CN110432874B - 一种脉搏波的处理方法及装置 - Google Patents
一种脉搏波的处理方法及装置 Download PDFInfo
- Publication number
- CN110432874B CN110432874B CN201910681809.8A CN201910681809A CN110432874B CN 110432874 B CN110432874 B CN 110432874B CN 201910681809 A CN201910681809 A CN 201910681809A CN 110432874 B CN110432874 B CN 110432874B
- Authority
- CN
- China
- Prior art keywords
- pulse
- line
- dimensional
- short
- dimensional 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.)
- 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
-
- 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)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Cardiology (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明实施例提供一种脉搏波的处理方法及装置,该方法包括:根据预设的分割规则,将脉搏波长波形分解为多个短波形片段;对每个短波形片段进行归一化调整,将取值区间放缩到预设区间范围后,转换为二维脉图的行图像,按照每个短波形片段的生成时间顺序,将所有短波形片段对应的行图像逐行堆叠放置,组合生成二维脉图。本发明实施例提供的脉搏波的处理方法及装置,通过对脉搏波形的分解与重新组合,将一维脉搏波转换成了二维脉图,在行方向上可以表示一个脉搏周期内脉搏波的强弱变化以及时间周期长短,在列方向上可以表示各个脉搏周期间的脉搏受人体生理参数调节的变化规律,便于使用各种图像处理工具进行分析处理,以获得更多的人体参数数据。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种脉搏波的处理方法及装置。
背景技术
通常意义上的脉搏波,是通过传感器技术将人体特定部位的脉搏生理信号转换为光电信号,是一个随时间变化的波形序列。该时间序列信号体现了人体脉搏随时间变化的规律。如图1所示。在脉搏波分析时,利用这种一维时间序列信号进行各种信号分析,挖掘出其中的人体生理特性。但这种一维的信号表达难以直观展示不同脉搏周期波形的异同点,不方便分析多周期的生理变化规律。
发明内容
为解决现有技术中的问题,本发明实施例提供一种脉搏波的处理方法及装置。
第一方面,本发明实施例提供一种脉搏波的处理方法,包括:根据预设的分割规则,将脉搏波长波形分解为多个短波形片段;对每个所述短波形片段进行归一化调整,将每个所述短波形片段的取值区间放缩到预设区间范围内;将每个所述短波形片段转换为二维脉图的行图像,按照每个所述短波形片段的生成时间顺序,将所有所述短波形片段对应的所述行图像逐行堆叠放置,组合生成所述二维脉图。
进一步地,所述将每个所述短波形片段转换为二维脉图的行图像,具体包括:对于每个所述短波形片段,将所述短波形片段中采样点的列号作为所述采样点对应的图像像素点的横坐标,将所述采样点的取值作为所述采样点对应的图像像素点的灰度值,所有所述采样点形成所述行图像。
进一步地,每个所述短波形片段中采样点的最大列号为相应所述短波形片段的片段长度;所述方法还包括:将所述二维脉图的宽度取值为所有所述短波形片段的最大片段长度;对于所述片段长度小于所述最大片段长度的所述短波形片段,在所述二维脉图的相应行图像后面填充预设灰度值的像素点。
进一步地,所述方法还包括:提取所述二维脉图每一行的尾部点,并将所有的所述尾部点组合为一个曲线序列;将所述曲线序列进行坐标变换,其中,将所述曲线序列上的每个所述尾部点的行号表示为点序号,每个所述尾部点的所述横坐标表示为点的取值;利用进行所述坐标变换后的所述曲线序列进行数据分析处理。
进一步地,所述方法还包括:根据生理信号发生的位置确定所述二维脉图每一行上需提取的特征像素;将所有行的所述特征像素组合成一个特征列图像进行数据分析处理。
进一步地,所述方法还包括:提取所述二维脉图的所述行图像的图像数据;对所述图像数据进行数据分析处理,得到数据分析处理结果;对基于各个所述行图像得到的所述数据分析处理结果进一步进行统计处理。
