9是脉搏波信号中被第一次去除干扰极值点之后的可能极值点的示意图。
图10是将可能极值点进行直方图统计后得到的直方图;
图11是对图9所示的直方图进行聚类分析后的结果示意图;
图12是脉搏波信号中的精确定位的特征点的示意图;
图13是图12中的虚线框中的一个脉搏波信号周期的放大示意图;
图14是在一实例中提取出的脉搏波的特征参数列表。
具体实施方式
下面介绍的是本发明的多个可能实施例中的一些,旨在提供对本发明的基本了解,并不旨在确认本发明的关键或决定性的要素或限定所要保护的范围。容易理解,根据本发明的技术方案,在不变更本发明的实质精神下,本领域的一般技术人员可以提出可相互替换的其它实现方式。因此,以下具体实施方式以及附图仅是对本发明的技术方案的示例性说明,而不应当视为本发明的全部或者视为对本发明技术方案的限定或限制。
图1所示为按照本发明一实施例提供的脉搏波的特征参数与脉象要素的关联方法的基本流程示意图。在该实施例中,以脉象要素中的流利度(脉势中的一方面)为例进行说明,流利度主要用来对滑脉和涩脉两种脉象进行判断分类。需要理解的是,根据图1所示实施例的教导,本领域技术人员同样可以实现其它脉象要素(例如,力度、紧张度等)与特征参数的关联选取,因此,在此不作一一赘述。
如图1所示,首先,步骤S10,对脉搏波的i个特征参数的重要度进行计算(i为大于1的整数)。
在该步骤中,特征参数的个数并不是限制性的,相对于脉象要素流利度,任何可能有利于基于该脉象要素判断脉象分类的特征参数较佳地被包含。特征参数的获取方法也不是限制性的,例如,脉搏波的特征参数可以通过中国专利申请号为CN200810153175.0、名称为“中医脉象特征函数自动提取方法”的专利所描述的方法获取,或者可以通过中国专利申请号为CN200510061394.2、名称为“中医脉象特征参数自动检测方法”的专利所描述的方法获取。在该实施例中,特征参数包括但不限于周期T、主波幅度h1、重博前波相对幅度h3/h1、降中峡相对幅度h4/h1、主波上升斜率h1/t1、主波下降斜率(h1-h2)/(t2-t1)、主波相对宽度w/t、重搏波幅度h5、波峰数NP、节律rhy等。
每个特征参数的重要度的计算可以选择基于互信息、基于判别式分析或者基于多层感知器等特征排序方法来计算。在该实施例中,以基于判别式分析的特征排序方法为例来进行示意性的说明。
基于判别式分析的方法规则中,采用一个判别函数J(X)来计算, J(X)的表达式如下公式(1)所示:
其中,
其中,Sw是类内协方差矩阵,Sb是类间协方差矩阵,mj是第j类训练样本的均值,m是所有训练样本的均值,Pj是训练样本属于第j类训练样本的概率,Nj是第j类训练样本的总数,代表矩阵Sb的迹与对角线上第i个元素的差,代表矩阵Sw的迹与对角线上第i个元素的差,i和j为不超过特征维数的正整数,例如,若有10维特征,则i和j的取值范围在1-10。
继续如图1所示,进一步,步骤S20,按重要度的高低对特征参数排序形成序列(G1,…,Gi)。在使用以上实施例所示例的基于判别式分析的方法计算重要度时,按照J(X)值的大小对所有特征参数进行排列,其中,J(X)值越大,表示其重要度越高,所有特征参数按照重要度由高到低排序形成序列(G1,…,Gi)。排序最低的脉象要素Gi即为相对于流利地的重要度最低的脉象要素。
图2所示为按照图1所示方法在基于判别分析方法实现流利度与特征参数的关联的结果示意图。参阅图2所示实施例,每个特征参数的反映重要度的J(X)值被计算并按照大小进行排序标记。
继续如图1所示,进一步,步骤S30,基于人工神经网络对训练样本集的脉搏波信号进行学习。在该步骤中,训练样本集的脉搏波信号可以实时地获取,也可以通过在某一存储装置中已经存储的脉象数据库中获取,其可以通过但不限于COM接口、USB接口、网络接口、或者无线传输模块等从所述脉象数据库中传输获得该数字信息。训练样本集的选择及其具体数量大小不是限制性的,例如,其可以分别选取200个滑脉的脉搏波信号和200个涩脉的脉搏波信号作为训练样本集,对人工神经网络模型进行训练或学习,使该人工神经网络能对基本相同脉象的脉搏波信号进行分类输出。在该过程中,人工神经网络所选择的具体算法模型不是限制性的,其可能根据不同的脉象要素对不同特征参数的依赖关系来选择设定。
继续如图1所示,进一步,步骤S40,利用测试样本集的脉搏波信号对该人工神经网络进行测试,并计算得出对测试样本集关于该脉象要素判断脉象的分类准确率A0。在实施例中,基于流利度来判断每个测试样本的类型,也即对测试样本进行分类,训练后的人工神经网络会对每个测试样本脉搏波进行脉象分类,将其分类为滑脉或涩脉等,基于其分类结果计算其分类准确率A0。例如,对于50个测试样本组成的测试样本集,将其输入至人工神经网络后,45个测试样本的输出结果是准确的(脉象判断准确),则认为其分类准确率为90%。
