CN111914655B - 一种基于显著信号子段提取的脉象分类方法 - Google Patents

一种基于显著信号子段提取的脉象分类方法 Download PDF

Info

Publication number
CN111914655B
CN111914655B CN202010639354.6A CN202010639354A CN111914655B CN 111914655 B CN111914655 B CN 111914655B CN 202010639354 A CN202010639354 A CN 202010639354A CN 111914655 B CN111914655 B CN 111914655B
Authority
CN
China
Prior art keywords
pulse
representing
pulse signal
sub
segment
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
Application number
CN202010639354.6A
Other languages
English (en)
Other versions
CN111914655A (zh
Inventor
李巧勤
肖迪尹
刘勇国
杨尚明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202010639354.6A priority Critical patent/CN111914655B/zh
Publication of CN111914655A publication Critical patent/CN111914655A/zh
Application granted granted Critical
Publication of CN111914655B publication Critical patent/CN111914655B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Signal Processing (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于显著信号子段提取的脉象分类方法，S1：采集脉搏信号，并进行预处理，得到c个脉搏信号训练样本；S2：定位显著脉搏信号子段位置指示向量；S3：构建多模态距离特征向量；S4：采用最邻近分类器对脉搏信号进行分类，完成基于显著信号子段提取的脉象分类。本发明的脉象分类方法无需对脉搏信号进行周期分割，从脉搏信号中提取具有区分力的子段，避免信息冗余并能加速后续计算过程。通过构建信号子段的多模态距离特征向量能够实现特征信息互补，有助于提高脉搏信号分类准确率，实现脉象的自动识别，为医师脉诊提供辅助决策，提取的脉搏信号子段可提供可解释的结果，用于临床进一步分析。

Description

一种基于显著信号子段提取的脉象分类方法
技术领域
本发明属于医疗诊断技术领域，具体涉及一种基于显著信号子段提取的脉象分类方法。
背景技术
在中医临床诊断中，中医医师通过用手指感受手腕桡动脉处的脉动，根据脉搏的快慢、强弱和深浅程度判断患者健康状况。然而，传统中医学对脉象概念的描述比较模糊，因此脉象的辨别标准并不明确，辨证结果的准确性在很大程度上取决于医师经验，在临床诊断中不同医师对同一患者的诊断结果可能存在差异。这种完全依赖医师主观经验的传统脉诊方式会限制中医脉诊技术的推广与传承。因此，对脉诊客观化的研究具有重要意义。
随着机器学习技术在中医诊疗领域的应用，基于脉搏信号自动分类识别的中医脉诊客观化成为可能。通过设备采集脉搏信号，使用机器学习模型学习中医脉象与脉搏信号之间的联系，对采集到的脉搏信号进行浮、沉、实和数等脉象判别。
现有脉搏信号分类方法通常是对整段脉搏信号或信号分割后的单周期脉搏信号进行处理。这些方法的主要缺陷：第一，基于单周期信号的方法，涉及到信号周期分割和极值点定位等预处理操作，预处理操作若有错，将对分类结果造成直接影响。第二，长时脉搏信号难以处理。基于相似性的方法将整段信号作为输入进行分析，这会导致信息冗余和计算量过大，而对识别结果起作用的主要是存在差异的信号段。第三，识别结果的可解释性不强。现有技术无法提取具有区分力的显著脉搏信号子段，无法定位发生异常的脉搏信号位置，难以在临床中应用。
发明内容
本发明的目的是为了解决脉象分类的问题，提出了一种基于显著信号子段提取的脉象分类方法。
本发明的技术方案是：一种基于显著信号子段提取的脉象分类方法，包括以下步骤：
S1：采用多普勒超声波血液分析仪采集脉搏信号，并进行预处理，得到c个脉搏信号训练样本；
S2：定位c个脉搏信号训练样本的显著脉搏信号子段位置指示向量；
S3：根据显著脉搏信号子段位置指示向量，构建多模态距离特征向量；
S4：根据多模态距离特征向量，采用最邻近分类器对脉搏信号进行分类，完成基于显著信号子段提取的脉象分类。
进一步地，步骤S1中，对脉搏信号进行预处理的方法具体为：采用小波变换的级联滤波器对脉搏信号进行降噪，并采用三次样条插值估计法消除脉搏信号中的基线漂移现象，得到c个脉搏信号训练样本
Figure BDA0002570910380000021
其中，pi＝[p1,...,pt,...pq]表示第i个脉搏信号，pt表示脉搏信号在t时刻的值，q表示脉搏信号长度，yi∈{1,2,...,n}表示对应的脉象类别，n表示脉象类别数目。
进一步地，步骤S2包括以下子步骤：
S21：利用c个脉搏信号训练样本，定义目标函数；
S22：利用交换方向乘子算法求解目标函数，得到显著脉搏信号子段位置指示向量；
S23：提取显著脉搏信号子段位置指示向量的非零元素，得到S个非零块，从每个脉搏信号训练样本中分别截取S个子序列，完成信号子段位置指示向量的定位。
进一步地，步骤S21包括以下子步骤：
S211：根据c个脉搏信号训练样本，定义类i的判别方向为ui，i＝1,2,...,n，n表示脉象类别数目；
S212：根据类i的判别方向ui，定义GEM目标函数为
Figure BDA0002570910380000031
其中，Ci表示类i的样本协方差矩阵，T表示转置运算，n表示脉象类别个数，
Figure BDA0002570910380000037
表示去除类i样本后剩余样本的协方差矩阵，ui表示类i的判别方向；
S213：将所有脉象类别的判别方向ui进行串联，得到所有脉象类别的判别方向v＝(u1,...,ui,...,un)＝[v1,...,vi,...,vn×q]，其中，n表示脉象类别个数，q表示脉搏信号长度，ui表示类i的判别方向；
S214：将所有脉象类别的判别方向v带入GEM目标函数
Figure BDA0002570910380000032
得到GEM目标函数矩阵式
Figure BDA0002570910380000033
其中，
Figure BDA0002570910380000034
T表示转置运算，Ci表示类i的样本协方差矩阵，
Figure BDA0002570910380000035
表示去除类i样本后剩余样本的协方差矩阵，n表示脉象类别个数；
S215：将GEM目标函数矩阵式转化为数值优化式
Figure BDA0002570910380000036
其中，α1表示控制连续限制项的权重，α2表示控制稀疏正则化项权重，α3表示方向差异正则化项的权重，v表示所有脉象类别的判别方向，||Dv||1表示连续限制项，||v||1表示l1范数稀疏正则化项，G表示常量，D表示一个常数矩阵，其元素Dk,k＝1，Dk,k+1＝-1，其余元素均为0；
S216：将数值优化式
Figure BDA0002570910380000041
转化为目标函数
Figure BDA0002570910380000042
其中，z表示第一变量，y表示第二变量，G表示常量。
进一步地，步骤S22包括以下子步骤：
S221：将目标函数
Figure BDA0002570910380000043
转换为增广目标函数
Figure BDA0002570910380000044
其表达式为
Figure BDA0002570910380000045
，其中，T表示转置运算，
Figure BDA0002570910380000046
表示增广目标函数运算，v表示所有脉象类别的判别方向，α1表示控制连续限制项的权重，α2表示控制稀疏正则化项权重，α3表示方向差异正则化项的权重，z表示第一变量，y表示第二变量，G表示常量，n表示脉象类别个数，λ1表示第一对偶变量，λ2表示第二对偶变量，ρ1表示第一惩罚参数，ρ2表示第二惩罚参数，
Figure BDA0002570910380000047
Figure BDA0002570910380000048
表示去除类i样本后剩余样本的协方差矩阵，D表示一个常数矩阵，其元素Dk,k＝1，Dk,k+1＝-1，其余元素均为0；
S222：通过将增广目标函数
Figure BDA0002570910380000049
进行最小化，利用交替方式迭代更新所有脉象类别的判别方向v、第一变量z、第二变量y、第一对偶变量λ1和第二对偶变量λ2，直至所有脉象类别的判别方向v、第一变量z、第二变量y、第一对偶变量λ1和第二对偶变量λ2不再改变；
S223：将迭代更新完成的所有脉象类别的判别方向v＝[0,...0,vi,...,vj,...0,vk，,...,vp,0,…,0,…0]作为显著脉搏信号子段位置指示向量，其中，其中vi,…,vj、vk，,...,vp表示连续非零子段，1≤i≤j≤n×q,1≤k≤p≤n×q。假设一共能够从v提取S个这样的连续非零子段，将它们作为位置指示向量，从脉搏信号的对应位置截取具有区分力的显著信号子段。
进一步地，步骤S3包括以下子步骤：
S31：根据截取的S个子序列，定义两个长度为
Figure BDA0002570910380000051
的脉搏信号子段，分别为
Figure BDA0002570910380000052
和
Figure BDA0002570910380000053
其中，pit表示脉搏信号子段xi在时刻t的值，pjt表示脉搏信号子段xj在时刻t的值，
Figure BDA0002570910380000054
S32：根据两个脉搏信号子段计算基于时域特征的距离向量dE(xi,xj)、基于子段行为相关性的距离度量dB(xi,xj)和基于频域特征的距离度量dF(xi,xj)；
S33：根据基于时域特征的距离向量dE(xi,xj)、基于子段行为相关性的距离度量dB(xi,xj)和基于频域特征的距离度量dF(xi,xj)得到第s个脉搏信号子段上测量信号pi和pj的距离
Figure BDA0002570910380000055
其中，m∈{E,B,F}，s∈{1,...,S}；
S34：根据第s个脉搏信号子段上测量信号pi和pj的距离
Figure BDA0002570910380000056
构建多模态距离特征向量pij，其表示式为
Figure BDA0002570910380000057
进一步地，步骤S32中，基于时域特征的距离向量dE(xi,xj)的计算公式为：
Figure BDA0002570910380000058
其中，pit表示脉搏信号子段xi在时刻t的值，pjt表示脉搏信号子段xj在时刻t的值，
Figure BDA0002570910380000059
表示脉搏信号子段的长度。
进一步地，步骤S32中，计算基于子段行为相关性的距离度量dB(xi,xj)包括以下子步骤：
A321：根据两个脉搏信号子段xi和xj，计算时间相关系数Cort(xi,xj)，其计算公式为：
Figure BDA00025709103800000510
其中，pit表示脉搏信号子段xi在时刻t的值，pjt表示脉搏信号子段xj在时刻t的值，t'＝t+1；
A322：根据时间相关系数Cort(xi,xj)计算基于子段行为相关性的距离度量dB(xi,xj)，其计算公式为：
dB(xi,xj)＝1-Cort(xi,xj)
其中，Cort(xi,xj)表示时间相关系数。
进一步地，步骤S32中，计算基于频域特征的距离度量dF(xi,xj)包括以下子步骤：
B321：将脉搏信号子段xi进行傅里叶变换，得到变换后的脉搏信号子段
Figure BDA0002570910380000061
其中，
Figure BDA0002570910380000062
表示在频率f处的复数分量，R表示傅里叶变换后得到的序列长度，f≤R；
B322：根据变换后的脉搏信号子段
Figure BDA0002570910380000063
计算基于频域特征的距离度量dF(xi,xj)，其计算公式为：
Figure BDA0002570910380000064
其中，R表示傅里叶变换后得到的序列长度，
Figure BDA0002570910380000065
表示子段xi在频率f处的复数分量，
Figure BDA0002570910380000066
表示子段xj在频率f处的复数分量。
本发明的有益效果是：
(1)本发明的脉象分类方法无需对脉搏信号进行周期分割，从脉搏信号中提取具有区分力的子段，避免信息冗余并能加速后续计算过程。
(2)在判别信号子段上学习多模态组合的脉搏信号距离度量函数，对信号子段进行多模态表示，构建多模态距离特征空间，实现脉搏信号分类的客观化。
(3)通过构建信号子段的多模态距离特征向量能够实现特征信息互补，有助于提高脉搏信号分类准确率，实现脉象的自动识别，为医师脉诊提供辅助决策，提取的脉搏信号子段可提供可解释的结果，用于临床进一步分析。
(4)改进传统广义特征向量方法，将多个类的投影方向求解整合到一个目标函数中进行求解，提高计算效率；引入方向差异正则化项以确保不同类别的脉搏信号的投影方向具有差异性，使用交替方向乘子方法求解优化问题。
附图说明
图1为脉象分类方法的流程图。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明。
如图1所示，本发明提供了一种基于显著信号子段提取的脉象分类方法，包括以下步骤：
S1：采用多普勒超声波血液分析仪采集脉搏信号，并进行预处理，得到c个脉搏信号训练样本；
S2：定位c个脉搏信号训练样本的显著脉搏信号子段位置指示向量；
S3：根据显著脉搏信号子段位置指示向量，构建多模态距离特征向量；
S4：根据多模态距离特征向量，采用最邻近分类器对脉搏信号进行分类，完成基于显著信号子段提取的脉象分类。
在本发明实施例中，如图1所示，步骤S1中，对脉搏信号进行预处理的方法具体为：采用小波变换的级联滤波器对脉搏信号进行降噪，并采用三次样条插值估计法消除脉搏信号中的基线漂移现象，得到c个脉搏信号训练样本
Figure BDA0002570910380000071
其中，pi＝[p1,...,pt,...pq]表示第i个脉搏信号，pt表示脉搏信号在t时刻的值，q表示脉搏信号长度，yi∈{1,2,...,n}表示对应的脉象类别，n表示脉象类别数目。
在本发明实施例中，如图1所示，步骤S2包括以下子步骤：
S21：利用c个脉搏信号训练样本，定义目标函数；
S22：利用交换方向乘子算法求解目标函数，得到显著脉搏信号子段位置指示向量；
S23：提取显著脉搏信号子段位置指示向量的非零元素，得到S个非零块，从每个脉搏信号训练样本中分别截取S个子序列，完成信号子段位置指示向量的定位。
在本发明实施例中，如图1所示，步骤S21包括以下子步骤：
S211：根据c个脉搏信号训练样本，定义类i的判别方向为ui，i＝1,2,...,n，n表示脉象类别数目；
S212：根据类i的判别方向ui，定义GEM目标函数为
Figure BDA0002570910380000081
其中，Ci表示类i的样本协方差矩阵，T表示转置运算，n表示脉象类别个数，
Figure BDA0002570910380000082
表示去除类i样本后剩余样本的协方差矩阵，ui表示类i的判别方向；
S213：将所有脉象类别的判别方向ui进行串联，得到所有脉象类别的判别方向v＝(u1,...,ui,...,un)＝[v1,...,vi,...,vn×q]，其中，n表示脉象类别个数，q表示脉搏信号长度，ui表示类i的判别方向；
S214：将所有脉象类别的判别方向v带入GEM目标函数
Figure BDA0002570910380000083
得到GEM目标函数矩阵式
Figure BDA0002570910380000084
其中，
Figure BDA0002570910380000085
T表示转置运算，Ci表示类i的样本协方差矩阵，
Figure BDA0002570910380000086
表示去除类i样本后剩余样本的协方差矩阵，n表示脉象类别个数；
S215：将GEM目标函数矩阵式转化为数值优化式
Figure BDA0002570910380000091
其中，α1表示控制连续限制项的权重，α2表示控制稀疏正则化项权重，α3表示方向差异正则化项的权重，v表示所有脉象类别的判别方向，||Dv||1表示连续限制项，||v||1表示l1范数稀疏正则化项，G表示常量，D表示一个常数矩阵，其元素Dk,k＝1，Dk,k+1＝-1，其余元素均为0；
S216：将数值优化式
Figure BDA0002570910380000092
转化为目标函数
Figure BDA0002570910380000093
其中，z表示第一变量，y表示第二变量，G表示常量。
在本发明中，使用广义特征向量技术搜索显著脉搏信号子段，广义特征向量技术的目的是寻找一个能最大化第i个脉象类别内的脉搏信号和第j个脉象类别内的脉搏信号之间投影的数据方差比率的子段位置指示向量。通过最小化GEM目标函数，可以使得类i中的信息被最大限度地保留，而类j中的信息被压缩，从而能够辨别类i和类j。
同时，为了促进解的稀疏性，确保产生聚集的强块结构解，有效捕获时间序列相邻位置的相关性，加入了l1范数稀疏正则化项||v||1和连续限制项∑k|vk-vk+1|,k∈[1,n×q-1]，用矩阵形式表示连续限制项||Dv||1。同时为保证vi之间存在差异性，还引入方向差异正则化项∑i,j||vi-vj||，表示为vTGv，其中G是一个常量，定义如下：
Figure BDA0002570910380000094
其中I是一个单位矩阵。
在本发明实施例中，如图1所示，步骤S22包括以下子步骤：
S221：将目标函数
Figure BDA0002570910380000095
转换为增广目标函数
Figure BDA0002570910380000101
其表达式为
Figure BDA0002570910380000102
，其中，T表示转置运算，
Figure BDA0002570910380000103
表示增广目标函数运算，v表示所有脉象类别的判别方向，α1表示控制连续限制项的权重，α2表示控制稀疏正则化项权重，α3表示方向差异正则化项的权重，z表示第一变量，y表示第二变量，G表示常量，n表示脉象类别个数，λ1表示第一对偶变量，λ2表示第二对偶变量，ρ1表示第一惩罚参数，ρ2表示第二惩罚参数，
Figure BDA0002570910380000104
Figure BDA0002570910380000105
表示去除类i样本后剩余样本的协方差矩阵，D表示一个常数矩阵，其元素Dk,k＝1，Dk,k+1＝-1，其余元素均为0；
S222：通过将增广目标函数
Figure BDA0002570910380000106
进行最小化，利用交替方式迭代更新所有脉象类别的判别方向v、第一变量z、第二变量y、第一对偶变量λ1和第二对偶变量λ2，直至所有脉象类别的判别方向v、第一变量z、第二变量y、第一对偶变量λ1和第二对偶变量λ2不再改变；
S223：将迭代更新完成的所有脉象类别的判别方向v＝[0,...0,vi,...,vj,...0,vk，,...,vp,0,...,0,...0]作为显著脉搏信号子段位置指示向量，其中，其中vi,...,vj、vk，,...,vp表示连续非零子段，1≤i≤j≤n×q,1≤k≤p≤n×q。假设一共能够从v提取S个这样的连续非零子段，将它们作为位置指示向量，从脉搏信号的对应位置截取具有区分力的显著信号子段。
在本发明中，对所有脉象类别的判别方向v、第一变量z、第二变量y、第一对偶变量λ1和第二对偶变量λ2的迭代更新过程具体如下：
更新所有脉象类别的判别方向v：为了方便起见，设置第一辅助变量
Figure BDA0002570910380000107
和第二辅助变量
Figure BDA0002570910380000111
Figure BDA0002570910380000112
其中，γ表示约束条件vTCv＝1对应的拉格朗日乘子；对本式等号右边求导，得到求导函数
Figure BDA0002570910380000113
令导数为0，解得v，
Figure BDA0002570910380000114
其中，R通过Cholesky分解得到，RTR＝C，I表示单位矩阵，γ通过求解
Figure BDA0002570910380000115
得到。
更新第一变量z：
Figure BDA0002570910380000116
令
Figure BDA0002570910380000117
用软阈值法解得
Figure BDA0002570910380000118
更新第二变量y：
Figure BDA0002570910380000119
令
Figure BDA00025709103800001110
用软阈值法解得
Figure BDA00025709103800001111
更新第一对偶变量λ1和第二对偶变量λ2：
Figure BDA00025709103800001112
Figure BDA00025709103800001113
更新第一辅助变量μ1和第一辅助变量μ2：
Figure BDA00025709103800001114
Figure BDA0002570910380000121
迭代更新所有脉象类别的判别方向v、第一变量z、第二变量y、第一对偶变量λ1、第二对偶变量λ2、第一辅助变量μ1和第一辅助变量μ2，直到其值不再改变，停止目标函数的更新，此时的所有脉象类别的判别方向v即为最优的所有类别的判别方向，其中的非零块对应的位置即为具有判别力的信号子段的位置，因此将所有脉象类别的判别方向v称为信号子段位置指示向量。
在本发明实施例中，如图1所示，步骤S3包括以下子步骤：
S31：根据截取的S个子序列，定义两个长度为
Figure BDA0002570910380000122
的脉搏信号子段，分别为
Figure BDA0002570910380000123
和
Figure BDA0002570910380000124
其中，pit表示脉搏信号子段xi在时刻t的值，pjt表示脉搏信号子段xj在时刻t的值，
Figure BDA0002570910380000125
S32：根据两个脉搏信号子段计算基于时域特征的距离向量dE(xi,xj)、基于子段行为相关性的距离度量dB(xi,xj)和基于频域特征的距离度量dF(xi,xj)；
S33：根据基于时域特征的距离向量dE(xi,xj)、基于子段行为相关性的距离度量dB(xi,xj)和基于频域特征的距离度量dF(xi,xj)得到第s个脉搏信号子段上测量信号pi和pj的距离
Figure BDA0002570910380000126
其中，m∈{E,B,F}，s∈{1,...,S}；
S34：根据第s个脉搏信号子段上测量信号pi和pj的距离
Figure BDA0002570910380000127
构建多模态距离特征向量pij，其表示式为
Figure BDA0002570910380000128
在本发明中，第s个脉搏信号子段上测量信号pi和pj越接近，||pij||2越小。
在本发明实施例中，如图1所示，步骤S32中，基于时域特征的距离向量dE(xi,xj)的计算公式为：
Figure BDA0002570910380000129
其中，pit表示脉搏信号子段xi在时刻t的值，pjt表示脉搏信号子段xj在时刻t的值，
Figure BDA00025709103800001210
表示脉搏信号子段的长度。
在本发明实施例中，如图1所示，步骤S32中，计算基于子段行为相关性的距离度量dB(xi,xj)包括以下子步骤：
A321：根据两个脉搏信号子段xi和xj，计算时间相关系数Cort(xi,xj)，其计算公式为：
Figure BDA0002570910380000131
其中，pit表示脉搏信号子段xi在时刻t的值，pjt表示脉搏信号子段xj在时刻t的值，t'＝t+1；
A322：根据时间相关系数Cort(xi,xj)计算基于子段行为相关性的距离度量dB(xi,xj)，其计算公式为：
dB(xi,xj)＝1-Cort(xi,xj)
其中，Cort(xi,xj)表示时间相关系数。
如果在任何观察期间[t,t+1],两段脉搏信号xi与xj同时增加或减少相同的增长率，则认为它们有相似的行为。相反，若在任何观察期间[t,t+1]，信号xi增加，信号xj降低，则认为它们有相反的行为。其中Cort(xi,xj)∈[-1,1]，则Cort(xi,xj)＝1表明信号xi与xj有着相似的行为。Cort(xi,xj)＝-1表明信号xi与xj呈现相反的行为。dB(xi,xj)越小，表明信号xi与xj在行为上越接近。
在本发明实施例中，如图1所示，步骤S32中，计算基于频域特征的距离度量dF(xi,xj)包括以下子步骤：
B321：将脉搏信号子段xi进行傅里叶变换，得到变换后的脉搏信号子段
Figure BDA0002570910380000132
其中，
Figure BDA0002570910380000133
表示在频率f处的复数分量，R表示傅里叶变换后得到的序列长度，f≤R；
B322：根据变换后的脉搏信号子段
Figure BDA0002570910380000134
计算基于频域特征的距离度量dF(xi,xj)，其计算公式为：
Figure BDA0002570910380000141
其中，R表示傅里叶变换后得到的序列长度，
Figure BDA0002570910380000142
表示子段xi在频率f处的复数分量，
Figure BDA0002570910380000143
表示子段xj在频率f处的复数分量。
在本发明中，对于未知脉象的脉搏信号样本pk，使用步骤S3中的方法计算其与训练集中所有脉搏信号之间的多模态距离向量pki,i＝1,2,...,c，然后计算向量pkj的范数。根据最近邻原则，该脉搏信号的类别与训练集中样本j的类别相同，其中，
Figure BDA0002570910380000144
本发明的工作原理及过程为：首先使用基于学习的判别显著信号子段提取方法从脉搏信号中提取具有区分力的子段；改进传统广义特征向量方法，将多个类的投影方向求解整合到一个目标函数中进行求解；使用交替方向乘子方法求解优化问题；在判别信号子段上学习多模态组合的脉搏信号距离度量函数，构建多模态距离特征空间，使用最近邻算法完成脉象分类。
本发明的有益效果为：
(1)本发明的脉象分类方法无需对脉搏信号进行周期分割，从脉搏信号中提取具有区分力的子段，避免信息冗余并能加速后续计算过程。
(2)在判别信号子段上学习多模态组合的脉搏信号距离度量函数，对信号子段进行多模态表示，构建多模态距离特征空间，实现脉搏信号分类的客观化。
(3)通过构建信号子段的多模态距离特征向量能够实现特征信息互补，有助于提高脉搏信号分类准确率，实现脉象的自动识别，为医师脉诊提供辅助决策，提取的脉搏信号子段可提供可解释的结果，用于临床进一步分析。
(4)改进传统广义特征向量方法，将多个类的投影方向求解整合到一个目标函数中进行求解，提高计算效率；引入方向差异正则化项以确保不同类别的脉搏信号的投影方向具有差异性，使用交替方向乘子方法求解优化问题。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (8)

1.一种基于显著信号子段提取的脉象分类方法，其特征在于，包括以下步骤：
S1：采用多普勒超声波血液分析仪采集脉搏信号，并进行预处理，得到c个脉搏信号训练样本；
S2：定位c个脉搏信号训练样本的显著脉搏信号子段位置指示向量；
S3：根据显著脉搏信号子段位置指示向量，构建多模态距离特征向量；
S4：根据多模态距离特征向量，采用最邻近分类器对脉搏信号进行分类，完成基于显著信号子段提取的脉象分类；
所述步骤S1中，对脉搏信号进行预处理的方法具体为：采用小波变换的级联滤波器对脉搏信号进行降噪，并采用三次样条插值估计法消除脉搏信号中的基线漂移现象，得到c个脉搏信号训练样本
Figure FDA0003497774310000011
其中，pi＝[p1,...,pt,...pq]表示第i个脉搏信号，pt表示脉搏信号在t时刻的值，q表示脉搏信号长度，yi∈{1,2,...,n}表示对应的脉象类别，n表示脉象类别数目。
2.根据权利要求1所述的基于显著信号子段提取的脉象分类方法，其特征在于，所述步骤S2包括以下子步骤：
S21：利用c个脉搏信号训练样本，定义目标函数；
S22：利用交换方向乘子算法求解目标函数，得到显著脉搏信号子段位置指示向量；
S23：提取显著脉搏信号子段位置指示向量的非零元素，得到S个非零块，从每个脉搏信号训练样本中分别截取S个子序列，完成信号子段位置指示向量的定位。
3.根据权利要求2所述的基于显著信号子段提取的脉象分类方法，其特征在于，所述步骤S21包括以下子步骤：
S211：根据c个脉搏信号训练样本，定义类i的判别方向为ui，i＝1,2,...,n，n表示脉象类别数目；
S212：根据类i的判别方向ui，定义GEM目标函数为
Figure FDA0003497774310000021
其中，Ci表示类i的样本协方差矩阵，T表示转置运算，n表示脉象类别个数，
Figure FDA0003497774310000028
表示去除类i样本后剩余样本的协方差矩阵，ui表示类i的判别方向；
S213：将所有脉象类别的判别方向ui进行串联，得到所有脉象类别的判别方向v＝(u1,...,ui,...,un)＝[v1,...,vi,...,vn×q]，其中，n表示脉象类别个数，q表示脉搏信号长度，ui表示类i的判别方向；
S214：将所有脉象类别的判别方向v带入GEM目标函数
Figure FDA0003497774310000022
得到GEM目标函数矩阵式
Figure FDA0003497774310000023
其中，
Figure FDA0003497774310000024
T表示转置运算，Ci表示类i的样本协方差矩阵，
Figure FDA0003497774310000025
表示去除类i样本后剩余样本的协方差矩阵，n表示脉象类别个数；
S215：将GEM目标函数矩阵式转化为数值优化式
Figure FDA0003497774310000026
其中，α1表示控制连续限制项的权重，α2表示控制稀疏正则化项权重，α3表示方向差异正则化项的权重，v表示所有脉象类别的判别方向，||Dv||1表示连续限制项，||v||1表示l1范数稀疏正则化项，G表示常量，D表示一个常数矩阵，其元素Dk,k＝1，Dk,k+1＝-1，其余元素均为0；
S216：将数值优化式
Figure FDA0003497774310000027
转化为目标函数
Figure FDA0003497774310000031
其中，z表示第一变量，y表示第二变量，G表示常量。
4.根据权利要求2所述的基于显著信号子段提取的脉象分类方法，其特征在于，所述步骤S22包括以下子步骤：
S221：将目标函数
Figure FDA0003497774310000032
转换为增广目标函数
Figure FDA0003497774310000033
其表达式为
Figure FDA0003497774310000034
，其中，T表示转置运算，
Figure FDA0003497774310000035
表示增广目标函数运算，v表示所有脉象类别的判别方向，α1表示控制连续限制项的权重，α2表示控制稀疏正则化项权重，α3表示方向差异正则化项的权重，z表示第一变量，y表示第二变量，G表示常量，n表示脉象类别个数，λ1表示第一对偶变量，λ2表示第二对偶变量，ρ1表示第一惩罚参数，ρ2表示第二惩罚参数，
Figure FDA0003497774310000036
Figure FDA0003497774310000037
表示去除类i样本后剩余样本的协方差矩阵，D表示一个常数矩阵，其元素Dk,k＝1，Dk,k+1＝-1，其余元素均为0；
S222：通过将增广目标函数
Figure FDA0003497774310000038
进行最小化，利用交替方式迭代更新所有脉象类别的判别方向v、第一变量z、第二变量y、第一对偶变量λ1和第二对偶变量λ2，直至所有脉象类别的判别方向v、第一变量z、第二变量y、第一对偶变量λ1和第二对偶变量λ2不再改变；
S223：将迭代更新完成的所有脉象类别的判别方向v＝[0,...0,vi,...,vj,...0,vk,...,vp,0,...,0,...0]作为显著脉搏信号子段位置指示向量，其中，vi,...,vj和vk,...,vp表示连续非零子段，1≤i≤j≤n×q,1≤k≤p≤n×q。
5.根据权利要求1所述的基于显著信号子段提取的脉象分类方法，其特征在于，所述步骤S3包括以下子步骤：
S31：根据截取的S个子序列，定义两个长度为
Figure FDA0003497774310000041
的脉搏信号子段，分别为
Figure FDA0003497774310000042
和
Figure FDA0003497774310000043
其中，pit表示脉搏信号子段xi在时刻t的值，pjt表示脉搏信号子段xj在时刻t的值，
Figure FDA0003497774310000044
S32：根据两个脉搏信号子段计算基于时域特征的距离向量dE(xi,xj)、基于子段行为相关性的距离度量dB(xi,xj)和基于频域特征的距离度量dF(xi,xj)；
S33：根据基于时域特征的距离向量dE(xi,xj)、基于子段行为相关性的距离度量dB(xi,xj)和基于频域特征的距离度量dF(xi,xj)得到第s个脉搏信号子段上测量信号pi和pj的距离
Figure FDA00034977743100000410
其中，m∈{E,B,F}，s∈{1,...,S}；
S34：根据第s个脉搏信号子段上测量信号pi和pj的距离
Figure FDA0003497774310000049
构建多模态距离特征向量pij，其表示式为
Figure FDA0003497774310000045
6.根据权利要求5所述的基于显著信号子段提取的脉象分类方法，其特征在于，所述步骤S32中，基于时域特征的距离向量dE(xi,xj)的计算公式为：
Figure FDA0003497774310000046
其中，pit表示脉搏信号子段xi在时刻t的值，pjt表示脉搏信号子段xj在时刻t的值，
Figure FDA0003497774310000047
表示脉搏信号子段的长度。
7.根据权利要求5所述的基于显著信号子段提取的脉象分类方法，其特征在于，所述步骤S32中，计算基于子段行为相关性的距离度量dB(xi,xj)包括以下子步骤：
A321：根据两个脉搏信号子段xi和xj，计算时间相关系数Cort(xi,xj)，其计算公式为：
Figure FDA0003497774310000048
其中，pit表示脉搏信号子段xi在时刻t的值，pjt表示脉搏信号子段xj在时刻t的值，t'＝t+1；
A322：根据时间相关系数Cort(xi,xj)计算基于子段行为相关性的距离度量dB(xi,xj)，其计算公式为：
dB(xi,xj)＝1-Cort(xi,xj)
其中，Cort(xi,xj)表示时间相关系数。
8.根据权利要求5所述的基于显著信号子段提取的脉象分类方法，其特征在于，所述步骤S32中，计算基于频域特征的距离度量dF(xi,xj)包括以下子步骤：
B321：将脉搏信号子段xi进行傅里叶变换，得到变换后的脉搏信号子段
Figure FDA0003497774310000051
其中，
Figure FDA0003497774310000052
表示在频率f处的复数分量，R表示傅里叶变换后得到的序列长度，f≤R；
B322：根据变换后的脉搏信号子段
Figure FDA0003497774310000053
计算基于频域特征的距离度量dF(xi,xj)，其计算公式为：
Figure FDA0003497774310000054
其中，R表示傅里叶变换后得到的序列长度，
Figure FDA0003497774310000055
表示子段xi在频率f处的复数分量，
Figure FDA0003497774310000056
表示子段xj在频率f处的复数分量。
CN202010639354.6A 2020-07-06 2020-07-06 一种基于显著信号子段提取的脉象分类方法 Active CN111914655B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010639354.6A CN111914655B (zh) 2020-07-06 2020-07-06 一种基于显著信号子段提取的脉象分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010639354.6A CN111914655B (zh) 2020-07-06 2020-07-06 一种基于显著信号子段提取的脉象分类方法

Publications (2)

Publication Number Publication Date
CN111914655A CN111914655A (zh) 2020-11-10
CN111914655B true CN111914655B (zh) 2022-07-12

Family

ID=73227385

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010639354.6A Active CN111914655B (zh) 2020-07-06 2020-07-06 一种基于显著信号子段提取的脉象分类方法

Country Status (1)

Country Link
CN (1) CN111914655B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114841214B (zh) * 2022-05-18 2023-06-02 杭州电子科技大学 基于半监督判别投影的脉搏数据分类方法及装置
CN116564509B (zh) * 2023-07-11 2023-09-01 四川省医学科学院·四川省人民医院 一种用于高压氧舱内患者的体征数据处理方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101478921A (zh) * 2006-06-26 2009-07-08 科洛普拉斯特公司 心血管声音的多参数分类
CN102125425A (zh) * 2011-04-22 2011-07-20 西安电子科技大学 基于移动通信终端的数字化中医脉象诊断系统
CN103505189A (zh) * 2013-10-21 2014-01-15 东南大学 基于小波包变换和隐马尔科夫模型的脉搏信号分类方法
CN106473750A (zh) * 2016-10-08 2017-03-08 西安电子科技大学 基于光电容积脉搏波最佳周期波形的身份识别方法
CN107088069A (zh) * 2017-03-29 2017-08-25 西安电子科技大学 基于人体ppg信号分段的身份识别方法
CN107273825A (zh) * 2017-05-25 2017-10-20 西安电子科技大学 基于改进典型相关分析的生理信号融合身份识别方法
CN110322947A (zh) * 2019-06-14 2019-10-11 电子科技大学 一种基于深度学习的高血压老年人运动处方推荐方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104706349B (zh) * 2015-04-13 2017-03-22 大连理工大学 一种基于脉搏波信号的心电信号构建方法
US10530151B2 (en) * 2018-01-09 2020-01-07 Timothy A Carty System and method for suppressing electromagnetic pulse-induced electrical system surges
CN110942103A (zh) * 2019-12-05 2020-03-31 桂林电子科技大学 分类器的训练方法和计算机可读存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101478921A (zh) * 2006-06-26 2009-07-08 科洛普拉斯特公司 心血管声音的多参数分类
CN102125425A (zh) * 2011-04-22 2011-07-20 西安电子科技大学 基于移动通信终端的数字化中医脉象诊断系统
CN103505189A (zh) * 2013-10-21 2014-01-15 东南大学 基于小波包变换和隐马尔科夫模型的脉搏信号分类方法
CN106473750A (zh) * 2016-10-08 2017-03-08 西安电子科技大学 基于光电容积脉搏波最佳周期波形的身份识别方法
CN107088069A (zh) * 2017-03-29 2017-08-25 西安电子科技大学 基于人体ppg信号分段的身份识别方法
CN107273825A (zh) * 2017-05-25 2017-10-20 西安电子科技大学 基于改进典型相关分析的生理信号融合身份识别方法
CN110322947A (zh) * 2019-06-14 2019-10-11 电子科技大学 一种基于深度学习的高血压老年人运动处方推荐方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于移动智能计算的高血压管理系统;乔秋婷;《医学信息学杂志》;20171025;31-35 *

Also Published As

Publication number Publication date
CN111914655A (zh) 2020-11-10

Similar Documents

Publication Publication Date Title
Danelakis et al. Survey of automated multiple sclerosis lesion segmentation techniques on magnetic resonance imaging
Lamrani et al. Brain tumor detection using mri images and convolutional neural network
CN111914655B (zh) 一种基于显著信号子段提取的脉象分类方法
Luo et al. Retinal image classification by self-supervised fuzzy clustering network
CN111476161A (zh) 一种融合图像和生理信号双通道的体感动态手势识别方法
Zhang et al. Multi-task dictionary learning based convolutional neural network for computer aided diagnosis with longitudinal images
CN112613423A (zh) 基于机器学习的癫痫脑电信号识别方法
CN113274031A (zh) 一种基于深度卷积残差网络的心律失常分类方法
Nogales et al. Real-time hand gesture recognition using the leap motion controller and machine learning
Albawi et al. Skin cancer classification dermatologist-level based on deep learning model
CN114595725A (zh) 一种基于加法网络和监督对比学习的脑电信号分类方法
Vavekanand A Deep Learning Approach for Medical Image Segmentation Integrating Magnetic Resonance Imaging to Enhance Brain Tumor Recognition
CN113749658A (zh) 基于集成学习的心肺耦合抑郁状态识别方法及系统
Patel et al. Spatial feature fusion for biomedical image classification based on ensemble deep CNN and transfer learning
CN114841214B (zh) 基于半监督判别投影的脉搏数据分类方法及装置
CN116597996A (zh) 基于自适应近邻传播自聚类模型的婴儿脑发育量化评估系统
CN116539611A (zh) 一种基于细胞机械性能多参数快速分析的细胞检测方法
CN116644378A (zh) 一种基于双层嵌套lstm的超长多维时间序列分类方法
Shitole et al. Dynamic hand gesture recognition using PCA, Pruning and ANN
Shijitha et al. Efficient Morphological Segmentation of Brain Hemorrhage Stroke Lesion Through MultiResUNet.
Güler et al. Implementing wavelet/probabilistic neural networks for Doppler ultrasound blood flow signals
Sarmiento et al. Cardiac disease prediction from spatio-temporal motion patterns in cine-mri
Taha et al. EEG Emotion Recognition Via Ensemble Learning Representations
Fadhel et al. Enhancing ECG Signal Classification Accuracy Through Gaussian Modeling Method.
Cheng et al. Rough classifier based on region growth algorithm for identifying liver CT image

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