进一步地,所述方法还包括:将多个所述二维脉图处理为预设大小,并建立每个所述二维脉图与相应目标信息参数之间的关联;利用关联好的所述二维脉图和所述目标信息参数进行机器学习训练,建立所述二维脉图与所述目标信息参数间的分类模型。
第二方面,本发明实施例提供一种脉搏波的处理装置,包括:波形分解模块,用于根据预设的分割规则,将脉搏波长波形分解为多个短波形片段;归一化调整模块,用于对每个所述短波形片段进行归一化调整,将每个所述短波形片段的取值区间放缩到预设区间范围内;二维脉图生成模块,用于将每个所述短波形片段转换为二维脉图的行图像,按照每个所述短波形片段的生成时间顺序,将所有所述短波形片段对应的所述行图像逐行堆叠放置,组合生成所述二维脉图。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的脉搏波的处理方法及装置,通过对脉搏波形的分解与重新组合,将一维脉搏波转换成了一个二维脉图,此二维脉图在行方向上可以表示一个脉搏周期内脉搏波的强弱变化以及时间周期长短,在列方向上可以表示各个脉搏周期间的脉搏受人体生理参数调节的变化规律,便于使用各种图像处理工具进行分析处理,以获得更多的人体参数数据。
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,下面描述中的附图是本发明的一些实施例,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,还可以根据这些附图获得其他的附图。
图1是脉搏波的波形示意图。
图2是本发明实施例提供的脉搏波的处理方法流程图;
图3是本发明实施例提供的脉搏波的处理方法中二维脉图的生成过程示意图;
图4是本发明实施例提供的脉搏波的处理方法中的二维脉图的示意图;
图5是本发明实施例提供的脉搏波的处理方法中利用行尾点进行信息提取的示意图;
图6是本发明实施例提供的脉搏波的处理方法中利用特征列图像进行信息提取的示意图;
图7是本发明实施例提供的脉搏波的处理方法中利用行图像进行信息提取的示意图;
图8是本发明实施例提供的脉搏波的处理方法中利用分类模型进行信息提取的示意图;
图9是本发明实施例提供的脉搏波的处理装置结构示意图;
图10是本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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、完整的描述,显然,所描述的实施例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作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。
图2是本发明实施例提供的脉搏波的处理方法流程图。如图2所示,所述方法包括:
步骤S1、根据预设的分割规则,将脉搏波长波形分解为多个短波形片段;
将脉搏波长波形分解为多个短波形片段。在分割时,使用到了预设的分割规则,这种分割规则控制着波形在哪个位置进行分割。典型的波形分割位置包括但不仅限于波谷点、最大梯度点等一个脉搏周期内的特殊属性点。分割得到的每个短波形片段近似表达了一个脉搏周期的波形。当然,也可以不按照脉搏周期进行分割,具体可根据需要而定。
图3是本发明实施例提供的脉搏波的处理方法中二维脉图的生成过程示意图。如图3所示,分割脉搏波形为一系列的波形片段P1、P2、…、PN,在分割时,使用到了预设的分割规则。这一系列的波形片段,每个近似为一个脉搏周期的波形。在本实施方式中,提取了脉搏波形每个周期的波峰点,波谷点和最大正梯度点,综合决策波形分割点。
步骤S2、对每个所述短波形片段进行归一化调整,将每个所述短波形片段的取值区间放缩到预设区间范围内;
对每个短波形片段进行归一化调整,通过归一化调整,将每个短波形片段的取值区间放缩到某预设区间范围[Vmin,Vmax],这个预设区间范围必须是一个图像所能允许表达的数值范围之内,本实施方式中该预设区间范围可以选为1~255灰度值范围,以便于后面的图像显示。从原短波形片段的取值区间到目标预设区间范围的映射允许线性或非线性映射,但必须是单调的。在归一化调整时,既可以对所有短波形片段进行统一的归一化调整,也可以每个短波形片段单独进行。在本实施方式中,按照每个短波形片段独立归一化调整的方式进行处理。
步骤S3、将每个所述短波形片段转换为二维脉图的行图像,按照每个所述短波形片段的生成时间顺序,将所有所述短波形片段对应的所述行图像逐行堆叠放置,组合生成所述二维脉图。
组合短波形片段为一幅二维脉图。在进行组合时,按生成短波形片段的时间顺序,将N条短波形片段依次转换为二维脉图的第1行,第2行,…第N行图像。将所有所述短波形片段对应的所述行图像逐行堆叠放置,组合生成所述二维脉图。
图4是本发明实施例提供的脉搏波的处理方法中的二维脉图的示意图。
本发明实施例将一个一维脉搏波信号转换为二维脉图表示。首先按照预设的分割规则将一维脉搏波分割为多个有规律的片段。然后进行脉搏波片段的归一化处理,使得在保持各片段幅值具有可比性的基础上,将波形取值范围放缩到一个图像所能允许的范围内。最后进行片段的组合,将多个波形片段组合为一个二维脉图。
本发明实施例通过对脉搏波形的分解与重新组合,将一维脉搏波转换成了一个二维脉图,此二维脉图在行方向上可以表示一个脉搏周期内脉搏波的强弱变化以及时间周期长短,在列方向上可以表示各个脉搏周期间的脉搏受人体生理参数调节的变化规律,便于使用各种图像处理工具进行分析处理,以获得更多的人体参数数据。
进一步地,基于上述实施例,所述将每个所述短波形片段转换为二维脉图的行图像,具体包括:对于每个所述短波形片段,将所述短波形片段中采样点的列号作为所述采样点对应的图像像素点的横坐标,将所述采样点的取值作为所述采样点对应的图像像素点的灰度值,所有所述采样点形成所述行图像。
由各个行图像堆叠形成所述二维脉图。每个行图像中的采样点具有相同的行号,也可称作纵坐标。对于行图像中的各个采样点,具有不同的列号。列号是指按照采样的排列顺序,对应的具体数值,比如从第一个采样点开始计数,到目标采样点时是第几个采样点,则这个数值就是目标采样点的列号,也称作横坐标。
采样点与图像像素点一一对应,对于每个所述短波形片段,所述短波形片段中采样点的列号也即所述采样点对应的图像像素点的横坐标,所述采样点的取值也即所述采样点对应的图像像素点的灰度值。位于同一行的所有所述采样点形成所述行图像。在形成的二维脉图中,各个采样点的取值作为所述采样点的像素灰度值。
在上述实施例的基础上,本发明实施例给出了二维脉图中采样点的表示方法,为利用二维脉图进行分析提供了前提。
进一步地,基于上述实施例,每个所述短波形片段中采样点的最大列号为相应所述短波形片段的片段长度;所述方法还包括:将所述二维脉图的宽度取值为所有所述短波形片段的最大片段长度;对于所述片段长度小于所述最大片段长度的所述短波形片段,在所述二维脉图的相应行图像后面填充预设灰度值的像素点。
组合短波形片段为一幅二维脉图。在进行组合时,按生成短波形片段的时间顺序,将N条短波形片段依次转换为二维脉图的第1行,第2行,…第N行图像。二维脉图的图像宽度取为N条波形片段的最大片段长度Lmax,其它不足最大片段长度的短波形片段,在二维脉图的相应行后面填充预设像素,所述预设像素具有预设灰度值,如200。
比如,按照如下过程生成二维脉图:
分割脉搏波形为一系列的波形片段P1、P2、…、PN,每个波形片段的长度分别为L1、L2、…、LN;
获得N个短波形片段长度的最大值Lmax=max(L1,L2,…LN);
将第k个短波形片段的值为Vk的第Jk(Jk≤Lk)个点映射为二维脉图上第k行图像上的列坐标为Jk的点,该点取值为Vk;
如果第k个短波形片段长度Lk<Lmax,则脉图第k行上第Lk+1到第Lmax个像素点,赋值为预选值V预设(比如灰度值200);
对所有N个短波形片段,重复上述步骤,生成一幅N行,Lmax列的二维脉图。
在上述实施例的基础上,本发明实施例设置了二维脉图的宽度并在宽度较小的行图像后面填充预设像素,保证了利用二维脉图进行图像处理时的可靠性。
二维脉图中含有丰富的脉搏波信号,既有行方向的单周期信息,也有列方向的多周期信息。通用的图像处理算法提供了一些基础的信息提取方法,但如何结合二维脉图中蕴含的脉搏波信号本身的生理特性进行数据分析,是一个有待解决的问题。
进一步地,基于上述实施例,所述方法还包括:提取所述二维脉图每一行的尾部点,并将所有的所述尾部点组合为一个曲线序列;将所述曲线序列进行坐标变换,其中,将所述曲线序列上的每个所述尾部点的行号表示为点序号,每个所述尾部点的所述横坐标表示为点的取值;利用进行所述坐标变换后的所述曲线序列进行数据分析处理。
图5是本发明实施例提供的脉搏波的处理方法中利用行尾点进行信息提取的示意图。
提取二维脉图每一行的尾部点(行尾点),其中第i行尾部点坐标为(xi,i),xi表示尾部点对应的横坐标,其中尾部点的位置由下式决定:
其中,V预设表示填充的预设灰度值像素点;Vj表示行图像中的其他采样点,j为下标。
上式示出了直接根据二维脉图得到尾部点的横坐标的方法,上式表示尾部点为Vj中的列号最大值所对应的采样点,Vj的横坐标即为尾部点的横坐标。
将所有尾部点组合为一个曲线序列,其中曲线每点由行尾点进行坐标变换得到,将行尾点的行序号(行号)表示为点序号,将行尾点的列序号(列号)表示为点的取值,即第i行尾部点坐标(xi,i)变换为曲线的第i个点,该点取值为xi。
对该曲线进行基于序列的数据分析处理,在本实施方式中,通过统计均值,方差以及频域变换等途径,可以基于该序列提取到心率变异性HRV的一些特征参数,例如平均心率,高低频能量等。
在上述实施例的基础上,本发明实施例在从一维脉搏波信号生成的二维脉图的基础上,结合二维脉图中含有的人体生理参数信息和变化规律,实现了通过新的方法从二维脉图中有效地提取信息。
进一步地,基于上述实施例,所述方法还包括:根据生理信号发生的位置确定所述二维脉图每一行上需提取的特征像素;将所有行的所述特征像素组合成一个特征列图像进行数据分析处理。
图6是本发明实施例提供的脉搏波的处理方法中利用特征列图像进行信息提取的示意图。
根据生理信号发生的位置确定二维脉图每一行上需提取的特征像素位置,例如,可以选取主波峰、重搏波、降中峡或者重搏前波作为待分析特征位置,获取每一行上该特征位置的像素;对所有行的特征像素组合成一个特征列图像进行数据分析处理,利用数理统计或者各种变换方法获取相应的均值、方差等信息,这些信息反映了脉搏波中与特征位置相应的信号的变化规律。
在上述实施例的基础上,本发明实施例通过获取特征列图像并进行信号提取,进一步丰富了信息提取的方法,有利于多样化信息的获取。
进一步地,基于上述实施例,所述方法还包括:提取所述二维脉图的所述行图像的图像数据;对所述图像数据进行数据分析处理,得到数据分析处理结果;对基于各个所述行图像得到的所述数据分析处理结果进一步进行统计处理。
图7是本发明实施例提供的脉搏波的处理方法中利用行图像进行信息提取的示意图。
提取二维脉图上的横向行图像(行图像),每一个横向行图像可以实际反映一个脉搏周期的变化情况;对一个横向行图像进行数据分析处理,获取到多种特征参数;对所有行的特征参数进行统计处理,确定最终的人体生理特性参数。在本实施方式中,提取了主波峰,重搏波,降中峡等位置的像素,并获得它们间的比例等关系。这些关系是人体特定生理特性(例如疲劳程度、血管老化状态等)在心血管系统上的反映,可以作为特定生理特性在一个脉搏周期内的特征;对所有行的特征参数进行统计处理,确定最终的人体生理特性参数。
在上述实施例的基础上,本发明实施例通过利用行图像进行信号提取,进一步丰富了信息提取的方法,有利于更加多样化的信息的获取。
进一步地,基于上述实施例,所述方法还包括:将多个所述二维脉图处理为预设大小,并建立每个所述二维脉图与相应目标信息参数之间的关联;利用关联好的所述二维脉图和所述目标信息参数进行机器学习训练,建立所述二维脉图与所述目标信息参数间的分类模型。
利用整幅二维脉图进行大数据分析,通过深度学习训练建立二维脉图与目标信息参数间的分类模型。本实施方式中,目标信息参数是中医处方类别,通过大量样本训练出二维脉图到中医处方类别的推理分类模型Φ。当然,所述目标信息参数还可以根据需要设置为其他参数。
具体地,将二维脉图预处理为某个预设大小M行×N列。在本实施方式中,N=R*60/30,这里R是脉搏波的每秒采样点数,60/30是按照最慢心率30次/每分计算的最长心率周期,M在本实施方式中可选取30,即30个脉搏周期组成的二维脉图。如果脉图超过30行,则截取其中的连续30行数据即可。
将预处理后的多个二维脉图与相应目标信息参数关联起来,建立二维脉图与目标信息参数的连接关系,所述目标信息参数可以由多维特征进行表示。目标信息参数既可以是人体生理状态,也可以是由人体生理状态引申出的其它间接关系状态。在本实施方式中,本发明实施例建立二维脉图与中医处方间的关联,将中医处方中的药物及用量数据化表达为多维特征。这里中医处方就是一个由人体生理状态引申出的状态参数。
通过采集样本,建立一个K个类别的中医处方库{C1,C2,…,CK};生成大量二维脉图并处理为预设大小,建立二维脉图和中医处方的多维特征间的关联,进而采用大数据深度学习方法对预处理后的脉图进行学习处理,建立人体二维脉图与中医处方间的分类模型Φ,Ф(P)=C∈{C1,C2,...CK},其中,P表示二维脉图。
图8是本发明实施例提供的脉搏波的处理方法中利用分类模型进行信息提取的示意图。
对未知脉图,利用训练出的所述分类模型进行分类,获取对应的所述目标信息参数。本实施方式中,通过分类模型推理得到的就是与未知脉图相对应的中医处方。
在上述实施例的基础上,本发明实施例通过建立二维脉图和目标信息参数之间的关联,并通过机器学习生成分类模型,为利用二维脉图获取感兴趣信息提供了前提。
本发明实施例解决了如何将一维脉搏波信号转换表示为二维脉图以及如何从二维脉图提取有效信息的问题。本发明实施例通过对脉搏波形的重新组合,生成二维脉图,并对二维脉图进行多种方式的数据分析,实现了对脉搏信号的深层次数据挖掘。
本发明实施例不仅给出了一维脉搏波生成二维脉图的方法,还给出了几种基于脉搏波的二维脉图表示进行进一步数据分析的方法,包括利用行尾点组合、利用特征列图像、利用横向行图像、利用整体二维图像进行数据分析,这些方法对人体脉搏信号的分析而言,是一种创新性的更有效的分析途径。
图9是本发明实施例提供的脉搏波的处理装置结构示意图。如图9所示,所述装置包括波形分解模块10、归一化调整模块20及二维脉图生成模块30,其中:波形分解模块10用于根据预设的分割规则,将脉搏波长波形分解为多个短波形片段;归一化调整模块20用于对每个所述短波形片段进行归一化调整,将每个所述短波形片段的取值区间放缩到预设区间范围内;二维脉图生成模块30用于将每个所述短波形片段转换为二维脉图的行图像,按照每个所述短波形片段的生成时间顺序,将所有所述短波形片段对应的所述行图像逐行堆叠放置,组合生成所述二维脉图。
本发明实施例通过对脉搏波形的分解与重新组合,将一维脉搏波转换成了一个二维脉图,此二维脉图在行方向上可以表示一个脉搏周期内脉搏波的强弱变化以及时间周期长短,在列方向上可以表示各个脉搏周期间的脉搏受人体生理参数调节的变化规律,便于使用各种图像处理工具进行分析处理,以获得更多的人体参数数据。
进一步地,基于上述实施例,二维脉图生成模块30在用于将每个所述短波形片段转换为二维脉图的行图像时,具体用于:对于每个所述短波形片段,将所述短波形片段中采样点的列号作为所述采样点对应的图像像素点的横坐标,将所述采样点的取值作为所述采样点对应的图像像素点的灰度值,所有所述采样点形成所述行图像。
在上述实施例的基础上,本发明实施例给出了二维脉图中采样点的表示方法,为利用二维脉图进行分析提供了前提。
进一步地,基于上述实施例,每个所述短波形片段中采样点的最大列号为相应所述短波形片段的片段长度;二维脉图生成模块30还用于:将所述二维脉图的宽度取值为所有所述短波形片段的最大片段长度;对于所述片段长度小于所述最大片段长度的所述短波形片段,在所述二维脉图的相应行图像后面填充预设灰度值的像素点。
在上述实施例的基础上,本发明实施例设置了二维脉图的宽度并在宽度较小的行图像后面填充预设像素,保证了利用二维脉图进行图像处理时的可靠性。
进一步地,基于上述实施例,所述装置还包括:基于尾部点的信息提取模块,用于:提取所述二维脉图每一行的尾部点,并将所有的所述尾部点组合为一个曲线序列;将所述曲线序列进行坐标变换,其中,将所述曲线序列上的每个所述尾部点的行号表示为点序号,每个所述尾部点的所述横坐标表示为点的取值;利用进行所述坐标变换后的所述曲线序列进行数据分析处理。
在上述实施例的基础上,本发明实施例在从一维脉搏波信号生成的二维脉图的基础上,结合二维脉图中含有的人体生理参数信息和变化规律,实现了通过新的方法从二维脉图中有效地提取信息。
进一步地,基于上述实施例,所述装置还包括基于特征列图像的信息提取模块,用于:根据生理信号发生的位置确定所述二维脉图每一行上需提取的特征像素;将所有行的所述特征像素组合成一个特征列图像进行数据分析处理。
在上述实施例的基础上,本发明实施例通过获取特征列图像并进行信号提取,进一步丰富了信息提取的方法,有利于多样化信息的获取。
进一步地,基于上述实施例,所述装置还包括基于行图像的信息提取模块,用于:提取所述二维脉图的所述行图像的图像数据;对所述图像数据进行数据分析处理,得到数据分析处理结果;对基于各个所述行图像得到的所述数据分析处理结果进一步进行统计处理。
在上述实施例的基础上,本发明实施例通过利用行图像进行信号提取,进一步丰富了信息提取的方法,有利于更加多样化的信息的获取。
进一步地,基于上述实施例,所述装置还包括大数据分析模块,用于:将多个所述二维脉图处理为预设大小,并建立每个所述二维脉图与相应目标信息参数之间的关联;利用关联好的所述二维脉图和所述目标信息参数进行机器学习训练,建立所述二维脉图与所述目标信息参数间的分类模型。
在上述实施例的基础上,本发明实施例通过建立二维脉图和目标信息参数之间的关联,并通过机器学习生成分类模型,为利用二维脉图获取感兴趣信息提供了前提。
进一步地,基于上述实施例,所述大数据分析模块还用于:对未知脉图,利用训练出的所述分类模型进行分类,获取对应的所述目标信息参数。
在上述实施例的基础上,本发明实施例通过利用分类模型基于未知脉图获取目标信息参数,可实现二维脉图直接应用于中医诊断。
本发明实施例提供的装置是用于上述方法的,具体功能可参照上述方法流程,此处不再赘述。
图10是本发明实施例提供的电子设备的实体结构示意图。如图10所示,该电子设备可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行如下方法:根据预设的分割规则,将脉搏波长波形分解为多个短波形片段;对每个所述短波形片段进行归一化调整,将每个所述短波形片段的取值区间放缩到预设区间范围内;将每个所述短波形片段转换为二维脉图的行图像,按照每个所述短波形片段的生成时间顺序,将所有所述短波形片段对应的所述行图像逐行堆叠放置,组合生成所述二维脉图。
此外,上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法,例如包括:对每个所述短波形片段进行归一化调整,将每个所述短波形片段的取值区间放缩到预设区间范围内;将每个所述短波形片段转换为二维脉图的行图像,按照每个所述短波形片段的生成时间顺序,将所有所述短波形片段对应的所述行图像逐行堆叠放置,组合生成所述二维脉图。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,既可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种脉搏波的处理方法,其特征在于,包括:
根据预设的分割规则,将脉搏波长波形分解为多个短波形片段;
对每个所述短波形片段进行归一化调整,将每个所述短波形片段的取值区间放缩到预设区间范围内;
将每个所述短波形片段转换为二维脉图的行图像,按照每个所述短波形片段的生成时间顺序,将所有所述短波形片段对应的所述行图像逐行堆叠放置,组合生成所述二维脉图;
所述将每个所述短波形片段转换为二维脉图的行图像,具体包括:
对于每个所述短波形片段,将所述短波形片段中采样点的列号作为所述采样点对应的图像像素点的横坐标,将所述采样点的取值作为所述采样点对应的图像像素点的灰度值,所有所述采样点形成所述行图像。
2.根据权利要求1所述的脉搏波的处理方法,其特征在于,每个所述短波形片段中采样点的最大列号为相应所述短波形片段的片段长度;
所述方法还包括:将所述二维脉图的宽度取值为所有所述短波形片段的最大片段长度;对于所述片段长度小于所述最大片段长度的所述短波形片段,在所述二维脉图的相应行图像后面填充预设灰度值的像素点。
3.根据权利要求2所述的脉搏波的处理方法,其特征在于,所述方法还包括:
提取所述二维脉图每一行的尾部点,并将所有的所述尾部点组合为一个曲线序列;
将所述曲线序列进行坐标变换,其中,将所述曲线序列上的每个所述尾部点的行号表示为点序号,每个所述尾部点的所述横坐标表示为点的取值;
利用进行所述坐标变换后的所述曲线序列进行数据分析处理。
4.根据权利要求2所述的脉搏波的处理方法,其特征在于,所述方法还包括:
根据生理信号发生的位置确定所述二维脉图每一行上需提取的特征像素;
将所有行的所述特征像素组合成一个特征列图像进行数据分析处理。
5.根据权利要求2所述的脉搏波的处理方法,其特征在于,所述方法还包括:
提取所述二维脉图的所述行图像的图像数据;
对所述图像数据进行数据分析处理,得到数据分析处理结果;
对基于各个所述行图像得到的所述数据分析处理结果进一步进行统计处理。
6.根据权利要求2所述的脉搏波的处理方法,其特征在于,所述方法还包括:
将多个所述二维脉图处理为预设大小,并建立每个所述二维脉图与相应目标信息参数之间的关联;
利用关联好的所述二维脉图和所述目标信息参数进行机器学习训练,建立所述二维脉图与所述目标信息参数间的分类模型。
7.一种脉搏波的处理装置,其特征在于,包括:
波形分解模块,用于根据预设的分割规则,将脉搏波长波形分解为多个短波形片段;
归一化调整模块,用于对每个所述短波形片段进行归一化调整,将每个所述短波形片段的取值区间放缩到预设区间范围内;
二维脉图生成模块,用于将每个所述短波形片段转换为二维脉图的行图像,按照每个所述短波形片段的生成时间顺序,将所有所述短波形片段对应的所述行图像逐行堆叠放置,组合生成所述二维脉图;
所述二维脉图生成模块在用于将每个所述短波形片段转换为二维脉图的行图像时,具体用于:对于每个所述短波形片段,将所述短波形片段中采样点的列号作为所述采样点对应的图像像素点的横坐标,将所述采样点的取值作为所述采样点对应的图像像素点的灰度值,所有所述采样点形成所述行图像。
8.一种处理脉搏波的电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述脉搏波的处理方法的步骤。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至6任一项所述脉搏波的处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910681809.8A CN110432874B (zh) | 2019-07-26 | 2019-07-26 | 一种脉搏波的处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910681809.8A CN110432874B (zh) | 2019-07-26 | 2019-07-26 | 一种脉搏波的处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110432874A CN110432874A (zh) | 2019-11-12 |
CN110432874B true CN110432874B (zh) | 2020-06-02 |
Family
ID=68431683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910681809.8A Active CN110432874B (zh) | 2019-07-26 | 2019-07-26 | 一种脉搏波的处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110432874B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104739384A (zh) * | 2013-12-30 | 2015-07-01 | 财团法人工业技术研究院 | 动脉波分析方法及其系统 |
CN103690152B (zh) * | 2014-01-06 | 2016-04-20 | 山东大学 | 一种基于脉搏解析的动脉弹性功能评估装置 |
CN105653876A (zh) * | 2016-01-22 | 2016-06-08 | 中国科学院微电子研究所 | 基于三维成像的脉搏波图像采集与存储方法 |
CN107049269A (zh) * | 2017-03-06 | 2017-08-18 | 武汉嫦娥医学抗衰机器人股份有限公司 | 一种中医脉象信号处理分析系统 |
CN109065163A (zh) * | 2018-07-19 | 2018-12-21 | 上海泰怡健康科技有限公司 | 中医诊断服务平台 |
CN109124595A (zh) * | 2018-07-20 | 2019-01-04 | 南开大学 | 基于动态三维脉搏波图像的智能脉搏诊断方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050148886A1 (en) * | 2003-12-29 | 2005-07-07 | Jiao Gong | Digital indicator that can record human's wrist radial artery blood vessel pulsing information |
US9119955B2 (en) * | 2013-05-23 | 2015-09-01 | General Electric Company | System and method for focusing of high intensity focused ultrasound based on magnetic resonance—acoustic radiation force imaging feedback |
-
2019
- 2019-07-26 CN CN201910681809.8A patent/CN110432874B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104739384A (zh) * | 2013-12-30 | 2015-07-01 | 财团法人工业技术研究院 | 动脉波分析方法及其系统 |
CN103690152B (zh) * | 2014-01-06 | 2016-04-20 | 山东大学 | 一种基于脉搏解析的动脉弹性功能评估装置 |
CN105653876A (zh) * | 2016-01-22 | 2016-06-08 | 中国科学院微电子研究所 | 基于三维成像的脉搏波图像采集与存储方法 |
CN107049269A (zh) * | 2017-03-06 | 2017-08-18 | 武汉嫦娥医学抗衰机器人股份有限公司 | 一种中医脉象信号处理分析系统 |
CN109065163A (zh) * | 2018-07-19 | 2018-12-21 | 上海泰怡健康科技有限公司 | 中医诊断服务平台 |
CN109124595A (zh) * | 2018-07-20 | 2019-01-04 | 南开大学 | 基于动态三维脉搏波图像的智能脉搏诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110432874A (zh) | 2019-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111772619B (zh) | 一种基于深度学习的心搏识别方法、终端设备及存储介质 | |
Wang et al. | Arrhythmia classification algorithm based on multi-head self-attention mechanism | |
US20190065897A1 (en) | Medical image analysis method, medical image analysis system and storage medium | |
CN108875575B (zh) | 基于多通道信号融合深度神经网络自动心律失常分析方法 | |
EP3692901A1 (en) | Automatic recognition and classification method for electrocardiogram heartbeat based on artificial intelligence | |
CN107811626A (zh) | 一种基于一维卷积神经网络和s变换的心律失常分类方法 | |
US20230334632A1 (en) | Image recognition method and device, and computer-readable storage medium | |
CN108720831B (zh) | 一种基于导联深度神经网络的自动心律失常分析方法 | |
CN105469100A (zh) | 基于深度学习的皮肤活检图像病理特性识别方法 | |
CN108937912B (zh) | 一种基于深度神经网络的自动心律失常分析方法 | |
CN112929695B (zh) | 视频去重方法、装置、电子设备和存储介质 | |
CN109124620B (zh) | 一种房颤检测方法、装置及设备 | |
EP4227852A1 (en) | Scatter diagram classification method and apparatus for photoplethysmography signal | |
WO2021027152A1 (zh) | 基于条件生成对抗网络合成图像的方法及相关设备 | |
CN115294075A (zh) | 一种基于注意力机制的octa图像视网膜血管分割方法 | |
CN110432874B (zh) | 一种脉搏波的处理方法及装置 | |
Rahuja et al. | A deep neural network approach to automatic multi-class classification of electrocardiogram signals | |
US20230315203A1 (en) | Brain-Computer Interface Decoding Method and Apparatus Based on Point-Position Equivalent Augmentation | |
CN116712056A (zh) | 心电图数据的特征图像生成与识别方法、设备及存储介质 | |
CN115281676B (zh) | 基于gru神经网络和ecg信号的疲劳检测方法 | |
CN116309030A (zh) | 一种基于gan的小数据集颅面翻译方法 | |
CN115844424A (zh) | 一种睡眠纺锤波分级识别方法及系统 | |
CN114240881A (zh) | 一种纸质心电图分割模型构建和分割的方法、装置及系统 | |
He et al. | Deep saliency: What is learnt by a deep network about saliency? | |
CN108509487B (zh) | 基于脉冲发放皮层模型的图像检索方法、设备及存储介质 |
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 |