需要理解的是,在该步骤的人工神经网络测试过程中,测试样本集的输入过程中包含了基本所有特征参数的输入过程,因此,实际上是基本综合考虑了每个测试样本的所有特征参数得出的分类准确率。
继续如图1所示,进一步,步骤S50,去除所述重要度排序相对最低的特征参数Gi后,计算得出对测试样本集关于该脉象要素判断脉象的分类准确率Ai。
继续如图1所示,进一步,步骤S60,判断(Ai-A0)的绝对值是否小于预定阈值△Ath。
如果判断为“是”,如图1所示,进入步骤S70,i自减1,表示放弃该重要度最低的特征参数Gi。这也反映了特征参数Gi对基于流利度这一脉象要素的判断的影响较小,流利度与特征参数Gi的关联度小,基本可以被排除。步骤S70后进一步返回至步骤S50,直至判断为“否”,如图1所示,进入步骤S80,选择特征参数(G1,…, Gi)
与该脉象要素相关联,从而确定了特征参数与该脉象要素的对应关系。
以图2所示特征参数为例,通过步骤S50、S60、S70的循环计算,依次排除特征参数节律、波峰数、重搏波幅度、降中峡相对幅度、重博前波相对幅度、主波相对宽度;保留特征参数频率(也即周期T)、主波幅度、主波下降斜率、主波上升斜率进行输入,计算得出对测试样本集关于该脉象要素判断脉象的分类准确率Ai(i=4),判断为“否”,频率以及重要度J(X)高于频率的主波幅度、主波下降斜率、主波上升斜率均被选取与流利度相关联,从而,得到了与流利度相关的脉搏波的特征参数,确定了特征参数与流利度的对应关系,基于关联的特征参数对其它脉搏波进关于流利度的脉象类型判断时,相对准确、高效。
需要理解的是,预定阈值△Ath的具体大小选择可以根据特征参数与该脉象要素的关联度要求、脉象要素类型等来选择。
步骤S10中所采用的特征参数的准确性也直接会影响该关联的准确性。因此,在本发明中,优选地还提供该关联方法中所应用的特征参数从脉搏波信号中提取的方法。
图3所示为按照本发明一实施例提供的提取脉搏波的特征参数的基本方法流程示意图。其中,图4至图14为配合解释说明图3的提取方法过程而提供的示意图,以下结合图3至图14对该提取特征参数的方法进行详细说明。
首先,执行步骤S111,获取一段待提取特征参数的脉搏波信号。
图4所示为本发明一实施例获取的脉搏波信号的波形图。如图4所示,获取的脉搏波信号10包括多个脉搏波信号周期,优选地,脉搏波信号中所包括的脉搏波信号周期的数量范围为6个至16个(例如图中所示的10个脉搏波信号周期)。具体地,图4所示的脉搏波信号10可以通过脉象采集装置实时地采集,其被传输至执行图3所示方法过程的计算机装置中,脉象采集装置是用于从躯体具体部位(例如,“寸”、“关”、“节”等部位)采集脉搏波信号,其具体可以包括传感器、可调放大电路模块、滤波电路模块、ADC模数转换电路模块等,但是,脉象采集装置的具体形式不受本发明实施例限制,其甚至可以应用将来所提出的各种脉象采集装置;在脉象采集装置采集的脉搏波信号失真度越低的情况下,应用于本方法过程中所取得预期效果可能更佳。脉搏波信号10还可以是在某一存储装置中已经存储的脉象数据库中获取的数字信息,其可以通过但不限于COM接口、USB接口、网络接口、或者无线传输模块等从所述脉象数据库中传输获得该数字信息。
继续如图4所示,其中横坐标反映脉搏波信号10的时间,纵坐标反映脉搏波信号10的幅度。脉搏波信号10的采集频率可以根据具体情况(例如病人个体情况)来设置,在该实例中,采集频率可以200Hz,一般地,脉象采集装置初步采集的脉搏波信号10存在不同程度的噪音、干扰、和/或漂移等,其与脉象采集装置具体设置、病人个体等情况有关。
进一步,优选地,执行步骤S113,对脉搏波信号10进行平滑滤波及去除噪声处理。脉搏波信号10被平滑滤波处理及去除噪声处理后,得到图5所示的脉搏波信号20。具体地,在一实施例中,平滑滤波及去除噪声处理可以通过对脉搏波信号10的数据进行一维均值滤波方法或者高斯滤波方法处理来实现,但是,具体的处理方法并不是限制性的。在采用维均值滤波方法或者高斯滤波方法处理进行平滑滤波及去除噪声处理时,其设定的滤波窗口优选地大于或等于脉搏波信号10的采样频率的0.03倍、且小于或等于脉搏波信号10的采样频率的0.08倍,例如,采样频率为200Hz时(每秒采样200个点),滤波窗口优选地在6(200×0.03)个点至16(200×0.08)个点之间。这样,既能有效去除噪声,又能尽量减小脉搏波的波形失真。当然,滤波窗口也可以根据其它具体情况来调整。
