CN105433916A - 脉搏特征提取装置及脉搏特征提取方法 - Google Patents
脉搏特征提取装置及脉搏特征提取方法 Download PDFInfo
- Publication number
- CN105433916A CN105433916A CN201410483233.1A CN201410483233A CN105433916A CN 105433916 A CN105433916 A CN 105433916A CN 201410483233 A CN201410483233 A CN 201410483233A CN 105433916 A CN105433916 A CN 105433916A
- Authority
- CN
- China
- Prior art keywords
- pulse signal
- type
- point
- pulse
- described pulse
- 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.)
- Pending
Links
Abstract
本发明提供脉搏特征提取装置及脉搏特征提取方法,提取脉搏信号的特征。脉搏特征提取装置具备:脉搏信号获取单元,获取一个周期以上的脉搏信号;脉搏信号分类单元,至少根据一个周期的脉搏信号中的极值点的数量,对脉搏信号进行分类,从而获得脉搏信号的类型;以及脉搏特征提取单元,与脉搏信号的类型相应地确定脉搏信号的特征点,并根据特征点的信息提取脉搏信号的特征。根据本发明的脉搏特征提取装置,能够准确地获得脉搏信号的特征点的位置,从而准确地提取脉搏信号的特征。
Description
技术领域
本发明涉及脉搏特征提取装置及脉搏特征提取方法,特别涉及医疗技术领域,可以用于医学院教学、医院诊断和家庭个人医疗中的中间数据获取,同时也可以用于可穿戴设备等。
背景技术
脉搏波信号是血液在血管传输过程中冲击血管产生的信号。中国在很久以前就已经有了对于脉搏波的研究,产生了脉诊学科。脉诊是医生运用手指切按患者体表动脉,探查脉象,以了解病情、辨识病症的一种诊病方法。现有对脉诊最早研究记载在《内经》,后来又有王叔和的《脉经》等,总结了中医脉诊的实践和理论,得出了寸、关、尺等号脉方法。到了明代李时珍撰写了《濒湖脉学》,对诊脉方法进行了详细描述,使脉学得到了普及和发展。历代医学家对于脉象的计量分析、脉象分类、脉诊方法进行了许多研究,当时还不能通过应用现代的测试技术,采用实验方法进行深入研究,但是先人的设想和思路至今仍可借鉴。
自20世纪50年代,医疗、研究人员对脉学的理论、脉诊客观化、临床诊断和实验研究等方法开展了大量工作。按照现代医学的观点,人体内心血管系统是由心脏、血管以及所含血液等组成的完整统一体,在相互协同制约和依存的条件下,完成血液循环的整个过程。可将脉搏波信号看成心脏内部运动状态在人体表面的输出和映射,主要是由于心脏的收缩与舒张以及血液在沿血管的流动过程中所遇到的各种阻力相互作用形成的。脉搏波由心脏开始向动脉系统传播时,不仅要受到心脏本身的影响,同时也会受到流经各级动脉及其中各种生理因素的影响,例如血管阻力、血管壁弹性等。因而,脉搏波信号中包含着极丰富的心血管信息,脉搏波的波形特征与心血管系统中的特征参数变化密切相关。
脉搏波的基本图形为三峰波。图1是表示脉搏波时域特征的示意图,横轴表示时间,纵轴表示幅度值(图中以毫米汞柱为单位示出)。如图1所示,脉搏波的基本图形由升支和降支组成。
(1)升支(A-B)是由心脏收缩时,左心室向主动脉射血,引起主动脉血压迅速上升,主动脉管扩张而成。
(2)降支(B-C)在左心室射血后期,由于射血速度减慢,主动脉部流入血量低于向外流出的血量,压力随之下降,主动脉管弹性回缩形成。
其中,图1中(A-C)的脉图与心脏的射血功能和主动脉压力变化有关。当射血量大,速度快,且血管顺应性好的情况下,(A-C)高而陡直,反正则平坦。
(3)重搏前波(反射波)D是出现在降支上的一个波,其形成是由于主动脉根部的初始波向外周传播时,受到外周因素的影响而产生返折波的多次叠加所致。
其中,重搏前波出现的时间及幅值与动脉管壁张力、弹性和外周阻力等因素有关。
当血管弹性变差,脉搏波传导速度快,重搏前波出现较早,与主波接近,或与主波融合成宽大的主波;
当外周阻力高,主动脉血流向外周速度慢,主动脉压力较高时,重搏前波幅值亦接近甚至超过主波,所以宽大主波往往是主动脉弹性变差,以及外周阻力高,而是主动脉压力持续升高的标志。
(4)降中峡(E)出现在主动脉瓣关闭的瞬间,反映心脏舒张期的主动脉压力。降中峡的幅值,受外周阻力和主动脉瓣功能的影响。
其中,当外周阻力增高时,降中峡抬高,反之降低。
(5)重搏波(F)是降中峡后的一个小波,重搏波的产生是由主动脉瓣突然关闭,外周返流的血液使主动脉根部容积增大,并冲击主动脉瓣而产生的震荡所形成。
其中,当主动脉弹性变差,外周返流的血液不足以引起该部血管扩张,或者主动脉瓣闭锁不全,而主动脉血流向心室返流,主动脉血压偏低时,重搏波亦不再产生。
现代脉诊技术采用传感器获得图1中的脉搏信号的波形,然后通过一定计算找到主波、重搏前波、重搏波的位置。通过这三个波的位置计算出一系列相关参数,部分参数如表1所示。
[表1]
参数 | 参数意义 |
H1 | 主波幅度 |
H3 | 重搏前波幅度 |
H4 | 降中峡幅度 |
H5 | 重搏波幅度 |
t1 | 主波时值(位置) |
t4 | 收缩时值(位置) |
t5 | 舒张期时值(位置) |
t | 脉搏周期 |
w | 主波1/3宽 |
As | 收缩期面积 |
Ad | 舒张期面积 |
F | 脉搏频率 |
目前脉诊研究主要集中在例如表1所示的时域参数和人体健康关系,例如特点疾病表现出来的某些共同特性、亚健康人群脉搏时域共同特性、或者病人治疗前后脉搏波特征的变化等等。如何准确获得脉搏波时域特征是其他研究的基础。而表1中这些时域特征又依赖于例如主波、重搏前波、重搏波的精确定位。由此可见,如何获得例如上述三个波的准确位置是所有研究的基础。与这三个波对应分别是3个波峰点和波峰之间存在的波谷点,如图1所示的B,C,D,E,F五个特征点(下面分别用H1,H2,H3,H4,H5代替)。
对此,专利文献1提供了一种计算脉搏特征的方法,该方法首先找出脉搏波的所有可能极值点,然后对这些极值点进行直方图统计,找出三个波的位置。
专利文献1:CN103027667A
但是,专利文献1中存在以下技术问题。在很多脉搏波中,重搏前波和重搏波不是极值点,可能为凸点、凹点、拐点或者其他点。图2(a)和图2(b)是说明现有技术中的技术问题的示意图。图2(a)所示的脉搏波如图中的竖线所示,5个特征点全部为极值点。然而,图2(b)所示的脉搏波如图中的竖线所示,第2和第3个特征点不是极值点(箭头示出第3个特征点)。
因此,在脉搏波的至少一个特征点不是极值点的情况(例如图2(b)所示的情况)下,专利文献1等现有技术无法准确地确定脉搏波的特征点的位置,进而无法准确地提取脉搏波的特征。
发明内容
本申请针对现有技术中的上述技术问题,提出了一种脉搏特征提取装置及脉搏特征提取方法,首先将脉搏波形分类,然后分别对每类做不同的处理,综合考虑极值点、凹点、凸点、拐点等。
本发明提供一种脉搏特征提取装置,提取脉搏信号的特征,其特征在于,具备:脉搏信号获取单元,获取一个周期以上的脉搏信号;脉搏信号分类单元,至少根据一个周期的所述脉搏信号中的极值点的数量,对所述脉搏信号进行分类,从而获得所述脉搏信号的类型;以及脉搏特征提取单元,与所述脉搏信号的类型相应地确定所述脉搏信号的特征点,并根据所述特征点的信息提取所述脉搏信号的特征。
根据本发明的脉搏特征提取装置,能够准确地获得脉搏信号的特征点的位置,从而准确地提取脉搏信号的特征。
本发明的脉搏特征提取装置也可以在一个周期的所述脉搏信号中的极大值点的数量为三个的情况下,所述脉搏信号分类单元将所述脉搏信号分类为第一类型;在一个周期的所述脉搏信号中的极大值点的数量为一个的情况下,所述脉搏信号分类单元将所述脉搏信号分类为第二类型;在一个周期的所述脉搏信号中的极大值点的数量为两个的情况下,所述脉搏信号分类单元至少根据极值点在所述一个周期内的位置,将所述脉搏信号分类为第三类型、第四类型或第五类型。
由此,根据极大值点的数量以及极值点在一个周期内的位置,将脉搏信号分为五种类型,能够获得恰当的分类结果,同时减少分类处理的处理负担。
本发明的脉搏特征提取装置也可以在所述脉搏信号的类型为第二类型、第三类型、第四类型或第五类型的情况下,所述脉搏特征提取单元与所述脉搏信号的类型相应地添加特征点,以使一个周期的所述脉搏信号中的特征点的数量成为五个,并根据所述五个特征点的信息提取所述脉搏信号的特征。
由此,通过与脉搏信号的类型相应地添加特征点,能够准确地获得脉搏信号的特征点的位置,从而准确地提取脉搏信号的特征。
本发明的脉搏特征提取装置也可以还具备:误分类改正单元,针对所述脉搏信号分类单元的分类结果,根据极值点的幅度以及极值点在一个周期内的位置,检测所述分类结果中的误分类并进行改正,将改正后的分类结果作为所述脉搏信号的类型。
由此,能够检测出不妥当的分类结果并进行改正,从而得到更为恰当的分类结果。
本发明的脉搏特征提取装置也可以还具备:健康状况预测单元,根据由所述脉搏特征提取单元提取的所述脉搏信号的特征,检测特定形态的脉搏波形,从而预测所述脉搏信号所属的人体的健康状况;所述特定形态的脉搏波形包括平顶脉搏波形、重搏前波高于主波的脉搏波形以及单峰脉搏波形中的至少一个。
由此,根据得到的准确的脉搏信号特征,能够更加准确地判断脉搏信号所属的人体的健康状况。
另外,本发明还提供一种脉搏特征提取方法,提取脉搏信号的特征,其特征在于,包括:脉搏信号获取步骤,获取一个周期以上的脉搏信号;脉搏信号分类步骤,至少根据一个周期的所述脉搏信号中的极值点的数量,对所述脉搏信号进行分类,从而获得所述脉搏信号的类型;以及脉搏特征提取步骤,与所述脉搏信号的类型相应地确定所述脉搏信号的特征点,并根据所述特征点的信息提取所述脉搏信号的特征。
本发明的脉搏特征提取装置的上述各技术方案也可以适用于本发明的脉搏特征提取方法。本发明不限于上述脉搏特征提取装置及脉搏特征提取方法,也可以作为具备上述脉搏特征提取装置的脉搏信号分析装置、疾病预测装置或健康状况判定装置来实现。另外,本发明也可以通过使计算机执行上述脉搏特征提取方法的脉搏特征提取程序或者构成上述脉搏特征提取装置的集成电路来实现。
附图说明
图1是表示脉搏波时域特征的示意图。
图2(a)和图2(b)是说明现有技术中的技术问题的示意图。
图3是表示本发明的第一实施方式的脉搏特征提取装置的硬件框图。
图4是表示本发明的第一实施方式的脉搏特征提取装置的功能框图。
图5是表示本发明的第一实施方式的脉搏特征提取方法的流程图。
图6是表示本发明的第一实施方式的脉搏特征提取方法的一个具体例的流程图。
图7是脉搏波类型1的示意图。
图8是脉搏波类型2的示意图。
图9是脉搏波类型3的示意图。
图10是脉搏波类型3的判断条件2的示意图。
图11是脉搏波类型4的示意图。
图12是脉搏波类型4的判断条件2的示意图。
图13是脉搏波类型5的示意图。
图14(a)至图14(d)是针对类型2的脉搏波添加特征点的过程及处理结果的示意图。
图15(a)至图15(d)是针对类型3的脉搏波添加特征点的过程及处理结果的示意图。
图16(a)至图16(d)是针对类型4的脉搏波添加特征点的过程及处理结果的示意图。
图17(a)至图17(d)是针对类型5的脉搏波添加特征点的过程及处理结果的示意图。
图18(a)及图18(b)是本发明的第二实施方式的误分类检测及改正结果的第一例的示意图。
图19(a)及图19(b)是本发明的第二实施方式的误分类检测及改正结果的第二例的示意图。
图20(a)及图20(b)是本发明的第二实施方式的误分类检测及改正结果的第三例的示意图。
图21是表示脉搏波的特征点的坐标的示意图。
图22是表示本发明的第三实施方式的疾病检测的第一例的示意图。
图23是表示本发明的第三实施方式的疾病检测的第二例的示意图。
