CN115251856B - 脉力强弱判断方法、装置、电子设备及存储介质 - Google Patents
脉力强弱判断方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115251856B CN115251856B CN202211174261.6A CN202211174261A CN115251856B CN 115251856 B CN115251856 B CN 115251856B CN 202211174261 A CN202211174261 A CN 202211174261A CN 115251856 B CN115251856 B CN 115251856B
- Authority
- CN
- China
- Prior art keywords
- pulse
- effective
- peak
- category
- point
- 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
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000007781 pre-processing Methods 0.000 claims abstract description 24
- 230000000737 periodic effect Effects 0.000 claims description 67
- 238000004422 calculation algorithm Methods 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 14
- 239000002245 particle Substances 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 description 14
- 230000002159 abnormal effect Effects 0.000 description 8
- 230000001575 pathological effect Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000012935 Averaging Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 210000001835 viscera Anatomy 0.000 description 2
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Physiology (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fuzzy Systems (AREA)
- Cardiology (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本申请涉及生理信号处理技术领域,提供了一种脉力强弱判断方法、装置、电子设备及存储介质,方法包括:获取被测者的脉搏波;对所述脉搏波进行预处理以获取第一有效1/3波峰曲线;把所述第一有效1/3波峰曲线与预存的多个第二有效1/3波峰曲线进行聚类处理,以确定所述第一有效1/3波峰曲线的类别;基于预先确定的有效1/3波峰曲线类别与脉力强度等级的对应关系,根据所述第一有效1/3波峰曲线的类别确定所述被测者的脉搏波的脉力强度等级。本发明具有准确性高和操作便捷的有益效果。
Description
技术领域
本申请涉及生理信号处理技术领域,具体而言,涉及一种脉力强弱判断方法、装置、电子设备及存储介质。
背景技术
脉诊是传统中医学重要的组成部分,无创、便捷的诊断特点使其在疾病诊断中具有较强的竞争力及极高的研究价值。脉诊是中医师通过手指搭脉感受人体手腕寸口三部脉象获取其五脏六腑的生理病理信息,但是这一过程往往需要依靠中医师多年行医经验,同时在诊脉过程中会由于个人经验不足或个人主观因素影响出现诊断不准确。
目前为了实现脉诊的客观化,通过模拟中医师诊脉方式,结合各种传感器来实现脉搏信息的数字化,从而将脉搏信息以数字形式可视化为脉象,然后利用现代技术手段如机器学习、深度学习方法对脉象进行处理,获取脉象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。为了更好的研究脉象,必须从脉象的构成基础来分析,由中医理论发现,脉象由八种要素构成,分别为脉位、脉率、脉力、脉长、脉宽、均匀度、紧张度、流利度,掌握这八种要素,对研究脉象起到关键作用。
脉力是脉象八要素中的一个重要因素,能够反映人体脉搏跳动的强弱,而脉力的强弱能够反映人体五脏六腑生理功能的强弱和气血阴阳的盛衰,能够为判断病证提供有力依据。传统研究中往往将脉力与脉搏波波形图参数中的主波幅值h1建立联系,但并没有客观地从脉象数据出发找到与脉力相关的特征依据,导致对脉力强弱的判断结果不够准确。
基于上述问题,目前尚未有有效的解决方法。
发明内容
本申请的目的在于提供一种脉力强弱判断方法、装置、电子设备及存储介质,能够针对不同个体的多种类型脉象数据分别进行处理,并通过预先确定的有效1/3波峰曲线类别与脉力强度等级的对应关系找到对应的脉力类别从而判断脉力的强弱。
第一方面,本申请提供了一种脉力强弱判断方法,其中,包括以下步骤:
S1.获取被测者的脉搏波;
S2.对所述脉搏波进行预处理以获取第一有效1/3波峰曲线;
S3.把所述第一有效1/3波峰曲线与预存的多个第二有效1/3波峰曲线进行聚类处理,以确定所述第一有效1/3波峰曲线的类别;
S4.基于预先确定的有效1/3波峰曲线类别与脉力强度等级的对应关系,根据所述第一有效1/3波峰曲线的类别确定所述被测者的脉搏波的脉力强度等级。
本申请的脉力强弱判断方法,通过获取被测者的脉搏波;对脉搏波进行预处理以获取第一有效1/3波峰曲线;把第一有效1/3波峰曲线与预存的多个第二有效1/3波峰曲线进行聚类处理,以确定第一有效1/3波峰曲线的类别;基于预先确定的有效1/3波峰曲线类别与脉力强度等级的对应关系,根据第一有效1/3波峰曲线的类别确定被测者的脉搏波的脉力强度等级。本申请的脉力强弱判断方法,通过对波形的形状进行聚类处理,能够针对不同个体的多种类型脉搏波分别进行处理,并通过预先确定的有效1/3波峰曲线类别与脉力强度等级的对应关系找到对应的脉力类别从而判断脉力的强弱,方法便捷有效,为实现对脉力预测与人体生理病理信息准确、充分地分析提供预测方法。