进一步,执行步骤S115,确定脉搏波信号20中的所有主峰点。通常地,脉搏波信号中的每个脉搏波信号周期的主峰点的幅度值比较突出,其相对容易判断定位。优选地,主峰点的判断可以通过以下方法实施例实现:
步骤115a,确定遍历窗口的大小,该窗口大小优选地选择在采样频率的0.6-0.8倍的范围内,例如,采样频率的0.7倍,其可以根据脉搏波的大致周期长度来选定;当采样频率为200Hz时(每秒采样200个点),该窗口大小优选地在120(200×0.6)个点至160(200×0.8)个点之间;
步骤115b,利用该遍历窗口对脉搏波信号20进行遍历处理;
步骤115c,计算出每个遍历窗口范围内的幅度最大值;
步骤115d,如果任意两个相邻(在时间上相邻)的最大幅度值对应的时间差小于该遍历窗口的大小,则舍去该两个相邻的最大幅度值中较小的一个,剩下的最大幅度值被定义主峰点。
进一步,步骤S117,依据每个主峰点确定相应的每个脉搏波信号周期的起始点。
图5所示为平滑滤波及去除噪声处理后的脉搏波信号的主峰点以及周期的起始点的示意图。在规则的脉搏波信号周期中,一个脉搏波信号周期中存在一个主峰点21以及一个起始点23。脉搏波信号20中的主峰点21通过以上述及的优选方法过程粗略定位,定位起始点23的优选方法包括以下过程:通过定位每个主峰点21之前的0.3倍于采样频率的范围内的最小值、并定义该最小值对应的点23为起始点,例如,采样频率为200Hz时(每秒采样200个点),确定每个主峰点21之前60点内的最小值为起始点。以上过程可以实现起始点23的粗略定位。
在起始点23基本定位以后,相邻两个起始点之间即为一个脉搏波信号周期,因此,起始点23实现了脉搏波信号的周期分割。
进一步,优选地,执行步骤S119,去除脉搏波信号20中的基线漂移的影响。
图6所示为通过对起始点23进行差值计算法后得到的脉搏波的基线30。在该步骤中,根据步骤S117中确定的起始点23,对起始点23的相应数据进行差值计算,例如,运用三次样条插值计算或者分段三次埃米尔特(Hermite)插值计算,差值计算后的得到的关于起始点的波形即为基线30。
在一实施例中,为去除基线漂移的影响,通过将脉搏波信号20对应减去基线30的幅度值即可基本实现。图7所示为去除基线漂移影响后的脉搏波信号40的波形图。
进一步,优选地,执行步骤S121,对脉搏波信号40的数据进行规范化处理。为便于对采集的脉搏波信号进行统一计算处理,并去除采集的脉搏波图形的差异化因素影响(例如在施加的取脉压力或脉象采集装置不同时,脉搏波的幅度大小是不一致的),可以对脉搏波信号40的数据进行规范化处理。具体地,可以采用归一化处理的形式对每个采样点进行处理,例如,确定脉搏波信号40的浮动范围,以每个采样点的幅度除以该幅度范围,得到归一化处理后的脉搏波信号50(在图8中示出),其归一的范围为[0,1]。可以理解的是,归一化的参数在后续特征参数的计算过程中可以被采用。
进一步,执行步骤S123,确定脉搏波信号周期中的所有可能极值点。
图8所示为脉搏波信号周期中的可能极值点的示意图。在该步骤中,脉搏波信号50中的可能极值点51依据微积分理论来确定,可能极值点51并不仅指指狭义上的一阶导数等于0的极值点,其较佳地是指广义上的极值点,也即一阶导数等于0或基本等于0。一阶导数基本等于0的可能极值点是指斜率变化很小的点,具体地,通过以下方法过程来确定一阶导数基本等于0的点:
假如d0、d1、d2为一个脉搏波信号周期中的三个依次相邻的点,计算d0与d1之间的幅度差值c1(c1等于d1的幅度值减去d0的幅度值),计算d1与d2之间的幅度差值c2(c2等于d2的幅度值减去d1的幅度值);
幅度差值c1乘以幅度差值c2得出乘积值f1,如果f1小于或等于1×10-5(以上幅度值为归一化处理后的幅度值),则判断该点d1为可能极值点,否则判定为非可能极值点;
重复执行以上过程,依次对每个点进行以上处理过程来确定是否为可能极值点。
继续如图8所示,并对比图5所示,主峰点21所对应的位置区域可能存在多个可能极值点51,起始点23所对应的位置区域也可能存在多个可能极值点51;因此,需要从多个可能极值点中筛选得出特征点,也即对特征点进行精确定位。特别是在脉搏波信号周期的波动区域,如图8中所示的可能极值点53所在的区域,在小的区域里可能集聚多个可能极值点,从多个可能极值点中精确定位出特征点变得非常重要。
进一步,优选地,执行步骤S125,依据起始点23的位置计算脉搏波信号周期的平均周期。如图5所示,虽然起始点23并没有精确定位,但是,在计算平均周期时,基本可以忽略其影响而得到相对准确的平均周期Taver。
