CN111000539A - 脉象采集、诊脉装置以及脉象采集数据处理方法 - Google Patents
脉象采集、诊脉装置以及脉象采集数据处理方法 Download PDFInfo
- Publication number
- CN111000539A CN111000539A CN201911391061.4A CN201911391061A CN111000539A CN 111000539 A CN111000539 A CN 111000539A CN 201911391061 A CN201911391061 A CN 201911391061A CN 111000539 A CN111000539 A CN 111000539A
- Authority
- CN
- China
- Prior art keywords
- pressure
- data
- pulse condition
- sensors
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 238000003745 diagnosis Methods 0.000 title abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 86
- 230000008859 change Effects 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 31
- 238000000034 method Methods 0.000 claims description 22
- 238000003062 neural network model Methods 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 210000002321 radial artery Anatomy 0.000 claims description 5
- 230000003321 amplification Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 239000008280 blood Substances 0.000 abstract description 7
- 210000004369 blood Anatomy 0.000 abstract description 7
- 230000017531 blood circulation Effects 0.000 abstract description 3
- 239000003814 drug Substances 0.000 description 7
- 230000035945 sensitivity Effects 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 230000010349 pulsation Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000000750 progressive effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000002435 tendon Anatomy 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
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
- A61B5/48—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
- A61B5/7235—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Physiology (AREA)
- Data Mining & Analysis (AREA)
- Alternative & Traditional Medicine (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Cardiology (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本说明书公开一种脉象采集、诊脉装置以及脉象采集数据处理方法,其中,所述脉象采集装置包括:按正六边形排列的压力传感器阵列,所述压力传感器阵列包含多层压力传感器组,以中心处的传感器为起点,依次向外,每层压力传感器组所包含的压力传感器在周向上按六边形排布,且各层按一定规律排布所形成的六边形的方向保持一致;其中,i为层数,ni为第i层对应的传感器数目,以中心处的压力传感器为第一层i=1,且n1=1;从i=2开始依次向外,有ni=6(i‑1)。血液从任意方向上经过中心压力传感器,通过基于阵列结构的算法对脉象检测数据进行处理,增大在血流方向上同一个切面上的采集密度,从而提高脉动信息的空间分辨率,得到客观反映脉象特征的压力变化趋势。
Description
技术领域
本发明涉及传感技术领域,具体而言,涉及一种脉象采集、诊脉装置以及脉象采集数据处理方法。
背景技术
中医是一门博大精深的医学,对预防和治疗一些慢性疾病、保持人体健康具有很好的效果,在中医学理论中,人体由经络连接而成,尤其是手腕部的脉络,其分别对应人体的各个脏腑器官。医生用手指切按患者寸口桡动脉的寸、关、尺三个部位,并施加浮、中、沉的压力,产生一系列包含了脉搏的位置、强弱、趋势、形状、宽度和节律等信息的脉搏波,称之为脉象,通过手指所触摸感受到的脉象,就可以了解病人的生理状态。
但是传统中医脉诊需借助于医生长期的经验积累,而且中医理论对脉象的描述过于模糊和笼统,没有客观可量化的评定标准,这就造成了诊断结果的主观性和传承的困难。脉象仪的研制就是为了客观地获取可量化、可视化的脉搏波图形,以用于科学研究、医疗诊断和中医远程医疗等。现有的脉象仪以单部为主,并且大部分使用单一传感器,且,分辨率无法达到中医诊脉要求的标准,更无法全面的获取脉象信息,对脉象采集得到的信号可靠性、精度、敏感度较低,无法达到人的手指触觉的精度和敏感度。另外,现有的传感器阵列的压力传感器不一定完全覆盖在寸、关、尺穴位上,无法按照中医切脉理论进行有效的沉取,从而造成测得的脉搏波形不准确或含糊不清而引起误诊。
因此,研究一种达到或超过中医师手指触觉精度和敏感度的诊脉装置,是本领域技术人员需要解决的问题。
发明内容
本说明书提供一种脉象采集、诊脉装置以及脉象采集数据处理方法,用以克服现有技术中存在的至少一个技术问题。
根据本说明书实施例的第一方面,提供一种脉象采集装置,包括:按正六边形排列的压力传感器阵列,所述压力传感器阵列包含多层压力传感器组,以中心处的传感器为起点,依次向外每层压力传感器组所包含的压力传感器在周向上按六边形排布,且各层按一定规律排布所形成的六边形的方向保持一致,所述每层压力传感器组为中心传感器以外的每圈压力传感器;其中,i为层数,ni为第i层对应的传感器数目,以中心处的压力传感器为第一层i=1,且n1=1;从i=2开始依次向外,有ni=6(i-1)。
可选地,所述正六边形传感器阵列中每层中各传感器间距相等,且所述传感器间距不大于0.4毫米,不小于传感器正常工作所要求的传感器间距的最小值;所述传感器间距的最小值与传感器的特性及加工工艺相关。
可选地,所述按六边形排列的多层压力传感器阵列的排布密度为每平方厘米至少包括116个所述压力传感器。
可选地,所述正六边形压力传感器采集信息部分的有效阵列的总高度和总跨度不大于8毫米。
可选地,所述压力传感器的形状不仅限于正六边形、圆形、正方形中的一种;在正六边形压力传感器阵列中,以阵列中心的压力传感器为定位点。
根据本说明书实施例的第二方面,提供一种脉象采集数据处理方法,包括:
获取脉象采集装置每一时刻采集到的脉象检测数据,其中所述脉象采集装置设置于检测对象的桡动脉处,其中
所述脉象采集装置包括:按正六边形排列的压力传感器阵列,所述压力传感器阵列包含多层压力传感器组,以中心处的传感器为起点,依次向外,每层压力传感器组所包含的压力传感器在周向上按六边形排布,且各层按一定规律排布所形成的六边形的方向保持一致,所述每层压力传感器组为中心传感器以外的每圈压力传感器;其中,i为层数,ni为第i层对应的传感器数目,以中心处的压力传感器为第一层i=1,且n1=1;从i=2开始依次向外,有ni=6(i-1);
将所述脉象检测数据输入预先训练的神经网络模型中,得到所述神经网络输出的包括任意相邻两个压力传感器连线上的或包括多个传感器的区域内的任意点的模拟压力数据;并根据相邻的传感器或该区域内的传感器的脉象检测数据,对所述模拟压力数据进行验证,得到高可信度的模拟压力数据;
对所述脉象检测数据和所述高可信度的模拟压力数据按区块进行处理,得到测量位置处的压力变化趋势,所述压力变化趋势用于表征脉象特征。
可选地,所述对所述脉象检测数据和所述模拟压力数据按区块进行处理,得到测量位置处的压力变化趋势的步骤之后,还包括:通过预设形式的顺序扫描或是瞬间扫描,根据采集到的所述脉象检测数据和预测得到的所述模拟压力数据,通过预设的数据处理算法,绘制出可视化的动态三维脉波图或图像,并标定相应数值和比例,所述动态三维脉波图或图像用于表征脉象特征。
可选地,所述神经网络模型通过以下步骤生成,包括:获取训练样本集,其中,所述训练样本集包括两类训练样本组,第一类训练样本组包括多个一类训练样本,每个一类训练样本包括两个压力传感器的检测压力值和两个压力传感器连线上多个点的压力值;第二类训练样本组包括多个二类训练样本,每个二类训练样本包括预设区域内的多个压力传感器的检测压力值和预设区域内压力传感器之间多个点的压力值:通过所述训练样本集对神经网络模型进行训练,得到所述神经网络模型,所述神经网络模型用来根据输入的两个压力传感器的检测压力值得出两个压力传感器连线上任意点的压力值,以及根据输入的多个压力传感器的检测压力值得出该多个压力传感器的区域内的任意点的压力值。
可选地,所述对所述脉象检测数据和所述模拟压力数据按区块进行处理,得到测量位置处的压力变化趋势的步骤,包括:
采用嵌入式算法处理采集到的每列脉象检测数据,得到震动序列数据和导联震动数据,并对震动序列数据进行滤波;根据滤波后的震动序列数据,对导联震动数据进行切割生成导联的震动分析数据;对导联的震动分析数据进行数据组合,得到一维震动分析数组;根据采集到的多列一维震动分析数组,进行数据维度扩增转换,得到四维张量数据;将所述四维张量数据输入到预先训练得到的脉动空间分布模型,得到受测个体的特征参数,结合所述受测个体的特征参数,得到修正后的测量位置处的压力变化趋势,所述压力变化趋势用于表征脉象特征,所述脉动空间分布模型根据输入的四维张量数据输出受测个体的特征参数。
根据本说明书实施例的第三方面,提供一种诊脉装置,包括:
传感数据获取模块,被配置为获取脉象采集装置在每一时刻采集到的脉象检测数据,其中
所述脉象采集装置包括:按正六边形排列的压力传感器阵列,所述压力传感器阵列包含多层压力传感器组,以中心处的传感器为起点,依次向外,每层压力传感器组所包含的压力传感器在周向上按六边形排布,且各层按一规律排布所形成的六边形的方向保持一致,所述每层压力传感器组为中心传感器以外的每圈压力传感器;其中,i为层数,ni为第i层对应的传感器数目,以中心处的压力传感器为第一层i=1,且n1=1;从i=2开始依次向外,有ni=6(i-1);
模拟数据生成模块,被配置为将所述脉象检测数据输入预先训练的神经网络模型中,得到所述神经网络输出的包括任意相邻两个压力传感器之间连线上的或包括多个传感器的区域内的任意点的模拟压力数据;并根据相邻的传感器或该区域内的传感器的脉象检测数据,对所述模拟压力数据进行验证,得到高可信度的模拟压力数据;
脉象信息生成模块,被配置为对所述脉象检测数据和所述高可信度的模拟压力数据按区块进行处理,得到测量位置处的压力变化趋势,所述压力变化趋势用于表征脉象特征。
本说明书实施例的有益效果如下:
本说明书实施例中,提供一种脉象采集、诊脉装置以及脉象采集数据处理方法,其中脉象采集装置通过按正六边形排布的多层压力传感器组获得脉象检测数据,所述多层压力传感器组的排布密度达到或超过人体触觉的空间分辨率,按照所述正六边形排布的传感器阵列得到的脉象检测数据具有空间分布上的联系。所述脉象采集数据处理方法根据脉象检测数据之间的联系,依据预先训练完成的神经网络对脉象检测数据进行处理,得到相邻压力传感器连线上多个点和多个压力传感器所在区域内多个点的模拟压力数据,并依据确定的脉象检测数据对模拟压力数据进行验证筛选。进而根据脉象检测数据和筛选后的模拟压力数据按区块进行处理,得到测量位置处的压力变化趋势,该压力变化趋势表征脉象。基于该脉象采集装置以及脉象采集数据处理方法的诊脉装置,实现了自动获取脉象采集装置设置处的脉象检测数据并生成相应的压力变化趋势,能够实时便捷地监测脉象的变化,全面并客观地反映脉象信息,对诊脉装置做出了具有进步性的改进。
本说明书实施例的创新点包括:
1、本实施例中,脉象采集装置通过正六边形排布的多层压力传感器组获得脉象检测数据,所述多层压力传感器组的排布密度达到或超过人体触觉的空间分辨率,按照所述按正六边形排布的传感器阵列得到的脉象检测数据具有空间分布上的联系。所述脉象采集数据处理方法根据脉象检测数据之间的联系,依据预先训练完成的神经网络对脉象检测数据进行处理,得到相邻压力传感器连线上多个点和多个压力传感器所在区域内多个点的模拟压力数据,并依据确定的脉象检测数据对模拟压力数据进行验证筛选。进而根据脉象检测数据和筛选后的模拟压力数据按区块进行处理,得到测量位置处的压力变化趋势,该压力变化趋势表征脉象。基于该脉象采集装置以及脉象采集数据处理方法的诊脉装置,实现了自动获取脉象采集装置设置处的脉象检测数据并生成相应的压力变化趋势,能够实时便捷地监测脉象的变化,全面并客观地反映脉象信息,对诊脉装置做出了具有进步性的改进,是本说明书实施例的创新点之一。
2、本实施例中,所述脉象采集装置的多层压力传感器组按照正六边形的方式排布,使得任意两个相邻传感器在空间上相互关联,且测得的传感器数据由于空间上的关联性可以实现相互验证,并且可以依据该关联性对非直接测量点的压力值进行估计,进一步依据该关联性对估计得到的模拟压力值进行验证,保证了所述脉象采集装置获得的数据的准确性,解决了现有技术中脉象采集信息可靠性低的问题,是本说明书实施例的创新点之一。
3、本实施例中,所述脉象采集装置的多层压力传感器组按照正六边形的方式排布,血液可从任意方向上经过中心处的压力传感器,通过特殊算法,可增大在血液流动方向上的同一个横切面和纵切面上的采集密度,获得血液流经截面上更多位置处的压力值,直接增大了所述传感器阵列的空间分辨率,并且直接而客观地达到或超过人的手指触觉的空间分辨率,使得所述脉象采集装置的精度达到医用要求,是本说明书实施例的创新点之一。
4、本实施例中,所述脉象采集装置的压力传感器组中,在传感器阵列的中心处设置了脉波定位点,以利于使用过程中校正脉象采集装置的采集位置,以确保所述脉象采集装置的设置位置能够覆盖寸、关、尺穴位,血液从任意方向上经过中心处的压力传感器,从而实现检测脉象的目的,达到采集脉象的一致性,进而保证采集数据的准确性,是本说明书实施例的创新点之一。
5、本实施例中,所述脉象采集数据处理方法,通过所述传感器阵列数据之间的相关性,利用所述相关性,通过神经网络对所述脉象检测数据进行处理,不仅大大扩充了表征脉象的数据量,而且利用所述相关性验证所述模拟压力数据,提高了模拟压力数据的可信度,进而在原直接获得的空间分辨率的前提下,又进一步地增大了空间分辨率,突破了传感器本身尺寸对空间分辨率的限制,利用算法实现了数据处理在质和量方面的提升,是本说明书实施例的创新点之一。
6、本实施例中,通过所述脉象采集装置获取脉象检测数据,根据所述脉象采集数据处理方法对获取的脉象检测数据进行处理,得到测量位置处的压力变化趋势,并将有效脉动信息提取出来用于表征脉象特征,形象直观地呈现相关脉象特征的变化,是本说明书实施例的创新点之一。
附图说明
为了更清楚地说明本说明书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为本说明书一个实施例提供的一种脉象采集装置的传感器阵列的部分示意图;
图2为本说明书一个实施例提供的一种脉象采集数据处理方法的流程示意图;
图3为本说明书一个实施例提供的一种诊脉装置的结构示意图。
具体实施方式
下面将结合本说明书实施例中的附图,对本说明书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付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。
本说明书实施例公开了一种脉象采集、诊脉装置以及脉象采集数据处理方法。以下分别进行详细说明。
图1为本说明书一个实施例的提供的一种脉象采集装置的传感器阵列的部分示意图。如图1所示,所述脉象采集装置包括:按正六边形排列的压力传感器阵列,所述压力传感器阵列包含多层压力传感器组,以中心处的传感器为起点,依次向外,每层压力传感器组所包含的压力传感器在周向上按六边形排布,且各层按一定规律排布所形成的六边形的方向保持一致,所述每层压力传感器组为中心传感器以外的每圈压力传感器;其中,i为层数,ni为第i层对应的传感器数目,以中心处的压力传感器为第一层i=1,且n1=1;从i=2开始依次向外,有ni=6(i-1)。
血液可从任意方向上经过中心处的压力传感器,通过特殊算法,可增大在血液流动方向上的同一个横切面和纵切面上的采集密度,从而提高脉动信息的空间分辨率。
正六边形排布作为一种特殊的排布方式,使得所述传感器阵列获得的数据具有空间上的关联性,该关联性对于检测数据的处理和模拟数据的预测以及模拟数据的验证非常关键。
按照正六边形排布的所述多层压力传感器组,每层中的传感器,均与周围相邻的传感器相互关联,并且各个传感器获得的数据可以相互验证,再结合预先设计的特殊算法,能够对获得的数据进行扩充和验证,以达到提高空间分辨率的目的。
在一个具体实施例中,所述正六边形传感器阵列中每层中各传感器间距相等,且所述传感器间距不大于0.4毫米,不小于传感器正常工作所要求的传感器间距的最小值;所述传感器间距的最小值与传感器的特性及加工工艺相关。
传感器阵列的间距设计要在现有加工工艺允许的情况下尽量增加空间分辨率,间距越小,单位面积的传感器越多,获得的数据越多,空间分辨率倾向于越高,但是传感器之间的距离必须大于能够正常工作的间距的最小值,从而避免由于传感器间距离太近导致测量数据失真。考虑到现有加工工艺(含线脚固定)的水平,传感器间距不大于0.4毫米。
在一个具体实施例中,所述按正六边形排列的多层压力传感器组的排布密度为每平方厘米至少包括116个所述压力传感器。此密度已经超过人的手指触觉空间分辨率了。
若取传感器重心到边的距离为0.6毫米,间距为0.4毫米,依据正六边形的面积计算公式以及图一所示的排布方式,可以得到每平方厘米内所述传感器的个数分别为116个,在现有工艺允许的情况下,可以减小间距达到更大的空间分辨率,从而使得所述压力传感器组的排布的密度至少为每平方厘米116个所述压力传感器。人身体皮肤触觉空间分辨率有高有低,每平方厘米一般有30个左右的触觉敏感点,但以手指等含触觉敏感点最多,最多可达每平方厘米100个,所述脉象采集装置的空间分辨率可达到至少为每平方厘米116个所述压力传感器,已经达到或超过人体手指的空间分辨率了,如果加上通过特殊算法而得到的高可信度的模拟值,将使空间分辨率成倍数增加。
手指是人体触觉最敏感部位,触点在皮肤表面的分布密度和该部位对触压觉的敏感程度呈正比。其阈值在指尖处也是最低,每平方毫米约为0.3~0.5g,每平方厘米有约100个触点。而本说明书实施例设计的传感器敏感芯片阈值每平方毫米小于0.1克,远大于人的指觉对压力的敏感度。
在一个具体实施例中,所述正六边形压力传感器采集信息部分的有效阵列的总高度和总跨度不大于8毫米。
考虑到桡动脉外径(2.4mm左右)及所处位置(在桡骨与肌腱间内)以及人手指的最大宽度,所以,所述正六边形压力传感器阵列的总高度和总跨度不大于8毫米。
在一个具体实施例中,所述压力传感器的形状不仅限于正六边形、圆形、正方形中的一种。
当脉象采集装置的压力传感器形状为圆形时,所述圆形的压力传感器获得的数据也具有空间上的关联性,该关联性类似于六边形压力传感器获得数据的关联性,对于检测数据的处理和模拟数据的预测以及模拟数据的验证非常关键。所述脉象采集装置的压力传感器阵列的形状优选为六边形,其次是圆形。
在一个具体实施例中,在正六边形压力传感器阵列中,以阵列中心的压力传感器为定位点。所述定位点的设置利于使用过程中校正脉象采集装置的采集位置,以确保所述脉象采集装置的设置位置能够覆盖脉位点,以保证血管处在所述传感器阵列的中间位置,血液可从任意方向上经过中心处的压力传感器,通过特殊算法,可增大在血液流动方向上的同一个横切面和纵切面上的采集密度,从而提高脉动信息的空间分辨率,实现检测脉象的目的,达到采集脉象的一致性,进而保证采集数据的准确性。
本实施例中,所述脉象采集装置的多层压力传感器组按照正六边形排布,使得任意相邻两个传感器在空间上相互关联,且测得的传感器数据由于空间上的关联性可以实现相互验证,并且可以依据该关联性对非直接测量点的压力值进行估计,进一步依据该关联性对估计得到的模拟压力值进行验证,保证了所述脉象采集装置获得的数据的准确性,解决了现有技术中脉象采集信息可靠性低的问题。
图2为本说明书一个实施例提供的一种脉象采集数据处理方法的流程示意图。所述脉象采集数据处理方法,包括:
S210,获取脉象采集装置每一时刻采集到的脉象检测数据,其中所述脉象采集装置设置于检测对象的桡动脉处,其中
所述脉象采集装置包括:
按正六边形排列的压力传感器阵列,所述压力传感器阵列包含多层压力传感器组,以中心处的传感器为起点,依次向外,每层压力传感器组所包含的压力传感器在周向上按六边形排布,且各层按一定规律排布所形成的六边形的方向保持一致,所述每层压力传感器组为中心传感器以外的每圈压力传感器;其中,i为层数,ni为第i层对应的传感器数目,以中心处的压力传感器为第一层i=1,且n1=1;从i=2开始依次向外,有ni=6(i-1)。
获取所述脉象采集装置每一时刻获得的脉象检测数据,所述脉象检测数据之间含有关于相应阵列排布特点的关联关系,依据该关联关系对所述脉象检测数据进行处理。
S220,将所述脉象检测数据输入预先训练的神经网络模型中,得到所述神经网络输出的包括任意相邻两个压力传感器连线上的或包括多个传感器的区域内的任意点的模拟压力数据;并根据相邻的传感器或该区域内的传感器的脉象检测数据,对所述模拟压力数据进行验证,得到高可信度的模拟压力数据。
根据相邻的传感器或该区域内的传感器的脉象检测数据,对所述模拟压力数据进行验证,一定区域内的脉象压力值的变化满足一定的关系,例如两个压力传感器连线上点的模拟压力值应该落在该两个压力传感器的脉象检测数据形成的区间内。对于满足类似关系的模拟压力值进行保留,从而得到筛选后可信度更高的模拟压力值。
在一个实施例中,所述神经网络模型通过以下步骤生成,包括:获取训练样本集,其中,所述训练样本集包括两类训练样本组,第一类训练样本组包括多个一类训练样本,每个一类训练样本包括两个压力传感器的检测压力值和两个压力传感器连线上多个点的压力值;第二类训练样本组包括多个二类训练样本,每个二类训练样本包括预设区域内的多个压力传感器的检测压力值和预设区域内压力传感器之间多个点的压力值:通过所述训练样本集对神经网络模型进行训练,得到所述神经网络模型,所述神经网络模型用来根据输入的两个压力传感器的检测压力值得出两个压力传感器连线上任意点的压力值,以及根据输入的多个压力传感器的检测压力值得出该多个压力传感器的区域内的任意点的压力值。
由于受到传感器的形状、大小、及加工工艺的限制,在排布上必然会存在一些不能直接采集到相应位置压力值的空隙,对于这些间隙,采用神经网络算法来弥补空间分布上的空缺,但是通过计算得出的某些点的压力值的可信度仍然有待确定,于是根据传感器获得的确定的脉象检测数据之间的关联关系来对计算出的模拟压力数据进行验证。另外,空间分布的密集度与排布的合理性则可以增大这种算法的可信度。
S230,对所述脉象检测数据和所述高可信度的模拟压力数据按区块进行处理,得到测量位置处的压力变化趋势,所述压力变化趋势用于表征脉象特征。
在一个实施例中,所述对所述脉象检测数据和所述模拟压力数据按区块进行处理,得到测量位置处的压力变化趋势的步骤,包括:
采用嵌入式算法处理采集到的每列脉象检测数据,得到震动序列数据和导联震动数据,并对震动序列数据进行滤波;根据滤波后的震动序列数据,对导联震动数据进行切割生成导联的震动分析数据;对导联的震动分析数据进行数据组合,得到一维震动分析数组;根据采集到的多列一维震动分析数组,进行数据维度扩增转换,得到四维张量数据;将所述四维张量数据输入到预先训练得到的脉动空间分布模型,得到受测个体的特征参数,结合所述受测个体的特征参数,得到修正后的测量位置处的压力变化趋势,所述压力变化趋势用于表征脉象特征,所述脉动空间分布模型根据输入的四维张量数据输出受测个体的特征参数。
鉴于用于接收脉动的压力传感器之间非震动绝缘,列内各传感器、各列传感器之间、接收装置中任意2个传感器之间均存在压感相关关系,且与受测个体脉动和肌体特质相关,本说明书实施例将传感器压力测定值的相关系数计算和相关显著性检验算法应用于对脉象检测数据的处理,所得测定数据形成脉动空间分布模型。
鉴于受测个体差异和温度环境变化,采用嵌入式算法处理采集到的脉象检测信号,得到震动序列数据和导联震动数据,并进行滤波;根据滤波后的震动时间序列数据,对导联震动数据进行切割生成导联的震动分析数据;对导联的震动分析数据进行数据组合,得到一维震动分析数组;根据采集到的多列一维震动分析数组,进行数据维度扩增转换,得到四维张量数据;输入四维张量数据到预先训练得到的脉动空间分布模型,得到受测个体的特征参数。本说明书实施例将滤波算法、神经网络算法应用于对脉象检测数据的处理。
所述传感器阵列的排布方式决定了对数据按照区块处理的合理性,通过传感器检测数据和模拟压力数据的比较得到表征脉象特征的压力变化趋势,以此作为医护人员对被测者脉象情况做出判断的辅助信息。
在一个实施例中,所述对所述脉象检测数据和所述模拟压力数据按区块进行处理,得到测量位置处的压力变化趋势的步骤之后,还包括:通过预设形式的顺序扫描或是瞬间扫描,根据采集到的所述脉象检测数据和预测得到的所述模拟压力数据,通过预设的数据处理算法,绘制出可视化的动态三维脉波图或图像,并标定相应数值和比例,所述动态三维脉波图或图像用于表征脉象特征。
根据得到的脉象检测数据和模拟压力数据,可以通过相应的算法实现对所述数据的可视化呈现,绘制出动态三维脉波图或图像,并标定相应数值和比例,所述动态三维脉波图或图像使得表征脉象的信息以直观清晰易读的方式供医护人员参考。
本实施例中,所述脉象采集数据处理方法,通过所述传感器阵列数据之间的相关性,利用神经网络算法学习所述相关性,对所述脉象检测数据进行处理,不仅扩充了表征脉象的数据量,而且利用所述相关性验证所述模拟压力数据,提高了模拟压力数据的可信度,进一步增大了空间分辨率,突破了传感器本身尺寸对空间分辨率的限制。
图3为本说明书一个实施例提供的一种诊脉装置的结构示意图。所述诊脉装置,包括传感数据获取模块310,模拟数据生成模块320,脉象信息生成模块330,每个模块分别实现以下功能。
传感数据获取模块310,被配置为获取脉象采集装置在每一时刻采集到的脉象检测数据,其中
所述脉象采集装置包括:按正六边形排列的压力传感器阵列,所述压力传感器阵列包含多层压力传感器组,以中心处的传感器为起点,依次向外,每层压力传感器组所包含的压力传感器在周向上按六边形排布,且各层按一定规律排布所形成的六边形的方向保持一致,所述每层压力传感器组为中心传感器以外的每圈压力传感器;其中,i为层数,ni为第i层对应的传感器数目,以中心处的压力传感器为第一层i=1,且n1=1;从i=2开始依次向外,有ni=6(i-1)。
模拟数据生成模块320,被配置为将所述脉象检测数据输入预先训练的神经网络模型中,得到所述神经网络输出的包括任意相邻两个压力传感器之间连线上的或包括多个传感器的区域内的任意点的模拟压力数据;并根据相邻的传感器或该区域内的传感器的脉象检测数据,对所述模拟压力数据进行验证,得到高可信度的模拟压力数据。
脉象信息生成模块330,被配置为对所述脉象检测数据和所述高可信度的模拟压力数据按区块进行处理,得到测量位置处的压力变化趋势,所述压力变化趋势用于表征脉象特征。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
综上所述,本说明书实施例,提供一种脉象采集、诊脉装置以及脉象采集数据处理方法,其中脉象采集装置通过正六边形排布的多层压力传感器组获得脉象检测数据,所述多层压力传感器组的排布密度达到或超过人体触觉的空间分辨率,按照所述正六边形排布的传感器阵列得到的脉象检测数据具有空间分布上的联系。所述脉象采集数据处理方法根据脉象检测数据之间的联系,依据预先训练完成的神经网络对脉象检测数据进行处理,从而得到高可信度的模拟压力数据。进而根据脉象检测数据和模拟压力数据按区块进行处理,得到表征脉象的压力变化趋势。基于该脉象采集装置以及脉象采集数据处理方法的诊脉装置,实现了自动获取脉象采集装置设置处的脉象检测数据并生成相应的压力变化趋势,能够实时便捷地监测脉象的变化,全面并客观地反映脉象信息,对诊脉装置做出了具有进步性的改进。
需要说明的是,本说明书实施例及附图中的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
本领域普通技术人员可以理解:实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中,也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
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实施例技术方案的精神和范围。
Claims (10)
1.一种脉象采集装置,其特征在于,包括:按正六边形排列的压力传感器阵列,所述压力传感器阵列包含多层压力传感器组,以中心处的传感器为起点,依次向外,每层压力传感器组所包含的压力传感器在周向上按六边形排布,且各层按一定规律排布所形成的六边形的方向保持一致,所述每层压力传感器组为中心的传感器以外的每圈压力传感器;其中,i为层数,ni为第i层对应的传感器数目,以中心处的压力传感器为第一层i=1,且n1=1;从i=2开始依次向外,有ni=6(i-1)。
2.根据权利要求1所述装置,其特征在于,包括:
所述正六边形传感器阵列中每层中各传感器间距相等,且所述传感器间距不大于0.4毫米,不小于传感器正常工作所要求的传感器间距的最小值;所述传感器间距的最小值与传感器的特性及加工工艺相关。
3.根据权利要求1所述装置,其特征在于,包括:
所述按六边形排列的多层压力传感器阵列的排布密度为每平方厘米至少包括116个所述压力传感器。
4.根据权利要求1所述装置,其特征在于,包括:
所述正六边形压力传感器采集信息部分的有效阵列的总高度和总跨度不大于8毫米。
5.根据权利要求1所述装置,其特征在于,包括:
所述压力传感器的形状不仅限于正六边形、圆形或正方形中的一种;在正六边形压力传感器阵列中,以阵列中心的压力传感器为定位点。
6.一种脉象采集数据处理方法,其特征在于,包括:
获取脉象采集装置每一时刻采集到的脉象检测数据,其中所述脉象采集装置设置于检测对象的桡动脉处,其中
所述脉象采集装置包括:按正六边形排列的压力传感器阵列,所述压力传感器阵列包含多层压力传感器组,以中心处的传感器为起点,依次向外,每层压力传感器组所包含的压力传感器在周向上按六边形排布,且各层按一定规律排布所形成的六边形的方向保持一致,所述每层压力传感器组为中心传感器以外的每圈压力传感器;其中,i为层数,ni为第i层对应的传感器数目,以中心处的压力传感器为第一层i=1,且n1=1;从i=2开始依次向外,有ni=6(i-1);
将所述脉象检测数据输入预先训练的神经网络模型中,得到所述神经网络输出的包括任意相邻两个压力传感器连线上的或包括多个传感器的区域内的任意点的模拟压力数据;并根据相邻的传感器或该区域内的传感器的脉象检测数据,对所述模拟压力数据进行验证,得到高可信度的模拟压力数据;
对所述脉象检测数据和所述高可信度的模拟压力数据按区块进行处理,得到测量位置处的压力变化趋势,所述压力变化趋势用于表征脉象特征。
7.根据权利要求6所述方法,其特征在于,所述对所述脉象检测数据和所述模拟压力数据按区块进行处理,得到测量位置处的压力变化趋势的步骤之后,还包括:
通过预设形式的顺序扫描或是瞬间扫描,根据采集到的所述脉象检测数据和预测得到的所述模拟压力数据,通过预设的数据处理算法,绘制出可视化的动态三维脉波图或图像,并标定相应数值和比例,所述动态三维脉波图或图像用于表征脉象特征。
8.根据权利要求6所述的方法,其特征在于,所述神经网络模型通过以下步骤生成,包括:
获取训练样本集,其中,所述训练样本集包括两类训练样本组,第一类训练样本组包括多个一类训练样本,每个一类训练样本包括两个压力传感器的检测压力值和两个压力传感器连线上多个点的压力值;第二类训练样本组包括多个二类训练样本,每个二类训练样本包括预设区域内的多个压力传感器的检测压力值和预设区域内压力传感器之间多个点的压力值:
通过所述训练样本集对神经网络模型进行训练,得到所述神经网络模型,所述神经网络模型用来根据输入的两个压力传感器的检测压力值得出两个压力传感器连线上任意点的压力值,以及根据输入的多个压力传感器的检测压力值得出该多个压力传感器的区域内的任意点的压力值。
9.根据权利要求6所述的方法,所述对所述脉象检测数据和所述模拟压力数据按区块进行处理,得到测量位置处的压力变化趋势的步骤,还包括:
采用嵌入式算法处理采集到的每列脉象检测数据,得到震动序列数据和导联震动数据,并对震动序列数据进行滤波;根据滤波后的震动序列数据,对导联震动数据进行切割生成导联的震动分析数据;对导联的震动分析数据进行数据组合,得到一维震动分析数组;
根据采集到的多列一维震动分析数组,进行数据维度扩增转换,得到四维张量数据;
将所述四维张量数据输入到预先训练得到的脉动空间分布模型,得到受测个体的特征参数,结合所述受测个体的特征参数,得到修正后的测量位置处的压力变化趋势,所述压力变化趋势用于表征脉象特征,所述脉动空间分布模型根据输入的四维张量数据输出受测个体的特征参数。
10.一种诊脉装置,包括:
传感数据获取模块,被配置为获取脉象采集装置在每一时刻采集到的脉象检测数据,其中
所述脉象采集装置包括:按正六边形排列的压力传感器阵列,所述压力传感器阵列包含多层压力传感器组,以中心处的传感器为起点,依次向外,每层压力传感器组所包含的压力传感器在周向上按六边形排布,且各层按一定规律排布所形成的六边形的方向保持一致,所述每层压力传感器组为中心传感器以外的每圈压力传感器;其中,i为层数,ni为第i层对应的传感器数目,以中心处的压力传感器为第一层i=1,且n1=1;从i=2开始依次向外,有ni=6(i-1);
模拟数据生成模块,被配置为将所述脉象检测数据输入预先训练的神经网络模型中,得到所述神经网络输出的包括任意相邻两个压力传感器之间连线上的或包括多个传感器的区域内的任意点的模拟压力数据;并根据相邻的传感器或该区域内的传感器的脉象检测数据,对所述模拟压力数据进行验证,得到高可信度的模拟压力数据;
脉象信息生成模块,被配置为对所述脉象检测数据和所述高可信度的模拟压力数据按区块进行处理,得到测量位置处的压力变化趋势,所述压力变化趋势用于表征脉象特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911391061.4A CN111000539A (zh) | 2019-12-30 | 2019-12-30 | 脉象采集、诊脉装置以及脉象采集数据处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911391061.4A CN111000539A (zh) | 2019-12-30 | 2019-12-30 | 脉象采集、诊脉装置以及脉象采集数据处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111000539A true CN111000539A (zh) | 2020-04-14 |
Family
ID=70119381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911391061.4A Pending CN111000539A (zh) | 2019-12-30 | 2019-12-30 | 脉象采集、诊脉装置以及脉象采集数据处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111000539A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114145721A (zh) * | 2021-11-12 | 2022-03-08 | 科思技术(温州)研究院 | 一种确定动脉压力的方法、装置及可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101199370A (zh) * | 2007-12-13 | 2008-06-18 | 重庆大学 | 机器人服装触觉传感信息融合数据处理方法 |
CN101278830A (zh) * | 2008-04-15 | 2008-10-08 | 中国医学科学院生物医学工程研究所 | 三维动态脉象检测系统 |
CN104535645A (zh) * | 2014-12-27 | 2015-04-22 | 西安交通大学 | 微秒分辨空化时空分布的三维空化定量成像方法 |
CN105534526A (zh) * | 2015-12-16 | 2016-05-04 | 哈尔滨工业大学深圳研究生院 | 一种测量足底压力的方法 |
CN110327023A (zh) * | 2019-07-11 | 2019-10-15 | 广东工业大学 | 一种压力传感器阵列及脉诊装置 |
-
2019
- 2019-12-30 CN CN201911391061.4A patent/CN111000539A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101199370A (zh) * | 2007-12-13 | 2008-06-18 | 重庆大学 | 机器人服装触觉传感信息融合数据处理方法 |
CN101278830A (zh) * | 2008-04-15 | 2008-10-08 | 中国医学科学院生物医学工程研究所 | 三维动态脉象检测系统 |
CN104535645A (zh) * | 2014-12-27 | 2015-04-22 | 西安交通大学 | 微秒分辨空化时空分布的三维空化定量成像方法 |
CN105534526A (zh) * | 2015-12-16 | 2016-05-04 | 哈尔滨工业大学深圳研究生院 | 一种测量足底压力的方法 |
CN110327023A (zh) * | 2019-07-11 | 2019-10-15 | 广东工业大学 | 一种压力传感器阵列及脉诊装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114145721A (zh) * | 2021-11-12 | 2022-03-08 | 科思技术(温州)研究院 | 一种确定动脉压力的方法、装置及可读存储介质 |
CN114145721B (zh) * | 2021-11-12 | 2023-12-01 | 北京纳米能源与系统研究所 | 一种确定动脉压力的方法、装置及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20160051203A1 (en) | Method and system for pulse diagnosis | |
Wang et al. | A novel multichannel wrist pulse system with different sensor arrays | |
CN100518631C (zh) | 三维动态脉象检测系统 | |
CN102258367A (zh) | 双感测脉诊仪 | |
CN113317794B (zh) | 一种生命体征分析方法与系统 | |
CN114224296B (zh) | 基于可穿戴式传感装置的帕金森运动症状量化评估系统 | |
TWI690336B (zh) | 人工智慧心臟急性病發預警的系統 | |
CN112190247A (zh) | 心率检测方法、心率检测装置以及移动终端 | |
WO2021045616A1 (en) | A computer-implemented method and an apparatus for determining body positions and/or sleep stages of a person during sleep. | |
CN111000539A (zh) | 脉象采集、诊脉装置以及脉象采集数据处理方法 | |
RU2706534C1 (ru) | Сегментированный электрод | |
KR100869515B1 (ko) | 대맥 및 세맥 진단 시스템 | |
Lin et al. | Research on feature mining algorithm and disease diagnosis of pulse signal based on piezoelectric sensor | |
Mathew et al. | A Review On Ayurvedic Approach In Sphygmology: Characteristics Traditional Parameters And Existing Sensors In Sphygmology | |
CN114176532A (zh) | 一种测定cfPWV参数的临床验证方法及其应用系统 | |
CN113499042A (zh) | 基于系统辨识技术的中医脉诊测试仪及其使用方法 | |
CN111000538A (zh) | 能超过人触觉空间分辨率的脉象采集、诊脉装置及方法 | |
CN211834367U (zh) | 一种脉象采集装置 | |
Mahesh et al. | Three radial artery pulse sensor design for Siddha based disease diagnosis | |
CN113768516B (zh) | 一种基于人工智能的心电图异常程度检测方法及系统 | |
CN107997749A (zh) | 一种数字温度补偿中医脉诊系统 | |
CN107802248A (zh) | 一种基于压阻式传感器阵列的脉诊仪 | |
Ananthapadmanabha | A Critical Review of Instrumentation for Recording Nadi | |
Rahman et al. | Towards Accurate Search for Neonatal Heartbeat: Weighted Algorithm for Reliable ECG Analysis of Premature Infants. | |
Dawson-Amoah | Pulse diagnosis using signal processing and machine learning techniques |
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: 20200414 |