可选地,本申请提供的脉力强弱判断方法,步骤S2包括:
S201.预设多个取脉压力,获取不同所述取脉压力下所述脉搏波的第一脉象数据;
S202.选取幅值最大的所述第一脉象数据作为第二脉象数据;
S203.利用峰谷识别算法,识别出所述第二脉象数据中的多个完整周期波形;
S204.采用三次样条插值法对所述第二脉象数据进行平滑处理;
S205.对多个所述完整周期波形进行相似性检测和平均处理,以获取周期平均波形;
S206.获取所述周期平均波形的峰值点;
S207.根据所述峰值点对所述周期平均波形进行截取,以获取所述第一有效1/3波峰曲线。
通过这种方式,可以获得一段准确的第一有效1/3波峰曲线,进一步提高了判断的准确性。
可选地,本申请提供的脉力强弱判断方法,步骤S205包括:
S2051.预设样板波波形;
S2052.根据所述样板波波形对多个所述完整周期波形进行相似性检测,并对与样板波相似度较高的多个所述完整周期波形进行平均处理,以获取所述周期平均波形。
可选地,本申请提供的脉力强弱判断方法,步骤S207包括:
S2071.获取所述峰值点的高度值,记为最大高度值;
S2072.在所述周期平均波形中,选取位于所述峰值点的左侧的高度值为2/3最大高度值的点作为第一截点,选取位于所述峰值点的右侧的高度值为2/3最大高度值的点作为第二截点;
S2073.根据所述第一截点和所述第二截点对所述周期平均波形进行截取,以获取所述第一有效1/3波峰曲线。
可选地,本申请提供的脉力强弱判断方法,步骤S2073包括:
A1.获取所述第一有效1/3波峰曲线中的所有数据点的数据;
A2.对所有所述数据点的数据进行归一化操作。
可选地,本申请提供的脉力强弱判断方法,步骤S3包括:
S301.使用soft-DTW算法对所述第一有效1/3波峰曲线与多个所述第二有效1/3波峰曲线进行处理,以获取相似度距离矩阵,所述相似度距离矩阵包括多个样本点;
S302.基于k-medoids算法,对多个所述样本点进行聚类处理,以确定所述第一有效1/3波峰曲线的类别。
通过这种计算方式,相比DTW算法,能够更准确计算两时间序列的相似程度,最终得到相似度矩阵,也即数据形状相似度矩阵。
可选地,本申请提供的脉力强弱判断方法,步骤S302包括:
S3021.选取k个所述样本点作为质点,k为预设的类别数量;
S3022.将剩余的所述样本点分配到以每个所述质点作为代表的类别中;
S3023.针对每个所述类别,遍历所述类别中的每个样本点,计算每个所述样本点作为质点时对应的准则函数值;
S3024.针对每个所述类别,选取所述准则函数值最小时对应的样本点替代原来的质点作为新的质点;
S3025.重复执行步骤S3022-步骤S3024,直到所述新的质点不再发生变化,即完成对多个所述样本点进行聚类处理。
通过这种方式,可以减少离群点对聚类的影响,便于得到较好的聚类效果。
本申请提供的脉力强弱判断方法,通过获取被测者的脉搏波;对脉搏波进行预处理以获取第一有效1/3波峰曲线;把第一有效1/3波峰曲线与预存的多个第二有效1/3波峰曲线进行聚类处理,以确定第一有效1/3波峰曲线的类别;基于预先确定的有效1/3波峰曲线类别与脉力强度等级的对应关系,根据第一有效1/3波峰曲线的类别确定被测者的脉搏波的脉力强度等级。本申请的脉力强弱判断方法,通过对波形的形状进行聚类处理,能够针对不同个体的多种类型脉搏波分别进行处理,并通过预先确定的有效1/3波峰曲线类别与脉力强度等级的对应关系找到对应的脉力类别从而判断脉力的强弱,方法便捷有效,为实现对脉力预测与人体生理病理信息准确、充分地分析提供预测方法。
第二方面,本申请提供一种脉力强弱判断装置,其中,包括以下模块:
第一获取模块:用于获取被测者的脉搏波;
预处理模块:用于对所述脉搏波进行预处理以获取第一有效1/3波峰曲线;
聚类模块:用于把所述第一有效1/3波峰曲线与预存的多个第二有效1/3波峰曲线进行聚类处理,以确定所述第一有效1/3波峰曲线的类别;
确定模块:基于预先确定的有效1/3波峰曲线类别与脉力强度等级的对应关系,根据所述第一有效1/3波峰曲线的类别确定所述被测者的脉搏波的脉力强度等级。
本申请提供的基于脉力强弱判断装置,通过第一获取模块获取被测者的脉搏波;预处理模块对脉搏波进行预处理以获取第一有效1/3波峰曲线;聚类模块把第一有效1/3波峰曲线与预存的多个第二有效1/3波峰曲线进行聚类处理,以确定第一有效1/3波峰曲线的类别;确定模块基于预先确定的有效1/3波峰曲线类别与脉力强度等级的对应关系,根据第一有效1/3波峰曲线的类别确定被测者的脉搏波的脉力强度等级。本申请的脉力强弱判断装置,通过对波形的形状进行聚类处理,能够针对不同个体的多种类型脉搏波分别进行处理,并通过预先确定的有效1/3波峰曲线类别与脉力强度等级的对应关系找到对应的脉力类别从而判断脉力的强弱,便捷有效,为实现对脉力预测与人体生理病理信息准确、充分地分析提供预测方法。
第三方面,本申请提供一种电子设备,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。
第四方面,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。
综上,本申请的脉力强弱判断方法、装置、电子设备及存储介质,通过对波形的形状进行聚类处理,能够针对不同个体的多种类型脉搏波分别进行处理,并通过预先确定的有效1/3波峰曲线类别与脉力强度等级的对应关系找到对应的脉力类别从而判断脉力的强弱,便捷有效,为实现对脉力预测与人体生理病理信息准确、充分地分析提供预测方法。
附图说明
图1为本申请提供的脉力强弱判断方法的一种流程图。
图2为本申请提供的脉力强弱判断装置的一种结构示意图。
图3为本申请提供的电子设备的结构示意图。
图4为本申请提供的两个类别对应的脉力分值统计柱状图。
标号说明:
201、第一获取模块;202、预处理模块;203、聚类模块;204、确定模块;301、处理器;302、存储器;303、通信总线。
具体实施方式
下面将结合本申请实施方式中附图,对本申请实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本申请一部分实施方式,而不是全部的实施方式。通常在此处附图中描述和示出的本申请实施方式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方式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方式。基于本申请的实施方式,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方式,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。