进一步,优选地,执行步骤S127,第一次去除干扰极值点。在该过程中,通过以下方法过程对每个脉搏波信号周期中的每个可能极值点51进行处理:(a)假如a1和a2为两个相邻(时间上相邻)的可能极值点,求出a1和a2的时间差b1以及幅度差b2;
(b)如果幅度差b2小于或等于特定幅度阈值,则如果确定a1和a2中的幅度较小的一个作为干扰极值点被去除;
(c)如果时间差b1小于或等于特定时间阈值,则对a1和a2两个点进行合并(例如取其中间位置)。
以上方法过程中,步骤(b)和(c)可以同步地进行,也可以仅执行其中一个步骤来去除干扰极值点。其中,特定时间阈值和特定幅度阈值可以根据具体情况来设定,在该实例中,特定幅度阈值被设置为脉搏波信号40的幅度浮动范围的0.01倍(例如,在归一化处理后,即为脉搏波信号50时,其被设置为0.01),特定时间阈值被设置为平均周期Taver的0.02倍。
图9所示为脉搏波信号中被第一次去除干扰极值点之后的可能极值点的示意图。相比于图8所示中的可能极值点,其数量相对减少。
进一步,优选地执行步骤S129,将剩余的可能极值点进行直方图统计在该过程中,图10所示为将可能极值点进行直方图统计后得到的直方图。
进一步,优选地,执行步骤S131,第二次去除干扰极值点。在该步骤中,首先用聚类分析法将直方图划分为若干区域,其中,图11所示为对图9所示的直方图进行聚类分析后的结果示意图;明显地,利用聚类分析法将直方图划分为若干区域,在该实施例中,其可以划分为主峰值区域、潮波区域、重博波区域、房缩波区域和周期起始点区域,这基本是由脉搏波形状决定的。继续如图11所示,然后对每个区域中的可能极值点的数目进行统计(如图中虚线圈中的点的数目,但是在图中未完全反应出每个区域的点数),其数目小于剩余的可能极值点的总数的5%时,则判断该区域内的相应可能极值点51为干扰极值点,并去除该干扰极值点。
进一步,优选地,执行步骤S133,去除脉搏波信号中的紊乱脉搏波周期。其中,紊乱脉搏波周期的确定通过以下方法过程实现:通过两次去除干扰极值点后所剩下的可能极值点被按脉搏波周期进行统计,如果在一个周期内所剩下的可能极值点的数目是否大于10(一般一个周期内的特征点不会多余10个),如果大于10,则表示该脉搏波信号周期是紊乱的。
进一步,执行步骤S135,确定脉搏波信号周期中的特征点。通过以上步骤S125至步骤S131对可能极值点进行干扰极值点去除以后,剩下的可能极值点被定义为特征点。因此,特定点是通过以上过程精确定位得出,其有利于其后准确获取特征参数。
图12所述为脉搏波信号50中的精确定位的特征点的示意图,图13所示为图12中的虚线框中的一个脉搏波信号周期的放大示意图。如图12所示,脉搏波信号50中的每个周期中,可能包括6个特征点、也可能包括7个特征点,特征点的个数不是限定的,其与脉象类型等有关。在图13所示实例的脉搏波信号周期中,7个特征点521-527被定位出来。
进一步,执行步骤S137,依据特征点的信息获取特征参数。
参考图13所示,在特征点521-527被定位出来后,依据每个特征点的坐标信息可以以得出每个特征点的时间点(横坐标)和幅度值(纵坐标),其中,t1-t7相应表示特征点521-527的相对时间点,h1-h7相应表示特征点521-527的相对幅度值。
图14所示为在一实例中提取出的脉搏波的特征参数列表。其中,t1表示主波出现的时刻,h1表示主波幅度;t2表示潮波起点出现时刻,h2表示潮波起点幅度;t3表示重博前波(潮波)出现时刻,h3表示重博前波幅度;t4表示降中峡出现时刻,h4表示降中峡幅度;t5表示重博波出现时刻,h5表示重博波幅度;t6表示房缩前波出现时刻,h6表示房缩前波幅度;t7表示房缩波出现时刻,h7表示房缩波幅度;w表示主波宽度;T表示脉搏波平均周期;S表示脉搏波平均面积;h3/h1表示重博前波相对幅度;h4/h1表示降中峡相对幅度;s1等于h1/t1,表示主波上升斜率;s2等于(h1-h2)/(t2-t1),表示主波下降斜率;w/t表示主波相对宽度;peaknum表示每个脉搏波信号周期的平均波峰数。
需要说明的是,以上特征参数仅是示意性的,根据不同需求,可以获取不同的特征参数,其它的某些特征参数也可以根据以上得出的特征参数计算得出,例如,主波平均上升斜率(h1/t1)、主波平均下降斜率((h1-h2)/(t2-t1))、节律信息(rhy)等。根据特征点计算特征参数的具体方法在本本发明中也不是限制性的。
