CN112336351A - 一种基于人体体表电信号的病情评估方法及系统 - Google Patents

一种基于人体体表电信号的病情评估方法及系统 Download PDF

Info

Publication number
CN112336351A
CN112336351A CN202011159028.1A CN202011159028A CN112336351A CN 112336351 A CN112336351 A CN 112336351A CN 202011159028 A CN202011159028 A CN 202011159028A CN 112336351 A CN112336351 A CN 112336351A
Authority
CN
China
Prior art keywords
meridian
body surface
surface electric
signals
disease
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
Application number
CN202011159028.1A
Other languages
English (en)
Inventor
李秋平
王新安
曹璇
何建容
邱常沛
周炳
朱玉博
王虎
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.)
Peking University Shenzhen Graduate School
Original Assignee
Peking University Shenzhen Graduate School
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 Peking University Shenzhen Graduate School filed Critical Peking University Shenzhen Graduate School
Priority to CN202011159028.1A priority Critical patent/CN112336351A/zh
Publication of CN112336351A publication Critical patent/CN112336351A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/48Other medical applications
    • A61B5/4842Monitoring progression or stage of a disease
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/48Other medical applications
    • A61B5/4848Monitoring or testing the effects of treatment, e.g. of medication
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235Details of waveform analysis
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235Details of waveform analysis
    • A61B5/7264Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235Details of waveform analysis
    • A61B5/7264Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267Classification 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)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

一种基于人体体表电信号的病情评估系统,包括体表电信号采集装置和信号后处理装置。体表电信号采集装置用于获取与预评估疾病相关的经络体表电信号,经络体表电信号是依据中医经络理论与所述疾病相关经络的表征部位的人体体表电信号。信号后处理装置用于对经络体表电信号进行特征提取,以获取疾病的经络特征信号,并将经络特征信号输入该疾病的病情评估指标与疾病的经络特征信号对应关系的数学模型,以获取疾病的病情评估结果。信号后处理装置还用于获取不同时间的病情评估结果,以获取疾病的疗效评估结果。通过采集的经络体表电信号获取疾病的经络特征信号并输入数学模型,以获取病情评估和疗效评估结果,实现了对不同疾病的疗效和病情的评估。

Description

一种基于人体体表电信号的病情评估方法及系统
技术领域
本发明涉及疾病病情评估技术领域,具体涉及一种基于人体体表电信号的病情评估方法及系统。
背景技术
心电、脑电、肌电等人体电信号已经广泛应用。心电的不同导联对应人体的不同部位,映射出心脏活动的不同切面,从而能够检测相应的心脏疾病,或者说判断正常或异常。脑电、肌电也非常类似,通过特定部位的电信号判断正常或异常。除了人体电信号之外,还有CT、MRI、X光、超声等医学影像,都可以反应患者的被观测部位的正常或异常。上述仪器设备,能够判断明显的治疗效果,也能够识别病情的显著变化,但是,目前还没有合适的经济、便利及有效的方式或方法,来判断和识别疗效或病情的缓慢变化过程,尤其是对于大量的慢性病患者的疗效或病情的缓慢变化,例如,中风、老年痴呆、抑郁症、糖尿病、以及内脏器官的慢性疾病等。因此需要设计一种便利有效的疾病病情评估系统,可以实时或长期对疾病的变化及疗效进行评估。
发明内容
本发明主要解决的技术问题是如何基于人体体表电信号进行疾病的病情评估。
根据第一方面,一种实施例中提供一种基于人体体表电信号的病情评估方法,包括:
获取与预评估疾病相关的经络体表电信号;所述经络体表电信号是依据中医经络理论与所述疾病相关经络的表征部位的人体体表电信号;
根据所述经络体表电信号,获取所述疾病的病情评估结果。
一种实施例中,还包括:
获取预设时间间隔的所述疾病的病情评估结果;
依据获取的所述病情评估结果,获取所述疾病的疗效评估结果。
一种实施例中,所述与所述疾病相关经络的表征部位,包括:
肺部相关疾病的表征部位包括手太阴肺经;
大肠相关疾病的表征部位包括手阳明大肠经;
心脏相关疾病的表征部位包括手阳心包经和/或手少阴心经;
小肠相关疾病的表征部位包括手太明小肠经;
脾脏相关疾病的表征部位包括足太阴脾经;
胃部相关疾病的表征部位包括足阳明胃经;
肝脏相关疾病的表征部位包括足厥阴肝经;
胆相关疾病的表征部位包括足少阳胆经;
肾脏相关疾病的表征部位包括足少阴肾经;
膀胱相关疾病的表征部位包括足太明膀胱经;
三焦相关疾病的表征部位包括足少明三焦经。
一种实施例中,所述获取与预评估疾病相关的经络体表电信号,包括:
获取与所述预评估疾病相关经络的穴位位置的经络体表电信号;
将获取的所述经络体表电信号进行去噪;
对去噪后的所述经络体表电信号进行采样;
将采样获得的所述经络体表电信号转化为数字信号。
一种实施例中,所述将获取的所述经络体表电信号进行去噪,包括:
将所述经络体表电信号通过截止频率为100Hz的低通滤波器;
将所述经络体表电信号通过50Hz的带陷波滤波器;
应用小波的自适应阈值滤波法对所述经络体表电信号进行滤波。
一种实施例中,所述根据所述经络体表电信号,获取所述疾病的病情评估结果,包括:
对所述经络体表电信号进行特征提取,以获取所述疾病的经络特征信号;
将所述经络特征信号输入一所述疾病的病情评估指标与所述疾病的经络特征信号相关的数学模型;
获取所述数学模型输出的所述疾病的病情评估结果。
一种实施例中,所述对所述经络体表电信号进行特征提取,以获取所述疾病的经络特征信号,包括:
对所述经络体表电信号进行时域特征提取、频域特征提取、非线性特征提取和/或基于神经网络的特征提取,以获取所述疾病的经络特征信号;
所述时域特征提取包括提取所述经络体表电信号的平均值、最大值、最小值、范围、方差、偏度和/或峰态的信号特征;
所述频域特征提取包括提取所述经络体表电信号变换到频域的带功率、香农熵和/或小波能量比的信号特征;
所述非线性特征提取包括提取所述经络体表电信号的样本熵、关联维和/或去趋势波动分析后的信号特征;
所述基于神经网络的特征提取包括通过循环神经网络和/或记忆网络提取所述经络体表电信号的信号特征。
一种实施例中,所述疾病的病情评估指标与所述疾病的经络特征信号相关的数学模型的获取方法包括:
获取至少一种已知病情的与疾病相关的经络体表电信号;所述已知病情包括健康的和与患有不同病情评估指标的病人;
提取所述已知病情的与疾病相关的经络体表电信号的经络特征信号,并与所述已知病情建立对应关系,以获取数学模型。
根据第二方面,一种实施例中提供一种基于人体体表电信号的病情评估系统,包括体表电信号采集装置、信号后处理装置和输出装置;
所述体表电信号采集装置用于获取与预评估疾病相关的经络体表电信号;所述经络体表电信号是依据中医经络理论与所述疾病相关经络的表征部位的人体体表电信号;所述体表电信号采集装置包括电极组、检测板、采集卡和数据获取装置;所述电极组用于贴和设置在人体体表,以获取人体体表电信号;所述检测板用于滤波放大所述电极组获取的人体体表电信号;所述采集卡用于按预设采集频率采集所述人体体表电信号,并转化为数字信号;所述数据获取装装置用于存储转化为数字信号的所述人体体表电信号;
所述信号后处理装置用于对所述经络体表电信号进行特征提取,以获取所述疾病的经络特征信号,并将所述经络特征信号输入一所述疾病的病情评估指标与所述疾病特征信号对应关系的数学模型,以获取所述数学模型输出的所述疾病的病情评估结果;
所述信号后处理装置还用于获取预设时间间隔的所述疾病的病情评估结果,依据获取的所述病情评估结果,获取所述疾病的疗效评估结果;
所述输出装置用于显示所述疾病的病情评估结果和/或所述疾病的疗效评估结果。
依据上述实施例的一种基于人体体表电信号的病情评估系统,包括体表电信号采集装置和信号后处理装置。体表电信号采集装置用于获取与预评估疾病相关的经络体表电信号,经络体表电信号是依据中医经络理论与所述疾病相关经络的表征部位的人体体表电信号。信号后处理装置用于对经络体表电信号进行特征提取,以获取疾病的经络特征信号,并将经络特征信号输入该疾病的病情评估指标与疾病特征信号对应关系的数学模型,以获取疾病的病情评估结果。信号后处理装置还用于获取预设时间间隔的病情评估结果,以获取疾病的疗效评估结果。通过采集的经络体表电信号获取疾病的经络特征信号并输入数学模型,以获取病情评估和疗效评估结果,实现了对不同疾病的疗效和病情的评估,还可以实现对慢病患者的日常病情监测及康复效果评估。
附图说明
图1为一种实施例中一种基于人体体表电信号的病情评估系统的结构示意图;
图2为一种实施例中体表电信号采集装置的结构示意图;
图3为一种实施例中四通道放大器的电路连接示意图;
图4为一种实施例中四通道放大器的电路连接示意图;
图5为一种实施例中多通道探测电路的放大电路的电路连接示意图;
图6为一种实施例中多通道探测电路的比例放大电路的电路连接示意图;
图7为一种实施例中体表电信号采集装置的工作流程示意图;
图8为另一种实施例中基于人体体表电信号的病情评估方法的流程示意图;
图9为另一种实施例中经络体表电信号去噪的流程示意图;
图10为另一种实施例中SVR方式提取特征的曲线示意图;
图11为一种实施例中左侧瘫痪患者的经络体表电信号时域图;
图12为一种实施例中左侧瘫痪患者的经络体表电信号频域图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中,很多细节描述是为了使得本申请能被更好的理解。然而,本领域技术人员可以毫不费力的认识到,其中部分特征在不同情况下是可以省略的,或者可以由其他元件、材料、方法所替代。在某些情况下,本申请相关的一些操作并没有在说明书中显示或者描述,这是为了避免本申请的核心部分被过多的描述所淹没,而对于本领域技术人员而言,详细描述这些相关操作并不是必要的,他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外,说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时,方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此,说明书和附图中的各种顺序只是为了清楚描述某一个实施例,并不意味着是必须的顺序,除非另有说明其中某个顺序是必须遵循的。
本文中为部件所编序号本身,例如“第一”、“第二”等,仅用于区分所描述的对象,不具有任何顺序或技术含义。而本申请所说“连接”、“联接”,如无特别说明,均包括直接和间接连接(联接)。
疗效和病情评估对于“健康中国”意义重大,有助于提高治疗效果、优化慢病康复治疗过程、节约医疗费用、降低医疗伤害。
在本发明实施例中,通过获取的经络体表电信号获取疾病的经络特征信号并输入数学模型,以获取病情评估和疗效评估结果,实现了对不同疾病的疗效和病情的评估。
实施例一:
请参考图1,为一种实施例中一种基于人体体表电信号的病情评估系统的结构示意图,包括体表电信号采集装置1、信号后处理装置2和输出装置3。体表电信号采集装置1用于获取与预评估疾病相关的经络体表电信号。其中,经络体表电信号是依据中医经络理论与疾病相关经络的表征部位的人体体表电信号。信号后处理装置2用于对经络体表电信号进行特征提取,以获取疾病的经络特征信号,并将经络特征信号输入一疾病的病情评估指标与疾病的经络特征信号相关的数学模型,以获取数学模型输出的疾病的病情评估结果。信号后处理装置2还用于获取预设时间间隔的疾病的病情评估结果,以依据获取的病情评估结果,获取疾病的疗效评估结果。输出装置3用于显示和输出疾病的病情评估结果和疾病的疗效评估结果。
请参考图2,为一种实施例中体表电信号采集装置的结构示意图,包括电极组10、检测板20、采集卡30和数据获取装置40。电极组包括检测电极12、参考电极13和右腿驱动(DRL)电极14。检测电极12用于通过直接或间接获取人体体表信号,直接获取包括电极直接探测的人体体表电信号,间接获取时人体响应电刺激反馈的人体体表电信号。参考电极13用于获取人体体表电信号时提供参考电信号。DRL电极14用于构建反馈回路,抑制共模信号,贴在人体的右侧大腿根部。检测板20包括多通道探测电路21、电源管理电路22和右腿驱动电路23。多通道探测电路21与检测电极12和参考电极13连接,一实施例中,电极组10包括多个检测电极12,多通道探测电路21分别与每个检测电极12连接,用于接收检测电极12获取的人体体表电信号,并滤波放大电极组10获取的人体体表电信号。右腿驱动电路23与DRL电极14连接,用于作为多通道探测电路与人体之间的反馈回路,用于减少共模信号,如电源线干扰。电源管理电路22用于为多通道探测电路21和右腿驱动电路23的供电。采集卡30用于按预设采集频率采集人体体表电信号,并转化为数字信号。采集卡30包括多路扫描装置31、PGA32、ADC33、FIFO34和PCI35。多路扫描装置31与多通道探测电路21连接,用于采用多路扫描的方式获取多通道探测电路输出的滤波放大后的人体体表电信号。PGA32为可编程增益放大器,ADC33为模数转换器,FIFO34为先进先出接口电路,PCI35为与所述数据获取装置的接口电路。所述数据获取装置40包括采样控制器41和数据存储器42,采样控制器41与多路扫描装置31、PGA32和ADC33连接,用于配置参数、采集卡的启动和停止和控制数字信号转化后的人体体表电信号数据的输出。数据存储器42用于储存数字信号转化后的人体体表电信号数据。
一实施例中,为了适应更复杂的人体体表电信号检测环境,我们需要一种增益可调、信道数可伸缩的体表电信号采集装置。首先,对电极的输入方式进行了优化,与现有技术中的相同通道数量的采集设备相比,电极数量减少了30%。然后,由于不同区域的人体体表电信号之间的差异很大,所以多通道检测电路的增益可调,同时也满足采样电压范围,充分保证了16位的采样精度。另外,在检测板、采集卡和数据获取装置的配合下,我们可以根据不同的需求扩大采集通道数量,支持多达64个通道。最后,数据存储器基于LabView开发的数据库,可以对人体体表电信号数据进行标准化、系统化的存储和管理。一实施例中,电极组的检测电极包括输入和输出两种类型,通过导电凝胶与皮肤紧密接触,实现电压和电流的传导。一实施例中,每个检测板有4路采集人体电信号的电路,分别可以调节电压增益。右腿驱动电路作为人体与检测电路之间的反馈回路,用于减少共模信号,如电源线干扰。一实施例中,检测主板的电源管理单元支持电池和USB两种模式供电。一实施例中,采集卡将检测板输出的连续模拟电压转换为离散的数字值,支持最多64路ADC,总采样率250K/s。数据获取装置基于图形化编程语言LabView,一方面可以对采集卡的采样参数进行设置,如通道数、电压范围等;另一方面,数据存储器建立标准的数据管理系统,将采集到的数据按照规定的格式存储到数据库中。
一实施例中,探测电极采用Ag/AgCl电极,具有成本高、安全性好等优点。每个电极的直径为2.5厘米。一实施例中,每个检测板对应7个电极,包括5个检测电极,1个参考电极和1个DRL电极。参考电极将人体连接到板上的共地以抵抗共模干扰,降低噪声,而DRL电极通过反馈回路快速放电以达到同样的目的。除DRL电极外,其余6个作为输入电极。
一实施例中,与电极阵列相比,本申请的体表电信号采集装置使用的电极组更灵活,但占据更多的皮肤面积。如果采用8通道设备,采用差分输入方式对同一区域相邻人体体表进行检测,则4通道需要8个检测电极。
请参考图3,为一种实施例中四通道放大器的电路连接示意图,包括四个仪表放大器INA,每个仪表放大器INA的反相输入端连接在一起并作为公共检测端(CDE),同相输入端分别连接电极DE、电极DE1、电极DE2和电极DE3。采用图4所述的电极组将四路仪表放大器的反相输入端连接到板上后,每个通道只需要一个公共的检测电极。
请参考图4,为一种实施例中四通道放大器的电路连接示意图,包括四个仪表放大器INA,每个仪表放大器INA的一个连接端CDE电连接在一起,另一个连接端分别连接电极DE、电极DE1、电极DE2和电极DE3。采用图4所述的电极组选择了单端输入方式,将四路仪表放大器的负输入端子连接到板上后,每个通道只需要一个普通的检测电极。
多通道探测电路的主要作用是放大和滤波,人体体表电信号作为一种生物电信号,具有振幅小、频率低的特点,典型幅值在1mV左右。一实施例中,多通道探测电路的供电电压为±2.5V。为了充分利用ADC的分辨率,增益是可调的,使每个通道输出的电压范围与电源电压一致。另一方面,如果采用高增益单级放大电路,外部电磁干扰和电极与皮肤之间的极化电压都有可能使放大器饱和而丢失有用信息。
请参考图5,为一种实施例中多通道探测电路的放大电路的电路连接示意图,一实施例中,采用两级放大,两级放大之间有合适的信号滤波电路。两级放大包括放大器A1、放大器A2、放大器A3、电阻R1、电阻R2、电阻R3、电阻R4、电阻R5、电阻R6、和电阻Rg。放大器A1的正输入端作为放大电路的第一输入端。电阻R1一端与放大器A1的负输入端连接,另一端与放大器A1的输出端连接。放大器A2的正输入端作为放大电路的第二输入端。电阻R2一端与放大器A2的负输入端连接,另一端与放大器A2的输出端连接。电阻R3一端与放大器A1的输出端连接,另一端与放大器A3的负输入端连接。电阻R4一端与放大器A2的输出端连接,另一端与放大器A3的负输入端连接。电阻R5一端与放大器A3的负输入端连接,另一端接地。放大器A3的输出端作为放大电路的输出端。电阻Rg连接在放大器A1的负输入端和放大器A2的负输入端之间。一实施例中,由于多级放大器的噪声主要来自于第一级,因此选用仪器放大器AD8223,它具有低噪声、高共模抑制比和高输入阻抗的优点。
请参考图6,为一种实施例中多通道探测电路的比例放大电路的电路连接示意图,比例放大电路包括放大器A4、电阻R7、电阻R8和可调电阻Ra。电阻R7的一端作为比例放大电路的输入端,另一端与放大器A4的负输入端连接。电阻R8的一端与放大器A4的正输入端连接,另一端接地。可调电阻Ra一端与放大器A4的负输入端连接,另一端与放大器A4的输出端连接。一实施例中,比例放大器电路采用可调电阻Ra实现可调增益。
请参考图7,为一种实施例中体表电信号采集装置的工作流程示意图,体表电信号采集装置的工作流程包括:
将电极组贴合设置在人体体表,体表电信号采集装置开始供电。
步骤S10,体表电信号采集装置初始化。
步骤S11,多通道探测电路获取人体体表电信号,未获取到人体体表电信号重新初始化,反之执行步骤S12。
步骤S12,设置检测板的探测电路的通道。
步骤S13,设置检测板的电压范围。
步骤S14,设置采集卡的采样率。
步骤S15,判断输出波形是否正确,正确执行步骤S16,反之重新初始化。
步骤S16,储存转化为数字信号的人体体表电信号。
步骤S17,判断是否完成所有采样,位完成则重新初始化继续重新采集。
完成所有采样结束采集。
一实施例中,为了满足体表电信号采集装置具体使用场景的要求,获得最优的采集性能,采集控制器通过控制信号配置采集卡。一实施例中,采集卡的型号采用PCI-1747U,具有16位高分辨率、250kS/s采样率、64通道单端或32通道差分模拟输入、单极或双极输入范围。采集卡上的模块主要包括16位a/D转换器、1k样本FIFO缓冲区和通用PCI总线。数据获取装置采用LabView作为一种图形化编程语言,可以简化编程过程,直观地展示系统的功能。
在本申请实施例中,基于人体体表电信号的病情评估系统包括体表电信号采集装置和信号后处理装置。体表电信号采集装置用于获取与预评估疾病相关的经络体表电信号,经络体表电信号是依据中医经络理论与所述疾病相关经络的表征部位的人体体表电信号。信号后处理装置用于对经络体表电信号进行特征提取,以获取疾病的经络特征信号,并将经络特征信号输入该疾病的病情评估指标与疾病的经络特征信号相关的数学模型,以获取疾病的病情评估结果。信号后处理装置还用于获取预设时间间隔的病情评估结果,以获取疾病的疗效评估结果。通过采集的经络体表电信号获取疾病的经络特征信号并输入数学模型,以获取病情评估和疗效评估结果,实现了对不同疾病的疗效和病情的评估。
实施例二:
请参考图8,为另一种实施例中基于人体体表电信号的病情评估方法的流程示意图,该病情评估方法包括:
步骤一,获取经络体表电信号。
获取与预评估疾病相关的经络体表电信号。其中,经络体表电信号是依据中医经络理论与疾病相关经络的表征部位的人体体表电信号。与疾病相关经络的表征部位,包括:
肺部相关疾病的表征部位包括手太阴肺经。大肠相关疾病的表征部位包括手阳明大肠经。心脏相关疾病的表征部位包括手阳心包经和/或手少阴心经。小肠相关疾病的表征部位包括手太明小肠经。脾脏相关疾病的表征部位包括足太阴脾经。胃部相关疾病的表征部位包括足阳明胃经。肝脏相关疾病的表征部位包括足厥阴肝经。胆相关疾病的表征部位包括足少阳胆经。肾脏相关疾病的表征部位包括足少阴肾经。膀胱相关疾病的表征部位包括足太明膀胱经。三焦相关疾病的表征部位包括足少明三焦经。一实施例中,获取与预评估疾病相关经络的穴位位置的经络体表电信号。
步骤二,获取病情评估结果。
根据经络体表电信号,获取疾病的病情评估结果,包括:
1)将获取的经络体表电信号进行去噪。所采集的对应人体体表的经络体表电信号,频率分布在0.05~100Hz之间,主要能量集中在1~40Hz之间。经络体表电信号作为一种生物电信号,容易受到干扰噪声的扰动。噪声根据其产生的原因可以划分成两类。一类是由于内在因素所导致的干扰噪声,一类是由于外在因素导致的干扰噪声,内在因素导致的干扰噪声,主要包括基线漂移和肌电干扰。基线漂移是由于人体呼吸运动所导致的干扰,呈现出缓慢变化的正弦曲线形态,一般频率小于1Hz。肌电干扰是在经络体表电信号采集过程中引入的无关人体电信号,由无关的肌肉组织收缩引起,一般呈现高斯白噪声分布,振幅幅值在mV量级。外在引入导致的干扰噪声,主要包括工频干扰。工频干扰是由电磁场产生的干扰,一般会以电磁波的辐射形式产生干扰。工频干扰的频率取决于市电频率。中国的市电频率为50Hz。
请参考图9,为另一种实施例中经络体表电信号去噪的流程示意图,去噪过程包括:
步骤S51,将经络体表电信号通过截止频率为100Hz的低通滤波器。去除肌电干扰的高频部分信号。
步骤S52,将经络体表电信号通过50Hz带陷波滤波器。滤除外因中的市电引起的工频干扰信号。
步骤S53,应用小波的自适应阈值滤波法对经络体表电信号进行滤波。去除基线漂移和肌电干扰中得到低频部分信号。
经过上述三个步骤,可以尽量保证经络体表电信号的完整性,以为后续的特征提取提供保证。
陷波滤波器是带阻滤波器的一种,具体有阻带非常窄的特性,理想情况下,陷波滤波器的频率响应可以在目标噪声频率分布点,消除目标噪声信号至0值;而在其他频率范围内,原始有用信号值不受影响。50Hz陷波滤波器的传递函数为:
Figure BDA0002743669810000101
其中,f0为陷波频率点,α为陷波器深度,将上式简化可得:
Figure BDA0002743669810000102
截止频率为100Hz的低通滤波器可以采用窗函数法设计的有限脉冲响应滤波器(FIR),实现简易,滤波效果好,其频域响应函数如下:
Figure BDA0002743669810000103
小波分解滤波是考虑到经络体表电信号为低频的类平稳信号。将含有噪声的经络体表电信号进行多尺度的小波分解,通过阈值法对小波系数进行处理,随后对分解信号重构,可以得到滤波信号。由于经络体表电信号与噪声频率存在一部分重叠,简单使用硬阈值法会使得原始信号失真,所以采取基于小波变换的自适应滤波,对基线漂移和肌电干扰进行滤波。具体实现如下:将原始表征部位信号进行小波分解,随后采用优化指标算法(如最小均方误差,LMS)来自适应去除和原始信号频率有重叠的噪声信号,减少原始信号失真,最后进行信号重构获得去噪后的经络体表电信号。
2)对去噪后的经络体表电信号进行采样。一实施例中,通过体表电信号采集装置的采集卡对去噪后的经络体表电信号进行采样。
3)将采样获得的经络体表电信号转化为数字信号,以用于存储或直接进行后处理。
一实施例中,根据经络体表电信号,获取疾病的病情评估结果,还包括:
对经络体表电信号进行特征提取,以获取疾病的经络特征信号。其中,对经络体表电信号进行特征提取包括对经络体表电信号进行时域特征提取、频域特征提取、非线性特征提取和基于神经网络的特征提取。
时域特征提取包括提取经络体表电信号的平均值、最大值、最小值、范围、方差、偏度和/或峰态的信号特征。均值从整体反映经络体表电信号的平均水平,方差反映了经络体表电信号偏离平均值的程度,偏度反映经络体表电信号中数据分布的偏斜方向和程度,峰态反映经络体表电信号数据分布的尖锐程度。频域特征提取包括提取经络体表电信号变换到频域的带功率、香农熵和小波能量比的信号特征。频域分析方法能够将经络体表电信号从时域变换到频域,然后按照不同频段反映经络体表电信号的能量分布情况。非线性特征提取包括提取所述经络体表电信号的样本熵、关联维和/或去趋势波动分析后的信号特征。非线性分析是基于非线性的其他领域分析方法来反映经络体表电信号的特性,可以从多尺度深层次展现信号特点。能够关注到经络体表电信号序列所蕴含的复杂的非线性成分。其中,样本熵是度量方法,可以度量信号中产生新模式的概率大小,从而评估序列中的自我相关性。样本熵的计算方式阐述如下,假设有一组时间序列,一共有N个数据构成,则可以用公式表示为:
{x(n)}=x(1),x(2),…,x(N)。
构建一组维度为m的向量序列,公式表示为:
Xm(i),…,Xm(N-m+1),
其中,
Xm(1)={x(i),x(i+1),…,x(i+m-1)},1≤i≤N-m+1。
由此这组向量表示从i开始到i+m-1结束的连续x值,然后定义两两向量之间的距离:
d[Xm(i),Xm(j)],
计算方式为两者对应元素中最大差值的绝对值。
d[Xm(i),Xm(j)]=maxk=0,1,…,m-1(│x(i+k)-x(j+k)│),
统计两两向量之间距离小于等于r的j数目,并记为Bi,其中j需要满足条件1≤i≤N-m,j≠i。定义:
Bi m,Bm(r)
如下:
Bi m(r)=Bi/(N-m),
Figure BDA0002743669810000111
然后当向量维度为m+1时,同理计算Xm+1(i)和Xm+1(j)的距离小于等于r的个数,记为Ai,定义Ai m,Am(r)如下:
Ai m(r)=Ai/(N-m-1),
Figure BDA0002743669810000112
经过了以上计算过程,就得到了两个序列在数量接近情况下有m个匹配点的概率,为Bm(r),两个序列能够匹配到m+1个点的概率为Am(r),由此样本熵计算方式如下:
Figure BDA0002743669810000113
基于神经网络的特征提取包括通过循环神经网络和记忆网络提取经络体表电信号的信号特征。因经络体表电信号为时序信号,适合采用循环神经网络和记忆网络提取信号特征,能够长时间关注到序列中的时间连续性。神经网络的输入是固定时长的经络体表电信号序列,随后经由卷积层,归一层,激活层,池化层,全连接层组成,采用Adam优化器进行训练。当训练过程中损失收敛时,存储训练期间效果最优的参数模型,用这个模型去掉最后的全连接层得到神经网络的特征提取提取器。
将经络特征信号输入疾病的病情评估指标与疾病的经络特征信号相关的数学模型,获取数学模型输出的疾病的病情评估结果。其中,疾病的病情评估指标与疾病的经络特征信号相关的数学模型的获取方法包括:
获取至少一种已知病情的与疾病相关的经络体表电信号,提取已知病情的与疾病相关的经络体表电信号的经络特征信号,并与已知病情建立对应关系,以获取数学模型。已知病情包括健康的和与患有不同病情评估指标的病人。
将上述一种或多种特征提取方式结合起来,获取的综合特征称为经络特征信号。经络特征信号的抽取,可以采用SVM或SVR、LR、RF、GBDT、XGBoost、LGB等等机器模型进行训练,得到最终的病情评估。
请参考图10,为另一种实施例中SVR方式提取特征的曲线示意图,一实施例中,采用SVR方式进行病情评估举例。在SVR中,定义一个距离ε,图10定义的虚线内区域的数据点的残差为0,而虚线区域外的数据点(支持向量)到虚线的边界的距离为残差(ζ)。优化目标是希望找到一个超平面使得这些残差(ζ)最小,即模型优化目标为:
Figure BDA0002743669810000121
满足条件:ζii *≥0,yi-wxi-b≤ε+ζi,wxi+b-yi≤ε+ζi *
事实上,提取出的经络特征信号通常与病情呈现复杂关系,不可用简单线性进行假设,所以应当通过相应的核函数将特征进行重映射到高维空间,再进行回归分析。常用的核函数有线性核、多项式核、高斯核、拉普拉斯核、sigmoid核,利用核函数可以避免在高维空间上的复杂运算,使得特征在高维空间中仍具备可分特性。一实施例中,为了保证模型训练效果更加精准,采用5折交叉验证法,例如将原始数据分为5份,每次选用80%的数据进行训练,剩下20%的数据作为验证,根据每一折交叉验证的结果求均值作为最终病情评分。根据该方法最终得到疾病的病情评估结果。
步骤三,获取预设时间间隔的病情评估结果。
获取预设时间间隔的疾病的病情评估结果是指定期或不定期获取同一病人同一病症在不同时间的病情评估结果。
步骤四,获取疗效评估结果。
依据获取的病情评估结果,获取疾病的疗效评估结果。依据病不同时间的病情评估结果,和病情评估结果的趋势对治疗疾病的疗效进行评估,例如,疗效评估结果包括有效、无效、疗效显著、疗效良好或疗效甚微等。
以脑卒中左侧瘫痪患者的病情评估结果为例,入院第一周病情评估结果为7分,第二周病情评估结果为6分,第三周病情评估结果为5分,第四周病情评估结果为5分。其中,设定健康人为0分,最严重的病人为10分。
综上所述,可见病人在逐渐康复,治疗效果良好。即识别病人与正常人和不同疾病不同程度的差异,以及自身的电信号的变化,给出疗效和病情评估结果。
下面以脑卒中左侧瘫痪患者的实验数据为例,表述获取的经络体表电信号,获取的位置包括:
电极位置一,差分输入电极放置在左右指尖,多通道探测电路的1-2通道采集左胳膊(从手至肩),两个电极采集点分别设置在左胳膊的合谷穴和曲池穴位置,多通道探测电路的3-4通道采集右胳膊(从手至肩)两个电极采集点分别设置在右胳膊的合谷穴和曲池穴。
电极位置二,差分输入电极放置在肚脐位置,多通道探测电路的1-2通道采集左侧身体(从腿至胳膊),两个电极采集点分别设置在左侧的足三里穴和曲池穴,多通道探测电路的3-4通道采集右侧身体(从腿至胳膊),两个电极采集点分别设置在右侧的足三里穴和曲池穴。
请参考图11,为一种实施例中左侧瘫痪患者的经络体表电信号时域图,其中横坐标是时间轴,纵坐标是经络体表电信号的幅值。
请参考图12,为一种实施例中左侧瘫痪患者的经络体表电信号频域图,其中横坐标是经络体表电信号的频率值,纵坐标是经络体表电信号的功率谱密度值。
在本申请一实施例中,公开了一种基于人体体表电信号的病情评估方法,通过疾病类型和中医理论确定疾病在人体体表的表征部位,获取表征部位的经络体表电信号,并提取这些电信号的时域和频域特征,建立正常人和不同疾病以及不同程度患者的这些特征的模型,并结合自身的评估期间的电信号变化,从而实现不同疾病的疗效和病情评估。一实施例中的病情评估方法还可以用于慢病患者的日常病情监测,康复效果评估等。一实施例中的病情评估方法具有经济、有效、实时、便利的解决慢病患者的疗效和病情评估的优点,还可以识别出当前其他医疗仪器和设备难以识别的缓慢变化。
本领域技术人员可以理解,上述实施方式中各种方法的全部或部分功能可以通过硬件的方式实现,也可以通过计算机程序的方式实现。当上述实施方式中全部或部分功能通过计算机程序的方式实现时,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器、随机存储器、磁盘、光盘、硬盘等,通过计算机执行该程序以实现上述功能。例如,将程序存储在设备的存储器中,当通过处理器执行存储器中程序,即可实现上述全部或部分功能。另外,当上述实施方式中全部或部分功能通过计算机程序的方式实现时,该程序也可以存储在服务器、另一计算机、磁盘、光盘、闪存盘或移动硬盘等存储介质中,通过下载或复制保存到本地设备的存储器中,或对本地设备的系统进行版本更新,当通过处理器执行存储器中的程序时,即可实现上述实施方式中全部或部分功能。
以上应用了具体个例对本发明进行阐述,只是用于帮助理解本发明,并不用以限制本发明。对于本发明所属技术领域的技术人员,依据本发明的思想,还可以做出若干简单推演、变形或替换。

Claims (10)

1.一种基于人体体表电信号的病情评估方法,其特征在于,包括:
获取与预评估疾病相关的经络体表电信号;所述经络体表电信号是依据中医经络理论与所述疾病相关经络的表征部位的人体体表电信号;
根据所述经络体表电信号,获取所述疾病的病情评估结果。
2.如权利要求1所述的方法,其特征在于,还包括:
获取预设时间间隔的所述疾病的病情评估结果;
依据获取的所述病情评估结果,获取所述疾病的疗效评估结果。
3.如权利要求1所述的方法,其特征在于,所述与所述疾病相关经络的表征部位,包括:
肺部相关疾病的表征部位包括手太阴肺经;
大肠相关疾病的表征部位包括手阳明大肠经;
心脏相关疾病的表征部位包括手阳心包经和/或手少阴心经;
小肠相关疾病的表征部位包括手太明小肠经;
脾脏相关疾病的表征部位包括足太阴脾经;
胃部相关疾病的表征部位包括足阳明胃经;
肝脏相关疾病的表征部位包括足厥阴肝经;
胆相关疾病的表征部位包括足少阳胆经;
肾脏相关疾病的表征部位包括足少阴肾经;
膀胱相关疾病的表征部位包括足太明膀胱经;
三焦相关疾病的表征部位包括足少明三焦经。
4.如权利要求1所述的方法,其特征在于,所述获取与预评估疾病相关的经络体表电信号,包括:
获取与所述预评估疾病相关经络的穴位位置的经络体表电信号;
将获取的所述经络体表电信号进行去噪;
对去噪后的所述经络体表电信号进行采样;
将采样获得的所述经络体表电信号转化为数字信号。
5.如权利要求4所述的方法,其特征在于,所述将获取的所述经络体表电信号进行去噪,包括:
将所述经络体表电信号通过截止频率为100Hz的低通滤波器;
将所述经络体表电信号通过50Hz的带陷波滤波器;
应用小波的自适应阈值滤波法对所述经络体表电信号进行滤波。
6.如权利要求4所述的方法,其特征在于,所述根据所述经络体表电信号,获取所述疾病的病情评估结果,包括:
对所述经络体表电信号进行特征提取,以获取所述疾病的经络特征信号;
将所述经络特征信号输入一所述疾病的病情评估指标与所述疾病的经络特征信号相关的数学模型;
获取所述数学模型输出的所述疾病的病情评估结果。
7.如权利要求6所述的方法,其特征在于,所述对所述经络体表电信号进行特征提取,以获取所述疾病的经络特征信号,包括:
对所述经络体表电信号进行时域特征提取、频域特征提取、非线性特征提取和/或基于神经网络的特征提取,以获取所述疾病的经络特征信号;
所述时域特征提取包括提取所述经络体表电信号的平均值、最大值、最小值、范围、方差、偏度和/或峰态的信号特征;
所述频域特征提取包括提取所述经络体表电信号变换到频域的带功率、香农熵和/或小波能量比的信号特征;
所述非线性特征提取包括提取所述经络体表电信号的样本熵、关联维和/或去趋势波动分析后的信号特征;
所述基于神经网络的特征提取包括通过循环神经网络和/或记忆网络提取所述经络体表电信号的信号特征。
8.如权利要求6所述的方法,其特征在于,所述疾病的病情评估指标与所述疾病的经络特征信号相关的数学模型的获取方法包括:
获取至少一种已知病情的与疾病相关的经络体表电信号;所述已知病情包括健康的和与患有不同病情评估指标的病人;
提取所述已知病情的与疾病相关的经络体表电信号的经络特征信号,并与所述已知病情建立对应关系,以获取数学模型。
9.一种计算机可读存储介质,其特征在于,包括程序,所述程序能够被处理器执行以实现如权利要求1-8中任一项所述的方法。
10.一种基于人体体表电信号的病情评估系统,其特征在于,包括体表电信号采集装置、信号后处理装置和输出装置;
所述体表电信号采集装置用于获取与预评估疾病相关的经络体表电信号;所述经络体表电信号是依据中医经络理论与所述疾病相关经络的表征部位的人体体表电信号;所述体表电信号采集装置包括电极组、检测板、采集卡和数据获取装置;所述电极组用于贴和设置在人体体表,以获取人体体表电信号;所述检测板用于滤波放大所述电极组获取的人体体表电信号;所述采集卡用于按预设采集频率采集所述人体体表电信号,并转化为数字信号;所述数据获取装装置用于存储转化为数字信号的所述人体体表电信号;
所述信号后处理装置用于对所述经络体表电信号进行特征提取,以获取所述疾病的经络特征信号,并将所述经络特征信号输入一所述疾病的病情评估指标与所述疾病的经络特征信号对应关系的数学模型,以获取所述数学模型输出的所述疾病的病情评估结果;
所述信号后处理装置还用于获取预设时间间隔的所述疾病的病情评估结果,以依据获取的所述病情评估结果,获取所述疾病的疗效评估结果;
所述输出装置用于显示所述疾病的病情评估结果和/或所述疾病的疗效评估结果。
CN202011159028.1A 2020-10-26 2020-10-26 一种基于人体体表电信号的病情评估方法及系统 Pending CN112336351A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011159028.1A CN112336351A (zh) 2020-10-26 2020-10-26 一种基于人体体表电信号的病情评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011159028.1A CN112336351A (zh) 2020-10-26 2020-10-26 一种基于人体体表电信号的病情评估方法及系统

Publications (1)

Publication Number Publication Date
CN112336351A true CN112336351A (zh) 2021-02-09

Family

ID=74358523

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011159028.1A Pending CN112336351A (zh) 2020-10-26 2020-10-26 一种基于人体体表电信号的病情评估方法及系统

Country Status (1)

Country Link
CN (1) CN112336351A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20240126232A1 (en) * 2022-09-26 2024-04-18 Oceandrive Ventures, LLC Apparatus for printing energy balance formulation and a method for its use

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5368041A (en) * 1992-10-15 1994-11-29 Aspect Medical Systems, Inc. Monitor and method for acquiring and processing electrical signals relating to bodily functions
CN201691930U (zh) * 2009-08-28 2011-01-05 张鑫 一种人体运动状态监测装置
CN106108883A (zh) * 2016-07-19 2016-11-16 厦门英扬电子科技有限公司 一种人体经络穴位生物电信号测量数据的分析方法
CN107961003A (zh) * 2017-11-16 2018-04-27 福建金络康健康科技有限公司 一种人体经络穴位生物电信号测量数据的分析方法
CN110090012A (zh) * 2019-03-15 2019-08-06 上海图灵医疗科技有限公司 一种基于机器学习的人体疾病检测方法及检测产品
CN111714088A (zh) * 2020-06-09 2020-09-29 北京大学深圳研究生院 基于中医原理的人体特征指标检测方法和系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5368041A (en) * 1992-10-15 1994-11-29 Aspect Medical Systems, Inc. Monitor and method for acquiring and processing electrical signals relating to bodily functions
CN201691930U (zh) * 2009-08-28 2011-01-05 张鑫 一种人体运动状态监测装置
CN106108883A (zh) * 2016-07-19 2016-11-16 厦门英扬电子科技有限公司 一种人体经络穴位生物电信号测量数据的分析方法
CN107961003A (zh) * 2017-11-16 2018-04-27 福建金络康健康科技有限公司 一种人体经络穴位生物电信号测量数据的分析方法
CN110090012A (zh) * 2019-03-15 2019-08-06 上海图灵医疗科技有限公司 一种基于机器学习的人体疾病检测方法及检测产品
CN111714088A (zh) * 2020-06-09 2020-09-29 北京大学深圳研究生院 基于中医原理的人体特征指标检测方法和系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20240126232A1 (en) * 2022-09-26 2024-04-18 Oceandrive Ventures, LLC Apparatus for printing energy balance formulation and a method for its use

Similar Documents

Publication Publication Date Title
Berwal et al. Motion artifact removal in ambulatory ECG signal for heart rate variability analysis
Labate et al. Empirical mode decomposition vs. wavelet decomposition for the extraction of respiratory signal from single-channel ECG: A comparison
Merletti et al. Advances in surface EMG: recent progress in detection and processing techniques
CN104173043B (zh) 一种适合于移动平台的心电数据分析方法
Nayak et al. Filtering techniques for ECG signal processing
Tripathi et al. A review on computational methods for denoising and detecting ECG signals to detect cardiovascular diseases
Li et al. ECG denoising method based on an improved VMD algorithm
CN107072584A (zh) 用于探测诱发响应信号的系统、方法和设备
CN109893118A (zh) 一种基于深度学习的心电信号分类诊断方法
CN112336351A (zh) 一种基于人体体表电信号的病情评估方法及系统
CN116584960A (zh) 一种膈肌肌电信号降噪方法
Andrade et al. EMG decomposition and artefact removal
CN113080892A (zh) 用于心脑血管疾病风险预测的检测数据处理方法和系统
WO2018018570A1 (zh) 用于心电测量的装置和方法
KR101048763B1 (ko) 신호 검출 장치 및 방법
Toresano et al. Data acquisition system of 16-channel EEG based on ATSAM3X8E ARM Cortex-M3 32-bit microcontroller and ADS1299
Herle Movement intention detection from SEMG signals using time-domain features and discriminant analysis classifiers
Stalin Subbiah et al. Reduction of noises in ECG signal by various filters
Qaisar et al. Advances in Non-Invasive Biomedical Signal Sensing and Processing with Machine Learning
Ay et al. Real-time feature extraction of ECG signals using NI LabVIEW
Dembrani et al. Accurate detection of ECG signals in ECG monitoring systems by eliminating the motion artifacts and improving the signal quality using SSG filter with DBE
Chatterjee et al. EMG Signal Acquisition and Processing for Feature Extraction And Detection of Disease
Chu et al. Complexity analysis of EEG in AD patients with fractional permutation entropy
Cruttenden et al. Reference-free adaptive filtering of extracellular neural signals recording in ultra-high field magnetic resonance imaging scanners: Removal of periodic interferences
Shama et al. Hamming filter design for ECG signal detection and processing using co-simulation

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: 20210209