CN107115103A - 一种基于阵列传感器设计的脉象宽度检测及3d脉图构建方法 - Google Patents
一种基于阵列传感器设计的脉象宽度检测及3d脉图构建方法 Download PDFInfo
- Publication number
- CN107115103A CN107115103A CN201610799790.3A CN201610799790A CN107115103A CN 107115103 A CN107115103 A CN 107115103A CN 201610799790 A CN201610799790 A CN 201610799790A CN 107115103 A CN107115103 A CN 107115103A
- Authority
- CN
- China
- Prior art keywords
- signal
- pulse
- sensor array
- arteries
- veins
- 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
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4854—Diagnosis based on concepts of traditional oriental medicine
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/02—Details of sensors specially adapted for in-vivo measurements
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/02—Details of sensors specially adapted for in-vivo measurements
- A61B2562/0247—Pressure sensors
Abstract
本发明涉及医学测量技术领域,尤其涉及一种基于阵列传感器设计的脉象宽度检测及3D脉图构建方法。本发明首先需要获取阵列传感器在脉象宽度方向上的信号,然后根据信号之间的差异,利用本发明提出的方法可以模拟出脉象宽度信息;利用脉象信号时序信息和每一时刻的脉宽信息,利用本发明提出的3D脉象图像构建方法可以构建出3D脉图。脉宽信息是一种非常重要的医学特征;3D脉图对构建中医医学影像和整体脉象特征的提取有着非常重要的意义。
Description
技术领域
本发明涉及医学测量技术领域,尤其涉及一种基于阵列传感器设计的脉象宽度检测及3D脉图构建方法。
背景技术
“望、闻、问、切”四诊是传统中医的瑰宝,脉诊作为其中一环,占有非常重要的地位。传统中医脉诊一般是中医师用手指触压患者寸口桡动脉处寸、关、尺三个部位,分别施加浮、中、沉等不同的压力来感受患者脉搏波的变化,此诊法又称之为“三部九侯”脉诊法。对应于浮、中、沉等压力而产生的一系列的包含了脉搏的位置、强弱、趋势、形状、宽度和节律等等信息的脉搏波,我们称之为脉象。通过手指所触摸感受到的脉象,中医师就可以了解病人的生理状态。但是“心中易了,指下难明”这个问题一直阻碍着中医朝现代化方向发展的步伐,中医脉诊需要长期大量的实践学习掌握,对于同一个病人,不同的中医师可能会给出不同的诊断结果,没有客观可量化的评定标准。传统中医作为一门主观经验科学,越来越受到西方医学的挑战。
中医脉诊客观化的关键是获取高质量的脉象数据。随着传感器工艺的发展,许多国内外公司已经研发出了越来越多的传感器用于脉象数据的获取,例如压力传感器,气囊传感器,半导体应变片传感器,红外光电传感器等等。对脉象的记录越来越精确和多样化的同时,采集方式与传统中医理论相结合的脉象分析方法却没有得到很好的研究。比如,在中医理论中,脉宽是一项非常重要的分析指标,它是指在切脉时,脉动在手指径向上的长度,即手指能感觉到的脉道的宽度,而不是血管的宽度。一般来说,在中医理论中,脉宽分为洪脉和细脉。洪脉,脉来如波涛汹涌,脉型宽,波动大,主热证,常见于高热病人。在西医中,常见于高热,甲状腺功能亢进,主动脉瓣关闭不全等。细脉,脉型窄,波动小,主虚症,常见于诸虚劳损,慢性病患者。而专利CN102106725B光电与压力融合的中医脉象传感器和专利CN102370471B快速定位的三部多点压力脉象仪都可以在信号层面上获取可以反映脉宽地信息。
虽然上述专利所采用的压力阵列传感器和光电阵列传感器均能获取脉宽的相关信息,但是它们未能提出利用这些信息求解脉象宽度,进而构建脉象3D模型的方法。
发明内容
针对现有技术中存在的缺陷或不足,本发明所要解决的技术问题是:提供一种基于阵列传感器设计的脉象宽度检测及3D脉图构建方法,可以模拟出脉象宽度信息;利用脉象信号时序信息和每一时刻的脉宽信息,构建出3D脉图。
为了实现上述目的,本发明采取的技术方案为提供一种基于阵列传感器设计的脉象宽度检测及3D脉图构建方法,包括以下步骤:
步骤A:使用传感器阵列采集脉腕部搏波信号,对应的垂直于血管方向的信号;
步骤B:对传感器阵列信号进行异常信号去除;该算法首先对每分钟脉搏数是否正常做出判断,然后再判断单周期长度是否聚类;这一步是对传感器采集到的信号做一个质量判断,因为采集到的阵列信号并不是并不能保证每一路都能够采集到脉象信号,先要排除这些信号对后续处理的影响。
步骤C:从同一传感器阵列的不同传感器的输出差异,对阵列信号整体进行高斯拟合,拟合后的高斯曲线标准差可以用来反映脉象的宽度信息;可以尽量的减小异常周期和噪声对结果的影响,并且最少只需要3路信号就可以拟合出脉宽信息;
步骤D:构建3D脉象,依次对每一时刻采集到的阵列信号中的各路相邻信号进行样条曲线插值拟合,然后将离散的时刻按照时间序列排列。
作为本发明的进一步改进,所述步骤B中对传感器阵列信号进行异常信号去除包括以下步骤:
步骤B1:高频噪声去噪,可使用小波、小波包或FIR等与中值滤波算法相结合的方法;
步骤B2:低频噪声去噪,可使用小波分解的方法,从原始信号中消除相应频率的分量,或者使用样条插值的方法,模拟出漂移分量,从原始信号中减去此分量;
步骤B3:波峰波谷检测,采用滑动窗口的方法检测局部最大值和最小值;
步骤B4:计算单周期特征,提取一系列的主要特征,包括每分钟周期数,单周期长度标准差σ,单周期平均长度;
步骤B5:根据单周期特征判断信号是否异常。
作为本发明的进一步改进,所述步骤B5包括三个条件:每分钟周期数是否在45~160次/分钟;是否80%以上的周期长度在和之间;是否10%以下的周期长度不足或超过第一个条件是必须满足的,第二个和第三个条件只要满足其中之一,就能判断信号为正常。
作为本发明的进一步改进,所述步骤C包括以下步骤:
步骤C1:高频噪声去噪;
步骤C2:低频噪声去噪;
步骤C3:波峰波谷检测;
步骤C4:幅值均值计算,选取周期长度在和的周期,并计算多个周期的波峰与波谷之间的差值取平均;
步骤C5:利用高斯曲线进行拟合,高斯曲线方程可以表示为:
式中,μ为期望值,θ为标准差,C为补偿值a为曲线峰值f代表等号右边的曲线,i为曲线上的点,自变量。
作为本发明的进一步改进,所述步骤D包括以下步骤:
步骤D1:高频噪声去噪;
步骤D2:低频噪声去噪;
步骤D3:基线调整;
步骤D4:对同一时刻的阵列信号进行样条插值拟合;
步骤D5:将拟合的曲线按时间序列排列。
本发明的有益效果是:本发明首先需要获取阵列传感器在脉象宽度方向上的信号,然后根据信号之间的差异,利用本发明提出的方法可以模拟出脉象宽度信息;利用脉象信号时序信息和每一时刻的脉宽信息,利用本发明提出的3D脉象图像构建方法可以构建出3D脉图。脉宽信息是一种非常重要的医学特征;3D脉图对构建中医医学影像和整体脉象特征的提取有着非常重要的意义。
附图说明
图1是本发明的阵列传感器分布;
图2是本发明的压力传感器与光电传感器阵列脉宽感知原理图;
图3是本发明的一种12路压力传感器阵列输出示意图;
图4是本发明的异常信号检测流程图;
图5-a是本发明的脉象宽度拟合方法流程图;
图5-b是本发明的脉象宽度拟合图;
图6-a是本发明的3D脉象拟合方法;
图6-b是本发明的3D脉象拟合图。
具体实施方式
下面结合附图说明及具体实施方式对本发明进一步说明。
一、阵列传感器信号采集
由于传感器技术的发展,传感器的尺寸不断减小,性能不断的提高,使得可以在很小的面积上分布更多的传感器,并保证信号的准确性。如图1所示,传感器阵列覆盖住脉宽的宽度,微脉搏波传感器分布在传感器阵列面板上,形成一个传感器阵列,分别采集对应的垂直于血管方向上的信号。传感器阵列可以是但不限于,压力传感器、光电传感器和超声传感器等。
对于不同的传感器,虽然测量原理不同,在脉搏波形上也有差异,但都可以通过构建传感器阵列的形式采集到带有差异的脉搏波信号,并通过差异性分析得到脉宽信息。图2分别是压力传感器与光电传感器感知原理示意图,x轴为脉宽方向,y轴为血流方向,z轴为脉搏深度方向。血流在血管中分布并不均匀,在垂直于压力传感器的y轴方向上,血液对血管壁以及皮肤施加的力并不相同。可以看出,在血管中心位置,血液对外施加的力最大,向x方向血管两端依次减小,所以压力传感器阵列所采集的脉搏波信号在幅值上表现为,中间部位的传感器响应比较大,向两边响应依次减少。对于光电传感器,一般是利用血液体积在血管里分布不均匀,从而对光线反射率或者透射率不同,造成光电传感器感知的光强不同。在z轴方向上,血液体积分布并不均匀,越靠近血管中心位置血液体积越大,向x方向血管两端依次减小。所以中间位置对光线的反射率最高,向两边依次减小,反映在光电传感器输出幅值上就是中间位置的幅值最大,向两边依次减小。图3是一个12路压力传感器阵列输出结果,可以看出位于中心位置的传感器输出响应最大,向两边幅值依次减小,而且基本上是以对称的形式分布。
不同类型的传感器构成的感知阵列在脉宽方向上有相同的表现形式,这为基于阵列的脉宽计算和3D脉图重构提供了现实基础。对于阵列的传感器数量,本专利所采用的算法只需要3个及3个以上即可。但是,计算精度一般会随着传感器数量的增加而提高。
二、异常信号去除
对于阵列传感器,由于脉宽分布的差异,传感器特性,外界干扰等原因,难免会出现信号异常的情况。当某一路的信号输出噪声太多,或者完全就是噪声时,会对后续的脉象分析产生负面影响,当然也会对影响脉宽计算和3D脉图重构的准确性,所以在进行脉象分析之前应当把这些异常信号剔除掉。由于脉宽计算的主要依赖波峰波谷的差值,所以在异常信号判断时主要考虑的是波峰波谷检测的准确性,主要步骤如图4所示,共包括高频噪声去噪、低频噪声去噪、波峰波谷检测、计算单周期特征和根据单周期特征判断信号是否异常等5步,详述如下:
1)高频去噪的主要目的是去除脉象信号中的工频噪声。工频噪声是一种常见的由交流电流引起的高频噪声,一般分布在50HZ左右。在算法层面一般可使用小波、小波包、FIR等方法去除。然后再结合中值滤波等算法,可以平滑掉其它较高频率的噪声。
2)低频去噪主要目的是去除脉搏波中由呼吸、抖动等引起的低频噪声。由于呼吸等生理活动,人体会发出很多低频的震动,从而导致皮肤以低频的形式波动,此类噪声一般集中在1HZ以下。对于某些类型的传感器,比如压力传感器,是直接与皮肤接触并记录皮肤的跳动,就会记录到这类噪声。使用小波分解,消除相应频率的分量,或使用样条曲线插值,模拟出噪声曲线等方法都可以消除低频噪声。
3)波峰波谷检测的目的是为求取信号的幅值信息,在去除噪声后检测的准确度会大幅提高。采用的方法一般采用滑动窗口的最大值和最小值检测即可。滑动窗口的大小一般取一个脉搏波的周期长度。通过对整个信号做傅里叶变换后,计算最大分量对应的位置,即为信号内包含的周期个数,进而可以计算出脉搏波周期的大致长度。
4)计算单周期特征。这一步主要提取一系列的特征,用于信号是否异常的判断。主要特征包括,每分钟周期数,单周期长度标准差σ,单周期平均长度。
5)根据单周期特征判断信号是否异常。首先判断3个条件,每分钟周期数是否在45~160次/分钟;是否80%以上的周期长度在和之间;是否10%以下的周期长度不足或超过第一个条件是必须满足的,第二个和第三个条件只要满足其中之一,就能判断信号为正常。
上述步骤可以较好地去除异常信号对脉宽计算和3D脉搏波构建的影响。正常人的每分钟脉搏数在60~100之间,排除个人体质差异,当低于45,或高于160时,认为信号为异常信号,分割出来的周期无意义。脉搏波作为一种生理周期信号,其单周期长度不是固定值,而是符合高斯分布的离散值。作为标准正态分布,周期长度分布在和之间的概率为95.45%;分布在和以外的概率为0.0036%。但脉搏波周期长度并不是标准正态分布,排除噪声等的影响,我们将两个概率分别设置成80%和10%。
三、脉宽计算
脉宽的计算主要利用传感器阵列信号之间的差异性,对多个信号幅值进行曲线拟合,利用拟合参数来表示脉宽信息。图5-a为脉宽计算方法流程图,包括高频去噪、低频去噪、波峰波谷检测、幅值均值计算、利用多个信号幅值进行高斯拟合和选取高斯曲线的方差作为脉宽信息等6个主要步骤。图5-b是一个9路光电传感器阵列信号幅值通过高斯方法拟合出来的高斯曲线,利用曲线的方差信息可以表示脉搏波的脉宽信息。下面详细的介绍每一步的方法。
1)高频噪声去噪,此步骤的目的和算法与异常信号去除中相同;
2)低频噪声去噪,此步骤的目的和算法与异常信号去除中相同;
3)波峰波谷检测,此步骤的目的和算法与异常信号去除中相同;
4)幅值均值计算是为了更好地估计信号幅值。脉搏波虽然是一种准周期生理信号,但有时也会有异常周期出现,所以周期之间也存在一定差异;而且由于传感器和被测者的原因,有时会产生较大的噪声。所以本算法只选取周期长度在和的周期,并计算多个周期的波峰与波谷之间的差值取平均,可以较好地消除异常周期的影响。例如图5-b,9路光电阵列传感器输出幅值均值为图中的9个黑色离散点;
5)由于阵列传感的输出幅值大致呈正态分布,于是可以利用高斯曲线进行拟合。高斯曲线方程可以表示为:
式中,μ为期望值,θ为标准差,C为补偿值a为曲线峰值f代表等号右边的曲线,i为曲线上的点,自变量。
拟合的最终目标是使最多的离散点位于曲线上,或者尽量的靠近曲线。例如在图5-b中,蓝色曲线即为拟合出来的高斯曲线。
6)高斯方程曲线方程中主要有两个参数,期望值μ和标准差θ。标准差的大小决定了曲线分布的幅度,标准差越大,曲线分布越离散,曲线在形状上越扁平,表示脉宽越大;标准差越小,曲线分布越集中,曲线在形状上越高瘦,表示脉宽越小。
上述算法可以较为鲁棒的模拟出脉宽信息。在脉象传感器的实际使用中,由于操作的不规范性、传感器的不确定性和被测者的特异性等问题,经常会导致传感器阵列的输出并不是完全的正态分布。在这些情况下,个别传感器会出现输出异常,或者出现传感器面板未能完全覆盖脉宽的状况。本专利提出的曲线拟合方法考虑的是传感器阵列整体的输出,个别异常点对其影响比较小。而且当传感器面板发生偏移,阵列信号分布不对称时,本专利算法也可以准确的模拟出分布曲线,计算出脉宽信息。另外,由于是采取整体拟合的方法,该算法至少只需3路就可以拟合出脉宽信息,但拟合精度会随着信号路数的增加而提高。
四、3D脉搏波构建
3D脉搏波的构建可以使中医长久以来基于主观判断的诊断方法视觉化和客观化,对建立中医脉诊影像学有重要意义。构建过程主要利用样条曲线拟合算法对同一时刻采集到的阵列信号进行横向拟合,然后将离散的时刻按照时间序列排列。这样,就由多个一维信号构建了一个整体的3D信号,具体步骤包括,高频噪声去噪、低频噪声去噪、基线调整、对同一时刻的阵列信号进行样条插值拟合和将拟合的信号按时间序列排列等5个主要步骤。图6-a是此算法的流程图,6-b是一个由9路光电传感器阵列构建的3D脉象图。具体构建步骤如下:
1)高频噪声去噪,此步骤的目的和算法与异常信号去除中相同。
2)低频噪声去噪,此步骤的目的和算法与异常信号去除中相同。
3)基线调整,此步骤的目的是将传感器阵列不同路的信号基线置于同一水平位置。在步骤2)中,每一路信号的低频噪声已经被去除,可以保证同一信号的不同周期的起搏点在同一水平线上。由于信号强弱的差异、传感器制作工艺等原因,不同传感器之间的基线是有差别的。而基线的差异对于3D脉搏波的构建是无意义的,所以应当去除掉。
4)对同一时刻的阵列信号进行样条插值拟合。脉象信号是离散的时间序列,而且阵列传感器是同步采集,所以在同一时刻下,每一路信号都会记录一个离散点。此步骤就是对同一时刻下,不同传感器之间的离散点进行样条曲线插值拟合。拟合出的曲线含义为某一时刻在脉宽方向上,脉搏跳动的差异。
5)将拟合的曲线按时间序列排列。步骤4)构建了某一时刻下的脉宽方向上脉搏跳动差异的曲线,按照时间序列将这些曲线排列起来,这样就包含了随时间变化的动态信息,最终的3D脉搏波图如6-b所示。
上述方法构建的3D脉搏波图像可以直观的反映脉搏在脉宽和时序上的动态变化,使脉象分析从一维信号和二维阵列,进入到3D数据分析。利用本方法构建的3D脉搏波图像,可以精确的还原出脉象在血管宽度方向的分布差异。与脉宽的计算方法不同,3D脉搏波图像的重构要求能够真实的还原脉象信息,而不是找到一种阵列传感器之间的大致关系。所以在步骤4)中,每次拟合都是相邻两路传感器之间进行的,而不是整个传感器阵列一起拟合,这样可以保证拟合误差降到最小。从图6-b中可以看到,在脉宽方向上,不再是高斯曲线,而是大致呈高斯曲线,这也更真实和更符合生理学理论。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (5)
1.一种基于阵列传感器设计的脉象宽度检测及3D脉图构建方法,其特征在于,包括以下步骤:
步骤A:使用传感器阵列采集脉腕部搏波信号,对应的垂直于血管方向的信号;
步骤B:对传感器阵列信号进行异常信号去除;
步骤C:利用同一传感器阵列的不同传感器的输出差异,对阵列信号整体进行高斯拟合,拟合后的高斯曲线标准差可以用来反映脉象的宽度信息;
步骤D:构建3D脉象,依次对每一时刻采集到的阵列信号中的各路相邻信号进行样条曲线插值拟合,然后将离散的时刻按照时间序列排列。
2.根据权利要求1所述的基于阵列传感器设计的脉象宽度检测及3D脉图构建方法,其特征在于:所述步骤B中对传感器阵列信号进行异常信号去除包括以下步骤:
步骤B1:高频噪声去噪,可使用小波、小波包或FIR等与中值滤波算法相结合的方法;
步骤B2:低频噪声去噪,可使用小波分解的方法,从原始信号中消除相应频率的分量,或者使用样条插值的方法,模拟出漂移分量,从原始信号中减去此分量;
步骤B3:波峰波谷检测,采用滑动窗口的方法检测局部最大值和最小值;
步骤B4:计算单周期特征,提取一系列的主要特征,包括每分钟周期数,单周期长度标准差σ,单周期平均长度
步骤B5:根据单周期特征判断信号是否异常。
3.根据权利要求2所述的基于阵列传感器设计的脉象宽度检测及3D脉图构建方法,其特征在于:所述步骤B5根据单周期特征判断信号是否异常,包括三个条件:每分钟周期数是否在45~160次/分钟;是否80%以上的周期长度在和之间;是否10%以下的周期长度不足或超过第一个条件是必须满足的,第二个和第三个条件只要满足其中之一,就能判断信号为正常。
4.根据权利要求1所述的基于阵列传感器设计的脉象宽度检测及3D脉图构建方法,其特征在于,所述步骤C包括以下步骤:
步骤C1:高频噪声去噪;
步骤C2:低频噪声去噪;
步骤C3:波峰波谷检测;
步骤C4:幅值均值计算,选取周期长度在和的周期,并计算多个周期的波峰与波谷之间的差值取平均;
步骤C5:利用高斯曲线进行拟合,高斯曲线方程可以表示为:
<mrow>
<mi>f</mi>
<mo>=</mo>
<mi>a</mi>
<mi> </mi>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mrow>
<mi>i</mi>
<mo>-</mo>
<msup>
<mi>&mu;</mi>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<msup>
<mi>&theta;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>C</mi>
</mrow>
式中,μ为期望值,θ为标准差,C为补偿值a为曲线峰值f代表等号右边的曲线,i为曲线上的点,自变量。
5.根据权利要求1所述的基于阵列传感器设计的脉象宽度检测及3D脉图构建方法,其特征在于,所述步骤D包括以下步骤:
步骤D1:高频噪声去噪;
步骤D2:低频噪声去噪;
步骤D3:基线调整;
步骤D4:对同一时刻的阵列信号进行样条插值拟合;
步骤D5:将拟合的曲线按时间序列排列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610799790.3A CN107115103A (zh) | 2016-08-31 | 2016-08-31 | 一种基于阵列传感器设计的脉象宽度检测及3d脉图构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610799790.3A CN107115103A (zh) | 2016-08-31 | 2016-08-31 | 一种基于阵列传感器设计的脉象宽度检测及3d脉图构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107115103A true CN107115103A (zh) | 2017-09-01 |
Family
ID=59717764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610799790.3A Pending CN107115103A (zh) | 2016-08-31 | 2016-08-31 | 一种基于阵列传感器设计的脉象宽度检测及3d脉图构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107115103A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107468221A (zh) * | 2017-09-12 | 2017-12-15 | 济南大学 | 基于金氏脉学的脉搏波信号处理方法及肺癌检测系统 |
CN109512405A (zh) * | 2019-01-08 | 2019-03-26 | 哈尔滨工业大学(深圳) | 一种基于局部点检测的脉象信号分割方法 |
CN109886953A (zh) * | 2019-02-27 | 2019-06-14 | 数坤(北京)网络科技有限公司 | 一种血管异常检测方法、装置及计算机可读存储介质 |
CN110547775A (zh) * | 2019-08-19 | 2019-12-10 | 贵州中医药大学 | 一种寸口脉脉象检测装置 |
CN111449638A (zh) * | 2020-04-08 | 2020-07-28 | 上海祉云医疗科技有限公司 | 一种基于传感器采集的数据构建三维脉象图的方法及应用 |
CN113892919A (zh) * | 2021-12-09 | 2022-01-07 | 季华实验室 | 诊脉数据获取方法、装置、电子设备及系统 |
CN113995383A (zh) * | 2021-11-03 | 2022-02-01 | 中国人民解放军空军军医大学 | 一种基于物联网的中医远程望诊信息化处理系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102834047A (zh) * | 2010-01-29 | 2012-12-19 | 爱德华兹生命科学公司 | 在心血管参数确定中不规则心动周期影响的排除 |
CN103690160A (zh) * | 2013-11-18 | 2014-04-02 | 浙江大学 | 一种基于非高斯时序模型的脑电特征提取方法 |
CN103750832A (zh) * | 2014-01-14 | 2014-04-30 | 上海交通大学 | 实时无线血压监控系统、血压测量装置及血压分析方法 |
CN104146693A (zh) * | 2014-07-30 | 2014-11-19 | 天津大学 | 一种基于小波变换和曲线拟合的脉搏波预处理方法 |
CN104622446A (zh) * | 2015-02-03 | 2015-05-20 | 南京理工大学 | 一种基于khm聚类算法的心率变异信号优化方法 |
CN104783780A (zh) * | 2015-04-13 | 2015-07-22 | 深圳市飞马与星月科技研究有限公司 | 心电信号除噪方法及装置 |
-
2016
- 2016-08-31 CN CN201610799790.3A patent/CN107115103A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102834047A (zh) * | 2010-01-29 | 2012-12-19 | 爱德华兹生命科学公司 | 在心血管参数确定中不规则心动周期影响的排除 |
CN103690160A (zh) * | 2013-11-18 | 2014-04-02 | 浙江大学 | 一种基于非高斯时序模型的脑电特征提取方法 |
CN103750832A (zh) * | 2014-01-14 | 2014-04-30 | 上海交通大学 | 实时无线血压监控系统、血压测量装置及血压分析方法 |
CN104146693A (zh) * | 2014-07-30 | 2014-11-19 | 天津大学 | 一种基于小波变换和曲线拟合的脉搏波预处理方法 |
CN104622446A (zh) * | 2015-02-03 | 2015-05-20 | 南京理工大学 | 一种基于khm聚类算法的心率变异信号优化方法 |
CN104783780A (zh) * | 2015-04-13 | 2015-07-22 | 深圳市飞马与星月科技研究有限公司 | 心电信号除噪方法及装置 |
Non-Patent Citations (3)
Title |
---|
王磊 等: "《阵列式三维中医脉象检测的研究》", 《中华中医药杂志》 * |
王鹏: "《多路脉象信号的特征提取与模式分类》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
罗鸣: "《基于柔性阵列传感器的脉象检测系统》", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107468221A (zh) * | 2017-09-12 | 2017-12-15 | 济南大学 | 基于金氏脉学的脉搏波信号处理方法及肺癌检测系统 |
CN109512405A (zh) * | 2019-01-08 | 2019-03-26 | 哈尔滨工业大学(深圳) | 一种基于局部点检测的脉象信号分割方法 |
CN109512405B (zh) * | 2019-01-08 | 2021-05-11 | 哈尔滨工业大学(深圳) | 一种基于局部点检测的脉象信号分割方法 |
CN109886953A (zh) * | 2019-02-27 | 2019-06-14 | 数坤(北京)网络科技有限公司 | 一种血管异常检测方法、装置及计算机可读存储介质 |
CN110547775A (zh) * | 2019-08-19 | 2019-12-10 | 贵州中医药大学 | 一种寸口脉脉象检测装置 |
CN111449638A (zh) * | 2020-04-08 | 2020-07-28 | 上海祉云医疗科技有限公司 | 一种基于传感器采集的数据构建三维脉象图的方法及应用 |
CN113995383A (zh) * | 2021-11-03 | 2022-02-01 | 中国人民解放军空军军医大学 | 一种基于物联网的中医远程望诊信息化处理系统及方法 |
CN113995383B (zh) * | 2021-11-03 | 2024-04-09 | 中国人民解放军空军军医大学 | 一种基于物联网的中医远程望诊信息化处理系统及方法 |
CN113892919A (zh) * | 2021-12-09 | 2022-01-07 | 季华实验室 | 诊脉数据获取方法、装置、电子设备及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107115103A (zh) | 一种基于阵列传感器设计的脉象宽度检测及3d脉图构建方法 | |
CN106037694B (zh) | 一种基于脉搏波的连续血压测量装置 | |
CN108185996B (zh) | 动脉血管年龄估算模型构建方法和装置 | |
Liu et al. | Modeling carotid and radial artery pulse pressure waveforms by curve fitting with Gaussian functions | |
WO2019096175A1 (zh) | 一种生命体征信号分析处理方法和生命体征监测设备 | |
Couceiro et al. | Detection of motion artifact patterns in photoplethysmographic signals based on time and period domain analysis | |
Huotari et al. | Photoplethysmography and its detailed pulse waveform analysis for arterial stiffness | |
CN105943005A (zh) | 基于光电绿光脉搏与心电图混合的无创血压检测方法 | |
Zuo et al. | Comparison of three different types of wrist pulse signals by their physical meanings and diagnosis performance | |
US20200000349A1 (en) | Pulse detection module and use-as-you-need blood pressure measurement device comprising the same | |
CN112089405B (zh) | 一种脉搏波特征参数测量及显示装置 | |
Shyam et al. | PPGnet: Deep network for device independent heart rate estimation from photoplethysmogram | |
CN110276271A (zh) | 融合ippg和深度信息抗噪声干扰的非接触心率估计法 | |
CN103876723A (zh) | 无创桡动脉波计算脉搏波传导时间获取血压值的方法 | |
CN110236508A (zh) | 一种无创血压连续监测方法 | |
US20170042434A1 (en) | Method and Device for Non-Invasive Blood Pressure Measurement | |
Zhang et al. | A wristband device for detecting human pulse and motion based on the Internet of Things | |
Allen et al. | Photoplethysmography (PPG): state-of-the-art methods and applications | |
CN107049270A (zh) | 用于测量脉搏波传导时间的系统及方法 | |
Jean Effil et al. | Wavelet scattering transform and long short-term memory network-based noninvasive blood pressure estimation from photoplethysmograph signals | |
CN111839488A (zh) | 基于脉搏波的无创连续血压测量装置和方法 | |
TWI551266B (zh) | 動脈波分析方法及其系統 | |
CN105725983B (zh) | 一种周围动脉硬化的早期筛查方法及系统 | |
Liu et al. | A novel interpretable feature set optimization method in blood pressure estimation using photoplethysmography signals | |
Bhat et al. | The biophysical parameter measurements from PPG signal |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170901 |
|
RJ01 | Rejection of invention patent application after publication |