至此,截取的脉搏波信号的特征参数提取基本完成。该方法过程中,避免了传统的方法中采用拐点判断法来实现特征点的定位,而是利用可能极值点来精确定位特征点,因此,可以实现特征参数的准确提取,有利于中医脉象诊断,进一步提高利用该方法过程的中医脉诊仪器设备的科学性。
以上关于脉搏波信号的特征参数提取方法可以在计算机装置中自动运行,脉搏波信号和/或其相应的特征参数也可以存储于与该计算机装置相关的存储介质中。因此,特征参数的提取过程可以自动地实现。
以上图1所示的以及图3所示的关于脉搏波信号的特征参数提取方法均可以在计算机装置中自动运行,脉搏波信号和/或其相应的特征参数也可以存储于与该计算机装置相关的存储介质中。因此,特征参数的提取过程以及基于该特征参数与某一脉象要素的关联过程可以自动地实现。
以上例子主要说明了本发明的特征参数与脉象要素的关联方法。尽管只对其中一些本发明的实施方式进行了描述,但是本领域普通技术人员应当了解,本发明可以在不偏离其主旨与范围内以许多其他的形式实施。因此,所展示的例子与实施方式被视为示意性的而非限制性的,在不脱离如所附各权利要求所定义的本发明精神及范围的情况下,本发明可能涵盖各种的修改与替换。
Claims (26)
1.一种特征参数与脉象要素的关联方法,其特征在于,包括以下步骤:
按规则计算脉搏波信号的每个特征参数的重要度;
按所述重要度的大小对特征参数进行由高到低的相应排序;
基于人工神经网络对训练样本集的脉搏波信号进行学习;
利用测试样本集的脉搏波信号对所述人工神经网络进行测试,并计算得出对所述测试样本集关于该脉象要素判断脉象的第一分类准确率;
去除所述重要度排序相对最低的特征参数后,计算得出对所述测试样本集关于该脉象要素判断脉象的第二分类准确率;以及
判断所述第一分类准确率和第二分类准确率之间的差值的绝对值是否小于预定阈值,
如果判断为“是”,进而返回至所述去除步骤,直至判断为“否”,
如果判断为“否”,则选择该特征参数以及排序高于该特征参数的其它特征参数与所述脉象要素相关联;
所述特征参数通过以下方法过程获取:
获取一段包括一个周期以上的脉搏波信号;
确定所述脉搏波信号中的所有主峰点;
依据每个主峰点确定相应的每个脉搏波信号周期的起始点,以实现所述脉搏波信号的周期分割;
依据微积分理论确定所述脉搏波信号周期中的所有可能极值点;
去除所述可能极值点中的干扰极值点以精确得到所述脉搏波信号周期信号中的特征点;以及
依据所述特征点的信息获取特征参数;
所述去除干扰极值点的过程包括:
依据所述起始点计算每个脉搏波信号周期的平均周期;
判断任意相邻的第一可能极值点和第二可能极值点之间的幅度差是否小于或等于特定幅度阈值,若判断为“是”,则将第一可能极值点和第二可能极值点中的幅度较小的一个作为干扰极值点被去除;和/或
判断任意相邻的第一可能极值点和第二可能极值点之间的时间差是否小于或等于特定时间阈值,若判断为“是”,则合并第一可能极值点和第二可能极值点为一个可能极值点以实现所述干扰极值点的去除;和
将剩余的可能极值点进行直方图统计,利用聚类分析法将直方图划分为若干区域,若某一区域内的所述可能极值点的数目小于第一数值时,则该区域内的相应所述可能极值点作为干扰极值点被去除。
2.如权利要求1所述的关联方法,其特征在于,所述规则为基于互信息、基于判别式分析或者基于多层感知器的特征排序方法。
3.如权利要求2所述的关联方法,其特征在于,所述基于判别式分析的特征排序方法中的判别式函数为:
其中,
并且,其中,Sw是类内协方差矩阵,Sb是类间协方差矩阵,mj是第j类训练样本的均值,m是所有训练样本的均值,Pj是训练样本属于第j类训练样本的概率,Nj是第j类训练样本的总数,代表矩阵Sb的迹与对角线上第i个元素的差,代表矩阵Sw的迹与对角线上第i个元素的差,i和j为不超过特征维数的正整数。
4.如权利要求1所述的关联方法,其特征在于,在所述直方图统计并去除干扰极值点之后,还包括步骤:
判断一个脉搏波信号周期内的剩余的可能极值点的数目是否大于10,如果大于10,则去除该脉搏波信号周期。
5.如权利要求1所述的关联方法,其特征在于,所述特定幅度阈值为所述脉搏波信号的幅度浮动范围的0.01倍,所述特定时间阈值为所述平均周期的0.02倍。
6.如权利要求1或5所述的关联方法,其特征在于,所述第一数值为所述剩余的可能极值点的总数的百分之五。
7.如权利要求1或5所述的关联方法,其特征在于,所述若干区域的个数五个,其分别为主峰值区域、潮波区域、重博波区域、房缩波区域和周期起始点区域。
8.如权利要求1或5所述的关联方法,其特征在于,所述聚类分析法为k均值聚类算法或者模糊聚类算法。
9.如权利要求1所述的关联方法,其特征在于,所述脉搏波信号的周期分割之后,还包括步骤:
去除所述脉搏波信号的基线漂移影响;以及
对所述脉搏波信号的数据进行规范化处理。
10.如权利要求9所述的关联方法,其特征在于,所述去除基线漂移影响的步骤中,包括:对于所述起始点进行插值计算以得到所述基线。
11.如权利要求10所述的关联方法,其特征在于,所述去除基线漂移影响的步骤中,包括:所述脉搏波信号对应减去所述基线的幅度值。
12.如权利要求10或11所述的关联方法,其特征在于,所述插值计算为三次样条插值计算或者分段三次埃米尔特插值计算。
13.如权利要求9所述的关联方法,其特征在于,所述规范化处理包括以下过程:
依据所述主峰点和起始点确定该脉搏波信号的浮动范围;以及
根据所述浮动范围对脉搏波信号中的每个点进行归一化处理。
14.如权利要求1所述的关联方法,其特征在于,在确定所有主峰点之前,还包括步骤:
对所述脉搏波信号进行平滑滤波以及去除噪声处理。
15.如权利要求14所述的关联方法,其特征在于,所述平滑滤波以及去除噪声处理采用一维均值滤波方法或者高斯滤波方法。
16.如权利要求15所述的关联方法,其特征在于,所述一维均值滤波方法或者高斯滤波方法的滤波窗口被设置为大于或等于所述脉搏波信号的采样频率的0.03倍、并小于或等于所述脉搏波信号的采样频率的0.08倍。
17.如权利要求1所述的关联方法,其特征在于,所述确定所有主峰点的步骤包括:
确定第一窗口的大小;
利用该第一窗口对所述脉搏波信号进行遍历;
计算出每个第一窗口范围内的最大幅度值;以及
判断任意两个相邻的所述最大幅度值对应的时间差是否小于所述第一窗口的大小,如果判断为“是”,则去除其中较小的最大幅度值,剩余的所述最大幅度值对应的位置点被定义为主峰点。
18.如权利要求17所述的关联方法,其特征在于,所述第一窗口被设置为大于或等于所述脉搏波信号的采样频率的0.6倍且小于或等于所述脉搏波信号的采样频率的0.8倍。
19.如权利要求17所述的关联方法,其特征在于,确定所述起始点的步骤中,通过定位每个主峰点之前的0.3倍于采样频率的范围内的最小值、并定义该最小值对应的点为所述起始点。
20.如权利要求1所述的关联方法,其特征在于,确定所述可能极值点的过程中,计算所述脉搏波信号周期中每个点分别与相邻的两点之间的第一幅度差值和第二幅度差值,并计算所述第一幅度差值与第二幅度差值的乘积,如果该乘积值小于或等于预定的阈值,则确定该点为所述可能极值点。
21.如权利要求20所述的关联方法,其特征在于,所述脉搏波信号的数据被进行归一化处理,所述预定的阈值为1×10-5。
22.如权利要求1所述的关联方法,其特征在于,所述脉搏波信号通过脉象采集装置实时获取。
23.如权利要求1所述的关联方法,其特征在于,所述脉搏波信号通过从脉象数据库中获取。
24.如权利要求23所述的关联方法,其特征在于,通过COM接口、USB接口、网络接口、或者无线传输模块从所述脉象数据库中获取所述脉搏波信号。
25.如权利要求1所述的关联方法,其特征在于,所述脉搏波信号包括6-16个脉搏波信号周期。
26.一种用于特征参数与脉象要素的关联的装置,其特征在于,包括:
特征参数提取部件,其包括:用于获取一段包括一个周期以上的脉搏波信号的部件,用于确定所述脉搏波信号中的所有主峰点的部件,用于依据每个主峰点确定相应的每个脉搏波信号周期的起始点、以实现所述脉搏波信号的周期分割的部件,用于依据微积分理论确定所述脉搏波信号周期中的所有可能极值点的部件,用于去除所述可能极值点中的干扰极值点以精确得到所述脉搏波信号周期信号中的特征点的部件,以及用于依据所述特征点的信息获取特征参数的部件;
用于按规则计算脉搏波信号的每个特征参数的重要度的部件;
用于按所述重要度的大小对特征参数进行由高到低的相应排序的部件;
用于基于人工神经网络对训练样本集的脉搏波信号进行学习的部件;
用于利用测试样本集的脉搏波信号对所述人工神经网络进行测试、并计算得出对所述测试样本集关于该脉象要素判断脉象的第一分类准确率的部件;
用于去除所述重要度排序相对最低的特征参数后、计算得出对所述测试样本集关于该脉象要素判断脉象的第二分类准确率的部件;以及
判断部件,其用于判断所述第一分类准确率和第二分类准确率之间的差值的绝对值是否小于预定阈值,
如果判断为“是”,进而返回至所述去除步骤,直至判断为“否”,
如果判断为“否”,则选择该特征参数以及排序高于该特征参数的其它特征参数与所述脉象要素相关联;
所述用于去除所述可能极值点中的干扰极值点以精确得到所述脉搏波信号周期信号中的特征点的部件进一步包括:
用于依据所述起始点计算每个脉搏波信号周期的平均周期的部件;
