CN108670209A - 一种自动识别中医脉象的方法和系统 - Google Patents
一种自动识别中医脉象的方法和系统 Download PDFInfo
- Publication number
- CN108670209A CN108670209A CN201810270699.1A CN201810270699A CN108670209A CN 108670209 A CN108670209 A CN 108670209A CN 201810270699 A CN201810270699 A CN 201810270699A CN 108670209 A CN108670209 A CN 108670209A
- Authority
- CN
- China
- Prior art keywords
- wave
- pulse
- transverse
- longitudinal coordinate
- signal
- 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
- 239000003814 drug Substances 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000003062 neural network model Methods 0.000 claims abstract description 59
- 238000000605 extraction Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 15
- 230000002123 temporal effect Effects 0.000 claims description 18
- 210000001367 artery Anatomy 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 210000003462 vein Anatomy 0.000 claims description 9
- 210000000707 wrist Anatomy 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 5
- 210000005036 nerve Anatomy 0.000 claims description 2
- 210000004218 nerve net Anatomy 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004544 sputter deposition Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
-
- 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
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Cardiology (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明提供了一种自动识别中医脉象的方法和系统，包括：获取人体的脉搏波信号；对所述脉搏波信号进行时域特征提取和频域特征提取，以获得所述脉搏波信号的特征参数；利用神经网络模型识别与所述特征参数对应的脉象，所述神经网络模型为预先建立的且已经被包含各种脉象信息的训练数据集训练过的深度全连接神经网络模型，从而可以实现中医脉象的自动识别。
Description
技术领域
本发明涉及中医量化诊断技术领域，更具体地说，涉及一种自动识别中医脉象的方法和系统。
背景技术
脉诊是通过按触人体不同部位的脉搏，以体察脉象变化的切诊方法。中医师根据脉象的位、数、形、势，来获取病人的生理病理信息。由于中医脉诊具有很强的主观性和模糊性，即其准确性和可靠性完全依赖于中医师的主观感觉与经验积累，因此，缺乏客观、量化的诊断指标。
近年来，随着计算机技术、信息技术的高速发展，国内学者已经应用压力传感器获取了人体寸关尺脉搏的波形信息，并通过对脉搏波特征参数的提取以及现代化的数据挖掘手段对传统脉象进行了解析，为中医脉诊的可量化提供了必要的技术支持。
但是，目前的脉象解析方法在获取脉搏波后，大多采用人工读取脉搏波的各项指标的方式来进行脉象的识别，难以实现脉诊的自动化，即难以实现中医脉象的自动识别。
发明内容
有鉴于此，本发明提供了一种自动识别中医脉象的方法和系统，以实现中医脉象的自动识别。
为实现上述目的，本发明提供如下技术方案：
一种自动识别中医脉象的方法，包括：
获取人体的脉搏波信号；
对所述脉搏波信号进行时域特征提取和频域特征提取，以获得所述脉搏波信号的特征参数；
利用神经网络模型识别与所述特征参数对应的脉象，所述神经网络模型为预先建立的且已经被包含各种脉象信息的训练数据集训练过的深度全连接神经网络模型。
优选地，所述特征参数包括主波波峰的横纵坐标、潮波起点的横纵坐标、潮波波峰的横纵坐标、重博波起点的横纵坐标、重博波波峰的横纵坐标、主波的三分之一宽度、所述脉搏波的周期和面积；
所述脉象包括平脉、弦脉、滑脉、弦滑脉、浮脉、沉脉、数脉和迟脉。
优选地，对所述脉搏波信号进行时域特征提取和频域特征提取包括：
获取所述主波波峰的横纵坐标，并根据所述主波波峰的横纵坐标得到所述主波的三分之一宽度；
获取所述重博波起点的横纵坐标和所述重博波波峰的横纵坐标；
获取所述潮波起点的横纵坐标和所述潮波波峰的横纵坐标；
获得所述脉搏波的周期和面积。
优选地，获取所述重博波起点的横纵坐标和所述重博波波峰的横纵坐标，包括：
检测一定时间阈值范围内的所述脉搏波是否存在重博波波峰；
若存在，记录所述重博波起点的横纵坐标和所述重博波波峰的横纵坐标；
若不存在，搜索一定时间阈值范围内的所述脉搏波脉形曲率中是否存在成对的极值点，所述重博波起点和所述重博波波峰为特定时间阈值内的极小值和极大值点，若存在，记录所述重博波起点的横纵坐标和所述重博波波峰的横纵坐标。
优选地，获取所述潮波起点的横纵坐标和所述潮波波峰的横纵坐标，包括：
检测一定时间阈值范围内的所述脉搏波是否存在潮波波峰；
若存在，记录所述潮波起点的横纵坐标和所述潮波波峰的横纵坐标；
若不存在，搜索一定时间阈值范围内的所述脉搏波脉形曲率中是否存在成对的极值点，所述潮波起点和所述潮波波峰为特定时间阈值内的极小值和极大值点，若存在，记录所述潮波起点的横纵坐标和所述潮波波峰的横纵坐标。
优选地，获取人体的脉搏波信号包括：
获取人体腕部挠动脉处的脉搏波电压信号；
将所述脉搏波电压信号转换为数字信号。
一种自动识别中医脉象的系统，应用于如上任一项所述的方法，包括：
信号采集模块，用于获取人体的脉搏波信号；
信号处理模块，用于对所述脉搏波信号进行时域特征提取和频域特征提取，以获得所述脉搏波信号的特征参数；
脉象识别模块，用于利用神经网络模型识别与所述特征参数对应的脉象，所述神经网络模型为预先建立的且已经被包含各种脉象信息的训练数据集训练过的深度全连接神经网络模型。
优选地，所述特征参数包括主波波峰的横纵坐标、潮波起点的横纵坐标、潮波波峰的横纵坐标、重博波起点的横纵坐标、重博波波峰的横纵坐标、主波的三分之一宽度、所述脉搏波的周期和面积；
所述脉象包括平脉、弦脉、滑脉、弦滑脉、浮脉、沉脉、数脉和迟脉。
优选地，所述神经网络模型为六层全连接结构；
所述神经网络模型包括输入层、隐藏层和输出层，所述输入层的节点数为13，所述隐藏层的节点数为每层50～55，所述输出层的节点数为8。
优选地，所述信号采集模块包括压力传感器和集成电路；所述信号处理模块为计算机；
所述压力传感器用于获取人体腕部挠动脉处的脉搏波电压信号；
所述集成电路用于将所述脉搏波电压信号转换为数字信号。
与现有技术相比，本发明所提供的技术方案具有以下优点：
本发明所提供的自动识别中医脉象的方法和系统，获取人体的脉搏波信号后，对所述脉搏波信号进行时域特征提取和频域特征提取，获得所述脉搏波信号的特征参数，并利用神经网络模型识别与所述特征参数对应的脉象，由于神经网络模型为预先建立的且已经被包含各种脉象信息的训练数据集训练过的深度全连接神经网络模型，因此，可以实现中医脉象的自动识别，从而实现了脉诊的自动化。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的自动识别中医脉象的方法的流程图；
图2为本发明实施例提供的平脉的脉搏波形图；
图3为本发明实施例提供的对脉搏波信号进行时域特征提取和频域特征提取的流程图；
图4为本发明实施例提供的自动识别中医脉象的系统的结构示意图。
具体实施方式
正如背景技术所述，现有的脉象解析方法在获取脉搏波后，大多采用人工读取脉象图各项指标的方式来进行脉象的识别，难以实现脉诊的自动化，即难以实现中医脉象的自动识别。
基于此，本发明提供了一种自动识别中医脉象的方法，以克服现有技术存在的上述问题，包括：
获取人体的脉搏波信号；
对所述脉搏波信号进行时域特征提取和频域特征提取，以获得所述脉搏波信号的特征参数；
利用神经网络模型识别与所述特征参数对应的脉象，所述神经网络模型为预先建立的且已经被包含各种脉象信息的训练数据集训练过的深度全连接神经网络模型。
本发明还提供了一种自动识别中医脉象的系统，包括：
信号采集模块，用于获取人体的脉搏波信号；
信号处理模块，用于对所述脉搏波信号进行时域特征提取和频域特征提取，以获得所述脉搏波信号的特征参数；
脉象识别模块，用于利用神经网络模型识别与所述特征参数对应的脉象，所述神经网络模型为预先建立的且已经被包含各种脉象信息的训练数据集训练过的深度全连接神经网络模型。
本发明提供的自动识别中医脉象的方法和系统，获取人体的脉搏波信号后，对所述脉搏波信号进行时域特征提取和频域特征提取，获得所述脉搏波信号的特征参数，并利用神经网络模型识别与所述特征参数对应的脉象，由于神经网络模型为预先建立的且已经被包含各种脉象信息的训练数据集训练过的深度全连接神经网络模型，因此，可以实现中医脉象的自动识别，从而实现了脉诊的自动化。
以上是本发明的核心思想，为使本发明的上述目的、特征和优点能够更加明显易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供了一种自动识别中医脉象的方法，如图1所示，包括：
S101：获取人体的脉搏波信号；
S102：对所述脉搏波信号进行时域特征提取和频域特征提取，以获得所述脉搏波信号的特征参数；
S103：利用神经网络模型识别与所述特征参数对应的脉象。
其中，所述神经网络模型为预先建立的且已经被包含各种脉象信息的训练数据集训练过的深度全连接神经网络模型。具体地，需要先采集各种脉象对应的脉搏波的特征参数，然后对这些特征参数进行分类标注，即标注特征参数对应的脉象，形成训练数据集，最后再利用该包含各种脉象信息的训练数据集对神经网络模型进行训练。
本实施例中，获取人体的脉搏波信号，包括：获取人体腕部挠动脉处的脉搏波电压信号；将所述脉搏波电压信号转换为数字信号。
进一步地，本实施例中自动识别中医脉象的具体过程为：
首先，将压力可调的压力传感器置于人体腕部挠动脉处，获得挠动脉处的脉搏波电压信号，然后对该脉搏波电压信号进行分段加压，并由采集电路转换为数字信号，以获得人体的脉搏波信号。
之后，将脉搏波信号传输至计算机，通过计算机对脉搏波信号进行预处理，即进行降噪、去除基线漂移和异常数据剔除。然后，利用计算机对脉搏波信号进行时域特征提取和频域特征提取，抽取脉搏波信号中的重要特征点，以获得脉搏波信号的特征参数。
然后，将提取出的特征参数输入到神经网络模型中，由于神经网络模型为预先建立的且已经训练好的深度全连接神经网络模型，因此，神经网络模型会输出与特征参数对应的脉象。
可选地，如图2所示，本实施例中的特征参数包括主波波峰(c点)的横纵坐标(t1，h1)、潮波起点(d点)的横纵坐标(t2，h2)、潮波波峰(e点)的横纵坐标(t3，h3)、重博波起点(f点)的横纵坐标(t4，h4)、重博波波峰(g点)的横纵坐标(t5，h5)、主波的三分之一宽度W、所述脉搏波的周期T和面积S。
将上述特征参数作为输入数据输入神经网络模型后，神经网络模型对输入数据进行归一化即离差标准化，得到关于脉搏波信号的特征向量，如(t1,h1,t2,h2,t3,h3,t4,h4,t5,h5,w,t,s)，对该特征向量进行响应后，即可得到对应的标签向量，即得到对应的脉象。神经网络模型输出的脉象包括常见的八种脉象：平脉、弦脉、滑脉、弦滑脉、浮脉、沉脉、数脉和迟脉。
例如，标签向量(1,0,0,0,0,0,0,0)代表平脉，标签向量(0,1,0,0,0,0,0,0)代表弦脉，标签向量(0,0,1,0,0,0,0,0)代表滑脉，标签向量(0,0,0,1,0,0,0,0)代表弦滑脉，标签向量(0,0,0,0,1,0,0,0)代表浮脉，标签向量(0,0,0,0,0,1,0,0)代表沉脉，标签向量(0,0,0,0,0,0,1,0)代表数脉，标签向量(0,0,0,0,0,0,0,1)代表迟脉。
当然，本发明并不仅限于此，在其他实施例中，可以采用更多或更少的特征参数作为输入数据，也可以输出更多或更少类型的脉象。
本实施例中，神经网络模型为六层全连接结构；该神经网络模型包括输入层、隐藏层和输出层，其输入层的节点数为13，隐藏层的节点数为每层50～55，输出层的节点数为8。并且，该神经网络模型使用ReLU(Rectified linear unit，修正线性单元)神经元，加入了Dropout层，初始化方法采用Xavier初始化。当然，本发明并不仅限于此，在其他实施例中，也可以采用其他模式的神经网络模型。
本实施例中，脉搏波包括主波、重播波和潮波(又叫重播前波)，如图3所示，对脉搏波信号进行时域特征提取和频域特征提取包括：
S301：获取所述主波波峰的横纵坐标，并根据所述主波波峰的横纵坐标得到所述主波的三分之一宽度；
利用脉搏波起始点(a点)和脉搏波最大值点即主波波峰(c点)之间数据的一阶差分值确定心脏溅射点(具有生理意义的一个点，图2中未示出)，然后判定心脏溅射点与主波波峰(c点)之间是否还存在波峰点，若存在，则选择距离心脏溅射点最近的点为主波波峰，若不存在，则该主波波峰(c点)仍为主波波峰，该主波波峰(c点)的横纵坐标(t1，h1)为主波波峰(c点)的横纵坐标。
根据主波波峰(c点)的横纵坐标(t1，h1)得到主波的三分之一宽度W。
S302：获取所述重博波起点的横纵坐标和所述重博波波峰的横纵坐标；
检测一定时间阈值范围内的所述脉搏波是否存在重博波波峰(g点)；
若存在，记录所述重博波起点(f点)的横纵坐标(t4，h4)和所述重博波波峰(g点)的横纵坐标(t5，h5)；
若不存在，搜索一定时间阈值范围内的所述脉搏波脉形曲率中是否存在成对的极值点，所述重博波起点(f点)和所述重博波波峰(g点)为特定时间阈值内的极小值和极大值点，若存在，记录所述重博波起点(f点)的横纵坐标(t4，h4)和所述重博波波峰(g点)的横纵坐标(t5，h5)，若不存在，可以对时间阈值范围进行调整，并再次搜索，直到搜索出重博波起点(f点)和重博波波峰(g点)为止。
S303：获取所述潮波起点的横纵坐标和所述潮波波峰的横纵坐标；
检测一定时间阈值范围内的所述脉搏波是否存在潮波波峰(e点)；
若存在，记录所述潮波起点(d点)的横纵坐标(t2，h2)和所述潮波波峰(e点)的横纵坐标(t3，h3)；
若不存在，搜索一定时间阈值范围内的所述脉搏波脉形曲率中是否存在成对的极值点，所述潮波起点(d点)和所述潮波波峰(e点)为特定时间阈值内的极小值和极大值点，若存在，记录所述潮波起点(d点)的横纵坐标(t2，h2)和所述潮波波峰(e点)的横纵坐标(t3，h3)，若不存在，可以对时间阈值范围进行调整，并再次搜索，直到搜索出潮波起点(d点)和潮波波峰(e点)为止。
S304：获得所述脉搏波的周期和面积。
脉搏波的面积S是指脉搏波信号与坐标轴围成的面积，对脉搏波信号进行傅里叶变换，即可得到信号频谱，来求取信号频谱的面积。脉搏波的周期T等于b点与a点的时间差。
需要说明的是，本实施例中的平脉、弦脉、滑脉、弦滑脉、浮脉、沉脉、数脉和迟脉对应的脉搏波都具有主波波峰、潮波起点、潮波波峰、重博波起点以及重博波波峰这些特征点，只是不同的脉象的特征点出现的时间和幅值不同，因此，在获得人体的脉搏波后，可以根据这些特征点的时间和幅值高度自动确定其对应的是哪种脉象，即自动进行脉象的分类识别，从而可以根据对应的脉象进行病理的分析。
本发明实施例提供的自动识别中医脉象的方法，获取人体的脉搏波信号后，对所述脉搏波信号进行时域特征提取和频域特征提取，获得所述脉搏波信号的特征参数，并利用神经网络模型识别与所述特征参数对应的脉象，由于神经网络模型为预先建立的且已经被包含各种脉象信息的训练数据集训练过的深度全连接神经网络模型，因此，可以实现中医脉象的自动识别，从而实现了脉诊的自动化。
本发明实施例还提供了一种自动识别中医脉象的系统，应用于上述实施例提供的自动识别中医脉象的方法，如图4所示，包括信号采集模块41、信号处理模块42和脉象识别模块43。
其中，信号采集模块41用于获取人体的脉搏波信号；
信号处理模块42用于对所述脉搏波信号进行时域特征提取和频域特征提取，以获得所述脉搏波信号的特征参数；
脉象识别模块43用于利用神经网络模型识别与所述特征参数对应的脉象，所述神经网络模型为预先建立的且已经被包含各种脉象信息的训练数据集训练过的深度全连接神经网络模型。
本实施例中，信号采集模块41包括压力传感器和集成电路；信号处理模块42为计算机；所述压力传感器用于获取人体腕部挠动脉处的脉搏波电压信号；所述集成电路用于将所述脉搏波电压信号转换为数字信号。
压力传感器获得人体腕部挠动脉处的脉搏波电压信号后，对该脉搏波电压信号进行分段加压并传输至采集电路，通过采集电路将电压信号转换为数字信号，以获得人体的脉搏波信号。
采集电路将脉搏波信号传输至计算机后，计算机对脉搏波信号进行预处理，即进行降噪、去除基线漂移和异常数据剔除，并对脉搏波信号进行时域特征提取和频域特征提取，抽取脉搏波信号中的重要特征点，获得脉搏波信号的特征参数。
计算机将提取的特征参数传输至脉象识别模块43中的神经网络模型后，由于神经网络模型为预先建立的且已经训练好的深度全连接神经网络模型，因此，神经网络模型会输出与特征参数对应的脉象。
可选地，如图2所示，本实施例中的特征参数包括主波波峰(c点)的横纵坐标(t1，h1)、潮波起点(d点)的横纵坐标(t2，h2)、潮波波峰(e点)的横纵坐标(t3，h3)、重博波起点(f点)的横纵坐标(t4，h4)、重博波波峰(g点)的横纵坐标(t5，h5)、主波的三分之一宽度W、所述脉搏波的周期T和面积S。
计算机将上述特征参数作为输入数据输入神经网络模型后，神经网络模型对输入数据进行归一化即离差标准化，得到关于脉搏波信号的特征向量，如(t1,h1,t2,h2,t3,h3,t4,h4,t5,h5,w,t,s)，对该特征向量进行响应后，即可得到对应的标签向量，即得到对应的脉象。神经网络模型输出的脉象包括常见的八种脉象：平脉、弦脉、滑脉、弦滑脉、浮脉、沉脉、数脉和迟脉。
本实施例中，神经网络模型为六层全连接结构；该神经网络模型包括输入层、隐藏层和输出层，其输入层的节点数为13，隐藏层的节点数为每层50～55，输出层的节点数为8。并且，该神经网络模型使用ReLU(Rectified linear unit，修正线性单元)神经元，加入了Dropout层，初始化方法采用Xavier初始化。当然，本发明并不仅限于此，在其他实施例中，也可以采用其他模式的神经网络模型。
本发明实施例提供的自动识别中医脉象的系统，信号采集模块获取人体的脉搏波信号后，信号处理模块对所述脉搏波信号进行时域特征提取和频域特征提取，获得所述脉搏波信号的特征参数，神经网络模型识别与所述特征参数对应的脉象，由于神经网络模型为预先建立的且已经被包含各种脉象信息的训练数据集训练过的深度全连接神经网络模型，因此，不需要人工识别，即可实现中医脉象的自动识别，从而实现了脉诊的自动化。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种自动识别中医脉象的方法，其特征在于，包括：
获取人体的脉搏波信号；
对所述脉搏波信号进行时域特征提取和频域特征提取，以获得所述脉搏波信号的特征参数；
利用神经网络模型识别与所述特征参数对应的脉象，所述神经网络模型为预先建立的且已经被包含各种脉象信息的训练数据集训练过的深度全连接神经网络模型。
2.根据权利要求1所述的方法，其特征在于，所述特征参数包括主波波峰的横纵坐标、潮波起点的横纵坐标、潮波波峰的横纵坐标、重博波起点的横纵坐标、重博波波峰的横纵坐标、主波的三分之一宽度、所述脉搏波的周期和面积；
所述脉象包括平脉、弦脉、滑脉、弦滑脉、浮脉、沉脉、数脉和迟脉。
3.根据权利要求2所述的方法，其特征在于，对所述脉搏波信号进行时域特征提取和频域特征提取包括：
获取所述主波波峰的横纵坐标，并根据所述主波波峰的横纵坐标得到所述主波的三分之一宽度；
获取所述重博波起点的横纵坐标和所述重博波波峰的横纵坐标；
获取所述潮波起点的横纵坐标和所述潮波波峰的横纵坐标；
获得所述脉搏波的周期和面积。
4.根据权利要求3所述的方法，其特征在于，获取所述重博波起点的横纵坐标和所述重博波波峰的横纵坐标，包括：
检测一定时间阈值范围内的所述脉搏波是否存在重博波波峰；
若存在，记录所述重博波起点的横纵坐标和所述重博波波峰的横纵坐标；
若不存在，搜索一定时间阈值范围内的所述脉搏波脉形曲率中是否存在成对的极值点，所述重博波起点和所述重博波波峰为特定时间阈值内的极小值和极大值点，若存在，记录所述重博波起点的横纵坐标和所述重博波波峰的横纵坐标。
5.根据权利要求3所述的方法，其特征在于，获取所述潮波起点的横纵坐标和所述潮波波峰的横纵坐标，包括：
检测一定时间阈值范围内的所述脉搏波是否存在潮波波峰；
若存在，记录所述潮波起点的横纵坐标和所述潮波波峰的横纵坐标；
若不存在，搜索一定时间阈值范围内的所述脉搏波脉形曲率中是否存在成对的极值点，所述潮波起点和所述潮波波峰为特定时间阈值内的极小值和极大值点，若存在，记录所述潮波起点的横纵坐标和所述潮波波峰的横纵坐标。
6.根据权利要求1所述的方法，其特征在于，获取人体的脉搏波信号包括：
获取人体腕部挠动脉处的脉搏波电压信号；
将所述脉搏波电压信号转换为数字信号。
7.一种自动识别中医脉象的系统，其特征在于，应用于权利要求1～6任一项所述的方法，包括：
信号采集模块，用于获取人体的脉搏波信号；
信号处理模块，用于对所述脉搏波信号进行时域特征提取和频域特征提取，以获得所述脉搏波信号的特征参数；
脉象识别模块，用于利用神经网络模型识别与所述特征参数对应的脉象，所述神经网络模型为预先建立的且已经被包含各种脉象信息的训练数据集训练过的深度全连接神经网络模型。
8.根据权利要求7所述的系统，其特征在于，所述特征参数包括主波波峰的横纵坐标、潮波起点的横纵坐标、潮波波峰的横纵坐标、重博波起点的横纵坐标、重博波波峰的横纵坐标、主波的三分之一宽度、所述脉搏波的周期和面积；
所述脉象包括平脉、弦脉、滑脉、弦滑脉、浮脉、沉脉、数脉和迟脉。
9.根据权利要求8所述的系统，其特征在于，所述神经网络模型为六层全连接结构；
所述神经网络模型包括输入层、隐藏层和输出层，所述输入层的节点数为13，所述隐藏层的节点数为每层50～55，所述输出层的节点数为8。
10.根据权利要求7所述的系统，其特征在于，所述信号采集模块包括压力传感器和集成电路；所述信号处理模块为计算机；
所述压力传感器用于获取人体腕部挠动脉处的脉搏波电压信号；
所述集成电路用于将所述脉搏波电压信号转换为数字信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810270699.1A CN108670209A (zh) | 2018-03-29 | 2018-03-29 | 一种自动识别中医脉象的方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810270699.1A CN108670209A (zh) | 2018-03-29 | 2018-03-29 | 一种自动识别中医脉象的方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108670209A true CN108670209A (zh) | 2018-10-19 |
Family
ID=63800647
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810270699.1A Pending CN108670209A (zh) | 2018-03-29 | 2018-03-29 | 一种自动识别中医脉象的方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108670209A (zh) |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110236502A (zh) * | 2019-07-19 | 2019-09-17 | 南京梅花软件系统股份有限公司 | 一种24小时监测的腕表 |
| 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 |
| CN111276240A (zh) * | 2019-12-30 | 2020-06-12 | 广州西思数字科技有限公司 | 一种基于图卷积网络的多标签多模态全息脉象识别方法 |
| CN111671409A (zh) * | 2020-02-25 | 2020-09-18 | 深圳乐普智能医疗器械有限公司 | 一种脉搏波形的分析方法及装置 |
| CN112773340A (zh) * | 2021-02-07 | 2021-05-11 | 佛山科学技术学院 | 一种基于eemd-pncc的脉搏特征提取系统及方法 |
| CN112842288A (zh) * | 2021-01-29 | 2021-05-28 | 清华大学深圳国际研究生院 | 脉搏数据分类模型建立装置、分类识别装置和测量系统 |
| CN112842289A (zh) * | 2021-01-29 | 2021-05-28 | 清华大学深圳国际研究生院 | 一种脉搏信号采集及测量装置 |
| CN113229798A (zh) * | 2021-05-18 | 2021-08-10 | 平安科技（深圳）有限公司 | 模型迁移训练方法、装置、计算机设备及可读存储介质 |
| CN113288075A (zh) * | 2021-06-01 | 2021-08-24 | 山西恒朝科技有限责任公司 | 浮中沉脉位识别方法及系统 |
| CN113397500A (zh) * | 2021-08-03 | 2021-09-17 | 华东师范大学 | 一种脉搏监测装置 |
| CN113712516A (zh) * | 2021-09-08 | 2021-11-30 | 上海中医药大学 | 一种基于时序卷积网络的中医脉象识别模型的建立方法 |
| CN114305345A (zh) * | 2022-02-16 | 2022-04-12 | 平安科技（深圳）有限公司 | 一种脉象识别方法、系统、装置及存储介质 |
| CN114722855A (zh) * | 2022-02-28 | 2022-07-08 | 太原理工大学 | 一种滑脉波的识别处理方法 |
| CN114795137A (zh) * | 2022-03-08 | 2022-07-29 | 哈尔滨理工大学 | 一种基于神经网络的患者脉象诊断系统 |
| CN114869249A (zh) * | 2022-07-12 | 2022-08-09 | 慧医谷中医药科技(天津)股份有限公司 | 脉搏波特征参数的获取方法、装置、电子设备及介质 |
| CN115040089A (zh) * | 2022-08-16 | 2022-09-13 | 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 |
| CN115251856A (zh) * | 2022-09-26 | 2022-11-01 | 季华实验室 | 脉力强弱判断方法、装置、电子设备及存储介质 |
| CN115374125A (zh) * | 2022-09-01 | 2022-11-22 | 无锡市华焯光电科技有限公司 | 脉象诊断分类方法、数据库构建方法、装置及存储介质 |
| CN115381412A (zh) * | 2022-09-23 | 2022-11-25 | 广东省新黄埔中医药联合创新研究院 | 脉搏波阵列信号包络图结合时域信号识别弦脉特征的方法 |
| CN116649924A (zh) * | 2023-06-06 | 2023-08-29 | 湖南敬凯投资管理有限公司 | 一种脉搏分析方法及装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050049470A1 (en) * | 2003-08-27 | 2005-03-03 | Terry Alvin Mark | Multi-domain motion estimation and plethysmographic recognition using fuzzy neural-nets |
| CN103034837A (zh) * | 2011-09-30 | 2013-04-10 | Ge医疗系统环球技术有限公司 | 特征参数与脉象要素的关联 |
| CN103284702A (zh) * | 2013-06-17 | 2013-09-11 | 中国科学院苏州纳米技术与纳米仿生研究所 | 心电图和脉搏波关系分析及融合分析的方法和装置 |
| CN104739389A (zh) * | 2015-04-15 | 2015-07-01 | 中国人民解放军国防科学技术大学 | 曲面应变片、脉搏信号提取装置及方法和脉象诊疗系统 |
| CN105796068A (zh) * | 2014-12-28 | 2016-07-27 | 天津心康科技发展有限公司 | 一种无创分析心脑血管疾病的方法 |
| WO2017117798A1 (en) * | 2016-01-08 | 2017-07-13 | Heartisans Limited | Wearable device for assessing the likelihood of the onset of cardiac arrest and method thereof |
| CN107811619A (zh) * | 2017-12-08 | 2018-03-20 | 西安科技大学 | 便携式脉诊仪及其分析方法 |
| CN107822608A (zh) * | 2017-10-26 | 2018-03-23 | 中国民航大学 | 基于高斯混合模型的脉搏波特征提取方法 |
-
2018
- 2018-03-29 CN CN201810270699.1A patent/CN108670209A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050049470A1 (en) * | 2003-08-27 | 2005-03-03 | Terry Alvin Mark | Multi-domain motion estimation and plethysmographic recognition using fuzzy neural-nets |
| CN103034837A (zh) * | 2011-09-30 | 2013-04-10 | Ge医疗系统环球技术有限公司 | 特征参数与脉象要素的关联 |
| CN103284702A (zh) * | 2013-06-17 | 2013-09-11 | 中国科学院苏州纳米技术与纳米仿生研究所 | 心电图和脉搏波关系分析及融合分析的方法和装置 |
| CN105796068A (zh) * | 2014-12-28 | 2016-07-27 | 天津心康科技发展有限公司 | 一种无创分析心脑血管疾病的方法 |
| CN104739389A (zh) * | 2015-04-15 | 2015-07-01 | 中国人民解放军国防科学技术大学 | 曲面应变片、脉搏信号提取装置及方法和脉象诊疗系统 |
| WO2017117798A1 (en) * | 2016-01-08 | 2017-07-13 | Heartisans Limited | Wearable device for assessing the likelihood of the onset of cardiac arrest and method thereof |
| CN107822608A (zh) * | 2017-10-26 | 2018-03-23 | 中国民航大学 | 基于高斯混合模型的脉搏波特征提取方法 |
| CN107811619A (zh) * | 2017-12-08 | 2018-03-20 | 西安科技大学 | 便携式脉诊仪及其分析方法 |
Cited By (31)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110236502A (zh) * | 2019-07-19 | 2019-09-17 | 南京梅花软件系统股份有限公司 | 一种24小时监测的腕表 |
| 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 |
| CN111276240B (zh) * | 2019-12-30 | 2023-04-28 | 广州西思数字科技有限公司 | 一种基于图卷积网络的多标签多模态全息脉象识别方法 |
| CN111276240A (zh) * | 2019-12-30 | 2020-06-12 | 广州西思数字科技有限公司 | 一种基于图卷积网络的多标签多模态全息脉象识别方法 |
| CN111671409A (zh) * | 2020-02-25 | 2020-09-18 | 深圳乐普智能医疗器械有限公司 | 一种脉搏波形的分析方法及装置 |
| CN112842289A (zh) * | 2021-01-29 | 2021-05-28 | 清华大学深圳国际研究生院 | 一种脉搏信号采集及测量装置 |
| CN112842288A (zh) * | 2021-01-29 | 2021-05-28 | 清华大学深圳国际研究生院 | 脉搏数据分类模型建立装置、分类识别装置和测量系统 |
| WO2022160952A1 (zh) * | 2021-01-29 | 2022-08-04 | 清华大学深圳国际研究生院 | 脉搏数据分类模型建立装置、分类识别装置和测量系统 |
| CN112842288B (zh) * | 2021-01-29 | 2022-02-25 | 清华大学深圳国际研究生院 | 脉搏数据分类模型建立装置、分类识别装置和测量系统 |
| CN112773340B (zh) * | 2021-02-07 | 2022-04-15 | 佛山科学技术学院 | 一种基于eemd-pncc的脉搏特征提取系统及方法 |
| CN112773340A (zh) * | 2021-02-07 | 2021-05-11 | 佛山科学技术学院 | 一种基于eemd-pncc的脉搏特征提取系统及方法 |
| CN113229798A (zh) * | 2021-05-18 | 2021-08-10 | 平安科技（深圳）有限公司 | 模型迁移训练方法、装置、计算机设备及可读存储介质 |
| CN113229798B (zh) * | 2021-05-18 | 2023-08-22 | 平安科技（深圳）有限公司 | 模型迁移训练方法、装置、计算机设备及可读存储介质 |
| CN113288075A (zh) * | 2021-06-01 | 2021-08-24 | 山西恒朝科技有限责任公司 | 浮中沉脉位识别方法及系统 |
| CN113397500A (zh) * | 2021-08-03 | 2021-09-17 | 华东师范大学 | 一种脉搏监测装置 |
| CN113712516A (zh) * | 2021-09-08 | 2021-11-30 | 上海中医药大学 | 一种基于时序卷积网络的中医脉象识别模型的建立方法 |
| CN114305345A (zh) * | 2022-02-16 | 2022-04-12 | 平安科技（深圳）有限公司 | 一种脉象识别方法、系统、装置及存储介质 |
| CN114722855A (zh) * | 2022-02-28 | 2022-07-08 | 太原理工大学 | 一种滑脉波的识别处理方法 |
| CN114722855B (zh) * | 2022-02-28 | 2024-06-21 | 上海贝业斯健康科技有限公司 | 一种滑脉波的识别处理方法 |
| CN114795137A (zh) * | 2022-03-08 | 2022-07-29 | 哈尔滨理工大学 | 一种基于神经网络的患者脉象诊断系统 |
| CN114869249A (zh) * | 2022-07-12 | 2022-08-09 | 慧医谷中医药科技(天津)股份有限公司 | 脉搏波特征参数的获取方法、装置、电子设备及介质 |
| CN114869249B (zh) * | 2022-07-12 | 2022-11-01 | 慧医谷中医药科技(天津)股份有限公司 | 脉搏波特征参数的获取方法、装置、电子设备及介质 |
| CN115040089A (zh) * | 2022-08-16 | 2022-09-13 | 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 |
| 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 |
| CN115374125A (zh) * | 2022-09-01 | 2022-11-22 | 无锡市华焯光电科技有限公司 | 脉象诊断分类方法、数据库构建方法、装置及存储介质 |
| CN115374125B (zh) * | 2022-09-01 | 2024-05-10 | 无锡市华焯光电科技有限公司 | 脉象诊断分类方法、数据库构建方法、装置及存储介质 |
| CN115381412B (zh) * | 2022-09-23 | 2023-07-14 | 广东省新黄埔中医药联合创新研究院 | 脉搏波阵列信号包络图结合时域信号识别弦脉特征的方法 |
| CN115381412A (zh) * | 2022-09-23 | 2022-11-25 | 广东省新黄埔中医药联合创新研究院 | 脉搏波阵列信号包络图结合时域信号识别弦脉特征的方法 |
| 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 |
| CN115251856A (zh) * | 2022-09-26 | 2022-11-01 | 季华实验室 | 脉力强弱判断方法、装置、电子设备及存储介质 |
| CN116649924A (zh) * | 2023-06-06 | 2023-08-29 | 湖南敬凯投资管理有限公司 | 一种脉搏分析方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108670209A (zh) | 一种自动识别中医脉象的方法和系统 | |
| Degerli et al. | Early detection of myocardial infarction in low-quality echocardiography | |
| Chen et al. | Wrist pulse signal diagnosis using modified Gaussian models and Fuzzy C-Means classification | |
| CN107890348B (zh) | 一种基于深度学习法心电节拍特征自动化提取及分类方法 | |
| CN106473750B (zh) | 基于光电容积脉搏波最佳周期波形的身份识别方法 | |
| Alaskar et al. | The implementation of pretrained AlexNet on PCG classification | |
| CN110619322A (zh) | 一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及系统 | |
| Sepahvand et al. | A novel multi-lead ECG personal recognition based on signals functional and structural dependencies using time-frequency representation and evolutionary morphological CNN | |
| CN104346530A (zh) | 大脑异常参数的提取方法和系统 | |
| CN108742660A (zh) | 一种基于可穿戴设备的情绪识别方法 | |
| Stober | Learning discriminative features from electroencephalography recordings by encoding similarity constraints | |
| CN104840186A (zh) | 一种充血性心力衰竭患者自主神经功能的评估方法 | |
| CN109106345A (zh) | 脉搏信号特征检测方法和装置 | |
| Li et al. | Computerized wrist pulse signal diagnosis using gradient boosting decision tree | |
| Sharada et al. | High ECG diagnosis rate using novel machine learning techniques with Distributed Arithmetic (DA) based gated recurrent units | |
| CN115089139A (zh) | 结合生物特征识别的个性化生理参数测量方法 | |
| CN110169766A (zh) | 一种基于小波变换的心电波形检测方法、装置、终端设备 | |
| Guo et al. | IEEG-TCN: a concise and robust temporal convolutional network for intracranial electroencephalogram signal identification | |
| Yang et al. | More to Less (M2L): Enhanced health recognition in the wild with reduced modality of wearable sensors | |
| CN114098691A (zh) | 基于混合高斯模型的脉搏波身份认证方法、装置和介质 | |
| Tefai et al. | ASIC implementation of a pre-trained neural network for ECG feature extraction | |
| CN108338777A (zh) | 一种脉搏信号检测分析方法及装置 | |
| CN115953822B (zh) | 一种基于rPPG生理信号的人脸视频鉴伪方法和装置 | |
| CN116649924A (zh) | 一种脉搏分析方法及装置 | |
| Fan et al. | Disease identification method based on graph features between pulse cycles |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181019 |