CN113303771B - 脉搏采集点的确定方法、装置和电子设备 - Google Patents
脉搏采集点的确定方法、装置和电子设备 Download PDFInfo
- Publication number
- CN113303771B CN113303771B CN202110867872.8A CN202110867872A CN113303771B CN 113303771 B CN113303771 B CN 113303771B CN 202110867872 A CN202110867872 A CN 202110867872A CN 113303771 B CN113303771 B CN 113303771B
- Authority
- CN
- China
- Prior art keywords
- wrist
- target
- infrared image
- image
- infrared
- 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
- A61B5/48—Other medical applications
- A61B5/4887—Locating particular structures in or on the body
- A61B5/489—Blood vessels
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0077—Devices for viewing the surface of the body, e.g. camera, magnifying lens
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Vascular Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供了一种脉搏采集点的确定方法、装置和电子设备,涉及数字化诊脉的技术领域,包括:获取脉搏采集对象的前臂长度信息和原始近红外图像,其中,原始近红外图像中包含手臂近红外图像,且原始近红外图像中腕部桡动脉的脉管面积大于预设阈值;基于原始近红外图像确定腕横纹位置信息和桡动脉位置信息,以及,根据前臂长度信息利用预设算式确定脉搏采集点到腕横纹的距离信息;根据距离信息和桡动脉位置信息确定出脉搏采集点的位置信息。本发明利用科学的方法对原始近红外图像进行处理,最终确定出脉搏采集点的位置信息,与传统的人工确认患者脉象采集位置的方式相比,具有采集位置更精确的优势,有效地提高了脉象采集点定位精度。
Description
技术领域
本发明涉及数字化诊脉的技术领域,尤其是涉及一种脉搏采集点的确定方法、装置和电子设备。
背景技术
在中医学术界,脉象信息采集又叫做把脉或号脉,是中医治病辩证过程中必不可少的环节,传统的脉象采集方式是依赖于中医医师手指前端接触患者腕部桡动脉处皮肤,通过手指向患者皮肤施加一定压力后获取其动脉搏动力度、频率等信息,结合自身经验得出结论。通过上述方法获取到正确客观脉象信息的前提是需要长期的经验积累,这在一定程度上阻碍了中医脉诊传承和发展的脚步。因此,借助科学仪器将脉象信息转化为客观的数字信息对中医脉诊的现代化发展具有重要意义。
当前大多数脉象信息采集设备的使用形态多为先由人工确认患者脉象采集位置,然后再操作采集设备进行脉象信息的采集。但由于每个人的手臂形态各异,人工确认脉象采集位置需要一定的经验积累,如果采集位置偏差较大,将严重影响数字化诊脉的准确性。
发明内容
本发明的目的在于提供一种脉搏采集点的确定方法、装置和电子设备,以缓解了由于脉象采集位置与实际偏差较大,影响数字化诊脉准确性的技术问题。
第一方面,本发明提供一种脉搏采集点的确定方法,包括:获取脉搏采集对象的前臂长度信息和所述脉搏采集对象的原始近红外图像;其中,所述原始近红外图像中包含手臂近红外图像,且所述原始近红外图像中腕部桡动脉的脉管面积大于预设阈值;基于所述原始近红外图像确定所述脉搏采集对象的腕横纹位置信息和桡动脉位置信息;基于所述前臂长度信息利用预设算式确定所述脉搏采集对象的脉搏采集点到腕横纹的距离信息;基于所述距离信息和所述桡动脉位置信息确定所述脉搏采集点的位置信息。
在可选的实施方式中,获取所述脉搏采集对象的原始近红外图像,包括:重复执行下述步骤,直至得到所述原始近红外图像:接收图像采集装置发送的目标近红外图像;其中,所述目标近红外图像为所述脉搏采集对象的手腕放置在透光腕托上,且手握腕姿调节握把时的图像;对所述目标近红外图像进行分析,得到所述目标近红外图像中腕部桡动脉的脉管面积;判断所述脉管面积是否大于所述预设阈值;若是,则将所述目标近红外图像作为所述原始近红外图像;若否,则发送角度调整指令至腕姿调节电机,以使所述腕姿调节电机驱动所述腕姿调节握把在预设方向上转动预设角度。
在可选的实施方式中,基于所述原始近红外图像确定所述脉搏采集对象的腕横纹位置信息和桡动脉位置信息,包括:对所述原始近红外图像进行分割,得到所述脉搏采集对象的手臂近红外图像;基于所述手臂近红外图像提取所述脉搏采集对象的手臂轮廓;基于所述手臂轮廓确定所述脉搏采集对象的腕横纹位置信息;利用目标神经网络模型对所述原始近红外图像进行处理,得到所述脉搏采集对象的桡动脉位置信息。
在可选的实施方式中,基于所述手臂轮廓确定所述脉搏采集对象的腕横纹位置信息,包括:计算所述手臂轮廓上每个预设区段的曲率;基于所述曲率计算每个相邻预设区段的曲率变化量;将目标相邻区段的交点作为所述脉搏采集对象的腕横纹端点;其中,所述目标相邻区段为曲率变化量最大的相邻预设区段;基于所述腕横纹端点确定所述脉搏采集对象的腕横纹位置信息。
在可选的实施方式中,所述方法还包括:获取训练图集;其中,所述训练图集中包括多个样本图像对;每个所述样本图像对包括:样本近红外图像和标有桡动脉位置信息的样本近红外图像;对目标样本近红外图像进行分割,得到所述目标样本近红外图像中的目标手臂近红外图像;基于标有桡动脉位置信息的目标样本近红外图像确定桡动脉的目标标记区域;基于所述目标标记区域在所述目标手臂近红外图像中截取目标图像;基于所述目标图像确定所述目标样本近红外图像的特征图像;利用目标样本图像对和所述目标样本近红外图像的特征图像对初始神经网络模型进行训练,得到所述目标神经网络模型。
在可选的实施方式中,基于标有桡动脉位置信息的目标样本近红外图像确定桡动脉的目标标记区域,包括:提取所述标有桡动脉位置信息的目标样本近红外图像中桡动脉的起点和终点;基于所述起点和所述终点确定所述目标标记区域;其中,所述目标标记区域的边界平行或垂直于所述目标样本近红外图像边界,且所述起点和所述终点的连线为所述目标标记区域的对角线。
在可选的实施方式中,基于所述目标图像确定所述目标样本近红外图像的特征图像,包括:对所述目标图像进行二值化处理,得到目标二值图像;对所述目标二值图像进行闭操作,得到目标连续图像;提取所述目标连续图像的轮廓信息,得到所述目标样本近红外图像的特征图像。
在可选的实施方式中,所述透光腕托高于所述腕姿调节握把。
第二方面,本发明提供一种脉搏采集点的确定装置,包括:第一获取模块,用于获取脉搏采集对象的前臂长度信息和所述脉搏采集对象的原始近红外图像;其中,所述原始近红外图像中包含手臂近红外图像,且所述原始近红外图像中腕部桡动脉的脉管面积大于预设阈值;第一确定模块,用于基于所述原始近红外图像确定所述脉搏采集对象的腕横纹位置信息和桡动脉位置信息;第二确定模块,用于基于所述前臂长度信息利用预设算式确定所述脉搏采集对象的脉搏采集点到腕横纹的距离信息;第三确定模块,用于基于所述距离信息和所述桡动脉位置信息确定所述脉搏采集点的位置信息。
第三方面,本发明提供一种电子设备,包括存储器、处理器,所述存储器上存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述前述实施方式中任一项所述的方法的步骤。
本发明提供了一种脉搏采集点的确定方法,该方法首先获取脉搏采集对象的前臂长度信息和原始近红外图像,其中,原始近红外图像中包含手臂近红外图像,且为了确保脉搏采集对象的腕部已处于较佳的成像姿态,原始近红外图像中腕部桡动脉的脉管面积要大于预设阈值;然后,基于原始近红外图像确定腕横纹位置信息和桡动脉位置信息,以及,根据前臂长度信息利用预设算式确定脉搏采集点到腕横纹的距离信息;最后,根据上述距离信息和桡动脉位置信息确定出脉搏采集点的位置信息。本发明利用科学的方法对原始近红外图像进行处理,最终确定出脉搏采集点的位置信息,与传统的人工确认患者脉象采集位置的方式相比,具有采集位置更精确的优势,有效地提高了脉象采集点定位精度。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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方式,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为本发明实施例提供的一种脉搏采集点的确定方法的流程图;
图2a为本发明实施例提供的一种脉搏采集点定位装置的侧视图;
图2b为本发明实施例提供的一种脉搏采集点定位装置顶部的局部视图;
图2c为本发明实施例提供的一种脉搏采集点定位装置底部的局部视图;
图3为本发明实施例提供的一种确定确定桡动脉的目标标记区域的示意图;
图4为本发明实施例提供的一种脉搏采集点的确定装置的功能模块图;
图5为本发明实施例提供的一种电子设备的示意图。
图标:100-机架箱体;200-近红外摄像头;300-激光测距传感器;400-腕姿调节握把;500-透光腕托;10-第一获取模块;20-第一确定模块;30-第二确定模块;40-第三确定模块;60-处理器;61-存储器;62-总线;63-通信接口。
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、完整地描述,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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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。
下面结合附图,对本发明的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
中医脉诊的现代化发展中,借助科学仪器将脉象信息转化为客观的数字信息已成为了主要发展方向,在利用设备进行脉象信息采集之前,多由人工来确认采脉对象的脉搏采集位置,然后再操作采集设备进行脉象信息的采集。但由于每个人的手臂形态各异,人工确认脉象采集位置需要一定的经验积累,如果采集位置偏差较大,将严重影响数字化诊脉的准确性。有鉴于此,本发明实施例提供了一种脉搏采集点的确定方法,用以缓解上文中所提出的技术问题。
实施例一
图1为本发明实施例提供的一种脉搏采集点的确定方法的流程图,如图1所示,该方法具体包括如下步骤:
步骤S102,获取脉搏采集对象的前臂长度信息和脉搏采集对象的原始近红外图像。
具体的,本发明方法的执行主体为脉搏采集点定位装置中的中央处理器,该装置除中央处理器之外还包括:近红外摄像头,激光测距传感器,近红外补充光源和腕姿调节机构等,下文中将对该装置的结构进行介绍。利用该装置能够实现近红外图像的获取,以及脉搏采集点的确定,其中,脉搏采集点包括:桡动脉上的寸关尺。
鉴于人体组织对近红外光的吸收程度弱,而血管对近红外光的吸收程度较高,因此,人体组织在近红外光下所呈现的图片效果为白色,而血管所呈现的效果为黑色。根据以上特点,人体手臂在近红外摄像头下可通过成像效果的差异识别出血管与人体组织,并且,由于静脉血管和动脉血管中的含氧量不同,所以二者成像的黑色程度也不相同,动脉血管中的含氧量相对较高,成像效果更黑。
通过以上内容可知,在一定红外光强条件下拍摄人体腕部即可实现腕部桡动脉的可视化,因此,本发明实施例中,要确定脉搏采集对象的脉搏采集点,首先要获取到脉搏采集对象的原始近红外图像,其中,原始近红外图像中包含手臂近红外图像,且原始近红外图像中腕部桡动脉的脉管面积大于预设阈值,其目的是为了确保脉搏采集对象的腕部已处于较佳的成像姿态。
另外,根据大数据样本回归分析得到的可靠规律,中医脉诊采集点寸关尺的分布与自身的前臂长度存在可靠正相关性,因此,为了得到准确的脉搏采集点,还需要预先获取脉搏采集对象的前臂长度信息,其中,前臂为肘与腕之间的部分。
步骤S104,基于原始近红外图像确定脉搏采集对象的腕横纹位置信息和桡动脉位置信息。
由于脉搏采集点为桡动脉上的寸关尺,且寸关尺位置与腕横纹位置存在预设距离关系,因此,在得到原始近红外图像之后,需要进一步根据该图像确定出脉搏采集对象的腕横纹位置信息和桡动脉位置信息。
步骤S106,基于前臂长度信息利用预设算式确定脉搏采集对象的脉搏采集点到腕横纹的距离信息。
具体的,本发明实施例中,寸关尺的分布与脉搏采集对象的前臂长度之间的相关性算式(上述预设算式)可分别表示为:D1=K1*L;D2=K2*L;D3=K3*L;其中,L表示脉搏采集对象的前臂长度,D1表示寸到腕横纹的垂直距离,D2表示关到腕横纹的垂直距离,D3表示尺到腕横纹的垂直距离,K1表示寸的相关距离系数,K2表示关的相关距离系数,K3表示尺的相关距离系数,K1,K2,K3均为小于1的数值,用户可根据实际经验进行设定。
因此,在得到前臂长度信息之后,带入上述三个算式,即可得到脉搏采集点(寸、关、尺)到腕横纹的距离信息。
步骤S108,基于距离信息和桡动脉位置信息确定脉搏采集点的位置信息。
在得到脉搏采集点到腕横纹的距离信息之后,相当于得到了三条平行于腕横纹的直线,结合已经确定的桡动脉位置信息,桡动脉与上述三条直线的交点即分别为本发明实施例所确定的寸关尺,也即,可得到脉搏采集点的位置信息。
在确定脉搏采集点之后,如果脉搏采集点定位装置设有激光发射器,还可以在中央处理器的作用下,控制激光发射器发射激光直接照射在脉搏采集对象的脉搏采集点上,以供用户核查。如果中央处理器与脉象采集机械装置通信连接,中央处理器也可以在确定脉搏采集点之后,调动脉搏采集电机,控制脉象采集机械装置自动将脉象采集触点放置到脉搏采集点上,实现脉象信息的全自动采集。
本发明提供了一种脉搏采集点的确定方法,该方法首先获取脉搏采集对象的前臂长度信息和原始近红外图像,其中,原始近红外图像中包含手臂近红外图像,且为了确保脉搏采集对象的腕部已处于较佳的成像姿态,原始近红外图像中腕部桡动脉的脉管面积要大于预设阈值;然后,基于原始近红外图像确定腕横纹位置信息和桡动脉位置信息,以及,根据前臂长度信息利用预设算式确定脉搏采集点到腕横纹的距离信息;最后,根据上述距离信息和桡动脉位置信息确定出脉搏采集点的位置信息。本发明利用科学的方法对原始近红外图像进行处理,最终确定出脉搏采集点的位置信息,与传统的人工确认患者脉象采集位置的方式相比,具有采集位置更精确的优势,有效地提高了脉象采集点定位精度。
上文中对本发明实施例提供的脉搏采集点的确定方法进行了简要的描述,下面对其中所涉及的相关方法步骤进行具体的介绍。
在一个可选的实施方式中,上述步骤S102中,获取脉搏采集对象的原始近红外图像,具体包括如下内容:
上文中介绍了,脉搏采集点定位装置用于获取原始近红外图像,且本发明实施例为了确保能够根据原始近红外图像准确的确定出寸关尺位置,对原始近红外图像中桡动脉血管的脉管面积进行了限定,也即,如果图像中桡动脉的脉管面积不符合要求,则不能将其作为确定脉搏采集点的原始数据。为了达到这一目的,本发明实施例需要重复执行下述步骤,直至得到原始近红外图像:
步骤S1021,接收图像采集装置发送的目标近红外图像。
其中,目标近红外图像为脉搏采集对象的手腕放置在透光腕托上,且手握腕姿调节握把时的图像。
由于本发明方法需要对近红外图像进行分析处理,因此,图像采集装置可选择近红外摄像头。在本发明实施例中,如图2a,图2b,图2c所示,脉搏采集点定位装置包括:机架箱体100,近红外补充光源(图2a-c中均未示出)通过螺丝钉固定在机架底部,近红外补充光源具体包括:壳体,聚光透镜和红外光发生器,近红外摄像头200通过螺丝钉固定在机架箱体100的顶部,且近红外摄像头200的镜头中心与近红外补充光源的壳体顶部所预留的红外光发射孔中心重合,在壳体与红外光发生器之间设有聚光透镜片,近红外光发生器在电力的作用下发射出红外光,光线经过壳体内嵌的透镜片聚合增强后经由壳体上的发射孔,再经过透光腕托500辐射到人体腕部,完成补光。
脉搏采集点定位装置设置两组激光测距传感器300,激光测距传感器300通过螺丝钉固定安装在机架箱体100的顶部,与近红外摄像头200呈直线排列,且以近红外摄像头200为中心对称分布安装,该排列方式可在一定程度上消除距离测量误差,保证控制精度。本发明实施不对激光测距传感器300的数量进行具体限定,用户可以根据实际需求进行设置。
激光测距传感器300运用激光测距的原理垂直向下射向人体腕部,实时获取人体手臂的垂直距离并将该数值传输至中央处理器中,用以辅助确定腕部在机架箱体100空间中的位置信息,根据位置信息可调节近红外摄像头200的拍摄参数,进而获得清晰的近红外图像。
本发明实施例中的脉搏采集点定位装置还设有腕姿调节机构,从字面意义上理解,该装置能够对用户的腕姿进行调节。具体的,腕姿调节机构主要包括:角度调节电机、角度舵盘、腕姿调节握把400以及透光腕托500;其中,角度调节电机与机架箱体100底部通过电机支架相连接,角度调节电机的输出轴与角度舵盘通过螺纹连接固定在一起,角度舵盘与腕姿调节握把400通过螺丝连接固定为一体,角度调节电机在电力作用下可带动角度舵盘,进而带动腕姿调节握把400实现握把体的旋转运动,实现带动人体腕部转动的功能。
因此,当脉搏采集对象的手腕放置在脉搏采集点定位装置的透光腕托500上,且手握腕姿调节握把400时(手掌朝上),中央处理器通过控制近红外摄像头200进行拍摄,可得到目标近红外图像。
进一步的,为了维持腕部稳定以及腕部皮肤紧张,确保在近红外补充光源和近红外摄像头200的组合作用下实现腕部桡动脉的可视化,因此,在一个可选的实施方式中,透光腕托500高于腕姿调节握把400。
步骤S1022,对目标近红外图像进行分析,得到目标近红外图像中腕部桡动脉的脉管面积。
步骤S1023,判断脉管面积是否大于预设阈值。
若是,则执行下述步骤S1024;若否,则执行下述步骤S1025。
步骤S1024,将目标近红外图像作为原始近红外图像。
步骤S1025,发送角度调整指令至腕姿调节电机,以使腕姿调节电机驱动腕姿调节握把在预设方向上转动预设角度。
由于本发明实施例将桡动脉的脉管面积作为目标近红外图像是否合格的标准,因此,在得到目标近红外图像之后,首先对其进行分析,计算图像中腕部桡动脉的脉管面积,本发明实施例不对确定脉管面积的图像处理方法进行具体限定,用户可根据实际需求进行选择,一般的图形处理器均可实现上述功能。
在得到脉管面积之后,需要将脉管面积与预设阈值进行比较,如果大于预设阈值,则认为当前脉搏采集对象的腕姿已达到最佳成像状态,可将其作为后续分析处理的原始数据,也即,可将目标近红外图像作为原始近红外图像。
如果脉管面积小于或等于预设阈值,则说明当前脉搏采集对象的腕姿成像状态不佳,需要对腕姿进行调整后再拍摄,所以此时中央处理器将发送角度调整指令至腕姿调节电机,以使腕姿调节电机驱动腕姿调节握把在预设方向上转动预设角度。腕姿调整之后,中央处理器再控制近红外摄像头拍摄图像,并分析其脉管面积,反复执行上述步骤,直至脉搏采集对象的腕姿达到最佳成像状态,也即,脉管面积大于预设阈值。
一般地,在进行腕姿调节时,预设方向为手腕向身体内侧旋转的方向。本发明实施例不对单次调节的预设角度以及脉管面积的预设阈值进行具体限定,用户可根据实际需求进行设置。
在一个可选的实施方式中,上述步骤S104,基于原始近红外图像确定脉搏采集对象的腕横纹位置信息和桡动脉位置信息,具体包括如下步骤:
步骤S1041,对原始近红外图像进行分割,得到脉搏采集对象的手臂近红外图像。
通过上文中对脉搏采集点定位装置的结构及功能描述可知,当近红外摄像头对脉搏采集对象的腕部进行拍摄时,类似于常规的图像拍摄,其存在周围环境的背景部分,且背景部分无有用信息,因此,在得到原始近红外图像之后,首先对其进行分割,得到脉搏采集对象的手臂近红外图像,也即,将背景部分的图像进行删除,具体可根据手臂与周围环境的颜色差异来分割出手臂近红外图像。
步骤S1042,基于手臂近红外图像提取脉搏采集对象的手臂轮廓。
步骤S1043,基于手臂轮廓确定脉搏采集对象的腕横纹位置信息。
进一步的,在得到手臂近红外图像之后,结合轮廓算法可从中提取脉搏采集对象的手臂轮廓,然后,综合考虑人体的手臂特点,根据手臂的轮廓信息确定出腕横纹位置信息。
在一个可选的实施方式中,基于手臂轮廓确定脉搏采集对象的腕横纹位置信息,具体包括如下步骤:
步骤S10431,计算手臂轮廓上每个预设区段的曲率。
具体的,根据人体结构特点,在已知连续的手臂轮廓线的情况下,曲率变化最大且对称分布的两点之间的连线即为腕部分割线,也即腕横纹。因此,在得到手臂轮廓线之后,首先将手臂轮廓视为多个相邻预设区段的组合,并计算手臂轮廓上每个预设区段的曲率,预设区段的长度可以根据用户的需求进行设置,本发明实施例不对其进行具体限制。但为了确保腕横纹位置的准确性,一般要求预设区段的长度不大于预设长度。
步骤S10432,基于曲率计算每个相邻预设区段的曲率变化量。
步骤S10433,将目标相邻区段的交点作为脉搏采集对象的腕横纹端点。
在得到所有预设区段的曲率之后,进一步计算每个相邻预设区段的曲率变化量,根据曲率变化量可以确定出目标相邻区段,其中,目标相邻区段为曲率变化量最大的相邻预设区段;由于腕横纹为一条线,因此,目标相邻区段的数量为2,且具有对称关系,因此,本发明实施例将每个目标相邻区段的交点作为脉搏采集对象的腕横纹端点,进而得到2个端点。
步骤S10434,基于腕横纹端点确定脉搏采集对象的腕横纹位置信息。
步骤S1044,利用目标神经网络模型对原始近红外图像进行处理,得到脉搏采集对象的桡动脉位置信息。
在本发明实施例中,虽然动脉血管与静脉血管在近红外灯的照射下成像的黑色程度不同,但是非专业人士预直接通过目视法来分辨桡动脉仍然较为困难,因此,本发明实施例利用大量数据对神经网络模型进行训练,以获得目标神经网络模型,目标神经网络模型能够对原始近红外图像进行处理,得到脉搏采集对象的桡动脉位置信息。
本发明实施例借助神经网络强大的学习能力,利用大量数据对初始神经网络模型进行训练,训练结束后,得到能够从原始近红外图像中准确识别出桡动脉位置的目标神经网络模型。因此,在一个可选的实施方式中,本发明方法还包括如下步骤:
步骤S201,获取训练图集;其中,训练图集中包括多个样本图像对;每个样本图像对包括:样本近红外图像和标有桡动脉位置信息的样本近红外图像。
具体的,在网络模型训练过程中,可以在同一标准实验设备上采集清晰腕部近红外图形数万张,经过初步筛选和人工标记后作为训练图集,进行迭代训练。上述人工标记表示中医医师利用特殊线条在样本近红外图像中描绘出桡动脉的轮廓及走向,例如,图像是灰白色调的,那么描绘桡动脉的线条使用彩色以达到指示的目的。标记之后,将样本近红外图像和标有桡动脉位置信息的样本近红外图像作为一个样本图像对,模型的训练图集中包括多个样本图像对。
步骤S202,对目标样本近红外图像进行分割,得到目标样本近红外图像中的目标手臂近红外图像。
对目标样本近红外图像进行分割,得到目标手臂近红外图像的目的和方法同上述步骤S1041,此处不再赘述。上述目标样本近红外图像表示多个样本图像对中的任意一个样本图像对中的样本近红外图像。
步骤S203,基于标有桡动脉位置信息的目标样本近红外图像确定桡动脉的目标标记区域。
步骤S204,基于目标标记区域在目标手臂近红外图像中截取目标图像。
由于具有桡动脉特征信息的图像仅占手臂近红外图像的一部分,为了减少不必要的图像特征学习,减少运算负载,提升算法效率,本发明实施例还将利用标有桡动脉位置信息的目标样本近红外图像进一步确定出桡动脉的目标标记区域,然后根据目标标记区域的信息从目标手臂近红外图像中截取出目标图像,也即目标图像为主要包括桡动脉的图像。
在一个可选的实施方式中,上述步骤S203,基于标有桡动脉位置信息的目标样本近红外图像确定桡动脉的目标标记区域,具体包括如下步骤:
步骤S2031,提取标有桡动脉位置信息的目标样本近红外图像中桡动脉的起点和终点。
步骤S2032,基于起点和终点确定目标标记区域;其中,目标标记区域的边界平行或垂直于目标样本近红外图像边界,且起点和终点的连线为目标标记区域的对角线。
具体的,如图3所示,在确定桡动脉的目标标记区域时,首先获取桡动脉标注线条的起点和终点,然后将起点与终点的连线作为目标标记区域的对角线,本发明实施例的目标标记区域为矩形,且该矩形的边平行或垂直于目标样本近红外图像边界,也即,针对目标样本近红外图像的坐标系来说,目标标记区域为上述起点和终点分别平行两坐标轴进行划线之后,所有交点所围成的矩形区域。
步骤S205,基于目标图像确定目标样本近红外图像的特征图像。
为了学习桡动脉的成像特点,在得到目标图像之后,需要进一步提取目标图像的特征,得到神经网络模型所要学习的图像,也即,得到目标样本近红外图像的特征图像。
可选的,基于目标图像确定目标样本近红外图像的特征图像,具体包括如下步骤:
步骤S2051,对目标图像进行二值化处理,得到目标二值图像。
步骤S2052,对目标二值图像进行闭操作,得到目标连续图像。
步骤S2053,提取目标连续图像的轮廓信息,得到目标样本近红外图像的特征图像。
在本发明实施例中,为了得到特征图像,需要对目标图像依次进行二值化、闭操作和取轮廓的处理步骤。具体的,二值化是指将目标图像进行阈值二值化的处理,以达到去除图像中干扰的目的,本发明实施例不对二值化的阈值进行具体限定,用户可根据实际需求进行设定。
在进行二值化处理之后,可得到目标二值图像,接下来,再对目标二值图像再进行闭操作,以对桡动脉特征进行光滑过渡处理,得到目标连续图像,进而达到放大图像特征和减小图像噪声的目的;最后,对目标连续图像的轮廓信息进行提取,以得到目标样本近红外图像的特征图像。
步骤S206,利用目标样本图像对和目标样本近红外图像的特征图像对初始神经网络模型进行训练,得到目标神经网络模型。
在实际训练阶段,本发明实施例利用大量样本图像对以及每个样本图像对所对应的特征图像,对初始神经网络模型进行训练,训练时将训练图集按预设比例(例如8:2)分为训练集和验证集,经过预设次数的迭代,得到目标神经网络模型。可选的,初始神经网络模型设置为14层结构,包括:1个输入层、1个输出层、中间依次设置4个用于特征提取的卷积层、4个用于特征优化选取的抽样层、2个用于表示特征的全连接层、1个用于快速收敛的激励层和1个用于计算输出和目标损失值的损失层。
综上所述,本发明实施例提供的脉搏采集点的确定方法,通过科学的技术手段获取脉搏采集对象的原始近红外图像并对其进行一系列的图像处理,最终确定出脉搏采集点的位置信息,与传统的人工确认患者脉象采集位置的方式相比,具有采集位置更精确的优势,有效地提高了脉象采集点定位精度。
实施例二
本发明实施例还提供了一种种脉搏采集点的确定装置,该种脉搏采集点的确定装置主要用于执行上述实施例一所提供的种脉搏采集点的确定方法,以下对本发明实施例提供的种脉搏采集点的确定装置做具体介绍。
图4是本发明实施例提供的一种脉搏采集点的确定装置的功能模块图,如图4所示,该装置主要包括:第一获取模块10,第一确定模块20,第二确定模块30,第三确定模块40,其中:
第一获取模块10,用于获取脉搏采集对象的前臂长度信息和脉搏采集对象的原始近红外图像;其中,原始近红外图像中包含手臂近红外图像,且原始近红外图像中腕部桡动脉的脉管面积大于预设阈值。
第一确定模块20,用于基于原始近红外图像确定脉搏采集对象的腕横纹位置信息和桡动脉位置信息。
第二确定模块30,用于基于前臂长度信息利用预设算式确定脉搏采集对象的脉搏采集点到腕横纹的距离信息。
第三确定模块40,用于基于距离信息和桡动脉位置信息确定脉搏采集点的位置信息。
本发明实施例提供了一种脉搏采集点的确定装置,该装置首先获取脉搏采集对象的前臂长度信息和原始近红外图像,其中,原始近红外图像中包含手臂近红外图像,且为了确保脉搏采集对象的腕部已处于较佳的成像姿态,原始近红外图像中腕部桡动脉的脉管面积要大于预设阈值;然后,基于原始近红外图像确定腕横纹位置信息和桡动脉位置信息,以及,根据前臂长度信息利用预设算式确定脉搏采集点到腕横纹的距离信息;最后,根据上述距离信息和桡动脉位置信息确定出脉搏采集点的位置信息。本发明利用科学的方法对原始近红外图像进行处理,最终确定出脉搏采集点的位置信息,与传统的人工确认患者脉象采集位置的方式相比,具有采集位置更精确的优势,有效地提高了脉象采集点定位精度。
可选的,第一获取模块10具体用于:
重复执行下述步骤,直至得到原始近红外图像:
接收图像采集装置发送的目标近红外图像;其中,目标近红外图像为脉搏采集对象的手腕放置在透光腕托上,且手握腕姿调节握把时的图像。
对目标近红外图像进行分析,得到目标近红外图像中腕部桡动脉的脉管面积。
判断脉管面积是否大于预设阈值。
若是,则将目标近红外图像作为原始近红外图像。
若否,则发送角度调整指令至腕姿调节电机,以使腕姿调节电机驱动腕姿调节握把在预设方向上转动预设角度。
可选的,第一确定模块20包括:
分割单元,用于对原始近红外图像进行分割,得到脉搏采集对象的手臂近红外图像。
提取单元,用于基于手臂近红外图像提取脉搏采集对象的手臂轮廓。
确定单元,用于基于手臂轮廓确定脉搏采集对象的腕横纹位置信息。
处理单元,用于利用目标神经网络模型对原始近红外图像进行处理,得到脉搏采集对象的桡动脉位置信息。
可选的,确定单元具体用于:
计算手臂轮廓上每个预设区段的曲率。
基于曲率计算每个相邻预设区段的曲率变化量。
将目标相邻区段的交点作为脉搏采集对象的腕横纹端点;其中,目标相邻区段为曲率变化量最大的相邻预设区段。
基于腕横纹端点确定脉搏采集对象的腕横纹位置信息。
可选的,该装置还包括:
第二获取模块,用于获取训练图集;其中,训练图集中包括多个样本图像对;每个样本图像对包括:样本近红外图像和标有桡动脉位置信息的样本近红外图像。
分割模块,用于对目标样本近红外图像进行分割,得到目标样本近红外图像中的目标手臂近红外图像。
第四确定模块,用于基于标有桡动脉位置信息的目标样本近红外图像确定桡动脉的目标标记区域。
截取模块,用于基于目标标记区域在目标手臂近红外图像中截取目标图像。
第五确定模块,用于基于目标图像确定目标样本近红外图像的特征图像。
训练模块,用于利用目标样本图像对和目标样本近红外图像的特征图像对初始神经网络模型进行训练,得到目标神经网络模型。
可循的,第四确定模块具体用于:
提取标有桡动脉位置信息的目标样本近红外图像中桡动脉的起点和终点。
基于起点和终点确定目标标记区域;其中,目标标记区域的边界平行或垂直于目标样本近红外图像边界,且起点和终点的连线为目标标记区域的对角线。
可选的,第五确定模块具体用于:
对目标图像进行二值化处理,得到目标二值图像。
对目标二值图像进行闭操作,得到目标连续图像。
提取目标连续图像的轮廓信息,得到目标样本近红外图像的特征图像。
可选的,透光腕托高于腕姿调节握把。
实施例三
参见图5,本发明实施例提供了一种电子设备,该电子设备包括:处理器60,存储器61,总线62和通信接口63,所述处理器60、通信接口63和存储器61通过总线62连接;处理器60用于执行存储器61中存储的可执行模块,例如计算机程序。
其中,存储器61可能包含高速随机存取存储器(RAM,RandomAccessMemory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口63(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线62可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器61用于存储程序,所述处理器60在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器60中,或者由处理器60实现。
处理器60可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器60中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器60可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器61,处理器60读取存储器61中的信息,结合其硬件完成上述方法的步骤。
本发明实施例所提供的一种脉搏采集点的确定方法、装置和电子设备的计算机程序产品,包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以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,可以存储在一个处理器可执行的非易失的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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
此外,术语“水平”、“竖直”、“悬垂”等术语并不表示要求部件绝对水平或悬垂,而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平,并不是表示该结构一定要完全水平,而是可以稍微倾斜。
在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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范围。
Claims (7)
1.一种脉搏采集点的确定方法,其特征在于,应用于脉搏采集点定位装置中的中央处理器,其中,所述脉搏采集点定位装置还包括:机架箱体、近红外补充光源、近红外摄像头、激光测距传感器和腕姿调节机构;
所述近红外补充光源包括:壳体、聚光透镜和红外光发生器;
所述腕姿调节机构包括:腕姿调节电机、角度舵盘、腕姿调节握把和透光腕托;
所述近红外补充光源通过螺丝钉固定在所述机架箱体底部;
所述近红外摄像头通过螺丝钉固定在所述机架箱体的顶部,且所述近红外摄像头的镜头中心与所述近红外补充光源的壳体顶部所预留的红外光发射孔中心重合;所述壳体与所述红外光发生器之间设有所述聚光透镜;
所述激光测距传感器通过螺丝钉固定安装在所述机架箱体的顶部,且以所述近红外摄像头为中心对称分布安装;
所述腕姿调节电机与所述机架箱体的底部通过电机支架相连接;所述腕姿调节电机的输出轴与所述角度舵盘通过螺纹连接固定在一起;所述角度舵盘与所述腕姿调节握把通过螺丝连接固定为一体;所述透光腕托高于所述腕姿调节握把;
所述红外光发生器用于在电力的作用下发射出红外光,并经过所述透光腕托辐射到人体腕部;
所述激光测距传感器用于获取人体手臂的垂直距离并将所述垂直距离传输至中央处理器,以使所述中央处理器基于所述垂直距离调节所述近红外摄像头的拍摄参数;
所述中央处理器还用于基于所述近红外摄像头拍摄的近红外图像发送角度调节指令至所述腕姿调节电机,以使所述腕姿调节电机带动所述角度舵盘,进而带动所述腕姿调节握把旋转运动;
所述方法包括:
获取脉搏采集对象的前臂长度信息和所述脉搏采集对象的原始近红外图像;其中,所述原始近红外图像中包含手臂近红外图像,且所述原始近红外图像中腕部桡动脉的脉管面积大于预设阈值;
基于所述原始近红外图像确定所述脉搏采集对象的腕横纹位置信息和桡动脉位置信息;
基于所述前臂长度信息利用预设算式确定所述脉搏采集对象的脉搏采集点到腕横纹的距离信息;
基于所述距离信息和所述桡动脉位置信息确定所述脉搏采集点的位置信息;
其中,基于所述距离信息和所述桡动脉位置信息确定所述脉搏采集点的位置信息,包括:基于所述距离信息确定出平行于所述腕横纹的三条直线;基于所述三条直线与所述桡动脉位置信息确定所述脉搏采集点的位置信息;
其中,获取所述脉搏采集对象的原始近红外图像,包括:
重复执行下述步骤,直至得到所述原始近红外图像:
接收图像采集装置发送的目标近红外图像;其中,所述目标近红外图像为所述脉搏采集对象的手腕放置在透光腕托上,且手握腕姿调节握把时的图像;
对所述目标近红外图像进行分析,得到所述目标近红外图像中腕部桡动脉的脉管面积;
判断所述脉管面积是否大于所述预设阈值;
若是,则将所述目标近红外图像作为所述原始近红外图像;
若否,则发送角度调整指令至腕姿调节电机,以使所述腕姿调节电机驱动所述腕姿调节握把在预设方向上转动预设角度;
所述方法还包括:
获取训练图集;其中,所述训练图集中包括多个样本图像对;每个所述样本图像对包括:样本近红外图像和标有桡动脉位置信息的样本近红外图像;
对目标样本近红外图像进行分割,得到所述目标样本近红外图像中的目标手臂近红外图像;
基于标有桡动脉位置信息的目标样本近红外图像确定桡动脉的目标标记区域;
基于所述目标标记区域在所述目标手臂近红外图像中截取目标图像;
基于所述目标图像确定所述目标样本近红外图像的特征图像;
利用目标样本图像对和所述目标样本近红外图像的特征图像对初始神经网络模型进行训练,得到目标神经网络模型。
2.根据权利要求1所述的方法,其特征在于,基于所述原始近红外图像确定所述脉搏采集对象的腕横纹位置信息和桡动脉位置信息,包括:
对所述原始近红外图像进行分割,得到所述脉搏采集对象的手臂近红外图像;
基于所述手臂近红外图像提取所述脉搏采集对象的手臂轮廓;
基于所述手臂轮廓确定所述脉搏采集对象的腕横纹位置信息;
利用目标神经网络模型对所述原始近红外图像进行处理,得到所述脉搏采集对象的桡动脉位置信息。
3.根据权利要求2所述的方法,其特征在于,基于所述手臂轮廓确定所述脉搏采集对象的腕横纹位置信息,包括:
计算所述手臂轮廓上每个预设区段的曲率;
基于所述曲率计算每个相邻预设区段的曲率变化量;
将目标相邻区段的交点作为所述脉搏采集对象的腕横纹端点;其中,所述目标相邻区段为曲率变化量最大的相邻预设区段;
基于所述腕横纹端点确定所述脉搏采集对象的腕横纹位置信息。
4.根据权利要求1所述的方法,其特征在于,基于标有桡动脉位置信息的目标样本近红外图像确定桡动脉的目标标记区域,包括:
提取所述标有桡动脉位置信息的目标样本近红外图像中桡动脉的起点和终点;
基于所述起点和所述终点确定所述目标标记区域;其中,所述目标标记区域的边界平行或垂直于所述目标样本近红外图像边界,且所述起点和所述终点的连线为所述目标标记区域的对角线。
5.根据权利要求1所述的方法,其特征在于,基于所述目标图像确定所述目标样本近红外图像的特征图像,包括:
对所述目标图像进行二值化处理,得到目标二值图像;
对所述目标二值图像进行闭操作,得到目标连续图像;
提取所述目标连续图像的轮廓信息,得到所述目标样本近红外图像的特征图像。
6.一种脉搏采集点的确定装置,其特征在于,应用于脉搏采集点定位装置中的中央处理器,其中,所述脉搏采集点定位装置还包括:机架箱体、近红外补充光源、近红外摄像头、激光测距传感器和腕姿调节机构;
所述近红外补充光源包括:壳体、聚光透镜和红外光发生器;
所述腕姿调节机构包括:腕姿调节电机、角度舵盘、腕姿调节握把和透光腕托;
所述近红外补充光源通过螺丝钉固定在所述机架箱体底部;
所述近红外摄像头通过螺丝钉固定在所述机架箱体的顶部,且所述近红外摄像头的镜头中心与所述近红外补充光源的壳体顶部所预留的红外光发射孔中心重合;所述壳体与所述红外光发生器之间设有所述聚光透镜;
所述激光测距传感器通过螺丝钉固定安装在所述机架箱体的顶部,且以所述近红外摄像头为中心对称分布安装;
所述腕姿调节电机与所述机架箱体的底部通过电机支架相连接;所述腕姿调节电机的输出轴与所述角度舵盘通过螺纹连接固定在一起;所述角度舵盘与所述腕姿调节握把通过螺丝连接固定为一体;所述透光腕托高于所述腕姿调节握把;
所述红外光发生器用于在电力的作用下发射出红外光,并经过所述透光腕托辐射到人体腕部;
所述激光测距传感器用于获取人体手臂的垂直距离并将所述垂直距离传输至中央处理器,以使所述中央处理器基于所述垂直距离调节所述近红外摄像头的拍摄参数;
所述中央处理器还用于基于所述近红外摄像头拍摄的近红外图像发送角度调节指令至所述腕姿调节电机,以使所述腕姿调节电机带动所述角度舵盘,进而带动所述腕姿调节握把旋转运动;
所述装置包括:
第一获取模块,用于获取脉搏采集对象的前臂长度信息和所述脉搏采集对象的原始近红外图像;其中,所述原始近红外图像中包含手臂近红外图像,且所述原始近红外图像中腕部桡动脉的脉管面积大于预设阈值;
第一确定模块,用于基于所述原始近红外图像确定所述脉搏采集对象的腕横纹位置信息和桡动脉位置信息;
第二确定模块,用于基于所述前臂长度信息利用预设算式确定所述脉搏采集对象的脉搏采集点到腕横纹的距离信息;
第三确定模块,用于基于所述距离信息和所述桡动脉位置信息确定所述脉搏采集点的位置信息;
其中,所述第三确定模块具体用于:基于所述距离信息确定出平行于所述腕横纹的三条直线;基于所述三条直线与所述桡动脉位置信息确定所述脉搏采集点的位置信息;
其中,所述第一获取模块具体用于:
重复执行下述步骤,直至得到所述原始近红外图像:
接收图像采集装置发送的目标近红外图像;其中,所述目标近红外图像为所述脉搏采集对象的手腕放置在透光腕托上,且手握腕姿调节握把时的图像;
对所述目标近红外图像进行分析,得到所述目标近红外图像中腕部桡动脉的脉管面积;
判断所述脉管面积是否大于所述预设阈值;
若是,则将所述目标近红外图像作为所述原始近红外图像;
若否,则发送角度调整指令至腕姿调节电机,以使所述腕姿调节电机驱动所述腕姿调节握把在预设方向上转动预设角度;
所述装置还包括:
第二获取模块,用于获取训练图集;其中,所述训练图集中包括多个样本图像对;每个所述样本图像对包括:样本近红外图像和标有桡动脉位置信息的样本近红外图像;
分割模块,用于对目标样本近红外图像进行分割,得到所述目标样本近红外图像中的目标手臂近红外图像;
第四确定模块,用于基于标有桡动脉位置信息的目标样本近红外图像确定桡动脉的目标标记区域;
截取模块,用于基于所述目标标记区域在所述目标手臂近红外图像中截取目标图像;
第五确定模块,用于基于所述目标图像确定所述目标样本近红外图像的特征图像;
训练模块,用于利用目标样本图像对和所述目标样本近红外图像的特征图像对初始神经网络模型进行训练,得到目标神经网络模型。
7.一种电子设备,包括存储器、处理器,所述存储器上存储有可在所述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计算机程序时实现上述权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110867872.8A CN113303771B (zh) | 2021-07-30 | 2021-07-30 | 脉搏采集点的确定方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110867872.8A CN113303771B (zh) | 2021-07-30 | 2021-07-30 | 脉搏采集点的确定方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113303771A CN113303771A (zh) | 2021-08-27 |
CN113303771B true CN113303771B (zh) | 2021-11-05 |
Family
ID=77382427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110867872.8A Active CN113303771B (zh) | 2021-07-30 | 2021-07-30 | 脉搏采集点的确定方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113303771B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114176514B (zh) * | 2021-11-16 | 2023-08-29 | 同济大学 | 一种基于近红外成像的静脉血管识别定位方法和系统 |
CN113892919B (zh) * | 2021-12-09 | 2022-04-22 | 季华实验室 | 诊脉数据获取方法、装置、电子设备及系统 |
CN114041758B (zh) * | 2022-01-06 | 2022-05-03 | 季华实验室 | 桡动脉触诊定位方法、装置、电子设备和存储介质 |
TW202348196A (zh) * | 2022-01-28 | 2023-12-16 | 石明正 | 脈診的脈搏波量測裝置及其使用方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104027094A (zh) * | 2014-05-30 | 2014-09-10 | 中国中医科学院医学实验中心 | 一种用于中医脉诊信息采集的寸、关、尺定位方法 |
CN104166978A (zh) * | 2013-12-27 | 2014-11-26 | 上海联影医疗科技有限公司 | 一种血管提取方法 |
CN108230306A (zh) * | 2017-12-28 | 2018-06-29 | 中山大学 | 眼底彩照血管及动静脉的识别方法 |
CN108720868A (zh) * | 2018-06-04 | 2018-11-02 | 深圳华声医疗技术股份有限公司 | 血流成像方法、装置及计算机可读存储介质 |
CN109377473A (zh) * | 2018-09-13 | 2019-02-22 | 新绎健康科技有限公司 | 一种定位目标取脉点的方法及装置 |
CN109427065A (zh) * | 2017-08-31 | 2019-03-05 | 中国科学院微电子研究所 | 基于热成像的关脉识别系统 |
CN109419497A (zh) * | 2017-08-31 | 2019-03-05 | 中国科学院微电子研究所 | 基于热成像的关脉识别方法 |
CN111281355A (zh) * | 2020-01-19 | 2020-06-16 | 上海掌门科技有限公司 | 一种用于确定脉搏采集位置的方法与设备 |
CN112370028A (zh) * | 2020-10-29 | 2021-02-19 | 天津慧医谷科技有限公司 | 一种基于传感器的自动采脉装置 |
CN113171062A (zh) * | 2021-04-29 | 2021-07-27 | 中国科学院微电子研究所 | 识别寸、关、尺的方法、终端、系统、介质及计算机设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN209220254U (zh) * | 2018-06-28 | 2019-08-09 | 上海掌门科技有限公司 | 基于压力传感器和图像采集设备的诊脉装置 |
-
2021
- 2021-07-30 CN CN202110867872.8A patent/CN113303771B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104166978A (zh) * | 2013-12-27 | 2014-11-26 | 上海联影医疗科技有限公司 | 一种血管提取方法 |
CN104027094A (zh) * | 2014-05-30 | 2014-09-10 | 中国中医科学院医学实验中心 | 一种用于中医脉诊信息采集的寸、关、尺定位方法 |
CN109427065A (zh) * | 2017-08-31 | 2019-03-05 | 中国科学院微电子研究所 | 基于热成像的关脉识别系统 |
CN109419497A (zh) * | 2017-08-31 | 2019-03-05 | 中国科学院微电子研究所 | 基于热成像的关脉识别方法 |
CN108230306A (zh) * | 2017-12-28 | 2018-06-29 | 中山大学 | 眼底彩照血管及动静脉的识别方法 |
CN108720868A (zh) * | 2018-06-04 | 2018-11-02 | 深圳华声医疗技术股份有限公司 | 血流成像方法、装置及计算机可读存储介质 |
CN109377473A (zh) * | 2018-09-13 | 2019-02-22 | 新绎健康科技有限公司 | 一种定位目标取脉点的方法及装置 |
CN111281355A (zh) * | 2020-01-19 | 2020-06-16 | 上海掌门科技有限公司 | 一种用于确定脉搏采集位置的方法与设备 |
CN112370028A (zh) * | 2020-10-29 | 2021-02-19 | 天津慧医谷科技有限公司 | 一种基于传感器的自动采脉装置 |
CN113171062A (zh) * | 2021-04-29 | 2021-07-27 | 中国科学院微电子研究所 | 识别寸、关、尺的方法、终端、系统、介质及计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113303771A (zh) | 2021-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113303771B (zh) | 脉搏采集点的确定方法、装置和电子设备 | |
AU2017292642B2 (en) | System and method for automatic detection, localization, and semantic segmentation of anatomical objects | |
CN107981858B (zh) | 基于人工智能的心电图心搏自动识别分类方法 | |
WO2021213519A1 (zh) | 图像获取、判断图像质量、医学图像采集的方法和系统 | |
CN116152505B (zh) | 基于x光数据的骨骼目标识别分割方法 | |
CN108492300B (zh) | 管状结构增强与能量函数结合的肺部血管树分割方法 | |
WO1998009247A1 (en) | System and method for staging regional lymph nodes using quantitative analysis of endoscopic ultrasound images | |
CN111325745B (zh) | 骨折区域分析方法和装置、电子设备及可读存储介质 | |
CN110728274A (zh) | 医疗设备计算机辅助扫描方法、医疗设备及可读存储介质 | |
CN110755076A (zh) | 磁共振扫描仪的图像采集方法、装置、设备和介质 | |
CN112770660B (zh) | 增强彩色图像中的血管可见性 | |
CN109741312A (zh) | 一种肺结节鉴别方法、装置、设备及介质 | |
EP3971830B1 (en) | Pneumonia sign segmentation method and apparatus, medium and electronic device | |
CN111681247B (zh) | 肺叶肺段分割模型训练方法和装置 | |
US20220076829A1 (en) | Method and apparatus for analyzing medical image data in a latent space representation | |
CN112529919B (zh) | 用于生成受试者的心脏的牛眼图生成的系统和方法 | |
US10977485B2 (en) | Method for identifying RT positioning image, computer program, and computer storage | |
CN114269231A (zh) | 使用一组机器学习诊断模型来确定基于患者肤色的诊断 | |
CN111275762A (zh) | 病人定位的系统和方法 | |
CN112862778A (zh) | 扫描影像检测方法、电子设备和计算机可读介质 | |
US10980496B2 (en) | Heart CT image processing method and apparatus, and non-transitory computer readable storage medium | |
CN110811551A (zh) | 一种基于近红外光谱的口腔分析系统和分析方法 | |
CN113674282A (zh) | 图像分割方法、装置、电子装置、计算机设备和存储介质 | |
CN111968167A (zh) | Ct三维定位像的图像处理方法、装置和计算机设备 | |
US20220054006A1 (en) | Using infrared to detect proper eye alignment before capturing retinal images |
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 | ||
CP01 | Change in the name or title of a patent holder |
Address after: 300450-401, Zhongnan building, No. 18, Haitai West Road, Huayuan Industrial Zone, Binhai New Area, Tianjin Patentee after: Huiyigu traditional Chinese medicine technology (Tianjin) Co.,Ltd. Address before: 300450-401, Zhongnan building, No. 18, Haitai West Road, Huayuan Industrial Zone, Binhai New Area, Tianjin Patentee before: TIANJIN MEDVALLEY TECHNOLOGY Co.,Ltd. |
|
CP01 | Change in the name or title of a patent holder |