用于判断任意相邻的第一可能极值点和第二可能极值点之间的幅度差是否小于或等于特定幅度阈值的部件,若该部件判断为“是”,则将第一可能极值点和第二可能极值点中的幅度较小的一个作为干扰极值点被去除;和/或
用于判断任意相邻的第一可能极值点和第二可能极值点之间的时间差是否小于或等于特定时间阈值的部件,若该部件判断为“是”,则合并第一可能极值点和第二可能极值点为一个可能极值点以实现所述干扰极值点的去除;和
用于将剩余的可能极值点进行直方图统计的部件,该部件利用聚类分析法将直方图划分为若干区域,若某一区域内的所述可能极值点的数目小于第一数值时,则该区域内的相应所述可能极值点作为干扰极值点被去除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110316998.2A CN103034837B (zh) | 2011-09-30 | 2011-09-30 | 特征参数与脉象要素的关联 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110316998.2A CN103034837B (zh) | 2011-09-30 | 2011-09-30 | 特征参数与脉象要素的关联 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103034837A CN103034837A (zh) | 2013-04-10 |
CN103034837B true CN103034837B (zh) | 2017-07-28 |
Family
ID=48021716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110316998.2A Active CN103034837B (zh) | 2011-09-30 | 2011-09-30 | 特征参数与脉象要素的关联 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103034837B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103027667B (zh) * | 2011-09-30 | 2017-01-18 | Ge医疗系统环球技术有限公司 | 脉搏波的特征参数提取 |
CN107736880B (zh) * | 2017-10-24 | 2024-01-30 | 新绎健康科技有限公司 | 一种脉象分析方法及系统 |
CN108670209A (zh) * | 2018-03-29 | 2018-10-19 | 中国科学院微电子研究所 | 一种自动识别中医脉象的方法和系统 |
CN109009005A (zh) * | 2018-07-19 | 2018-12-18 | 上海泰怡健康科技有限公司 | 一种可穿戴式中医脉象采集与分析系统 |
CN109009004A (zh) * | 2018-07-19 | 2018-12-18 | 上海泰怡健康科技有限公司 | 一种基于中医脉象分析的体质检测方法 |
CN110279404B (zh) * | 2019-06-17 | 2020-07-28 | 清华大学 | 一种脉搏波采集装置及方法 |
CN110313903B (zh) * | 2019-08-12 | 2022-06-14 | 中国科学院微电子研究所 | 一种脉搏波频域特征参数提取方法及装置 |
CN111125423A (zh) * | 2019-11-29 | 2020-05-08 | 维沃移动通信有限公司 | 一种去噪方法及移动终端 |
CN111643056B (zh) * | 2020-06-11 | 2022-11-25 | 康键信息技术(深圳)有限公司 | 数据处理方法及系统 |
CN114366047B (zh) * | 2022-01-27 | 2023-05-09 | 上海国民集团健康科技有限公司 | 多任务神经网络脉象数据处理方法、系统及终端 |
CN115040089B (zh) * | 2022-08-16 | 2022-12-06 | 之江实验室 | 一种基于深度学习的脉搏波峰值检测与分类的方法和装置 |
CN115251856B (zh) * | 2022-09-26 | 2022-12-27 | 季华实验室 | 脉力强弱判断方法、装置、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100741155B1 (ko) * | 2006-07-21 | 2007-07-20 | 한진정보통신(주) | 레이저 펄스를 이용한 수목의 높이 데이터 추출장치 및 그방법 |