请参照图1,图1是本申请一些实施方式中的脉力强弱判断方法的流程图,其中,包括以下步骤:
S1.获取被测者的脉搏波;
S2.对脉搏波进行预处理以获取第一有效1/3波峰曲线;
S3.把第一有效1/3波峰曲线与预存的多个第二有效1/3波峰曲线进行聚类处理,以确定第一有效1/3波峰曲线的类别;
S4.基于预先确定的有效1/3波峰曲线类别与脉力强度等级的对应关系,根据第一有效1/3波峰曲线的类别确定被测者的脉搏波的脉力强度等级。
步骤S1中,脉搏波可以使用现有的智能中医仿生三部脉诊仪获取,具体需要先让中医专家对被测者寸口部位的关部脉位进行标记,再使用智能中医仿生三部脉诊仪,通过这种方式便于后续采集到准确的脉搏波。
步骤S2中,可以利用现有的slidingMean算法拉平脉搏波,可去掉呼吸或其他噪声产生的基线漂移,便于识别脉搏波的峰值点和谷值点。
步骤S3中,聚类处理可以采用k-means、k-means++、bi-kmeans、kernel k-means等算法对多个有效1/3波峰曲线进行聚类。
步骤S4中,有效1/3波峰曲线类别与脉力强度等级的对应关系可根据以下过程预先确定:
首先,采集多个受试者的脉搏波,并由专家对各受试者的脉力进行打分(0-100分),根据专家对各受试者的脉力的打分进行脉力类别统计和各脉力分值的统计(经统计,根据脉力的打分可以把脉力类别分为12类,分别对应30、40、42、45、48、50、52、53、54、55、60、70共十二个脉力分值),对脉搏波进行预处理以获取第二有效1/3波峰曲线(具体过程参考步骤S2),把第二有效1/3波峰曲线进行聚类处理(具体过程可参考步骤S3),以把各第二有效1/3波峰曲线划分为多个有效1/3波峰曲线类别,然后根据各有效1/3波峰曲线类别中的第二有效1/3波峰曲线对应的脉力分值确定各有效1/3波峰曲线类别的脉力强度等级。
在此说明,附图4的横坐标为脉力分值,纵坐标为类别1和类别2在不同的脉力分值的占比。
假设经过上述步骤S3聚类之后的结果为两个类别,分别记为类别1和类别2,如图4所示,cluster1表示类别1对应的受试者的第二有效1/3波峰曲线占每个脉力分值的比例,cluster2表示类别2对应的受试者的第二有效1/3波峰曲线占每个脉力分值的比例,那么可以看出,cluster1中分值较大的占比较大,cluster2中分值较小的占比较大,可以认为cluster1的分值大于cluster2,即落入类别1对应的受试者脉力大于落入类别2对应的受试者脉力。然后将被测的两个第一有效1/3波峰曲线重新与多个第二有效1/3波峰曲线进行聚类分析,假设聚类分析之后,有一个第一有效1/3波峰曲线落在类别1中,另一个第一有效1/3波峰曲线落在类别2中,那么落入类别1的第一有效1/3波峰曲线的被测者的脉力大于落入类别2的第一有效1/3波峰曲线的被测者的脉力。当然不局限于上述的两个类别,若将多个第二有效1/3波峰曲线进行聚类之后的结果有两个类别以上的,那么可以分别记为类别A、类别B、类别C……,然后分别计算每个类别的分值,并按照分值大小给每个类别依次排序,然后再将多个被测的第一有效1/3波峰曲线重新与多个第二有效1/3波峰曲线进行聚类分析,最后根据每个第一有效1/3波峰曲线落入的类别和类别的排序来判断第一有效1/3波峰曲线对应的被测者的脉力。
本申请的脉力强弱判断方法,通过获取被测者的脉搏波;对脉搏波进行预处理以获取第一有效1/3波峰曲线;把第一有效1/3波峰曲线与预存的多个第二有效1/3波峰曲线进行聚类处理,以确定第一有效1/3波峰曲线的类别;基于预先确定的有效1/3波峰曲线类别与脉力强度等级的对应关系,根据第一有效1/3波峰曲线的类别确定被测者的脉搏波的脉力强度等级。本申请的脉力强弱判断方法,通过对波形的形状进行聚类处理,能够针对不同个体的多种类型脉搏波分别进行处理,并通过预先确定的有效1/3波峰曲线类别与脉力强度等级的对应关系找到对应的脉力类别从而判断脉力的强弱,方法便捷有效,为实现对脉力预测与人体生理病理信息准确、充分地分析提供预测方法。
在进一步的实施方式中,步骤S2包括:
S201.预设多个取脉压力,获取不同取脉压力下脉搏波的第一脉象数据;
S202.选取幅值最大的第一脉象数据作为第二脉象数据;
S203.利用峰谷识别算法,识别出第二脉象数据中的多个完整周期波形;
S204.采用三次样条插值法对第二脉象数据进行平滑处理;
S205.对多个完整周期波形进行相似性检测和平均处理,以获取周期平均波形;
S206.获取周期平均波形的峰值点;
S207.根据峰值点对周期平均波形进行截取,以获取第一有效1/3波峰曲线。
步骤S201中,可以先预设10个取脉压力分别为50g、70g、90g、110g、130g、150g、170g、190g、210g、230g,最后将这10个取脉压力下对应的第一脉象数据存储至数据库中,便于后续的脉象数据批量处理。
步骤S202中,如何比较脉象数据的幅值为公知常识。在实际应用中,脉象数据幅值越大,数据特征越清晰。
步骤S203中和步骤S204中,峰谷识别算法和三次样条插值法为现有技术,在此不再赘述。
步骤S205中,可以对第二脉象数据中的完整周期波形两两之间做相似性检测以得到完整周期波形两两之间的相似度距离,以其中一个完整周期波形为参照周期波形,把与该参照周期波形的相似度距离大于第一阈值的完整周期波形数据剔除,然后对剩余的完整周期波形进行平均处理得到周期平均波形。具体的,假设一共有完整周期波形A、B、C、D、E、F,那么可以随意找一个完整周期波形作为参照周期波形,例如选取完整周期波形B,并且根据需要设置一个第一阈值,将与完整周期波形B相似度距离为大于第一阈值的完整周期波形数据剔除,保留与完整周期波形B相似度距离为小于或等于第一阈值的完整周期波形,并将这些与完整周期波形B相似度距离为小于或等于第一阈值的完整周期波形进行平均处理得到周期平均波形。其中,相似性检测可以使用现有的DTW算法。其中,可以通过以下方式确定参照周期波形:依次以各完整周期波形为目标波形,统计与该目标波形的相似度距离大于第一阈值的其它完整周期波形的数量,记为不相似数量,以不相似数量最小的目标波形为参照周期波形。
在另一些优选的实施方式中,步骤S205包括:
S2051.预设样板波波形;
S2052.根据样板波波形对多个完整周期波形进行相似性检测,并对与样板波相似度较高的多个完整周期波形进行平均处理,以获取周期平均波形。
在实际应用中,由于第二脉象数据中的完整周期波形存在一定的不确定性,例如其中可能会存在一些叠加了抖动噪声的波形、数据丢包的波形和削波等异常波形,因此若随机选择其中一个完整周期波形作为参照可能会对后续结果产生一定影响,而设置样板波波形,可以避免以上问题产生,提高了准确性。具体地,步骤S2052中,先设置一个样板波作为目标波形和设置第二阈值,然后将第二脉象数据中的每个完整周期波形分别与样板波两两之间做相似性检测以得到样板波与每个完整周期波形之间的第二相似度距离,然后将第二相似度距离大于第二阈值的完整周期波形数据剔除,然后对剩余的完整周期波形进行平均处理得到周期平均波形。
因此,通过对被测者的脉搏波使用平均法能够有效去除原始数据中异常点的干扰,利用DTW算法对异常波动数据进行剔除,并从剔除异常波动的原始数据中利用平均法获取单周期脉象数据,然后从单周期脉象数据中截取2/3峰值点高度的一段脉搏波数据,此数据包含了脉搏波的脉宽及脉搏幅值特征,也即为形状特征。通过这种方式,可以获得一段准确的第一有效1/3波峰曲线,进一步提高了判断的准确性。
在进一步的实施方式中,步骤S207包括:
S2071.获取峰值点的高度值,记为最大高度值;
S2072.在周期平均波形中,选取位于峰值点的左侧的高度值为2/3最大高度值的点作为第一截点,选取位于峰值点的右侧的高度值为2/3最大高度值的点作为第二截点;
S2073.根据第一截点和第二截点对周期平均波形进行截取,以获取第一有效1/3波峰曲线。
在实际应用中,首先找到周期平均波形的峰值点,识别并获取峰值点的高度值和位置,分别找到峰值点所在位置左右两侧某一数据点的幅值接近2/3高度值的点,即第一截点和第二截点,找到第一截点和第二截点后,截取这两个数据点间的所有数据点,实现数据截取操作,并保存所有被测者的此段脉搏波数据。通过这种截取方式,可以最大限度地保留脉搏波的形状特征。
在进一步的实施方式中,步骤S2073包括:
A1.获取第一有效1/3波峰曲线中的所有数据点的数据;
A2.对所有数据点的数据进行归一化操作。
其中,归一化操作为现有技术。通过这种数据处理方式,可以使得预处理的数据被限定在一定的范围内,从而消除奇异样本数据导致的不良影响。
在一些优选的实施方式中,步骤S3包括:
S301.使用soft-DTW算法对第一有效1/3波峰曲线与多个第二有效1/3波峰曲线进行处理,以获取相似度距离矩阵,相似度矩阵包括多个样本点;
S302.基于k-medoids算法,对多个样本点进行聚类处理,以确定第一有效1/3波峰曲线的类别。
步骤S301中,soft-DTW算法是DTW算法的优化,具体的计算公式如下:
其中,表示相似度距离矩阵;和分别表示两个受试者的有效1/3波峰曲线的时间序列;是可微价函数;A表示两个受试者的有效1/3波峰曲线的时间序列之间的对齐矩阵;其中为平滑化系数,可根据需要进行设置;表示最小值函数。
通过这种计算方式,相比DTW算法,能够更准确计算两时间序列的相似程度。
在进一步的实施方式中,步骤S302包括:
S3021.选取k个样本点作为质点,k为预设的类别数量;
S3022.将剩余的样本点分配到以每个质点作为代表的类别中;
S3023.针对每个类别,遍历类别中的每个样本点,计算每个样本点作为质点时对应的准则函数值;
S3024.针对每个类别,选取准则函数值最小时对应的样本点替代原来的质点作为新的质点;
S3025.重复执行步骤S3022-步骤S3024,直到新的质点不再发生变化,即完成对多个样本点进行聚类处理(即在最后循环的步骤S3022的分配结果就是最后的聚类结果)。
在实际应用中,k-medoids算法又称为中心点算法,即选用簇中位置最中心的样本点作为参照点,需要遍历簇中所有的点。其中,簇相当于类别。具体步骤为:1.步骤S3021中,从所有样本点n中任意选取k个点作为质点,n和k都是正整数,且k<n;2.步骤S3022中,按照与质点最近的原则,将剩余的n-k个样本点分配到当前最佳的质点代表的类别中;3.步骤S3023和步骤S3024中,对于第i个类别(i≤k)中除对应质点外的所有其他点,按照顺序计算当其为新的质点时,准则函数的值,遍历所有可能,选取准则函数值最小时对应的点作为新的质点;其中,准则函数的计算为现有技术;4.步骤S3025中,重复上述2、3的操作,直到所有的质点不再发生变化或已经达到设定的最大迭代次数。通过这种方式,可以减少离群点对聚类的影响,便于得到较好的聚类效果。
由上可知,本申请的脉力强弱判断方法,通过获取被测者的脉搏波;对脉搏波进行预处理以获取第一有效1/3波峰曲线;把第一有效1/3波峰曲线与预存的多个第二有效1/3波峰曲线进行聚类处理,以确定第一有效1/3波峰曲线的类别;基于预先确定的有效1/3波峰曲线类别与脉力强度等级的对应关系,根据第一有效1/3波峰曲线的类别确定被测者的脉搏波的脉力强度等级。本申请的脉力强弱判断方法,通过对波形的形状进行聚类处理,能够针对不同个体的多种类型脉搏波分别进行处理,并通过预先确定的有效1/3波峰曲线类别与脉力强度等级的对应关系找到对应的脉力类别从而判断脉力的强弱,方法便捷有效,为实现对脉力预测与人体生理病理信息准确、充分地分析提供预测方法。
请参照图2,图2是本申请一些实施方式中的脉力强弱判断装置,其中,包括以下模块:
第一获取模块201:用于获取被测者的脉搏波;
预处理模块202:用于对脉搏波进行预处理以获取第一有效1/3波峰曲线;
聚类模块203:用于把第一有效1/3波峰曲线与预存的多个第二有效1/3波峰曲线进行聚类处理,以确定第一有效1/3波峰曲线的类别;
确定模块204:基于预先确定的有效1/3波峰曲线类别与脉力强度等级的对应关系,根据第一有效1/3波峰曲线的类别确定被测者的脉搏波的脉力强度等级。
第一获取模块201中,脉搏波可以使用现有的智能中医仿生三部脉诊仪获取,具体需要先让中医专家对被测者寸口部位的关部脉位进行标记,再使用智能中医仿生三部脉诊仪,通过这种方式便于后续采集到准确的脉搏波。
预处理模块202中,可以利用现有的slidingMean算法拉平脉搏波,可去掉呼吸或其他噪声产生的基线漂移,便于识别脉搏波的峰值点和谷值点。有效1/3波峰曲线可以是在一个完整的波形中,假设该波形的总长度为L,峰值点的横坐标为M,那么可以在M-L/3和M+L/3的区间内任意截取一端长度为L/3的波形作为有效1/3波峰曲线。
聚类模块203中,聚类处理可以采用k-means、k-means++、bi-kmeans、kernel k-means等算法对多个有效1/3波峰曲线进行聚类。
确定模块204中,有效1/3波峰曲线类别与脉力强度等级的对应关系可根据以下过程预先确定:
首先,采集多个受试者的脉搏波,并由专家对各受试者的脉力进行打分(0-100分),根据专家对各受试者的脉力的打分进行脉力类别统计和各脉力分值的统计(经统计,根据脉力的打分可以把脉力类别分为12类,分别对应30、40、42、45、48、50、52、53、54、55、60、70共十二个脉力分值),对脉搏波进行预处理以获取第二有效1/3波峰曲线(具体过程参考预处理模块202),把第二有效1/3波峰曲线进行聚类处理(具体过程可参考聚类模块203),以把各第二有效1/3波峰曲线划分为多个有效1/3波峰曲线类别,然后根据各有效1/3波峰曲线类别中的第二有效1/3波峰曲线对应的脉力分值确定各有效1/3波峰曲线类别的脉力强度等级。
假设经过上述聚类模块203聚类之后的结果为两个类别,分别记为类别1和类别2,如图4所示,cluster1表示类别1对应的受试者的第二有效1/3波峰曲线占每个脉力分值的比例,cluster2表示类别2对应的受试者的第二有效1/3波峰曲线占每个脉力分值的比例,那么可以看出,cluster1中分值较大的占比较大,cluster2中分值较小的占比较大,可以认为cluster1的分值大于cluster2,即落入类别1对应的受试者脉力大于落入类别2对应的受试者脉力。然后将被测的两个第一有效1/3波峰曲线重新与多个第二有效1/3波峰曲线进行聚类分析,假设聚类分析之后,有一个第一有效1/3波峰曲线落在类别1中,另一个第一有效1/3波峰曲线落在类别2中,那么落入类别1的第一有效1/3波峰曲线的被测者的脉力大于落入类别2的第一有效1/3波峰曲线的被测者的脉力。当然不局限于上述的两个类别,若将多个第二有效1/3波峰曲线进行聚类之后的结果有两个类别以上的,那么可以分别记为类别A、类别B、类别C……,然后分别计算每个类别的分值,并按照分值大小给每个类别依次排序,然后再将多个被测的第一有效1/3波峰曲线重新与多个第二有效1/3波峰曲线进行聚类分析,最后根据每个第一有效1/3波峰曲线落入的类别和类别的排序来判断第一有效1/3波峰曲线对应的被测者的脉力。
本申请的脉力强弱判断装置,通过第一获取模块201获取被测者的脉搏波;预处理模块202对脉搏波进行预处理以获取第一有效1/3波峰曲线;聚类模块203把第一有效1/3波峰曲线与预存的多个第二有效1/3波峰曲线进行聚类处理,以确定第一有效1/3波峰曲线的类别;确定模块204基于预先确定的有效1/3波峰曲线类别与脉力强度等级的对应关系,根据第一有效1/3波峰曲线的类别确定被测者的脉搏波的脉力强度等级。本申请的脉力强弱判断装置,通过对波形的形状进行聚类处理,能够针对不同个体的多种类型脉搏波分别进行处理,并通过预先确定的有效1/3波峰曲线类别与脉力强度等级的对应关系找到对应的脉力类别从而判断脉力的强弱,便捷有效,为实现对脉力预测与人体生理病理信息准确、充分地分析提供预测方法。
在进一步的实施方式中,预处理模块202在对脉搏波进行预处理以获取第一有效1/3波峰曲线的时候,执行以下步骤:
S201.预设多个取脉压力,获取不同取脉压力下脉搏波的第一脉象数据;
S202.选取幅值最大的第一脉象数据作为第二脉象数据;
S203.利用峰谷识别算法,识别出第二脉象数据中的多个完整周期波形;
S204.采用三次样条插值法对第二脉象数据进行平滑处理;
S205.对多个完整周期波形进行相似性检测和平均处理,以获取周期平均波形;
S206.获取周期平均波形的峰值点;
S207.根据峰值点对周期平均波形进行截取,以获取第一有效1/3波峰曲线。
步骤S201中,可以先预设10个取脉压力分别为50g、70g、90g、110g、130g、150g、170g、190g、210g、230g,最后将这10个取脉压力下对应的第一脉象数据存储至数据库中,便于后续的脉象数据批量处理。
步骤S202中,如何比较脉象数据的幅值为公知常识。在实际应用中,脉象数据幅值越大,数据特征越清晰。
步骤S203中和步骤S204中,峰谷识别算法和三次样条插值法为现有技术,在此不再赘述。
步骤S205中,可以对第二脉象数据中的完整周期波形两两之间做相似性检测以得到完整周期波形两两之间的相似度距离,以其中一个完整周期波形为参照周期波形,把与该参照周期波形的相似度距离大于第一阈值的完整周期波形数据剔除,然后对剩余的完整周期波形进行平均处理得到周期平均波形。具体的,假设一共有完整周期波形A、B、C、D、E、F,那么可以随意找一个完整周期波形作为参照周期波形,例如选取完整周期波形B,并且根据需要设置一个第一阈值,将与完整周期波形B相似度距离为大于第一阈值的完整周期波形数据剔除,保留与完整周期波形B相似度距离为小于或等于第一阈值的完整周期波形,并将这些与完整周期波形B相似度距离为小于或等于第一阈值的完整周期波形进行平均处理得到周期平均波形。其中,相似性检测可以使用现有的DTW算法。其中,可以通过以下方式确定参照周期波形:依次以各完整周期波形为目标波形,统计与该目标波形的相似度距离大于第一阈值的其它完整周期波形的数量,记为不相似数量,以不相似数量最小的目标波形为参照周期波形。
在另一些优选的实施方式中,步骤S205包括:
S2051.预设样板波波形;
S2052.根据样板波波形对多个完整周期波形进行相似性检测,并对与样板波相似度较高的多个完整周期波形进行平均处理,以获取周期平均波形。
在实际应用中,由于第二脉象数据中的完整周期波形存在一定的不确定性,例如其中可能会存在一些叠加了抖动噪声的波形、数据丢包的波形和削波等异常波形,因此若随机选择其中一个完整周期波形作为参照可能会对后续结果产生一定影响,而设置样板波波形,可以避免以上问题产生,提高了准确性。具体地,步骤S2052中,先设置一个样板波作为目标波形和设置第二阈值,然后将第二脉象数据中的每个完整周期波形分别与样板波两两之间做相似性检测以得到样板波与每个完整周期波形之间的第二相似度距离,然后将第二相似度距离大于第二阈值的完整周期波形数据剔除,然后对剩余的完整周期波形进行平均处理得到周期平均波形。因此,通过对被测者的脉搏波使用平均法能够有效去除原始数据中异常点的干扰,利用DTW算法对异常波动数据进行剔除,并从剔除异常波动的原始数据中利用平均法获取单周期脉象数据,然后从单周期脉象数据中截取2/3峰值点高度的一段脉搏波数据,此数据包含了脉搏波的脉宽及脉搏幅值特征,也即为形状特征。通过这种方式,可以获得一段准确的第一有效1/3波峰曲线,进一步提高了判断的准确性。
在进一步的实施方式中,步骤S207包括:
S2071.获取峰值点的高度值,记为最大高度值;
S2072.在周期平均波形中,选取位于峰值点的左侧的高度值为2/3最大高度值的点作为第一截点,选取位于峰值点的右侧的高度值为2/3最大高度值的点作为第二截点;
S2073.根据第一截点和第二截点对周期平均波形进行截取,以获取第一有效1/3波峰曲线。
在实际应用中,首先找到周期平均波形的峰值点,识别并获取峰值点的高度值和位置,分别找到峰值点所在位置左右两侧某一数据点的幅值接近2/3高度值的点,即第一截点和第二截点,找到第一截点和第二截点后,截取这两个数据点间的所有数据点,实现数据截取操作,并保存所有被测者的此段脉搏波数据。通过这种截取方式,可以最大限度地保留脉搏波的形状特征。
在进一步的实施方式中,步骤S2073包括:
A1.获取第一有效1/3波峰曲线中的所有数据点的数据;
A2.对所有数据点的数据进行归一化操作。
其中,归一化操作为现有技术。通过这种数据处理方式,可以使得预处理的数据被限定在一定的范围内,从而消除奇异样本数据导致的不良影响。
在一些优选的实施方式中,聚类模块203在把第一有效1/3波峰曲线与预存的多个第二有效1/3波峰曲线进行聚类处理,以确定第一有效1/3波峰曲线的类别的时候,执行以下步骤:
S301.使用soft-DTW算法对第一有效1/3波峰曲线与多个第二有效1/3波峰曲线进行处理,以获取相似度距离矩阵,相似度矩阵包括多个样本点;
S302.基于k-medoids算法,对多个样本点进行聚类处理,以确定第一有效1/3波峰曲线的类别。
步骤S301中,soft-DTW算法是DTW算法的优化,具体的计算公式如下:
其中,表示相似度距离矩阵;和分别表示两个受试者的有效1/3波峰曲线的时间序列;是可微价函数;A表示两个受试者的有效1/3波峰曲线的时间序列之间的对齐矩阵;其中为平滑化系数,可根据需要进行设置;表示最小值函数。
通过这种计算方式,相比DTW算法,能够更准确计算两时间序列的相似程度。
在进一步的实施方式中,步骤S302包括:
S3021.选取k个样本点作为质点,k为预设的类别数量;
S3022.将剩余的样本点分配到以每个质点作为代表的类别中;
S3023.针对每个类别,遍历类别中的每个样本点,计算每个样本点作为质点时对应的准则函数值;
S3024.针对每个类别,选取准则函数值最小时对应的样本点替代原来的质点作为新的质点;
S3025.重复执行步骤S3022-步骤S3024,直到新的质点不再发生变化,即完成对多个样本点进行聚类处理(即在最后循环的步骤S3022的分配结果就是最后的聚类结果)。
在实际应用中,k-medoids算法又称为中心点算法,即选用簇中位置最中心的样本点作为参照点,需要遍历簇中所有的点。其中,簇相当于类别。具体步骤为:1.步骤S3021中,从所有样本点n中任意选取k个点作为质点,n和k都是正整数,且k<n;2.步骤S3022中,按照与质点最近的原则,将剩余的n-k个样本点分配到当前最佳的质点代表的类中;3.步骤S3023和步骤S3024中,对于第i个类(i≤k)中除对应质点外的所有其他点,按照顺序计算当其为新的质点时,准则函数的值,遍历所有可能,选取准则函数值最小时对应的点作为新的质点;其中,准则函数的计算为现有技术;4.步骤S3025中,重复上述2、3的操作,直到所有的质点不再发生变化或已经达到设定的最大迭代次数。通过这种方式,可以减少离群点对聚类的影响,便于得到较好的聚类效果。
请参照图3,图3为本申请实施方式提供的一种电子设备的结构示意图,本申请提供一种电子设备,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,当电子设备运行时,处理器301执行该计算机程序,以在执行时执行上述实施方式的任一可选的实现方式中的方法,以实现以下功能:获取被测者的脉搏波;对脉搏波进行预处理以获取第一有效1/3波峰曲线;把第一有效1/3波峰曲线与预存的多个第二有效1/3波峰曲线进行聚类处理,以确定第一有效1/3波峰曲线的类别;基于预先确定的有效1/3波峰曲线类别与脉力强度等级的对应关系,根据第一有效1/3波峰曲线的类别确定被测者的脉搏波的脉力强度等级。
本申请实施方式提供一种存储介质,其上存储有计算机程序,计算机程序被处理器执行时,执行上述实施方式的任一可选的实现方式中的方法,以实现以下功能:获取被测者的脉搏波;对脉搏波进行预处理以获取第一有效1/3波峰曲线;把第一有效1/3波峰曲线与预存的多个第二有效1/3波峰曲线进行聚类处理,以确定第一有效1/3波峰曲线的类别;基于预先确定的有效1/3波峰曲线类别与脉力强度等级的对应关系,根据第一有效1/3波峰曲线的类别确定被测者的脉搏波的脉力强度等级。其中,存储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 RandomAccess Memory, 简称SRAM),电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory, 简称EEPROM),可擦除可编程只读存储器(ErasableProgrammable 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方式中,应该理解到,所揭露系统和方法,可以通过其它的方式实现。以上所描述的系统实施方式仅仅是示意性的,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,系统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方式方案的目的。
再者,在本申请各个实施方式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方式而已,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)
1.一种脉力强弱判断方法,其特征在于,包括以下步骤:
S1.获取被测者的脉搏波;
S2.对所述脉搏波进行预处理以获取第一有效1/3波峰曲线;
S3.把所述第一有效1/3波峰曲线与预存的多个第二有效1/3波峰曲线进行聚类处理,以确定所述第一有效1/3波峰曲线的类别;
S4.基于预先确定的有效1/3波峰曲线类别与脉力强度等级的对应关系,根据所述第一有效1/3波峰曲线的类别确定所述被测者的脉搏波的脉力强度等级;
步骤S3包括:
S301.使用soft-DTW算法对所述第一有效1/3波峰曲线与多个所述第二有效1/3波峰曲线进行处理,以获取相似度距离矩阵,所述相似度距离矩阵包括多个样本点;
S302.基于k-medoids算法,对多个所述样本点进行聚类处理,以确定所述第一有效1/3波峰曲线的类别;
步骤S301中,soft-DTW算法的计算公式如下:
2.根据权利要求1所述的脉力强弱判断方法,其特征在于,步骤S2包括:
S201.预设多个取脉压力,获取不同所述取脉压力下所述脉搏波的第一脉象数据;
S202.选取幅值最大的所述第一脉象数据作为第二脉象数据;
S203.利用峰谷识别算法,识别出所述第二脉象数据中的多个完整周期波形;
S204.采用三次样条插值法对所述第二脉象数据进行平滑处理;
S205.对多个所述完整周期波形进行相似性检测和平均处理,以获取周期平均波形;
S206.获取所述周期平均波形的峰值点;
S207.根据所述峰值点对所述周期平均波形进行截取,以获取所述第一有效1/3波峰曲线。
3.根据权利要求2所述的脉力强弱判断方法,其特征在于,步骤S205包括:
S2051.预设样板波波形;
S2052.根据所述样板波波形对多个所述完整周期波形进行相似性检测,并对与样板波相似度较高的多个所述完整周期波形进行平均处理,以获取所述周期平均波形。
4.根据权利要求2所述的脉力强弱判断方法,其特征在于,步骤S207包括:
S2071.获取所述峰值点的高度值,记为最大高度值;
S2072.在所述周期平均波形中,选取位于所述峰值点的左侧的高度值为2/3最大高度值的点作为第一截点,选取位于所述峰值点的右侧的高度值为2/3最大高度值的点作为第二截点;
S2073.根据所述第一截点和所述第二截点对所述周期平均波形进行截取,以获取所述第一有效1/3波峰曲线。
5.根据权利要求4所述的脉力强弱判断方法,其特征在于,步骤S2073包括:
A1.获取所述第一有效1/3波峰曲线中的所有数据点的数据;
A2.对所有所述数据点的数据进行归一化操作。
6.根据权利要求1所述的脉力强弱判断方法,其特征在于,步骤S302包括:
S3021.选取k个所述样本点作为质点,k为预设的类别数量;
S3022.将剩余的所述样本点分配到以每个所述质点作为代表的类别中;
S3023.针对每个所述类别,遍历所述类别中的每个样本点,计算每个所述样本点作为质点时对应的准则函数值;
S3024.针对每个所述类别,选取所述准则函数值最小时对应的样本点替代原来的质点作为新的质点;
S3025.重复执行步骤S3022-步骤S3024,直到所述新的质点不再发生变化,即完成对多个所述样本点进行聚类处理。
7.一种脉力强弱判断装置,其特征在于,包括以下模块:
第一获取模块:用于获取被测者的脉搏波;
预处理模块:用于对所述脉搏波进行预处理以获取第一有效1/3波峰曲线;
聚类模块:用于把所述第一有效1/3波峰曲线与预存的多个第二有效1/3波峰曲线进行聚类处理,以确定所述第一有效1/3波峰曲线的类别;
确定模块:基于预先确定的有效1/3波峰曲线类别与脉力强度等级的对应关系,根据所述第一有效1/3波峰曲线的类别确定所述被测者的脉搏波的脉力强度等级;
聚类模块203在把第一有效1/3波峰曲线与预存的多个第二有效1/3波峰曲线进行聚类处理,以确定第一有效1/3波峰曲线的类别的时候,执行以下步骤:
S301.使用soft-DTW算法对第一有效1/3波峰曲线与多个第二有效1/3波峰曲线进行处理,以获取相似度距离矩阵,相似度矩阵包括多个样本点;
S302.基于k-medoids算法,对多个样本点进行聚类处理,以确定第一有效1/3波峰曲线的类别;
步骤S301中,soft-DTW算法的计算公式如下:
8.一种电子设备,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1-6任一项所述脉力强弱判断方法中的步骤。
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1-6任一项所述脉力强弱判断方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211174261.6A CN115251856B (zh) | 2022-09-26 | 2022-09-26 | 脉力强弱判断方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211174261.6A CN115251856B (zh) | 2022-09-26 | 2022-09-26 | 脉力强弱判断方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115251856A CN115251856A (zh) | 2022-11-01 |
CN115251856B true CN115251856B (zh) | 2022-12-27 |
Family
ID=83757832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211174261.6A Active CN115251856B (zh) | 2022-09-26 | 2022-09-26 | 脉力强弱判断方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115251856B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117582185B (zh) * | 2024-01-19 | 2024-05-07 | 季华实验室 | 一种基于cllsr混合模型的脉力等级预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103034837A (zh) * | 2011-09-30 | 2013-04-10 | Ge医疗系统环球技术有限公司 | 特征参数与脉象要素的关联 |
CN108670209A (zh) * | 2018-03-29 | 2018-10-19 | 中国科学院微电子研究所 | 一种自动识别中医脉象的方法和系统 |
KR20210073260A (ko) * | 2019-12-10 | 2021-06-18 | 한국 한의학 연구원 | 맥파 데이터를 이용한 맥파 특성 추론 방법 및 장치 |
CN114010168A (zh) * | 2022-01-05 | 2022-02-08 | 季华实验室 | 脉搏波处理方法、时域特征提取方法、装置、设备及介质 |
CN114626451A (zh) * | 2022-03-08 | 2022-06-14 | 哈尔滨理工大学 | 基于密度的数据预处理优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11406354B2 (en) * | 2016-12-06 | 2022-08-09 | Gerardo Rodriquez | Stand-alone continuous cardiac doppler and acoustic pulse monitoring patch with integral visual and auditory alerts, and patch-display system and method |
-
2022
- 2022-09-26 CN CN202211174261.6A patent/CN115251856B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103034837A (zh) * | 2011-09-30 | 2013-04-10 | Ge医疗系统环球技术有限公司 | 特征参数与脉象要素的关联 |
CN108670209A (zh) * | 2018-03-29 | 2018-10-19 | 中国科学院微电子研究所 | 一种自动识别中医脉象的方法和系统 |
KR20210073260A (ko) * | 2019-12-10 | 2021-06-18 | 한국 한의학 연구원 | 맥파 데이터를 이용한 맥파 특성 추론 방법 및 장치 |
CN114010168A (zh) * | 2022-01-05 | 2022-02-08 | 季华实验室 | 脉搏波处理方法、时域特征提取方法、装置、设备及介质 |
CN114626451A (zh) * | 2022-03-08 | 2022-06-14 | 哈尔滨理工大学 | 基于密度的数据预处理优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115251856A (zh) | 2022-11-01 |
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 | |
Rubin et al. | Recognizing abnormal heart sounds using deep learning | |
de Albuquerque et al. | Robust automated cardiac arrhythmia detection in ECG beat signals | |
CN110811609B (zh) | 基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测装置 | |
CN101815465B (zh) | 从心电图得出的呼吸暂停/呼吸减弱指数 | |
CN108596142B (zh) | 一种基于PCANet的心电特征提取方法 | |
CN110338786B (zh) | 一种癫痫样放电的识别与分类方法、系统、装置和介质 | |
EP2224346B1 (en) | Ecg signal analysis tool | |
Yean et al. | Analysis of the distance metrics of KNN classifier for EEG signal in stroke patients | |
do Vale Madeiro et al. | Evaluation of mathematical models for QRS feature extraction and QRS morphology classification in ECG signals | |
CN110786849B (zh) | 基于多视图鉴别分析的心电信号身份识别方法及系统 | |
CN110141218A (zh) | 一种心电信号分类方法、装置及程序产品、存储介质 | |
CN108154085B (zh) | 基于心电数据进行身份识别的方法、装置及电子设备 | |
US7636457B2 (en) | Systems and methods for assessing disorders affecting fine motor skills using handwriting recognition | |
CN115251856B (zh) | 脉力强弱判断方法、装置、电子设备及存储介质 | |
Alvarado-González et al. | P300 detection based on EEG shape features | |
Teodoro et al. | Feature selection for biometric recognition based on electrocardiogram signals | |
Sidek et al. | Enhancement of low sampling frequency recordings for ECG biometric matching using interpolation | |
Hadiyoso et al. | One-lead electrocardiogram for biometric authentication using time series analysis and Support Vector Machine | |
US11630512B2 (en) | Determination device, determination method, program, and information storage medium | |
Brás et al. | ECG biometric identification: A compression based approach | |
CN116028914B (zh) | 一种智能戒指身份认证方法及系统 | |
Hasni et al. | Analysis of electromyogram (EMG) for detection of neuromuscular disorders | |
Kouchaki et al. | ECG-based personal identification using empirical mode decomposition and Hilbert transform | |
JP2003310564A (ja) | 脳波自動解析装置および方法 |
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 |