图24是表示本发明的第三实施方式的疾病检测的第三例的示意图。
具体实施方式
以下结合附图及实施方式对本发明进行更详细的说明。此外,在附图中给同一或者相应部分附以同一附图标记,省略重复的说明。
(第一实施方式)
本实施方式的脉搏特征提取装置及脉搏特征提取方法例如用于准确地获得脉搏信号主波、重搏前波、重搏波位置(5个特征点位置),从而计算出脉搏信号的特征。计算出的脉搏信号的特征可以作为中间数据被用于医疗诊断(例如脉诊),最终来判断脉搏波所属人体的健康状况,也可以用于对脉搏的研究、教学和分类等其他多个方面。应当注意的是,通过本实施方式的脉搏特征提取方法得到的脉搏信号的特征并不作为医疗诊断的最终结果,本实施方式的脉搏特征提取方法不属于疾病的诊断方法。
首先说明本实施方式的脉搏特征提取装置的硬件结构。图3是表示本发明的第一实施方式的脉搏特征提取装置的硬件框图。如图3所示,本实施方式的脉搏特征提取装置包括:传感器10,该传感器为压力传感器,将脉搏压力信号转换为电信号;A/D转换器20,用于将模拟电信号转换为数字信号;数字信号处理器30,用于提取数字脉搏信号的特征值;存储器及控制电路40,为系统存储和控制电路单元。另外,脉搏特征提取装置还可以包括健康状况预测单元50,根据脉搏波的特征值进行健康状况预测,例如参照心脏病脉搏波、健康脉搏波和高血压脉搏波等脉搏波形,判断脉搏波所属人是否可能具有疾病或者身体健康。
接着说明本实施方式的脉搏特征提取装置的功能结构。图4是表示本发明的第一实施方式的脉搏特征提取装置的功能框图。如图4所示,脉搏特征提取装置具备以下功能结构:脉搏信号获取单元101,获取一个周期以上的脉搏信号;脉搏信号分类单元102,至少根据一个周期的脉搏信号中的极值点的数量,对脉搏信号进行分类,从而获得脉搏信号的类型;脉搏特征提取单元103,与脉搏信号的类型相应地确定脉搏信号的特征点,并根据特征点的信息提取脉搏信号的特征。在此,脉搏信号中的极值点包括脉搏信号中的极大值点,也可以还包括脉搏信号中的极小值点。
脉搏特征提取装置的上述功能结构例如可以通过图3所示的硬件结构来实现。例如,脉搏信号获取单元101可以由传感器10和A/D转换器20实现,脉搏信号分类单元102和脉搏特征提取单元103可以由数字信号处理器30和存储器及控制电路40实现。当然,脉搏特征提取装置的上述功能结构不限于通过图3所示的硬件结构实现,在能够实现相应功能的范围内可以通过各种方式实现。例如,脉搏信号分类单元102和脉搏特征提取单元103也可以由各自独立的集成电路来实现。
另外,如图4所示,脉搏特征提取装置也可以还具备健康状况预测单元104。该健康状况预测单元104根据由脉搏特征提取单元103提取的脉搏信号的特征,检测特定形态的脉搏波形,从而预测脉搏信号所属的人体的健康状况,例如通过图3的硬件结构中的健康状况预测单元50实现。关于健康状况预测单元104,将在实施方式2中详细说明。
接着说明本实施方式的脉搏特征提取装置所执行的脉搏特征提取方法。图5是表示本发明的第一实施方式的脉搏特征提取方法的流程图。如图5所示,本实施方式的脉搏特征提取方法包括:脉搏信号获取步骤S1,由脉搏信号获取单元101获取一个周期以上的脉搏信号;脉搏信号分类步骤S2,由脉搏信号分类单元102至少根据一个周期的脉搏信号中的极值点的数量,对脉搏信号进行分类,从而获得所述脉搏信号的类型;脉搏特征提取步骤S3,由脉搏特征提取单元103与脉搏信号的类型相应地确定脉搏信号的特征点,并根据特征点的信息提取脉搏信号的特征。
以下通过一个具体例来说明本实施方式的脉搏特征提取装置所执行的脉搏特征提取方法。在本具体例中,在一个周期的脉搏信号中的极大值点的数量为三个的情况下,脉搏信号分类单元102将所述脉搏信号分类为第一类型(类型1);在一个周期的脉搏信号中的极大值点的数量为一个的情况下,脉搏信号分类单元102将脉搏信号分类为第二类型(类型2);在一个周期的脉搏信号中的极大值点的数量为两个的情况下,脉搏信号分类单元102至少根据极值点在一个周期内的位置,将所述脉搏信号分类为第三类型(类型3)、第四类型(类型4)或第五类型(类型5)。在此,极值点在一个周期内的位置指的是该极值点在时间轴上的位置,例如可以表示为该极值点相对于该周期的起始点在时间轴上的位置差(距离)。其中,脉搏波的周期及一个周期的起始点和结束点可以使用各种现有技术来确定,例如可以参照背景技术部分的专利文献1中公开的方法。
该具体例的脉搏信号分类例如可以通过图6所示的下述方法来实现,但不限于该方法,具体的分类方法可以进行多种变形。
图6是表示本发明的第一实施方式的脉搏特征提取方法的一个具体例的流程图。如图6所示,为了获得如图1所示的B,C,D,E,F(H1,H2,H3,H4,H5)五个特征点(在图中也表示为h1,h2,h3,h4,h5),脉搏信号分类单元102对于输入的一个脉搏波周期进行以下处理。
1)首先执行步骤S01,找到脉搏波中的极大值点。一个脉搏波中可能具有多个极大值点,为了降低运算量并加快处理速度,可以考虑提取明显极大值点。例如,明显极大值点可以定义为比左右两边10个点都大的点(左右范围采样频率的0.015倍)。然后在明显极大值点之间找出最小值点。
2)然后根据极大值点的个数情况,分三种情况处理,执行步骤S02、S03、S04。
3)情况条件1:步骤S02,整个脉搏波有三个明显极大值。
4)情况条件2:步骤S03,整个脉搏波有二个明显的极大值。
5)情况条件3:步骤S04,整个脉搏只有一个明显极大值。
6)对于情况条件2,有二个明显极大值的情况,根据明显极大值点的位置关系,再分为3种情况,执行步骤S05、S06、S07,得到情况条件2-1、2-2、2-3。
7)情况条件2-1:步骤S05,有二个明显极大值点,找出二个明显极大值点之间的最小值点,第一个极大值点和找出的最小值点之间必须有满足条件的空隙。
8)情况条件2-2:步骤S06,有二个明显极大值点,脉搏波起始点与第一个极大值点之间有满足条件的间隙。
9)情况条件2-3:步骤S07,有二个明显极大值点,脉搏波起始点与第二个极大值点之间有满足条件的间隙。
10)根据脉搏波是否满足情况条件1、情况条件2-1、情况条件2-2、情况条件2-3、情况条件3,来将输入脉搏波形分为5类。
以下,详细说明5种类型的定义以及情况条件。其中,以下说明的定义以及情况条件只是例示,一部分定义以及情况条件的目的在于降低运算量并加快处理速度、或者提高分类的准确度,并不用于限定本发明。本领域技术人员可以根据实际情况,在前文说明的脉冲信号分类的基础上进行各种变形。
(一)脉搏波类型1定义(情况条件1):
同时满足以下1、2:
1:在脉搏波形靠前11/16部分有3个明显极大值点和2个最小值点。如图7所示。
2:二个极大值之间至少间隔25个点(采样频率0.035倍)。
(二)脉搏波类型2定义(情况条件3):
1:在脉搏波形靠前11/16部分只有一个明显极大值点。如图8所示。
(三)脉搏波类型3定义(情况条件2-1):
同时满足以下1、2:
1:在脉搏波形靠前11/16部分有2个明显极大值点,并且明显极大值点之间具有一个最小值点。如图9所示。
2:必须满足下面2个条件当中的至少一个:
条件一:
同时满足以下(1)、(2)、(3):
(1)第一个明显极大值(H1)到最小值(H4)的距离大于0.9倍的第一个极大值(H1)到起始点的距离。在此,距离指的是两个点在时间轴上的位置差,下文中的距离也表示同样的含义。
(2)第一个明显极大值(H1)到最小(H4)的距离大于60个点(采样频率的0.08~0.09倍)。
(3)最小值H4到起始点的距离大于脉搏波一个周期长度的0.3~0.4倍。
条件二:
如图10所示,B点是整个脉搏波形的最高点,A点为最高点B左侧,到B点连线斜率最大的点。C点为最高点B右侧,到B点连线斜率最小的点。
同时满足以下(1)、(2):
(1)AC点距离大于脉搏周期长度0.25倍。
(2)BC长度大于AB长度的1.3倍。
(四)脉搏波类型4定义(情况条件2-2):
同时满足以下1、2:
1:在脉搏波形靠前11/16部分有2个明显极大值点,并且极大值点之间具有一个最小值点。如图11所示。
2:必须满足下面2个条件当中的至少一个:
条件一:
同时满足以下(1)、(2):
(1)第一个明显极大值(H3)到最小值(H4)的距离小于0.7倍的第一个极大值(H3)到起始点的距离。
(2)第一个明显极大值(H3)到起始点的距离大于0.22倍的脉搏波一个周期长度。
条件二:
如图12所示,B点是整个脉搏波形的最高点,A点为最高点B左侧,到B点连线斜率最大的点。C点为最高点B右侧,到B点连线斜率最小的点。
同时满足以下(1)、(2):
(1)AC点距离大于脉搏周期长度0.25倍。
(2)AB长度大于BC长度的1.3倍。
(五)脉搏波类型5定义(情况条件2-3):
同时满足以下1、2、3:
1:在脉搏波形靠前11/16部分有2个明显极大值点,并且明显极大值点之间具有一个最小值点。如图13所示。
2:不属于类型3和4。
3:第二个明显极大值点(H3)到起始点的距离小于0.4倍的脉搏波一个周期的长度。
由此,脉搏信号分类单元102通过步骤S01~S07完成了将输入波形分成5种基本类型。其中,在脉搏信号的类型为类型2、类型3、类型4或类型5的情况下,脉搏特征提取单元103与脉搏信号的类型相应地添加特征点,以使一个周期的脉搏信号中的特征点的数量成为五个,并根据五个特征点的信息提取脉搏信号的特征。
作为脉搏特征提取的一个具体例,为了找到脉搏特征点H1、H2、H3、H4、H5,本发明对5种类型分别进行下述处理。但是,以下说明的处理只是例示,并不用于限定本发明。本领域技术人员可以根据实际情况,在前文说明的脉冲特征提取的基础上进行各种变形。
(一)脉搏波类型1处理方法:
由于脉搏波类型1,已经有3个明显极大值点,这3个极大值点已经代表了脉搏波的主波、重搏前波、重搏波。现在只需要在2个极大值点之间找到最小值点,就完成了5个特征点的寻找过程。
(二)脉搏波类型2处理方法:
脉搏波类型2,只有一个明显极大值点,如图14(a)所示。执行流程图6中步骤S08,在这个明显极大值的右边添加2个特征点即可。这添加的2个特征点,可能是拐点,也可能是凹点或者凸点,或者其他点。具体方法如下:
1:如图14(b)所示,A点已知的明显极大值点,B点为整个脉搏波的结束点。在AB曲线所有点中找出到A点连线斜率最小点C,作为第一个特征点。
2:如图14(c)所示,以C点为基点,在横坐标上向右寻找距离C点1/4脉搏波长度的点D,连接点CD得到直线段CD。在脉搏波曲线段CD的所有点中,寻找到直线段CD距离最大的点E,作为添加的第二个特征点。
至此脉搏波类型2处理完毕,结果如图14(d)所示,C、E点为新添加点。当脉搏类型2添加完2个点以后,就具有了3个特征点,但是特征点需要一共有5个,这时候可以将处理结果认为是类型3,4,5当中的一种,将剩余的处理步骤交给类型3,4,5来做处理。
(三)脉搏波类型3处理方法:
脉搏波类型3,有二个明显极大值点,如图15(a)所示,A点为已知的第一个明显极大值点,C点为已知第二个明显极大值点,B点为AC点之间的最小值点。执行流程图6中步骤S09,在脉搏波形的中部,第一个明显极大值与最小值点之间,添加2个特征点即可。具体方法如下:
1:如图15(b)所示,连接点A、点B组成直线段AB,在脉搏曲线AB所有点中找到距离直线AB距离最大,且在AB直线段下方的点E,作为添加的第一个特征点。
2:如图15(c)所示,连接点E、点B组成直线段EB,在脉搏曲线EB所有点中找到距离直线EB距离最大,且在EB直线段上方的点F,作为添加的第二个特征点。
至此脉搏波类型3处理完毕,结过如图15(d)所示,E、F点为新添加点。当脉搏类型3添加完2个点以后,就具有了5个特征点。
(四)脉搏波类型4处理方法:
脉搏波类型4,有二个明显极大值点,如图16(a)所示,A点为已知的第一个明显极大值点,C点为已知第二个明显极大值点,B点为AC点之间的最小值点。执行流程图6中步骤S10,在脉搏波形的前部,第一个明显极大值与起始点之间,添加2个特征点即可。具体方法如下:
1:如图16(b)所示,D点为脉搏波的起始点,连接点D、点A组成直线段DA,在脉搏曲线DA所有点中找到距离直线DA距离最大,且在DA直线段上方的点E,作为添加的第一个特征点。
2:如图16(c)所示,连接点E、点A组成直线段EA,在脉搏曲线EA所有点中找到最小值点,如果该最小值点小于E点和A点,则将该点作为第二个添加的特征点,否则取EA线段中点,找到EA曲线中相同横坐标点作为第二个添加的特征点。
至此脉搏波类型4处理完毕,结过如图16(d)所示,E、F点为新添加点。当脉搏类型3添加完2个点以后,就具有了5个特征点。
(五)脉搏波类型5处理方法:
脉搏波类型5,有二个明显极大值点,如图17(a)所示。A点为已知的第一个明显极大值点,C点为已知的第二个明显极大值点,B点为AC点之间的最小值点。执行流程图6中步骤S11,在脉搏波形的后部,第二个明显极大值与结束点之间,添加2个特征点即可。具体方法如下:
1:如图17(b)所示,C点已知的明显极大值点,D点为整个脉搏波的结束点。在CD曲线所有点中找出到C点连线斜率最小点E,作为第一个特征点。
2:如图17(c)所示,以E点为基点,在横坐标上向右寻找距离E点1/4脉搏波长度的点F,连接点EF得到直线段EF。在脉搏波曲线段EF的所有点中,寻找到直线段EF距离最大的点M,作为添加的第二个特征点。
至此脉搏波类型5处理完毕,结过如图17(d)所示,E、M点为新添加点。当脉搏类型5添加完2个点以后,就具有了5个特征点。
如上所述,在本具体例中,脉搏特征提取单元103完成了5个特征点寻找计算。接下来可以执行图6的步骤S12,来计算表1所示的特征值。计算方法用现有技术中描述的方法即可。
(实施方式2)
本实施方式在实施方式1的基础上追加了误分类改正。以下仅说明本实施方式与实施方式1的不同点,关于相同点不做赘述。
本实施方式的脉搏特征提取装置还具备误分类改正单元(未图示)。该误分类改正单元针对脉搏信号分类单元102的分类结果,根据极值点的幅度以及极值点在一个周期内的位置,检测分类结果中的误分类并进行改正,将改正后的分类结果作为脉搏信号的类型。误分类改正单元例如可以由数字信号处理器30和存储器及控制电路40实现,也可以由独立的集成电路来实现。
即,本实施方式的脉搏特征提取装置所执行的脉搏特征提取方法在脉搏信号分类步骤S2之后还由误分类改正单元执行上述处理。在脉搏特征提取步骤S3中,与误分类改正单元改正后的脉搏信号的类型相应地确定脉搏信号的特征点,并根据特征点的信息提取脉搏信号的特征。
以下举出本实施方式的误分类改正的几个具体例,在图6的步骤S01根据极值点个数进行分类时,考虑一些异常情况,去除一些误分类情况。本实施方式的误分类改正不限于以下具体例,本领域技术人员能够根据实际情况,在上文说明的误分类改正的基础上进行各种变形,以提高脉搏信号的分类的准确率。下面对几种情况分别作说明。
误分类情况1:误判断类型1(更正为类型2)
如图18(a),为误判断情况。根据该波形具有3个明显极大值,将该波形判断成为类型1。根据如下判断条件检测这样的误判情况,然后改正为类型2(只保留第一个明显极大值,其他的明显极大值去除),改正结果如图18(b)所示。
误判断检测条件:
(1)第二个明显极大值(H3)与第一个最小值(H2)纵坐标之差小于0.03倍的脉搏波高度(H3与H2的纵坐标范围太过接近)。
(2)第二个明显极大值(H3)与第二个最小值(H4)纵坐标之差小于0.03倍的脉搏波高度(H3与H4的纵坐标范围太过接近)。
误分类情况2:误判断类型1(更正为类型5)
如图19(a),为误判断情况。根据该波形具有3个明显极大值,将该波形判断成为类型1。根据如下判断条件检测这样的误判情况,然后改正为类型5(只保留前面两个明显极大值,第三个明显极大值去除),改正结果如图19(b)所示。
误判断检测条件:
(1)第三个明显极大值(H5)与第二个最小值(H4)纵坐标之差小于0.03倍的脉搏波高度(H4与H5的纵坐标范围太过接近)。
(2)H4点位于整个波形一半偏右的位置。
误分类情况3:误判断类型3(更正为类型2)
如图20(a),为误判断情况。根据该波形具有2个明显极大值,将该波形判断成为类型3.根据如下判断条件检测这样的误判情况,然后改正为类型2(只保留第一个明显极大值,第二个明显极大值去除),改正结果如图20(b)所示。
误判断检测条件:
(1)第二个明显极大值(H3)与第一个最小值(H2)纵坐标之差小于0.03倍的脉搏波高度(H3与H2的纵坐标范围太过接近)。
(2)H3点位于整个波形一半偏右的位置。
(实施方式3)
本实施方式具体说明实施方式1或实施方式2的脉搏特征提取装置具备健康状况预测单元104的情况。
如上所述,健康状况预测单元104根据由脉搏特征提取单元103提取的脉搏信号的特征,检测特定形态的脉搏波形,从而预测脉搏信号所属的人体的健康状况。例如,在如实施方式1的具体例那样获得脉搏波形的5个特征点以后,可以根据这5个点的位置关系检测出一些特定形态的脉搏波形。研究这些脉搏波形所对应的人体健康状况,从而可以将脉搏波形的特殊形态和人体健康状况联系起来。作为特定形态的脉搏波形,例如可以包括平顶脉搏波形、重搏前波高于主波的脉搏波形以及单峰脉搏波形中的至少一个。
以下举出本实施方式的健康状况预测(疾病预测)的几个具体例。本实施方式的健康状况预测(疾病预测)不限于以下具体例,本领域技术人员能够根据实际情况进行各种变形和追加,以提高疾病预测的准确率和增加疾病预测的种类。下面对几种情况分别作说明。
疾病预测1(平顶脉搏波形检测)
为了方便表示,如图21所示,脉搏波的5个特征点分别为H1、H2、H3、H4、H5,各个点的坐标为(x1,y1),(x2,y2),(x3,y3),(x4,y4),(x5,y5)。起始点和结束点为Start和End,坐标为(x0,y0),(x6,y6)。连接点H1、H2组成线段H1H2,连接点H2、H3组成线段H2H3,连接点H3、H4组成线段H3H4,连接点H4、H5组成线段H4H5。线段H1H2的斜率为K1,线段H2H3的斜率为K2,线段H3H4的斜率为K3,线段H4H5的斜率为K4。
经过大量数据研究发现,脉搏波形如果出现平顶的情况,如图22所示,这样的脉搏波形很大概率对应于疾病情况。所以本例通过检测脉搏波形中是否有平顶出现来判断脉搏波所属人员是否有病。检测方法如下:
同时符合以下条件:
(1)具有5个不同的特征点;
(2)特征点H3到H1的距离大于0.3倍的特征点H5到H1的距离;
(3)(y1-y2)<(y2-y0)*0.09;
(4)(y3-y2)<(y2-y0)*0.09;
(4)K1的绝对值小于0.6并且K2的绝对值小于0.6;
(5)K3的值小于-1.5;
(6)(y1-y3)<(y2-y0)*0.09。
疾病预测2(重搏前波比主波高)
为了方便表示,如图21所示,脉搏波的5个特征点分别为H1、H2、H3、H4、H5,各个点的坐标为(x1,y1),(x2,y2),(x3,y3),(x4,y4),(x5,y5)。起始点和结束点为Start和End,坐标为(x0,y0),(x6,y6)。连接点H1、H2组成线段H1H2,连接点H2、H3组成线段H2H3,连接点H3、H4组成线段H3H4,连接点H4、H5组成线段H4H5。线段H1H2的斜率为K1,线段H2H3的斜率为K2,线段H3H4的斜率为K3,线段H4H5的斜率为K4。
经过大量数据研究发现,在主波、重搏前波、重搏波中,如果出现重搏前波高于主波的情况,如图23所示,这样的脉搏波形很大概率对应于疾病情况。所以本实施例通过检测脉搏波形中是否有重搏前波高于主波出现来判断脉搏波所属人员是否有病。检测方法如下:
同时符合以下条件:
(1)具有5个不同的特征点;
(2)y3>y1;
(3)ABS(y3-y1)>y1*0.08---ABS代表取绝对值。
疾病预测3(明显单个峰波形)
为了方便表示,如图21所示,脉搏波的5个特征点分别为H1、H2、H3、H4、H5,各个点的坐标为(x1,y1),(x2,y2),(x3,y3),(x4,y4),(x5,y5)。起始点和结束点为Start和End,坐标为(x0,y0),(x6,y6)。连接点H1、H2组成线段H1H2,连接点H2、H3组成线段H2H3,连接点H3、H4组成线段H3H4,连接点H4、H5组成线段H4H5。线段H1H2的斜率为K1,线段H2H3的斜率为K2,线段H3H4的斜率为K3,线段H4H5的斜率为K4。另外,Angle1代表角度H1-H2-H3,Angle2代表角度H2-H3-H4,Angle3代表角度H3-H4-H5,Angle4代表角度H4-H5-End。
经过大量数据研究发现,在主波、重搏前波、重搏波中,如果重搏前波、重搏波都不明显,只呈现单峰形状,如图24所示,这样的脉搏波形很大概率对应于疾病情况。所以本实施例通过检测脉搏波形中是否呈现单峰形状来判断脉搏波所属人员是否有病。检测方法如下:
同时符合以下条件:
(1)具有5个不同的特征点;
(2)y1>y2并且y2>y3并且y3>y4并且y4>y5;
(3)k1<0并且k2<0并且k3<0并且k4<0;
(4)angle1>165度、且angle2>160度、且angle3>145度、且angle4>170度。
以上参照附图说明了本发明的各实施方式和具体例。其中,以上说明的各实施方式和具体例仅用于理解本发明,而不用于限定本发明的范围。本领域技术人员能够基于本发明的技术思想对各实施方式和具体例进行各种变形、组合和要素的合理省略,由此得到的方式也包括在本发明的范围内。
其中,在各实施方式的具体例中说明了将脉搏信号分类为五种类型的例子。但是,本发明不限于此,也可以根据实际情况,将脉搏信号分类为其他数量的类型。
另外,在各实施方式的具体例中说明了针对一个周期的脉搏信号提取五个特征点的例子。但是,本发明不限于此,也可以根据实际情况,针对一个周期的脉搏信号提取其他数量的特征点。
本发明的脉搏信号提取装置及脉搏信号提取方法例如用于中医脉象定量化技术领域,同时可以用于可穿戴设备等。本发明主要涉及脉搏时域特征提取,例如首先根据极大值点的个数和位置关系,将输入脉搏波形分成多种(例如5种)基本类型,然后分别对每个脉搏类型利用数学曲线的拐点、凹点、凸点等关系获得脉搏波形的多个(例如5个)特征点的位置,计算出脉搏特征值。另外,本发明同时又提出了几种大概率属于疾病脉搏的脉搏特征。本发明具有很好的准确性和实用性。
Claims (9)
1.一种脉搏特征提取装置,提取脉搏信号的特征,其特征在于,具备:
脉搏信号获取单元,获取一个周期以上的脉搏信号;
脉搏信号分类单元,至少根据一个周期的所述脉搏信号中的极值点的数量,对所述脉搏信号进行分类,从而获得所述脉搏信号的类型;以及
脉搏特征提取单元,与所述脉搏信号的类型相应地确定所述脉搏信号的特征点,并根据所述特征点的信息提取所述脉搏信号的特征。
2.如权利要求1所述的脉搏特征提取装置,其特征在于,
在一个周期的所述脉搏信号中的极大值点的数量为三个的情况下,所述脉搏信号分类单元将所述脉搏信号分类为第一类型;
在一个周期的所述脉搏信号中的极大值点的数量为一个的情况下,所述脉搏信号分类单元将所述脉搏信号分类为第二类型;
在一个周期的所述脉搏信号中的极大值点的数量为两个的情况下,所述脉搏信号分类单元至少根据极值点在所述一个周期内的位置,将所述脉搏信号分类为第三类型、第四类型或第五类型。
3.如权利要求2所述的脉搏特征提取装置,其特征在于,
在所述脉搏信号的类型为第二类型、第三类型、第四类型或第五类型的情况下,所述脉搏特征提取单元与所述脉搏信号的类型相应地添加特征点,以使一个周期的所述脉搏信号中的特征点的数量成为五个,并根据所述五个特征点的信息提取所述脉搏信号的特征。
4.如权利要求1所述的脉搏特征提取装置,其特征在于,还具备:
误分类改正单元,针对所述脉搏信号分类单元的分类结果,根据极值点的幅度以及极值点在一个周期内的位置,检测所述分类结果中的误分类并进行改正,将改正后的分类结果作为所述脉搏信号的类型。
5.如权利要求1至4中任一项所述的脉搏特征提取装置,其特征在于,还具备:
健康状况预测单元,根据由所述脉搏特征提取单元提取的所述脉搏信号的特征,检测特定形态的脉搏波形,从而预测所述脉搏信号所属的人体的健康状况;
所述特定形态的脉搏波形包括平顶脉搏波形、重搏前波高于主波的脉搏波形以及单峰脉搏波形中的至少一个。
6.一种脉搏特征提取方法,提取脉搏信号的特征,其特征在于,包括:
脉搏信号获取步骤,获取一个周期以上的脉搏信号;
脉搏信号分类步骤,至少根据一个周期的所述脉搏信号中的极值点的数量,对所述脉搏信号进行分类,从而获得所述脉搏信号的类型;以及
脉搏特征提取步骤,与所述脉搏信号的类型相应地确定所述脉搏信号的特征点,并根据所述特征点的信息提取所述脉搏信号的特征。
7.如权利要求6所述的脉搏特征提取方法,其特征在于,
在一个周期的所述脉搏信号中的极大值点的数量为三个的情况下,所述脉搏信号分类步骤将所述脉搏信号分类为第一类型;
在一个周期的所述脉搏信号中的极大值点的数量为一个的情况下,所述脉搏信号分类步骤将所述脉搏信号分类为第二类型;
在一个周期的所述脉搏信号中的极大值点的数量为两个的情况下,所述脉搏信号分类步骤至少根据极值点在所述一个周期内的位置,将所述脉搏信号分类为第三类型、第四类型或第五类型。
8.如权利要求7所述的脉搏特征提取方法,其特征在于,
在所述脉搏信号的类型为第二类型、第三类型、第四类型或第五类型的情况下,所述脉搏特征提取步骤与所述脉搏信号的类型相应地添加特征点,以使一个周期的所述脉搏信号中的特征点的数量成为五个,并根据所述五个特征点的信息提取所述脉搏信号的特征。
9.如权利要求6至8中任一项所述的脉搏特征提取方法,其特征在于,还包括:
误分类改正步骤,针对所述脉搏信号分类步骤的分类结果,根据极值点的幅度以及极值点在一个周期内的位置,检测所述分类结果中的误分类并进行改正,将改正后的分类结果作为所述脉搏信号的类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410483233.1A CN105433916A (zh) | 2014-09-19 | 2014-09-19 | 脉搏特征提取装置及脉搏特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410483233.1A CN105433916A (zh) | 2014-09-19 | 2014-09-19 | 脉搏特征提取装置及脉搏特征提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105433916A true CN105433916A (zh) | 2016-03-30 |
Family
ID=55544883
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410483233.1A Pending CN105433916A (zh) | 2014-09-19 | 2014-09-19 | 脉搏特征提取装置及脉搏特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105433916A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106539562A (zh) * | 2016-12-22 | 2017-03-29 | 山东电力中心医院 | 一种由脉搏波评估心功能的方法 |
CN107432736A (zh) * | 2017-06-06 | 2017-12-05 | 新绎健康科技有限公司 | 一种识别脉搏波形信号的方法 |
CN108338777A (zh) * | 2018-02-08 | 2018-07-31 | 深圳还是威健康科技有限公司 | 一种脉搏信号检测分析方法及装置 |
CN108567418A (zh) * | 2018-05-17 | 2018-09-25 | 陕西师范大学 | 一种基于PCANet的脉搏信号亚健康检测方法及检测系统 |
CN110575148A (zh) * | 2019-09-29 | 2019-12-17 | 北京一药良心信息科技有限公司 | 一种中医远程诊脉方法、装置和服务器 |
CN111493859A (zh) * | 2020-03-16 | 2020-08-07 | 浙江好络维医疗技术有限公司 | 一种基于dtw-层次聚类分析的单导联宽大畸形主波识别定位方法 |
CN112870546A (zh) * | 2021-02-26 | 2021-06-01 | 佛山科学技术学院 | 一种双通道血泵的智能供血控制系统及方法 |
CN113329685A (zh) * | 2019-04-11 | 2021-08-31 | 深圳市柔宇科技股份有限公司 | 目标对象的特征参数获取方法、终端及存储介质 |
-
2014
- 2014-09-19 CN CN201410483233.1A patent/CN105433916A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106539562A (zh) * | 2016-12-22 | 2017-03-29 | 山东电力中心医院 | 一种由脉搏波评估心功能的方法 |
CN107432736A (zh) * | 2017-06-06 | 2017-12-05 | 新绎健康科技有限公司 | 一种识别脉搏波形信号的方法 |
CN107432736B (zh) * | 2017-06-06 | 2021-03-02 | 新绎健康科技有限公司 | 一种识别脉搏波形信号的方法 |
CN108338777A (zh) * | 2018-02-08 | 2018-07-31 | 深圳还是威健康科技有限公司 | 一种脉搏信号检测分析方法及装置 |
CN108567418A (zh) * | 2018-05-17 | 2018-09-25 | 陕西师范大学 | 一种基于PCANet的脉搏信号亚健康检测方法及检测系统 |
CN113329685A (zh) * | 2019-04-11 | 2021-08-31 | 深圳市柔宇科技股份有限公司 | 目标对象的特征参数获取方法、终端及存储介质 |
CN110575148A (zh) * | 2019-09-29 | 2019-12-17 | 北京一药良心信息科技有限公司 | 一种中医远程诊脉方法、装置和服务器 |
CN111493859A (zh) * | 2020-03-16 | 2020-08-07 | 浙江好络维医疗技术有限公司 | 一种基于dtw-层次聚类分析的单导联宽大畸形主波识别定位方法 |
CN111493859B (zh) * | 2020-03-16 | 2023-01-03 | 浙江好络维医疗技术有限公司 | 一种基于dtw-层次聚类分析的单导联宽大畸形主波识别定位方法 |
CN112870546A (zh) * | 2021-02-26 | 2021-06-01 | 佛山科学技术学院 | 一种双通道血泵的智能供血控制系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105433916A (zh) | 脉搏特征提取装置及脉搏特征提取方法 | |
CN108289615B (zh) | 用于量化光电体积描记(ppg)信号质量的方法 | |
CN108701219B (zh) | 波形信号处理的方法及装置 | |
US10980429B2 (en) | Method and system for cuffless blood pressure estimation using photoplethysmogram features and pulse transit time | |
CN100518624C (zh) | 使用非电信号来确定任意的心脏阶段的方法和系统 | |
Khosrow-Khavar et al. | Automatic and robust delineation of the fiducial points of the seismocardiogram signal for noninvasive estimation of cardiac time intervals | |
CN105286815B (zh) | 一种基于波形时域特征的脉搏波信号特征点检测方法 | |
CN106974631A (zh) | 一种基于脉搏波波形和心电信号的血压测量方法及装置 | |
CN107260161B (zh) | 一种心电动力学数据量化分析方法 | |
CN103961089B (zh) | 基于分段直线拟合的窦性心率震荡趋势检测方法 | |
Liu et al. | Automatic diagnosis of premature ventricular contraction based on Lyapunov exponents and LVQ neural network | |
CN104546007B (zh) | 胎动检测抗干扰处理方法及装置 | |
CN105550659A (zh) | 基于随机投影的实时心电分类方法 | |
JP2018500982A5 (zh) | ||
CN105979863A (zh) | 心跳检测和分类 | |
KR102154652B1 (ko) | 순환신경망을 이용한 구간혈압 추정 방법 및 그 방법을 구현하기 위한 구간 혈압 추정 장치 | |
CN103494605B (zh) | 心率检测方法及装置 | |
Suboh et al. | ECG-based detection and prediction models of sudden cardiac death: Current performances and new perspectives on signal processing techniques | |
Chou et al. | Bradycardia and tachycardia detection using a synthesis-by-analysis modeling approach of pulsatile signal | |
Krishnan et al. | ANovel severity index of heart disease from beat-wise analysis of ECG using fuzzy logic for smart-health | |
Banerjee et al. | Non-invasive detection of coronary artery disease based on clinical information and cardiovascular signals: A two-stage classification approach | |
Hu et al. | Feature extraction and choice in PCG based on Hilbert Transfer | |
US11304663B2 (en) | Systems and methods for detecting anomaly in a cardiovascular signal using hierarchical extremas and repetitions | |
Pimentel et al. | Hidden semi-Markov model-based heartbeat detection using multimodal data and signal quality indices | |
Almeida et al. | Hemodynamic features extraction from a new arterial pressure waveform probe |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160330 |