CN101278830A (zh) * | 2008-04-15 | 2008-10-08 | 中国医学科学院生物医学工程研究所 | 三维动态脉象检测系统 |
-
2011
- 2011-09-30 CN CN201110316998.2A patent/CN103034837B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100741155B1 (ko) * | 2006-07-21 | 2007-07-20 | 한진정보통신(주) | 레이저 펄스를 이용한 수목의 높이 데이터 추출장치 및 그방법 |
CN101278830A (zh) * | 2008-04-15 | 2008-10-08 | 中国医学科学院生物医学工程研究所 | 三维动态脉象检测系统 |
Non-Patent Citations (2)
Title |
---|
《基于判别式分析和神经网络的特征选择方法》;武妍 等;《计算机应用》;20060228;第26卷(第2期);第433-434页 * |
《脉搏波信号时域特征提取与算法的研究》;唐铭一 等;《计算机与现代化》;20100415(第4期);第15-17页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103034837A (zh) | 2013-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103034837B (zh) | 特征参数与脉象要素的关联 | |
CN106344005B (zh) | 一种可移动心电图监测系统 | |
CN103027667B (zh) | 脉搏波的特征参数提取 | |
EP3358485A1 (en) | General noninvasive blood glucose prediction method based on timing analysis | |
CN106473750B (zh) | 基于光电容积脉搏波最佳周期波形的身份识别方法 | |
CN106691425B (zh) | 一种运动手环的腕部心率监测方法 | |
CN109907752A (zh) | 一种去除运动伪影干扰与心电特征检测的心电诊断与监护方法及系统 | |
CN105997055A (zh) | 一种心电信号st段的自动分类方法、系统及装置 | |
CN109602417A (zh) | 基于随机森林的睡眠分期方法及系统 | |
CN105595990A (zh) | 一种用于心电信号质量评估判别的智能终端设备 | |
Banerjee et al. | PhotoECG: Photoplethysmographyto estimate ECG parameters | |
CN106446765B (zh) | 一种基于多维生理大数据深度学习的健康状态评价系统 | |
TWI620546B (zh) | 腦波分析方法及其裝置 | |
TW201424683A (zh) | 脈波與體質健康風險評估系統與方法 | |
CN104173046A (zh) | 一种色彩标记振幅整合脑电图的提取方法 | |
CN105574348B (zh) | 一种基于bcg信号的心跳周期获取方法和装置 | |
CN116451110A (zh) | 基于信号能量特征和脉搏周期的血糖预测模型构建方法 | |
CN107320097A (zh) | 利用肌电信号边际谱熵提取肌肉疲劳特征的方法和装置 | |
CN106073800A (zh) | 基于绝对差值和提取的动态光谱数据处理方法及其装置 | |
CN106419884B (zh) | 一种基于小波分析的心率计算方法与系统 | |
CN107837083A (zh) | 基于最小二乘支持向量机的j波自动检测方法 | |
KR101744691B1 (ko) | 심탄도 신호를 이용한 심박 검출 방법 및 그 장치 | |
CN108078563A (zh) | 一种集成分类器的eeg信号分析方法 | |
CN114145725B (zh) | 一种基于无创连续血压测量的ppg采样率估算方法 | |
CN113413135B (zh) | 一种基于脉搏采集分析的方法、系统、装置及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |