CN107970027B - 一种桡动脉检测与人体体质识别系统和方法 - Google Patents
一种桡动脉检测与人体体质识别系统和方法 Download PDFInfo
- Publication number
- CN107970027B CN107970027B CN201711178800.2A CN201711178800A CN107970027B CN 107970027 B CN107970027 B CN 107970027B CN 201711178800 A CN201711178800 A CN 201711178800A CN 107970027 B CN107970027 B CN 107970027B
- Authority
- CN
- China
- Prior art keywords
- pulse
- signal
- information
- human body
- digital
- 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
Images
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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Physiology (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fuzzy Systems (AREA)
- Cardiology (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种桡动脉检测与人体体质识别系统,包括脉搏检测人员信息录入模块、多点触控压力传感器、信号过滤单元、信号控制器、模数转换器、数模转化器、特征处理模块、信号分类模型、处理器;脉搏检测人员信息录入模块、多点触控压力传感器、信号过滤单元、信号控制器、模数转换器、数模转化器、处理器依次相连,特征处理模块与模数转换器连接,信号分类模型与特征处理模块连接和脉搏检测人员信息录入模块连接,处理器还与信号分类模型连接。本发明还公开了桡动脉检测与人体体质识别方法。本发明具有以下优点:能对脉搏信号进行精确检测和分类,且可方便、快捷、实时的对脉搏检测人员进行脉搏检测和健康建议反馈,对疾病进行早期发现和预防。
Description
技术领域
本发明涉及到机器学习和医疗技术领域,特别是一种桡动脉检测与人体体质识别系统和方法。(“特别”是专利中的惯用写法,强调具体的领域)
背景技术
随着人们生活的水平不断提高,饮食结构不断改变,以及快节奏的生活方式导致人们很少关注自身的健康情况。大多数人处于阴虚或阳虚的亚健康状态,然而人们并不知道自身的健康状态,更不用说如何合理的调节身体。因此,有效的早期身体健康检测和诊疗是非常重要的。
人体脉搏系统是心血管系统的重要组成部分,包含有丰富的人体健康状况信息,它是人体输送养料、传递能量和传播各种生理病理信息的重要途径。研究脉搏信息无论是在中医还是西医中都具有重要的临床诊断价值和实用意义。在中国古时候就有医生运用脉诊进行脉象探查、病症辨识。脉诊在我国有悠久的历史,它是我国古代医学家长期医疗实践的经验总结。《史记》中记载的春秋战国时期的名医扁鹊,便是以精于望、闻、问、切的方法,特别是以脉诊著名的。在东汉名医张仲景的《伤寒杂病论》中,脉诊已经广泛用于临床,并且有进一步的发展和提高。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。
现在医生利用手指去感受脉搏的方式,要消耗大量的人力。而且脉搏信号较弱,易受外界干扰,同时也受制于医生的医术水平,可能导致医生对病人脉搏的误判。另外,对于需要经常检测脉搏,实时了解自己身体的状况的人,由于工作和生活等一些原因不能经常去医院进行检测脉搏,所以不能及时了解自己的身体状况。随着时代的发展,一些先进的检测、运算、控制工具以及高分辨率的显示设备的出现,使得对脉搏信号的处理更加准确和有效。
现有脉搏检测系统和方法利用传感器对脉搏振动信号进行检测,然后经过信号转换将检测到的脉搏振动信号转换成图像信号,并将脉搏诊断得到的身体状态结果显示在显示器。
中国专利申请CN 105193396公开了一种脉搏检测系统和方法,将石墨烯传感器贴合在用户的手腕的寸关尺处。这种方法可能由于人为因素,不能准确的将石墨烯传感器贴到手腕的寸关尺处,导致对脉搏振动信号检测过程中产生较大的偏差,最终会对人体健康状态产生误诊。
中国专利申请CN 104644140公开了一种脉搏诊断记录仪及脉搏信息储存方法。将参考波形存储到参考数据库,把检测到波形与参考数据库中参考波形进行对比。这种方法不像数据对比那样能够更直观、更精确的显示分类结果,波形对比分类会导致较大的分类误差,最终会导致误诊概率的增大。
发明内容
本发明所要解决的技术问题在于提供了一种能够对脉搏信号进行精确检测和分类的桡动脉检测与人体体质识别系统和方法。
本发明是通过以下技术方案解决上述技术问题的:一种桡动脉检测与人体体质识别系统,包括脉搏检测人员信息录入模块、多点触控压力传感器、信号过滤单元、信号控制器、模数转换器、数模转化器、特征处理模块、信号分类模型、处理器;
脉搏检测人员信息录入模块,用于将脉搏检测人员的个人信息录入;
多点触控压力传感器,与脉搏检测人员信息录入模块连接,用于检测脉搏检测人员脉搏振动信号;
信号过滤单元,与多点触控压力传感器连接,用于将多点触控压力传感器检测到的脉搏振动信号进行过滤、筛选,选出最强脉搏振动信号;
信号控制器,与信号过滤单元连接,用于将脉搏震动信号进行放大处理;
模数转换器,与信号控制器连接,用于将脉搏振动信号转换成数字化脉搏信号;
数模转化器,与模数转换器连接,用于将数字化脉搏信号转换成图像脉搏信号;
特征处理模块,与模数转换器连接,用于将数字化脉搏信号进行脉搏特征信号处理;
信号分类模型,与特征处理模块连接和脉搏检测人员信息录入模块连接,用于将特征处理模块传入的脉搏特征信号进行分类并根据脉搏检测人员个人信息匹配对应健康建议信息;
处理器,与数模转换器和信号分类模型连接,用于接收数模转化器和信号分类模型传送的图像脉搏信号、人体体质信息、健康建议信息以及脉搏检测人员个人信息。
作为优化的技术方案,该一种桡动脉检测与人体体质识别系统还包括显示器,显示器连接到处理器,用于显示图像脉搏信号、人体体质信息、健康建议信息以及脉搏检测人员个人信息。
作为优化的技术方案,该一种桡动脉检测与人体体质识别系统还包括脉搏检测人员信息数据库,脉搏检测人员信息数据库建立在处理器中,用于将对应脉搏检测人员个人信息、图像脉搏信号、人体体质信息以及健康建议信息进行存储。
作为优化的技术方案,所述多点触控压力传感器包含多个压力感应元件,用于对桡动脉皮肤区域部位进行多点脉搏振动信号进行检测。
本发明还公开一种桡动脉检测与人体体质识别方法,包括下述步骤:
步骤1、脉搏检测人员进行脉搏检测时,将个人信息录入脉搏检测人员信息录入模块,脉搏检测人员信息录入模块将输入的脉搏检测人员的个人信息传入到多点触控压力传感器和信号分类模型;
步骤2、使用多点触控压力传感器对桡动脉皮肤区域部位进行多点脉搏振动信号检测,将检测到的脉搏振动信号传入到信号过滤单元;
步骤3、信号过滤单元将接收到的脉搏振动信号进行过滤、筛选,并将选出最强的脉搏振动信号传入到信号控制器;
步骤4、信号控制器接收到脉搏振动信号,并对脉搏振动信号进行放大处理,并将放大处理后的脉搏振动信号传入到模数转换器;
步骤5、模数转换器接收到脉搏振动信号,将其转换成数字化脉搏信号,模数转换器将数字化脉搏信号传入到数模转换器和特征处理模块中;
步骤6、特征处理模块接收模数转换器传入的数字化脉搏信号并对数字化脉搏信号进行特征处理;
步骤7、信号分类模型接收到特征处理模块传入的脉搏特征信号,并对脉搏特征信号进行分类;
步骤8、数模转换器将数字化脉搏信号转换成图像脉搏信息;
步骤9、处理器同时接收到数模转换器传入的图像脉搏信号和信号分类模型传入的健康建议信息、人体体质状态信息、脉搏检测人员个人信息。
作为优化的技术方案,所述步骤2进一步包括:多点触控压力传感器接收到录入的脉搏检测人员个人信息,对待测脉搏检测人员的脉搏振动信号进行检测,检测到t个脉搏振动信号,将检测到的t个脉搏振动信号传入到信号过滤单元;
步骤3进一步包括:信号过滤单元接收到多点触控压力传感器传入的t个脉搏振动信号,通过过滤、筛选选出t个脉搏振动信号中最强的一个脉搏振动信号,并将选出最强的脉搏振动信号传入到信号控制器。
步骤4进一步包括:信号控制器预先设定了标准的脉搏振动信号强度阈值,当信号控制器接收到信号过滤单元传入的脉搏振动信号时,信号控制器对传入的脉搏振动信号进行在阈值范围内的信号放大处理,并将放大处理后的脉搏振动信号传入到模数转换器。
作为优化的技术方案,步骤6进一步包括:定义脉搏特征信号为其中a,b,M∈N+,M表示经过模数转换器得到的数字化脉搏信号,按周期T提取M个均等时间间隔点的点数,即一个脉搏特征信号样本的特征总数为M,表示第b个数字化脉搏信号的第a个间隔点所对应的数字化脉搏信号数字,xb表示第b个脉搏特征信号样本,特征处理模块将数字化脉搏信号转换成脉搏特征信号,并传入到信号分类模型中。
作为优化的技术方案,步骤7进一步包括:
人体体质分为阴虚者、阳虚者、正常人三种,抽取数量均等的三种人体体质样本,三种人体体质样本数量之和为n,正常人标签信息为第1类,阳虚者标签信息为第2类,阴虚者标签信息为第3类;
步骤7.1预先将均等的三种体质人员经过系统检测,即检测信息通过多点触控压力传感器、信号过滤单元、信号控制器、模数转换器、特征处理模块,用来收集正常人、阴虚者和阳虚者的脉搏特征信号并存储到信号分类模型的样本数据库,且样本容量为n;
步骤7.2进行脉搏检测时,信号分类模型收到特征处理模块传入的脉搏特征信号,将样本数据库中脉搏特征信号和刚传入的脉搏特征信号输入到信号分类模型中的均值分类模块;
步骤7.3均值分类模块接收到n+1个脉搏特征信号样本,假设第n+1个样本为信号分类模型接收到特征处理模块传入的脉搏特征信号,均值分类模块运用均值算法对脉搏特征信号分类;
步骤7.4信号分类模型中的健康信息数据库根据在测脉搏检测人员个人信息和检测到的人体体质状态,对健康信息数据库进行检索,搜索到符合该脉搏检测人员人体体质的健康建议信息;
步骤7.5信号分类模型将搜索到符合该脉搏检测人员人体体质的健康建议信息、人体体质状态信息以及脉搏检测人员个人信息传递到处理器。
作为优化的技术方案,步骤7.3进一步包括:
其中,U表示脉搏特征信号样本到各聚类中心距离集合,V表示聚类中心集合,m∈(1,∞)是加权指数;uij表示样本xj属于第i类的概率;dij为样本xj到第i类聚类中心vi的距离;
dij=||xi-vi||,其中vi表示第i类的聚类中心;
步骤7.3.1:分别初始化聚类中心v1,v2,v3;
步骤7.3.2:计算样本xj到第i类聚类中心vi的距离dij;
由欧氏距离计算得:dij=||xi-vi||
步骤7.3.3:计算样本xj属于第i类的概率uij
步骤7.3.4:将样本xj到第i类聚类中心vi的距离dij和样本xj属于第i类的概率uij带入目标函数,判断目标函数值是否收敛,如果收敛算法结束;否则更新聚类中心,继续从步骤7.3.2开始运算,直到目标函数值收敛;
步骤7.3.5:均值算法的目标函数值收敛
分别得到u1(n+1),u2(n+1),u3(n+1),比较三个数值大小,如果u1(n+1)值最大,那么系统检测人体体质为正常;如果u2(n+1)值最大,那么系统检测人体体质为阳虚;如果u3(n+1)值最大,那么系统检测人体体质为阴虚,将得到的人体体质状态传入到健康信息数据库。
作为优化的技术方案,该一种桡动脉检测与人体体质识别方法还包括步骤10、将处理器接收的信息显示在显示器屏幕上;
还包括步骤11、脉搏检测人员信息数据库对接收到的信息进行存储。
本发明相比现有技术具有以下优点:
1、针对脉搏振动信号弱特点,运用多点触控压力传感器对桡动脉皮肤区域部位进行多点脉搏信号检测,再通过信号过滤单元将脉搏振动信号强的脉搏振动信号进行保留,避免在脉搏振动信号检测过程中产生较大的误差,为后续脉搏振动信号正确分类提供了保障。
2、将脉搏振动信号转换成数字化脉搏信号的形式,并对数字化脉搏信号进行信号特征处理,形成数据化的脉搏特征信号,有利于算法模型的计算与应用。再运用C均值算法,对脉搏特征信号进行精确分类,提高了脉搏诊断的准确率。
附图说明
图1是一种桡动脉检测与人体体质识别系统的流程图;
图2是信号分类模型图;
图3是C均值分类模块图。
具体实施方式
下面对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
请参阅图1所示,本发明一种桡动脉检测与人体体质识别系统包括脉搏检测人员信息录入模块、多点触控压力传感器、信号过滤单元、信号控制器、模数转换器、数模转化器、特征处理模块、信号分类模型、处理器。
脉搏检测人员信息录入模块,用于将脉搏检测人员的个人信息录入;
多点触控压力传感器,与脉搏检测人员信息录入模块连接,用于检测脉搏检测人员脉搏振动信号;
信号过滤单元,与多点触控压力传感器连接,用于将多点触控压力传感器检测到的脉搏振动信号进行过滤、筛选,选出最强脉搏振动信号;
信号控制器,与信号过滤单元连接,用于将脉搏震动信号进行放大处理;
模数转换器,与信号控制器连接,用于将脉搏振动信号转换成数字化脉搏信号;
数模转化器,与模数转换器连接,用于将数字化脉搏信号转换成图像脉搏信号;
特征处理模块,与模数转换器连接,用于将数字化脉搏信号进行脉搏特征信号处理;
信号分类模型,与特征处理模块连接和脉搏检测人员信息录入模块连接,用于将特征处理模块传入的脉搏特征信号进行分类并根据脉搏检测人员个人信息匹配对应健康建议信息;
处理器,与数模转换器和信号分类模型连接,用于接收数模转化器和信号分类模型传送的图像脉搏信号、人体体质信息、健康建议信息以及脉搏检测人员个人信息。
优化的,该桡动脉检测与人体体质识别系统还包括显示器,显示器连接到处理器,用于显示图像脉搏信号、人体体质信息、健康建议信息以及脉搏检测人员个人信息。
优化的,该桡动脉检测与人体体质识别系统还包括脉搏检测人员信息数据库,脉搏检测人员信息数据库建立在处理器中,用于将对应脉搏检测人员个人信息、图像脉搏信号、人体体质信息以及健康建议信息进行存储。
其中,多点触控压力传感器包含多个压力感应元件,用于对桡动脉皮肤区域部位进行多点脉搏振动信号进行检测。如:有t个压力感应元件,即对应t个接触皮肤的触控点。
定义脉搏检测周期为T,T代表多点触控压力传感器中每次每一个压力感应元件检测脉搏振动信号的时间。
定义脉搏特征信号为其中a,b,M∈N+,M表示经过模数转换器得到的数字化脉搏信号,按周期T提取M个均等时间间隔点的点数,即一个脉搏特征信号样本的特征总数为M,表示第b个数字化脉搏信号的第a个间隔点所对应的数字化脉搏信号数字。xb表示第b个脉搏特征信号样本。
定义:人体体质分为阴虚者、阳虚者、正常人三种。
定义:人体体质标签分别是正常人标签信息为第1类,阳虚者标签信息为第2类,阴虚者标签信息为第3类。
该桡动脉检测与人体体质识别系统,应用于脉搏检测人员的脉搏信息检测,同时能够对脉搏检测人员的脉搏信息进行健康记录。
同时参阅图2和图3,本发明还公开一种使用上述桡动脉检测与人体体质识别系统进行检测的方法,包括下述步骤:
步骤1、脉搏检测人员进行脉搏检测时,将个人信息录入脉搏检测人员信息录入模块,具体包括以下步骤:
步骤1.1脉搏检测人员首先录入个人信息,如:姓名、性别、年龄、身高、体重,以便系统提供精准的健康建议信息并对个人健康信息进行保存,同时可以满足脉搏检测人员对过去自身健康情况进行查询,有利于脉搏检测人员对自身身体状况的综合了解;
步骤1.2脉搏检测人员信息录入模块将输入的脉搏检测人员的个人信息传入到多点触控压力传感器和信号分类模型。
步骤2、多点触控压力传感器对桡动脉皮肤区域部位进行多点脉搏振动信号检测,具体包括:
多点触控压力传感器接收到录入的脉搏检测人员个人信息,对待测脉搏检测人员的脉搏振动信号进行检测,检测到t个脉搏振动信号,将检测到的t个脉搏振动信号传入到信号过滤单元。
步骤3、信号过滤单元将接收到的脉搏振动信号进行过滤、筛选。
由于桡动脉皮肤区域部位的脉搏振动信号强弱不同,信号过滤单元接收到多点触控压力传感器传入的t个脉搏振动信号,通过过滤、筛选选出t个脉搏振动信号中最强的一个脉搏振动信号,并将选出最强的脉搏振动信号传入到信号控制器。
步骤4、信号控制器接收到脉搏振动信号,并对脉搏振动信号进行放大处理。
信号控制器预先设定了标准的脉搏振动信号强度阈值,由于脉搏振动信号弱的特点,当信号控制器接收到信号过滤单元传入的脉搏振动信号时,信号控制器会对传入的脉搏振动信号进行在阈值范围内的信号放大处理,并将放大处理后的脉搏振动信号传入到模数转换器。
步骤5、模数转换器接收到脉搏振动信号,将其转换成数字化脉搏信号。
模数转换器接收到信号控制器传入的脉搏振动信号并将脉搏振动信号转换成数字化脉搏信号,模数转换器将数字化脉搏信号传入到数模转换器和特征处理模块中。
步骤6、特征处理模块接收模数转换器传入的数字化脉搏信号并对数字化脉搏信号进行特征处理。
定义脉搏特征信号为其中a,b,M∈N+,M表示经过模数转换器得到的数字化脉搏信号,按周期T提取M个均等时间间隔点的点数,即一个脉搏特征信号样本的特征总数为M,表示第b个数字化脉搏信号的第a个间隔点所对应的数字化脉搏信号数字,xb表示第b个脉搏特征信号样本。特征处理模块将数字化脉搏信号转换成脉搏特征信号,并传入到信号分类模型中。
步骤7、信号分类模型接收到特征处理模块传入的脉搏特征信号,并对脉搏特征信号进行分类。
人体体质可以分为阴虚者、阳虚者、正常人三种,抽取数量均等的三种人体体质样本,三种人体体质样本数量之和为n。正常人标签信息为第1类,阳虚者标签信息为第2类,阴虚者标签信息为第3类。
步骤7.1预先将均等的三种体质人员经过系统检测,即检测信息通过多点触控压力传感器、信号过滤单元、信号控制器、模数转换器、特征处理模块,用来收集正常人、阴虚者和阳虚者的脉搏特征信号并存储到信号分类模型的样本数据库,且样本容量为n;
步骤7.2进行脉搏检测时,信号分类模型收到特征处理模块传入的脉搏特征信号,将样本数据库中脉搏特征信号和刚传入的脉搏特征信号输入到信号分类模型中的C均值分类模块;
步骤7.3C均值分类模块接收到n+1个脉搏特征信号样本,假设第n+1个样本为信号分类模型接收到特征处理模块传入的脉搏特征信号,C均值分类模块运用C均值算法对脉搏特征信号分类:
其中,U表示脉搏特征信号样本到各聚类中心距离集合,V表示聚类中心集合,m∈(1,∞)是加权指数;uij表示样本xj属于第i类的概率;dij为样本xj到第i类聚类中心vi的距离;
dij=||xi-vi||,其中vi表示第i类的聚类中心;
步骤7.3.1分别初始化聚类中心v1,v2,v3;
步骤7.3.2计算样本xj到第i类聚类中心vi的距离dij;
由欧氏距离计算可得:dij=||xi-vi||
步骤7.3.3计算样本xj属于第i类的概率uij
步骤7.3.4将样本xj到第i类聚类中心vi的距离dij和样本xj属于第i类的概率uij带入目标函数,判断目标函数值是否收敛,如果收敛算法结束;否则更新聚类中心,继续从步骤7.3.2开始运算,直到目标函数值收敛;
步骤7.3.5C均值算法的目标函数值收敛
分别得到u1(n+1),u2(n+1),u3(n+1),比较三个数值大小,如果u1(n+1)值最大,那么系统检测人体体质为正常;如果u2(n+1)值最大,那么系统检测人体体质为阳虚;如果u3(n+1)值最大,那么系统检测人体体质为阴虚,将得到的人体体质状态传入到健康信息数据库;
步骤7.4信号分类模型中的健康信息数据库根据在测脉搏检测人员个人信息和检测到的人体体质状态,对健康信息数据库进行检索,搜索到符合该脉搏检测人员人体体质的健康建议信息;
步骤7.5信号分类模型将搜索到符合该脉搏检测人员人体体质的健康建议信息、人体体质状态信息以及脉搏检测人员个人信息传递到处理器;
步骤8、数模转换器将数字化脉搏信号转换成图像脉搏信息
数模转换器接收到模数转换器传入的数字化脉搏信号,将数字化脉搏信号转换成图像脉搏信息并传入到处理器;
步骤9、处理器接收到信息
处理器同时接收到数模转换器传入的图像脉搏信号和信号分类模型传入的健康建议信息、人体体质状态信息、脉搏检测人员个人信息;
还包括步骤10、显示器显示信息
将处理器接收的信息显示在显示器屏幕上,在测的脉搏检测人员可以根据屏幕显示信息,清楚了解自身身体状况并根据建议进行合理的身体调理。
还包括步骤11、脉搏检测人员信息数据库对接收到的信息进行存储
脉搏检测人员信息数据库接收到处理器传入的信息进行存储,方便于脉搏检测人员对过去自身健康情况进行查询,有利于脉搏检测人员对自身身体状况的综合了解。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种桡动脉检测与人体体质识别系统,其特征在于,包括脉搏检测人员信息录入模块、多点触控压力传感器、信号过滤单元、信号控制器、模数转换器、数模转化器、特征处理模块、信号分类模型、处理器;
脉搏检测人员信息录入模块,用于将脉搏检测人员的个人信息录入;
多点触控压力传感器,与脉搏检测人员信息录入模块连接,用于检测脉搏检测人员脉搏振动信号;
信号过滤单元,与多点触控压力传感器连接,用于将多点触控压力传感器检测到的脉搏振动信号进行过滤、筛选,选出最强脉搏振动信号;
信号控制器,与信号过滤单元连接,用于将脉搏震动信号进行放大处理;
模数转换器,与信号控制器连接,用于将脉搏振动信号转换成数字化脉搏信号;
数模转化器,与模数转换器连接,用于将数字化脉搏信号转换成图像脉搏信号;
特征处理模块,与模数转换器连接,用于将数字化脉搏信号进行脉搏特征信号处理,转换过程为:定义脉搏特征信号为其中a,b,M∈N+,M表示经过模数转换器得到的数字化脉搏信号,按周期T提取M个均等时间间隔点的点数,即一个脉搏特征信号样本的特征总数为M,表示第b个数字化脉搏信号的第a个间隔点所对应的数字化脉搏信号数字,xb表示第b个脉搏特征信号样本,特征处理模块将数字化脉搏信号转换成脉搏特征信号,并传入到信号分类模型中;
信号分类模型,与特征处理模块连接和脉搏检测人员信息录入模块连接,用于将特征处理模块传入的脉搏特征信号进行分类并根据脉搏检测人员个人信息匹配对应健康建议信息,具体分类过程包括:
人体体质分为阴虚者、阳虚者、正常人三种,抽取数量均等的三种人体体质样本,三种人体体质样本数量之和为n,正常人标签信息为第1类,阳虚者标签信息为第2类,阴虚者标签信息为第3类;
预先将均等的三种体质人员经过系统检测,即检测信息通过多点触控压力传感器、信号过滤单元、信号控制器、模数转换器、特征处理模块,用来收集正常人、阴虚者和阳虚者的脉搏特征信号并存储到信号分类模型的样本数据库,且样本容量为n;
进行脉搏检测时,信号分类模型收到特征处理模块传入的脉搏特征信号,将样本数据库中脉搏特征信号和刚传入的脉搏特征信号输入到信号分类模型中的均值分类模块;
均值分类模块接收到n+1个脉搏特征信号样本,假设第n+1个样本为信号分类模型接收到特征处理模块传入的脉搏特征信号,均值分类模块运用均值算法对脉搏特征信号分类;
信号分类模型中的健康信息数据库根据在测脉搏检测人员个人信息和检测到的人体体质状态,对健康信息数据库进行检索,搜索到符合该脉搏检测人员人体体质的健康建议信息;
信号分类模型将搜索到符合该脉搏检测人员人体体质的健康建议信息、人体体质状态信息以及脉搏检测人员个人信息传递到处理器;
处理器,与数模转换器和信号分类模型连接,用于接收数模转化器和信号分类模型传送的图像脉搏信号、人体体质信息、健康建议信息以及脉搏检测人员个人信息。
2.根据权利要求1所述的一种桡动脉检测与人体体质识别系统,其特征在于,还包括显示器,显示器连接到处理器,用于显示图像脉搏信号、人体体质信息、健康建议信息以及脉搏检测人员个人信息。
3.根据权利要求1所述的一种桡动脉检测与人体体质识别系统,其特征在于,还包括脉搏检测人员信息数据库,脉搏检测人员信息数据库建立在处理器中,用于将对应脉搏检测人员个人信息、图像脉搏信号、人体体质信息以及健康建议信息进行存储。
4.根据权利要求1所述的一种桡动脉检测与人体体质识别系统,其特征在于,所述多点触控压力传感器包含多个压力感应元件,用于对桡动脉皮肤区域部位进行多点脉搏振动信号进行检测。
5.根据权利要求1所述的一种桡动脉检测与人体体质识别系统,其特征在于,所述均值分类模块运用均值算法对脉搏特征信号分类的过程为:
其中,U表示脉搏特征信号样本到各聚类中心距离集合,V表示聚类中心集合,m∈(1,∞)是加权指数;uij表示样本xj属于第i类的概率;dij为样本xj到第i类聚类中心vi的距离;
dij=||xi-vi||,其中vi表示第i类的聚类中心;
步骤7.3.1:分别初始化聚类中心v1,v2,v3;
步骤7.3.2:计算样本xj到第i类聚类中心vi的距离dij;
由欧氏距离计算得:dij=||xi-vi||
步骤7.3.3:计算样本xj属于第i类的概率uij
步骤7.3.4:将样本xj到第i类聚类中心vi的距离dij和样本xj属于第i类的概率uij带入目标函数,判断目标函数值是否收敛,如果收敛算法结束;否则更新聚类中心,继续从步骤7.3.2开始运算,直到目标函数值收敛;
步骤7.3.5:均值算法的目标函数值收敛
分别得到u1(n+1),u2(n+1),u3(n+1),比较三个数值大小,如果u1(n+1)值最大,那么系统检测人体体质为正常;如果u2(n+1)值最大,那么系统检测人体体质为阳虚;如果u3(n+1)值最大,那么系统检测人体体质为阴虚,将得到的人体体质状态传入到健康信息数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711178800.2A CN107970027B (zh) | 2017-11-23 | 2017-11-23 | 一种桡动脉检测与人体体质识别系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711178800.2A CN107970027B (zh) | 2017-11-23 | 2017-11-23 | 一种桡动脉检测与人体体质识别系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107970027A CN107970027A (zh) | 2018-05-01 |
CN107970027B true CN107970027B (zh) | 2020-12-29 |
Family
ID=62011148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711178800.2A Active CN107970027B (zh) | 2017-11-23 | 2017-11-23 | 一种桡动脉检测与人体体质识别系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107970027B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109602410A (zh) * | 2018-11-16 | 2019-04-12 | 青岛真时科技有限公司 | 一种可穿戴设备及其脉搏监测方法 |
CN110310737A (zh) * | 2018-12-07 | 2019-10-08 | 广州华久信息科技有限公司 | 一种中医体质养生的智能移动终端 |
CN114038556B (zh) * | 2021-11-05 | 2022-08-23 | 深圳市嘉乐医疗科技有限公司 | 一种具有智能问诊系统的健康检测仪 |
CN116458845A (zh) * | 2023-04-07 | 2023-07-21 | 电子科技大学 | 一种智能可穿戴中医体质评估系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1935084A (zh) * | 2006-09-22 | 2007-03-28 | 北京工业大学 | 一种基于提升小波的脉搏信号处理方法 |
CN102247128A (zh) * | 2010-05-19 | 2011-11-23 | 中国科学院计算技术研究所 | 人体脉搏信息采集装置及人体健康状况监护装置 |
CN104305971A (zh) * | 2014-11-07 | 2015-01-28 | 冯文强 | 一种脉诊检测方法、脉诊仪及系统 |
-
2017
- 2017-11-23 CN CN201711178800.2A patent/CN107970027B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1935084A (zh) * | 2006-09-22 | 2007-03-28 | 北京工业大学 | 一种基于提升小波的脉搏信号处理方法 |
CN102247128A (zh) * | 2010-05-19 | 2011-11-23 | 中国科学院计算技术研究所 | 人体脉搏信息采集装置及人体健康状况监护装置 |
CN104305971A (zh) * | 2014-11-07 | 2015-01-28 | 冯文强 | 一种脉诊检测方法、脉诊仪及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107970027A (zh) | 2018-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107970027B (zh) | 一种桡动脉检测与人体体质识别系统和方法 | |
Smith et al. | A deep neural network learning algorithm outperforms a conventional algorithm for emergency department electrocardiogram interpretation | |
EP3698709A1 (en) | Electrocardiogram information processing method and electrocardiogram workstation system | |
JP2022523741A (ja) | 描写および分類のための心電図処理システム | |
Zhang et al. | Automated detection of cardiovascular disease by electrocardiogram signal analysis: a deep learning system | |
CN104382570B (zh) | 数字化全自动健康状况检测装置 | |
Xie et al. | Stroke prediction from electrocardiograms by deep neural network | |
JP7219182B2 (ja) | 検出装置および検出方法 | |
CN108492870B (zh) | 基于数位笔的画钟测试检测方法及系统 | |
Wang et al. | Automated classification model with OTSU and CNN method for premature ventricular contraction detection | |
CN111180026A (zh) | 专科诊疗视图系统及方法 | |
CN101877035A (zh) | 基于金标准数据库的心电图分析系统 | |
Zarrabi et al. | A system for accurately predicting the risk of myocardial infarction using PCG, ECG and clinical features | |
Li et al. | Multi-modal cardiac function signals classification algorithm based on improved DS evidence theory | |
CN107516019A (zh) | 无创健康预测系统及方法 | |
Krishnan et al. | ANovel severity index of heart disease from beat-wise analysis of ECG using fuzzy logic for smart-health | |
JP7328044B2 (ja) | 検出装置および検出方法 | |
KR100955716B1 (ko) | 생체데이터의 문자열 생성 방법 및 장치와, 이를 이용한 생체 파형 검출 방법 및 장치와 맥파 분류 방법 및 장치 | |
Shi et al. | Congestive heart failure detection based on attention mechanism-enabled bi-directional long short-term memory model in the internet of medical things | |
CN108784666B (zh) | 连续监测心血管的精准医疗系统及数据处理方法 | |
CN110428893A (zh) | 一种远程医疗生命体征数据采集装置 | |
CN104688193A (zh) | 一种心血管参数的检测方法 | |
Kanna et al. | Cardiac arrhythmia detector using cnn application | |
Kim et al. | Untact Abnormal Heartbeat Wave Detection Using Non-Contact Sensor through Transfer Learning | |
CN114145722B (zh) | 一种面向胰腺炎患者的脉搏病理特征挖掘方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |