CN114010168B - 脉搏波处理方法、时域特征提取方法、装置、设备及介质 - Google Patents
脉搏波处理方法、时域特征提取方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114010168B CN114010168B CN202210003976.9A CN202210003976A CN114010168B CN 114010168 B CN114010168 B CN 114010168B CN 202210003976 A CN202210003976 A CN 202210003976A CN 114010168 B CN114010168 B CN 114010168B
- Authority
- CN
- China
- Prior art keywords
- pulse wave
- periodic
- periodic waveforms
- waveform
- waveforms
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—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
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
Abstract
本申请属于生理信号处理技术领域,公开了一种脉搏波处理方法、时域特征提取方法、装置、设备及介质。该脉搏波处理方法用于对脉搏波进行处理,包括以下步骤:获取原始脉搏波;将原始脉搏波分割为多个周期波形;计算任意两个周期波形之间的相似度距离,根据计算结果剔除多个周期波形中的异常波动周期波形;对保留的至少两个周期波形进行平均处理,获得周期平均波形;本申请可以对脉搏波中的异常波动周期波形进行剔除,避免异常波动周期波形对后续分析造成干扰,从而提高对脉搏波分析的准确度。
Description
技术领域
本申请涉及生理信号处理技术领域,具体而言,涉及一种脉搏波处理方法、时域特征提取方法、装置、设备及介质。
背景技术
脉诊是通过按触人体不同部位的脉搏,以体察脉象变化的切诊方法,传统中医脉诊是医生通过手指感知患者的手腕脉口处的脉搏跳动情况,再根据经验进行病情诊断,但是,由于每个医生的经验不同以及脉诊过程中每个人脉搏的差异,导致传统中医脉诊存在脉象判断主观的问题。
现有技术中,通过各种传感器获取脉搏波,然后对脉搏波进行处理,获取脉搏波中能够反映人体生理病理的特征信息并加以分析,实现脉诊的客观化,以解决统中医脉诊存在脉象判断主观的问题,现有对脉搏波进行处理的方式主要采用滤波方法,滤波方法有小波变换、高通/带通滤波器等,但是,滤波方法只能滤除脉搏波中的毛刺干扰,使脉搏波变得平滑,并不能去除脉搏波中的异常周期,如图1及图2所示,而异常周期会对后续分析造成干扰,导致分析不够准确。
针对上述问题,目前尚未有有效的技术解决方案。
发明内容
本申请的目的在于提供一种脉搏波处理方法、时域特征提取方法、装置、设备及介质,可以对脉搏波中的异常波动周期波形进行剔除,避免异常波动周期波形对后续分析造成干扰,从而提高对脉搏波分析的准确度。
第一方面,本申请提供了一种脉搏波处理方法,用于对脉搏波进行处理,所述方法包括以下步骤:
获取原始脉搏波;
将所述原始脉搏波分割为多个周期波形;
计算任意两个所述周期波形之间的相似度距离,根据计算结果剔除多个周期波形中的异常波动周期波形;
对保留的至少两个周期波形进行平均处理,获得周期平均波形。
本申请提供的脉搏波处理方法可以对脉搏波中的异常波动周期波形进行剔除,避免异常波动周期波形对后续分析造成干扰,从而提高分析的准确度。
可选地,在本申请所述的脉搏波处理方法中,所述计算任意两个所述周期波形之间的相似度距离通过以下公式进行计算:
其中,为任一个周期波形的时间序列,,为中的数据点,n为数据点的总数;为另一个周期波形的时间序列,,为中的数据点,m为数据点的总数;为引入的惩罚系数;是和的最长公共子串;和分别是和的数据长度;是nm矩阵中的第个元素,为中的一个数据点与中的一个数据点的局部距离,,为中的第个数据点,,为中的第个数据点,;K为nm矩阵中的元素总个数。
可选地,在本申请所述的脉搏波处理方法中,将所述原始脉搏波分割为多个周期波形之前还包括以下步骤:
对所述原始脉搏波进行拉平处理。
通过对获取的脉搏波进行拉平处理,可去掉呼吸或其他噪声产生的基线漂移,便于后续根据脉搏波每个波形的突出程度识别峰值点及谷值点,以及将识别的点映射到原始脉搏波中,对其进行分割。
可选地,在本申请所述的脉搏波处理方法中,所述计算任意两个所述周期波形之间的相似度距离之前还包括以下步骤:
对所述原始脉搏波分割后得到的多个所述周期波形进行数据点对齐处理。
可选地,在本申请所述的脉搏波处理方法中,所述将所述原始脉搏波分割为多个周期波形包括以下子步骤:
根据所述原始脉搏波每个波形的突出程度,识别所述原始脉搏波的部分峰值点和部分谷值点;
将所述部分谷值点映射到原始脉搏波,以相邻的两个谷值点之间的波形作为一个周期波形进行分割,所述相邻的两个谷值点之间的波形具有所述部分峰值点中的一个峰值点。
第二方面,本申请提供了一种脉搏波处理装置,用于对脉搏波进行处理,所述装置包括:
获取模块,用于获取原始脉搏波;
分割模块,用于将所述原始脉搏波分割为多个周期波形;
计算模块,用于计算任意两个所述周期波形之间的相似度距离,并根据计算结果剔除多个周期波形中的异常波动周期波形;
处理模块,用于对保留的至少两个周期波形进行平均处理,获得周期平均波形。
本申请提供的脉搏波处理装置可以对脉搏波中的异常波动周期波形进行剔除,避免异常波动周期波形对后续分析造成干扰,从而提高分析的准确度。
第三方面,本申请提供了一种时域特征提取方法,用于对脉搏波的时域特征进行提取,包括上述脉搏波处理方法的步骤,还包括以下步骤:
根据所述周期平均波形,提取多个时域特征。
第四方面,本申请提供了一种时域特征提取装置,用于对脉搏波的时域特征进行提取,所述装置包括:
获取模块,用于获取原始脉搏波;
分割模块,用于将所述原始脉搏波分割为多个周期波形;
计算模块,用于计算任意两个所述周期波形之间的相似度距离,并根据计算结果剔除多个周期波形中的异常波动周期波形;
处理模块,用于对保留的至少两个周期波形进行平均处理,获得周期平均波形;
提取模块,用于根据所述周期平均波形,提取多个时域特征。
第五方面,本申请提供一种设备,包括处理器以及存储器,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,运行如上述第一方面提供的所述方法中的步骤或第三方面提供的所述方法中的步骤。
第六方面,本申请提供一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时运行如上述第一方面提供的所述方法中的步骤或第三方面提供的所述方法中的步骤。
由上可知,本申请提供的脉搏波处理方法、时域特征提取方法、装置、设备及介质通过获取原始脉搏波;将所述原始脉搏波分割为多个周期波形;计算任意两个所述周期波形之间的相似度距离,根据计算结果剔除多个周期波形中的异常波动周期波形;对保留的至少两个周期波形进行平均处理,获得周期平均波形;从而实现对脉搏波的处理,可以对脉搏波中的异常波动周期波形进行剔除,避免异常波动周期波形对后续分析造成干扰,从而提高对脉搏波进行分析的准确度。
本申请的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
图1为原始脉搏波的示意图。
图2为滤波后的脉搏波示意图。
图3为本申请实施例提供的脉搏波处理方法的一种流程图。
图4为本申请实施例剔除异常波动周期波形后的脉搏波示意图。
图5为本申请实施例周期平均波形的示意图。
图6为本申请实施例识别原始脉搏波的部分峰值点和部分谷值点的示意图。
图7为本申请实施例对多个周期波形进行数据点对齐处理后的示意图。
图8为本申请实施例提供的脉搏波处理装置的结构示意图。
图9为本申请实施例提供的时域特征提取方法的一种流程图。
图10为本申请实施例提供的周期平均波形一阶向后差分识别的峰谷点示意图。
图11为本申请实施例提供的切片识别的示意图。
图12为本申请实施例提供的拟合直线求取主峰角的示意图。
图13为本申请实施例提供的时域特征提取装置的结构示意图。
图14为本申请实施例提供的设备的结构示意图。
标号说明:200、获取模块;202、分割模块;204、计算模块;206、处理模块;208、提取模块;3、设备;301、处理器;302、存储器;301、处理器;303、通信总线。
具体实施方式
下面将结合本申请实施例中附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请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申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
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。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
为了准确获取原始脉搏波中能够反映人体生理病理的特征信息并加以分析,通常需要对获取的脉搏波进行处理,现有对脉搏波进行处理的方式主要采用滤波方法,滤波方法有小波变换、高通/带通滤波器等,但是,滤波方法只能滤除脉搏波中的毛刺干扰,使脉搏波变的平滑,并不能去除脉搏波中因受试者呼吸抖动或受其他异常噪声影响产生的异常波动周期波形,而该异常波动周期波形会对后续特征信息的提取以及分析造成干扰,从而导致分析不够准确。基于此,本申请提供一种脉搏波处理方法、时域特征提取方法、装置、设备及介质。
请参照图3,图3是本申请一些实施例中的脉搏波处理方法的流程图。该脉搏波处理方法用于对脉搏波进行处理,方法包括以下步骤:
S100:获取原始脉搏波;
S102:将原始脉搏波分割为多个周期波形;
S104:计算任意两个周期波形之间的相似度距离,根据计算结果剔除多个周期波形中的异常波动周期波形;得到如图4所示的波形图,对比图4与图1,可以看出异常波动周期波形已被剔除;
S106:对保留的至少两个周期波形进行平均处理,获得周期平均波形,如图5所示。
其中,在步骤S100中,脉搏波的获取可以采用压力传感器、脉搏传感器或者脉诊仪。
其中,在步骤S106中,可以采用现有技术中的平均法对保留的至少两个周期波形进行平均处理,通过对保留的至少两个周期波形进行平均处理,可以有效去除保留的至少两个周期波形中的异常点的干扰。
优选地,在一些实施例中,在步骤S100之后及步骤S102之前还包括步骤S101:对脉搏波进行拉平处理。对脉搏波进行拉平处理可以采用现有技术中的slidingmean(滑动均值法),通过对获取的脉搏波进行拉平处理,可去掉呼吸或其他噪声产生的基线漂移,便于后续根据脉搏波每个波形的突出程度识别峰值点及谷值点,以及将识别的点映射到原始脉搏波中,对其进行分割。
具体地,在一些实施例中,步骤S102包括以下子步骤:S1021、根据脉搏波每个波形的突出程度,识别脉搏波的部分峰值点和部分谷值点;S1022、以部分谷值点中相邻的两个谷值点之间的波形作为一个周期波形进行分割,相邻的两个谷值点之间的波形具有部分峰值点中的一个峰值点。
其中,步骤S1021中识别脉搏波的部分峰值点和部分谷值点可以采用现有技术中的峰谷识别算法,通过峰谷识别算法识别到的部分峰值点和部分谷值点如图6所示,图6中的“★”为识别出的峰值点和谷值点,需要说明的是,识别的部分峰值点和部分谷值点都是大于预设突出程度的点,预设突出程度的值可以是提前预设好的,也可以是根据不同波形的突出程度计算得出的,识别出的所有峰值点与所有谷值点的突出程度都与预设突出程度进行对比,保留所有峰值点与所有谷值点中突出程度大于预设突出程度的部分峰值点和部分谷值点。
优选地,在一些实施例中,在步骤S102之后及步骤S104之前还包括步骤S103:对原始脉搏波数据分割后得到的多个周期波形进行数据点对齐处理。具体地,对多个周期波形进行数据点对齐处理采用现有技术中的三次样条插值法,通过三次样条插值法处理后的周期波形如图7所示。通过对多个周期波形进行数据点对齐处理,使得多个周期波形的长度一致,从而减少后续计算任意两个周期波形之间的相似度距离的计算量,以准确快速计算得出结果。
具体地,在一些实施例中,步骤S104中计算任意两个周期波形之间的相似度距离通过以下公式进行计算:
其中,为任一个周期波形的时间序列,,为中的数据点,n为数据点的总数;为另一个周期波形的时间序列,,为中的数据点,m为数据点的总数;为引入的惩罚系数;是和的最长公共子串;和分别是和的数据长度;是nm矩阵中的第个元素,为中的一个数据点与中的一个数据点的局部距离,,为中的第个数据点,,为中的第个数据点,;K为nm矩阵中的元素总个数。
具体地,在一些实施例中,步骤S104中根据计算结果剔除多个周期波形中的异常波动周期波形中的异常波动周期波形是指除其本身以外没有第二个周期波形与其相似度距离为零的周期波形。
由上可知,本申请实施例提供的脉搏波处理方法通过获取原始脉搏波;将原始脉搏波分割为多个周期波形;计算任意两个周期波形之间的相似度距离,根据计算结果剔除多个周期波形中的相似度距离不为零的异常波动周期波形;对保留的至少两个周期波形进行平均处理,获得周期平均波形;从而实现对脉搏波的处理,可以对脉搏波中异常波动的周期波形进行剔除,避免异常波动周期波形对后续分析造成干扰,从而提高对脉搏波进行分析的准确度。
请参照图8,图8是本申请一些实施例中的一种脉搏波处理装置,用于对脉搏波进行处理,该脉搏波处理装置以计算机程序的形式集成在该脉搏波处理装置的后端控制设备中,该脉搏波处理装置包括:获取模块200、分割模块202、计算模块204及处理模块206。
其中,获取模块200用于获取原始脉搏波。具体地,在一些实施例中,该获取模块200可以采用压力传感器或脉搏传感器或者脉诊仪。
其中,分割模块202用于将原始脉搏波分割为多个周期波形。具体地,在一些实施例中,该分割模块202包括:识别单元,用于根据脉搏波每个波形的突出程度,识别脉搏波的部分峰值点和部分谷值点,识别单元可以采用现有技术中的峰谷识别算法进行部分峰值点和部分谷值点的识别;分割单元,用于以部分谷值点中相邻的两个谷值点之间的波形作为一个周期波形进行分割,相邻的两个谷值点之间的波形具有部分峰值点中的一个峰值点。
其中,该计算模块204用于计算任意两个周期波形之间的相似度距离,并根据计算结果剔除多个周期波形中的异常波动周期波形;具体地,在一些实施例中,该计算模块204计算任意两个周期波形之间的相似度距离通过以下公式进行计算:
其中,为任一个周期波形的时间序列,,为中的数据点,n为数据点的总数;为另一个周期波形的时间序列,,为中的数据点,m为数据点的总数;为引入的惩罚系数;是和的最长公共子串;和分别是和的数据长度;是nm矩阵中的第个元素,为中的一个数据点与中的一个数据点的局部距离,,为中的第个数据点,,为中的第个数据点,;K为nm矩阵中的元素总个数。
上述根据计算结果剔除多个周期波形中的异常波动周期波形中的异常波动周期波形是指除其本身以外没有第二个周期波形与其相似度距离为零的周期波形。
其中,该处理模块206用于对保留的至少两个周期波形进行平均处理,获得周期平均波形。具体地,在一些实施例中,处理模块206可以采用现有技术中的平均法对保留的至少两个周期波形进行平均处理,通过对保留的至少两个周期波形进行平均处理,可以有效去除保留的至少两个周期波形中的异常点的干扰。
在一些实施例中,脉搏波处理装置还包括拉平模块。拉平模块用于对获取模块200获取的脉搏波进行拉平处理。具体地,拉平模块可以采用现有技术中的slidingmean(滑动均值法)对脉搏波进行拉平处理,以去掉呼吸或其他噪声产生的基线漂移,便于后续根据脉搏波每个波形的突出程度识别峰值点及谷值点,以及将识别的点映射到原始脉搏波数据中,对其进行分割。
在一些实施例中,脉搏波处理装置还包括对齐处理模块,对齐处理模块用于对分割后得到的多个周期波形进行数据点对齐处理。具体地,对齐处理模块对多个周期波形进行数据点对齐处理可以采用现有技术中的三次样条插值法。通过对多个周期波形进行数据点对齐处理,使得多个周期波形的长度一致,从而减少后续计算任意两个周期波形之间的相似度距离的计算量,以准确快速计算得出结果。
由上可知,本申请实施例提供的脉搏波处理装置通过获取原始脉搏波;将原始脉搏波分割为多个周期波形;计算任意两个周期波形之间的相似度距离,根据计算结果剔除多个周期波形中的相似度距离不为零的异常波动周期波形;对保留的至少两个周期波形进行平均处理,获得周期平均波形;从而实现对脉搏波的处理,可以对脉搏波中的异常波动周期波形进行剔除,避免异常波动周期波形对后续分析造成干扰,从而提高对脉搏波进行分析的准确度。
请参照图9,图9是本申请一些实施例中的时域特征提取方法的流程图。该时域特征提取方法用于对脉搏波的时域特征进行提取,方法包括以下步骤:
S100:获取原始脉搏波;
S102:将原始脉搏波分割为多个周期波形;
S104:计算任意两个周期波形之间的相似度距离,根据计算结果剔除多个周期波形中的异常波动周期波形;得到如图4所示的波形图;
S106:对保留的至少两个周期波形进行平均处理,获得周期平均波形,如图5所示;
S108:根据周期平均波形,提取多个时域特征。
其中,在步骤S100中,脉搏波的获取可以采用压力传感器、脉搏传感器或者脉诊仪。
其中,在步骤S106中,可以采用现有技术中的平均法对保留的至少两个周期波形进行平均处理,通过对保留的至少两个周期波形进行平均处理,可以有效去除保留的至少两个周期波形中的异常点的干扰。
其中,在步骤S108中,提取的多个时域特征的数量为30个,包括h1(主波幅值高度)、h2(主波峡幅值高度)、h3(重搏前波幅值高度)、h4(降中峡幅值高度)、h5(重搏波与降中峡幅值高度差)、t1(上升时间)、t2(脉图起始点到主波峡之间的时间)、t3(脉图起始点到重搏前波波峰之间的时间)、t4(脉图起始点到降中峡之间的时间)、t5(降中峡到一个周期脉图终止点之间的时间)、t(一个脉搏跳动的周期时间)、A(一个脉搏跳动周期的脉图面积)、As(收缩期面积)、Ad(舒张期面积)、w1(脉图上1/3主波幅值高度处宽度)、w2(脉图上1/5主波幅值高度处宽度)、(上升角)、(主峰角)以及他们的算术特征h1/t1、h3/h1、h4/h1、h5/h1、h1/t、t1/t、(t4-t1)/t、t4/t5、As/Ad、w1/t、w1/h1及t3-t1。本实施例中,平均处理后得到的周期平均波形的时长即为t。h1为周期平均波形的最大值与初始值(起始点)的差值,最大值为主波峰位置。初始值达到最大值的时长为t1。通过计算周期平均波形的一阶向后差分,可以找到差分数据的峰谷点,如图10所示,峰点由“●”表示,谷点由“+”表示,切片识别可以得到h2、h3、h4、h5,如图11所示,“●”表示h2,由左向右的第一个“+”表示h3,由左向右的第二个“+”表示h4,由左向右的第三个“+”表示h5,由初始值达到h2、h3及h4的时长分别为t2、t3及t4,t5为t与t4的差值,根据已知的h1、h2、h3、h4、h5、t、t1、t2、t3、t4及t5,通过计算可以得出h1/t1、h3/h1、h4/h1、h5/h1、h1/t、t1/t、(t4-t1)/t、t4/t5、及t3-t1。A、As及Ad利用积分求出。在平均周期波形的主波峰左右两侧找到点和点,通过位置差计算得到主波宽和主波宽,即w1和w2,得到w1和w2后可以通过计算得到 w1/t、w1/h1。在周期平均波形t1处找到第一个点,在周期平均波形t1处找到第二个点,选取与周期平均波形t1处的第一个点处于同一水平线上的任意一个点作为第三个点,穿过第一个点和第二个点的直线与穿过第一个点和第三个点的直线相交,二者之间的夹角为。通过一次多项式拟合获取直线斜率,拟合起始点到主波峰点的离散脉象数据点的直线以及主波峰点到降中峡h4的离散脉象数据点的直线,二者之间的夹角为,如图12所示。
优选地,在一些实施例中,在步骤S100之后及步骤S102之前还包括步骤S101:对脉搏波进行拉平处理。对脉搏波进行拉平处理可以采用现有技术中的slidingmean(滑动均值法),通过对获取的脉搏波进行拉平处理,可去掉呼吸或其他噪声产生的基线漂移,便于后续根据脉搏波每个波形的突出程度识别峰值点及谷值点,以及将识别的点映射到原始脉搏波数据中,对其进行分割。
具体地,在一些实施例中,步骤S102包括以下子步骤:S1021、根据脉搏波每个波形的突出程度,识别脉搏波的部分峰值点和部分谷值点;S1022、将部分谷值点映射到原始脉搏波,以相邻的两个谷值点之间的波形作为一个周期波形进行分割,相邻的两个谷值点之间的波形具有部分峰值点中的一个峰值点。
其中,步骤S1021中识别脉搏波的部分峰值点和部分谷值点可以采用现有技术中的峰谷识别算法。通过峰谷识别算法识别到的部分峰值点和部分谷值点如图6所示,图6中的“★”为识别出的峰值点和谷值点,需要说明的是,识别的部分峰值点和部分谷值点都是大于一倍突出程度的点,突出程度的值可以是预设好的,也可以是根据不同波形自动计算得出的。
优选地,在一些实施例中,在步骤S102之后及步骤S104之前还包括步骤S103:对原始脉搏数据分割后得到的多个周期波形进行数据点对齐处理。具体地,对多个周期波形进行数据点对齐处理采用现有技术中的三次样条插值法,通过三次样条插值法处理后的周期波形如图7所示。通过对多个周期波形进行数据点对齐处理,使得多个周期波形的长度一致,从而减少后续计算任意两个周期波形之间的相似度距离的计算量,以准确快速计算得出结果。
具体地,在一些实施例中,步骤S104中计算任意两个周期波形之间的相似度距离通过以下公式进行计算:
其中,为任一个周期波形的时间序列,,为中的数据点,n为数据点的总数;为另一个周期波形的时间序列,,为中的数据点,m为数据点的总数;为引入的惩罚系数;是和的最长公共子串;和分别是和的数据长度;是nm矩阵中的第个元素,为中的一个数据点与中的一个数据点的局部距离,,为中的第个数据点,,为中的第个数据点,;K为nm矩阵中的元素总个数。
具体地,在一些实施例中,步骤S104中根据计算结果剔除多个周期波形中的异常波动周期波形中的异常波动周期波形是指除其本身以外没有第二个周期波形与其相似度距离为零的周期波形。
由上可知,本申请实施例提供的时域特征提取方法通过获取原始脉搏波;将原始脉搏波分割为多个周期波形;计算任意两个周期波形之间的相似度距离,根据计算结果剔除多个周期波形中的相似度距离不为零的异常波动周期波形;对保留的至少两个周期波形进行平均处理,获得周期平均波形;根据周期平均波形,提取多个时域特征;从而实现对脉搏波时域特征的提取,不仅可以同时快速获取30个时域特征,而且可以获取不明显但能够反应一定生理、脉象信息的时域特征,如h2、h3、t2、t3、及等。
请参照图13,图13是本申请一些实施例中的一种时域特征提取装置,用于对脉搏波的时域特征进行提取,该时域特征提取装置以计算机程序的形式集成在该时域特征提取装置的后端控制设备中,该时域特征提取装置包括:获取模块200、分割模块202、计算模块204、处理模块206及提取模块208。
其中,获取模块200用于获取原始脉搏波。具体地,在一些实施例中,该获取模块200可以采用压力传感器或脉搏传感器或者脉诊仪。
其中,分割模块202用于将原始脉搏波分割为多个周期波形。具体地,在一些实施例中,该分割模块202包括:识别单元,用于根据脉搏波每个波形的突出程度,识别脉搏波的部分峰值点和部分谷值点,识别单元可以采用现有技术中的峰谷识别算法进行部分峰值点和部分谷值点的识别;分割单元,用于以部分谷值点中相邻的两个谷值点之间的波形作为一个周期波形进行分割,相邻的两个谷值点之间的波形具有部分峰值点中的一个峰值点。
其中,该计算模块204用于计算任意两个周期波形之间的相似度距离,并根据计算结果剔除多个周期波形中的异常波动周期波形;具体地,在一些实施例中,该计算模块204计算任意两个周期波形之间的相似度距离通过以下公式进行计算:
其中,为任一个周期波形的时间序列,,为中的数据点,n为数据点的总数;为另一个周期波形的时间序列,,为中的数据点,m为数据点的总数;为引入的惩罚系数;是和的最长公共子串;和分别是和的数据长度;是nm矩阵中的第个元素,为中的一个数据点与中的一个数据点的局部距离,,为中的第个数据点,,为中的第个数据点,;K为nm矩阵中的元素总个数。
具体地,上述根据计算结果剔除多个周期波形中的异常波动周期波形中的异常波动周期波形是指除其本身以外没有第二个周期波形与其相似度距离为零的周期波形。
其中,该处理模块206用于对保留的至少两个周期波形进行平均处理,获得周期平均波形。具体地,在一些实施例中,处理模块206可以采用现有技术中的平均法对保留的至少两个周期波形进行平均处理,通过对保留的至少两个周期波形进行平均处理,可以有效去除保留的至少两个周期波形中的异常点的干扰。
其中,该提取模块208用于根据周期平均波形,提取多个时域特征。具体地,提取的多个时域特征的数量为30个,包括h1(主波幅值高度)、h2(主波峡幅值高度)、h3(重搏前波幅值高度)、h4(降中峡幅值高度)、h5(重搏波与降中峡幅值高度差)、t1(上升时间)、t2(脉图起始点到主波峡之间的时间)、t3(脉图起始点到重搏前波波峰之间的时间)、t4(脉图起始点到降中峡之间的时间)、t5(降中峡到一个周期脉图终止点之间的时间)、t(一个脉搏跳动的周期时间)、A(一个脉搏跳动周期的脉图面积)、As(收缩期面积)、Ad(舒张期面积)、w1(脉图上1/3主波幅值高度处宽度)、w2(脉图上1/5主波幅值高度处宽度)、(上升角)、(主峰角)以及他们的算术特征h1/t1、h3/h1、h4/h1、h5/h1、h1/t、t1/t、(t4-t1)/t、t4/t5、As/Ad、w1/t、w1/h1及t3-t1。本实施例中,平均处理后得到的周期平均波形的时长即为t。h1为周期平均波形的最大值与初始值(起始点)的差值,最大值为主波峰位置。初始值达到最大值的时长为t1。通过计算周期平均波形的一阶向后差分,可以找到差分数据的峰谷点,如图10所示,峰点由“●”表示,谷点由“+”表示,切片识别可以得到h2、h3、h4、h5,如图11所示,“●”表示h2,由左向右的第一个“+”表示h3,由左向右的第二个“+”表示h4,由左向右的第三个“+”表示h5,由初始值达到h2、h3及h4的时长分别为t2、t3及t4,t5为t与t4的差值,根据已知的h1、h2、h3、h4、h5、t、t1、t2、t3、t4及t5,通过计算可以得出h1/t1、h3/h1、h4/h1、h5/h1、h1/t、t1/t、(t4-t1)/t、t4/t5、及t3-t1。A、As及Ad利用积分求出。在平均周期波形的主波峰左右两侧找到点和点,通过位置差计算得到主波宽和主波宽,即w1和w2,得到w1和w2后可以通过计算得到 w1/t、w1/h1。在周期平均波形t1处找到第一个点,在周期平均波形t1处找到第二个点,选取与周期平均波形t1处的第一个点处于同一水平线上的任意一个点作为第三个点,穿过第一个点和第二个点的直线与穿过第一个点和第三个点的直线相交,二者之间的夹角为。通过一次多项式拟合获取直线斜率,拟合起始点到主波峰点的离散脉象数据点的直线以及主波峰点到降中峡h4的离散脉象数据点的直线,二者之间的夹角为,如图12所示。
在一些实施例中,时域特征提取装置还包括拉平模块。拉平模块用于对获取模块200获取的脉搏波进行拉平处理。具体地,拉平模块可以采用现有技术中的slidingmean(滑动均值法)对脉搏波进行拉平处理,以去掉呼吸或其他噪声产生的基线漂移,便于后续根据脉搏波每个波形的突出程度识别峰值点及谷值点,以及将识别的点映射到原始脉搏波数据中,对其进行分割。
在一些实施例中,时域特征提取装置还包括对齐处理模块,对齐处理模块用于对分割后得到的多个周期波形进行数据点对齐处理。具体地,对齐处理模块对多个周期波形进行数据点对齐处理可以采用现有技术中的三次样条插值法。通过对多个周期波形进行数据点对齐处理,使得多个周期波形的长度一致,从而减少后续计算任意两个周期波形之间的相似度距离的计算量,以准确快速计算得出结果。
由上可知,本申请实施例提供的时域特征提取装置通过获取原始脉搏波;将原始脉搏波分割为多个周期波形;计算任意两个周期波形之间的相似度距离,根据计算结果剔除多个周期波形中的异常波动周期波形;对保留的至少两个周期波形进行平均处理,获得周期平均波形;根据周期平均波形,提取多个时域特征;从而实现对脉搏波时域特征的提取,不仅可以同时快速获取30个时域特征,而且可以获取不明显但能够反应一定生理、脉象信息的时域特征,如h2、h3、t2、t3、及等。
请参照图14,图14为本申请实施例提供的一种设备的结构示意图,本申请提供一种设备3,包括:处理器301和存储器302,处理器301和存储器302通过通信总线303和/或其他形式的连接机构(未标出)互连并相互通讯,存储器302存储有处理器301可执行的计算机程序,当计算设备运行时,处理器301执行该计算机程序,以执行上述实施例的任一可选的实现方式中的方法,以实现以下功能:获取原始脉搏波;将原始脉搏波分割为多个周期波形;计算任意两个周期波形之间的相似度距离,根据计算结果剔除多个周期波形中的异常波动周期波形;对保留的至少两个周期波形进行平均处理,获得周期平均波形;或者,获取原始脉搏波;将原始脉搏波分割为多个周期波形;计算任意两个周期波形之间的相似度距离,根据计算结果剔除多个周期波形中的异常波动周期波形;对保留的至少两个周期波形进行平均处理,获得周期平均波形;根据周期平均波形,提取多个时域特征。
本申请实施例提供一种存储介质,其上存储有计算机程序,计算机程序被处理器执行时,执行上述实施例的任一可选的实现方式中的方法,以实现以下功能:获取原始脉搏波;将原始脉搏波分割为多个周期波形;计算任意两个周期波形之间的相似度距离,根据计算结果剔除多个周期波形中的异常波动周期波形;对保留的至少两个周期波形进行平均处理,获得周期平均波形;或者,获取原始脉搏波;将原始脉搏波分割为多个周期波形;计算任意两个周期波形之间的相似度距离,根据计算结果剔除多个周期波形中的异常波动周期波形;对保留的至少两个周期波形进行平均处理,获得周期平均波形;根据周期平均波形,提取多个时域特征。其中,介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random Access Memory, 简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory, 简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read Only Memory, 简称EPROM),可编程只读存储器(Programmable Red-Only Memory, 简称PROM),只读存储器(Read-Only Memory, 简称ROM),磁存储器,快闪存储器,磁盘或光盘。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (9)
1.一种脉搏波处理方法,用于对脉搏波进行处理,其特征在于,所述方法包括以下步骤:
获取原始脉搏波;
将所述原始脉搏波分割为多个周期波形;
计算任意两个所述周期波形之间的相似度距离,根据计算结果剔除多个所述周期波形中的异常波动周期波形;
对保留的至少两个周期波形进行平均处理,获得周期平均波形;
其中,所述计算任意两个所述周期波形之间的相似度距离通过以下公式进行计算:
其中,P为任一个周期波形的时间序列,P=(p1,p2,...,pn),pn为P中的数据点,n为数据点的总数;Q为另一个周期波形的时间序列,Q=(q1,q2,...,qm),qm为Q中的数据点,m为数据点的总数;α为引入的惩罚系数;ω是P和Q的最长公共子串;len(P)和len(Q)分别是P和Q的数据长度;wk是n×m矩阵中的第k个元素,wk为P中的一个数据点与Q中的一个数据点的局部距离,wk=(pi-qj)2,pi为P中的第i个数据点,i≤n,qj为Q中的第j个数据点,j≤m;K为n×m矩阵中的元素总个数。
2.根据权利要求1所述的脉搏波处理方法,其特征在于,所述将所述原始脉搏波分割为多个周期波形之前还包括以下步骤:
对所述原始脉搏波进行拉平处理。
3.根据权利要求1所述的脉搏波处理方法,其特征在于,所述计算任意两个所述周期波形之间的相似度距离之前还包括以下步骤:
对所述原始脉搏波分割后得到的多个所述周期波形进行数据点对齐处理。
4.根据权利要求1所述的脉搏波处理方法,其特征在于,所述将所述原始脉搏波分割为多个周期波形包括以下子步骤:
根据所述原始脉搏波每个波形的突出程度,识别所述原始脉搏波的部分峰值点和部分谷值点;
将所述部分谷值点映射到原始脉搏波,以相邻的两个谷值点之间的波形作为一个周期波形进行分割,所述相邻的两个谷值点之间的波形具有所述部分峰值点中的一个峰值点。
5.一种脉搏波处理装置,用于对脉搏波进行处理,其特征在于,所述装置包括:
获取模块,用于获取原始脉搏波;
分割模块,用于将所述原始脉搏波分割为多个周期波形;
计算模块,用于计算任意两个所述周期波形之间的相似度距离,并根据计算结果剔除多个所述周期波形中的异常波动周期波形;其中,所述计算模块计算任意两个所述周期波形之间的相似度距离通过以下公式进行计算:
其中,P为任一个周期波形的时间序列,P=(p1,p2,...,pn),pn为P中的数据点,n为数据点的总数;Q为另一个周期波形的时间序列,Q=(q1,q2,...,qm),qm为Q中的数据点,m为数据点的总数;α为引入的惩罚系数;ω是P和Q的最长公共子串;len(P)和len(Q)分别是P和Q的数据长度;wk是n×m矩阵中的第k个元素,wk为P中的一个数据点与Q中的一个数据点的局部距离,wk=(pi-qj)2,pi为P中的第i个数据点,i≤n,qj为Q中的第j个数据点,j≤m;K为n×m矩阵中的元素总个数;处理模块,用于对保留的至少两个周期波形进行平均处理,获得周期平均波形。
6.一种时域特征提取方法,用于对脉搏波的时域特征进行提取,其特征在于,包括权利要求1-4任一项所述的脉搏波处理方法的步骤,还包括以下步骤:
根据所述周期平均波形,提取多个时域特征。
7.一种时域特征提取装置,用于对脉搏波的时域特征进行提取,其特征在于,所述装置包括:
获取模块,用于获取原始脉搏波;
分割模块,用于将所述原始脉搏波分割为多个周期波形;
计算模块,用于计算任意两个所述周期波形之间的相似度距离,并根据计算结果剔除多个所述周期波形中的异常波动周期波形;其中,所述计算模块计算任意两个所述周期波形之间的相似度距离通过以下公式进行计算:
其中,P为任一个周期波形的时间序列,P=(p1,p2,...,pn),pn为P中的数据点,n为数据点的总数;Q为另一个周期波形的时间序列,Q=(q1,q2,...,qm),qm为Q中的数据点,m为数据点的总数;α为引入的惩罚系数;ω是P和Q的最长公共子串;len(P)和len(Q)分别是P和Q的数据长度;wk是n×m矩阵中的第k个元素,wk为P中的一个数据点与Q中的一个数据点的局部距离,wk=(pi-qj)2,pi为P中的第i个数据点,i≤n,qj为Q中的第j个数据点,j≤m;K为n×m矩阵中的元素总个数;处理模块,用于对保留的至少两个周期波形进行平均处理,获得周期平均波形;提取模块,用于根据所述周期平均波形,提取多个时域特征。
8.一种设备,其特征在于,包括处理器以及存储器,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,运行如权利要求1-4或6任一所述方法中的步骤。
9.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时运行如权利要求1-4或6任一所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210003976.9A CN114010168B (zh) | 2022-01-05 | 2022-01-05 | 脉搏波处理方法、时域特征提取方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210003976.9A CN114010168B (zh) | 2022-01-05 | 2022-01-05 | 脉搏波处理方法、时域特征提取方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114010168A CN114010168A (zh) | 2022-02-08 |
CN114010168B true CN114010168B (zh) | 2022-04-22 |
Family
ID=80069501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210003976.9A Active CN114010168B (zh) | 2022-01-05 | 2022-01-05 | 脉搏波处理方法、时域特征提取方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114010168B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115251856B (zh) * | 2022-09-26 | 2022-12-27 | 季华实验室 | 脉力强弱判断方法、装置、电子设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105105728B (zh) * | 2015-09-07 | 2018-10-02 | 中国科学院微电子研究所 | 脉搏波测定方法及装置 |
CN110731762B (zh) * | 2019-09-18 | 2022-02-08 | 平安科技(深圳)有限公司 | 基于相似度预处理脉搏波的方法、装置、计算机系统及可读存储介质 |
CN111751671A (zh) * | 2020-06-29 | 2020-10-09 | 三峡大学 | 基于vmd-dtw聚类的小电流接地系统故障选线方法 |
CN112971797A (zh) * | 2021-02-07 | 2021-06-18 | 北京海思瑞格科技有限公司 | 连续生理信号质量评估方法 |
CN113598737A (zh) * | 2021-09-08 | 2021-11-05 | 上海中医药大学 | 一种基于特征融合的血压预测方法 |
-
2022
- 2022-01-05 CN CN202210003976.9A patent/CN114010168B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114010168A (zh) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109171712B (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
CN103027667B (zh) | 脉搏波的特征参数提取 | |
JP6523288B2 (ja) | 母体腹部のecg記録からの胎児心拍数の抽出 | |
CN109117730B (zh) | 心电图心房颤动实时判断方法、装置、系统及存储介质 | |
CN109157200B (zh) | 噪声检测方法及装置 | |
CN101815465B (zh) | 从心电图得出的呼吸暂停/呼吸减弱指数 | |
CN114010168B (zh) | 脉搏波处理方法、时域特征提取方法、装置、设备及介质 | |
Varanini et al. | A new method for QRS complex detection in multichannel ECG: Application to self-monitoring of fetal health | |
CN107622259B (zh) | 一种t波检测方法、心电数据分析方法及装置 | |
Gupta et al. | Fetal heart rate extraction from abdominal electrocardiograms through multivariate empirical mode decomposition | |
CN113876335B (zh) | 心电图心搏分类方法、装置、电子设备和介质 | |
US11324437B2 (en) | Fusion signal processing for maternal uterine activity detection | |
CN109645979A (zh) | 动态心电信号伪差识别方法及装置 | |
TWI519276B (zh) | 心電圖學訊號擷取方法 | |
Varon et al. | Robust artefact detection in long-term ECG recordings based on autocorrelation function similarity and percentile analysis | |
Yadav et al. | Smoothening and segmentation of ecg signals using total variation denoising–minimization-majorization and bottom-up approach | |
Tekeste et al. | Adaptive ECG interval extraction | |
CN111956209B (zh) | 一种基于ewt和结构特征提取的心电信号r波识别方法 | |
Rolink et al. | Improving sleep/wake classification with recurrence quantification analysis features | |
US20220218261A1 (en) | Method, apparatus and electronic device for processing time series data | |
CN115251856A (zh) | 脉力强弱判断方法、装置、电子设备及存储介质 | |
Márquez et al. | A study on the representation of QRS complexes with the optimum number of Hermite functions | |
Homaeinezhad et al. | A high-speed C++/MEX solution for long-duration arterial blood pressure characteristic locations detection | |
CN114403831B (zh) | 一种ppg波形脉冲提取方法及装置 | |
Islam et al. | Detection of some major heart diseases using fractal analysis |
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 |