CN116616727A - 一种脉搏定位、采集、分析方法及装置 - Google Patents

一种脉搏定位、采集、分析方法及装置 Download PDF

Info

Publication number
CN116616727A
CN116616727A CN202310661623.2A CN202310661623A CN116616727A CN 116616727 A CN116616727 A CN 116616727A CN 202310661623 A CN202310661623 A CN 202310661623A CN 116616727 A CN116616727 A CN 116616727A
Authority
CN
China
Prior art keywords
pulse
unit
collection
arm
collection unit
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
CN202310661623.2A
Other languages
English (en)
Inventor
唐延斌
龙子鑫
蒋鑫
谢子成
刘志成
孟祯
彭长虹
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.)
Hunan Jingkai Investment Management Co ltd
Original Assignee
Hunan Jingkai Investment Management Co ltd
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 Hunan Jingkai Investment Management Co ltd filed Critical Hunan Jingkai Investment Management Co ltd
Priority to CN202310661623.2A priority Critical patent/CN116616727A/zh
Priority to PCT/CN2023/099579 priority patent/WO2024250309A1/zh
Publication of CN116616727A publication Critical patent/CN116616727A/zh
Pending legal-status Critical Current

Links

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 for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
    • 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 alternative medicine, e.g. homeopathy or non-orthodox
    • 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
    • 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
    • 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
    • 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
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Heart & Thoracic Surgery (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Psychiatry (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Alternative & Traditional Medicine (AREA)
  • Cardiology (AREA)
  • Quality & Reliability (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种脉搏定位、采集、分析方法及装置。与现有技术相比，本发明通过第一位置、第二位置和第三位置作为先验知识来修正第一神经网络模型的预测结果，使得预测的寸、关、尺的位置更加准确可靠。通过设置多个一字型布置的采集子单元且使位于中心处的采集子单元与脉搏起伏最高时对应的位置对齐，使得采集单元采集得到的脉搏数据呈中间强两边依次减弱的趋势，从而保证训练集样本标准化，使得分类准确度有效提高。另一方面，多通道脉搏数据相对于单通道脉搏数据能提高预测的准确度，高斯混合模型特征的引入可进一步提高模型的准确度。

Description

一种脉搏定位、采集、分析方法及装置
技术领域
本发明涉及脉搏分析技术领域，具体涉及一种脉搏定位、采集、分析方法及装置。
背景技术
在心血管内的血液循环过程中，血液在心脏的收缩作用下从左心室涌入主动脉，使得动脉近端管壁扩张、内部压力升高；而当心室舒张时，射血活动暂时停止，动脉在血管弹性的作用下恢复收缩。在收缩舒张的过程中，血液在压力差的作用下以心脏为起点沿着血管快速向远端传播，使得远端动脉亦出现相似的搏动，形成脉搏波，该信号携带了大量与心血管状态相关的信息。在我国的传统中医诊断方法脉诊中，医师通过按压腕部桡动脉感受这种血管周期性的扩张变化，并将感受到的搏动形态分为不同脉象。脉象可以用来判断寒热虚实等疾病性质，也可以用来判断疾病预后，在中医中是辨识疾病的重要客观指标。
在传统中医里，医生使用手指触碰患者手腕处寸、关、尺进行诊脉操作。近年来，自动采集脉搏信号的仪器开始兴起，但现有脉搏采集仪大多采用手动确定脉搏采集点的方法，即先用手触碰找到脉搏搏动强烈的位置，再将传感器放上去，既不方便，也无法保证脉搏采集点定位的准确性。
发明内容
本申请通过提供一种脉搏定位、采集、分析方法及装置，解决了现有脉搏采集仪采用手动确定脉搏采集点的方法，即先用手触碰找到脉搏搏动强烈的位置，再将传感器放上去，既不方便，也无法保证脉搏采集点定位的准确性的问题。
为达到上述目的，本申请采用如下技术方案。
一种脉搏定位方法，包括如下步骤：
获取包含手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的目标图像；
基于目标图像中手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的位置，确定目标图像中的第一位置、第二位置和第三位置；其中，第一位置、第二位置和第三位置分别对应手臂上的寸、关、尺的位置；
将目标图像中手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的位置以及第一位置、第二位置和第三位置输入到预先训练好的第一神经网络模型中，输出得到预测的寸、关、尺的位置；其中，第一位置、第二位置和第三位置作为先验知识输入到第一神经网络模型中以指导第一神经网络模型的预测结果。
其中，第一位置的纵坐标为手腕横纹向手肘横纹方向移动一寸处，第三位置的纵坐标为手肘横纹向手腕横纹方向移动一尺处，第二位置的纵坐标为第一位置的纵坐标与第三位置的纵坐标的中点处，第一位置、第二位置和第三位置的横坐标均为手臂外侧轮廓线向手臂内侧轮廓线方向移动一厘米处。上述方法通过第一位置、第二位置和第三位置作为先验知识来修正第一神经网络模型的预测结果，使得预测的寸、关、尺的位置更加准确可靠，保证了脉搏采集点定位的准确性。
基于相同的发明构思，本发明还提供一种脉搏采集方法，包括如下步骤：
根据预测的寸、关、尺的位置确定寸与关、尺与关之间的距离，将第一采集单元与第二采集单元之间的距离调整为所述寸与关之间的距离，将第二采集单元与第三采集单元之间的距离调整为所述尺与关之间的距离；
以第一采集单元、第二采集单元和第三采集单元中任一采集单元为参考单元，令所述参考单元移动至对应的预测位置；
令参考单元以对应的预测位置为中心在预设范围内移动，确定脉搏起伏最高时对应的位置并将参考单元移动至该位置；
令脉搏采集单元进行脉搏采集以获取寸、关、尺三个部位的脉搏数据；
其中，所述预测的寸、关、尺的位置根据上述脉搏定位方法获得；所述脉搏采集单元包括第一采集单元、第二采集单元和第三采集单元，第一采集单元、第二采集单元和第三采集单元分别用于获取寸、关、尺三个部位的脉搏数据；所述第一采集单元、第二采集单元和第三采集单元位于同一条第一水平线，寸、关、尺三个部位于同一条第二水平线，所述第一水平线与所述第二水平线平行。
在一些实施例中，所述第一采集单元、第二采集单元和第三采集单元均包括多个一字型布置的采集子单元，所述参考单元中位于中心处的采集子单元以对应的预测位置为中心在预设范围内移动，确定脉搏起伏最高时对应的位置并将该采集子单元移动至该位置。通过设置多个一字型布置的采集子单元且使位于中心处的采集子单元与脉搏起伏最高时对应的位置对齐，使得采集单元采集得到的脉搏数据呈中间强两边依次减弱的趋势，从而保证训练集样本标准化，使得分类准确度有效提高。
由于浮中沉脉象是区分疾病的关键特征，在一些实施例中，所述脉搏数据包括脉搏采集单元与采集部位之间的压力分别为第一压力值、第二压力值和第三压力值时对应的脉搏波数据；其中第一压力值小于第二压力值，第二压力值小于第三压力值，从而区分中医的浮中沉脉象。
在一些实施例中，该方法还包括获取脉搏采集单元与采集部位之间的压力分别为第一压力值、第二压力值和第三压力值时对应的脉搏宽度的步骤。由于不同人体的脉搏宽度不一样，脉搏的宽度特征也是区分疾病的重要特征，因此有效的算出人体的脉搏宽度可以进一步提高预测的准确度。
基于相同的发明构思，本发明还提供一种脉搏分析方法，包括如下步骤：
获取脉搏数据的频域特征、时域特征和高斯混合模型特征；其中所述高斯混合模型特征为高斯混合模型中每个高斯分布函数的权重、均值和协方差矩阵；
将脉搏数据的频域特征、时域特征、高斯混合模型特征和脉搏宽度输入预先训练好的第二神经网络模型中，输出得到预测的脉象分类结果；
其中，所述脉搏数据和脉搏宽度由上述脉搏采集方法获。
脉搏数据是由第一采集单元、第二采集单元和第三采集单元中多个一字型布置的采集子单元采集得到，这种多通道脉搏数据相对于单通道脉搏数据能提高预测的准确度。另一方面，高斯混合模型特征的引入可进一步提高模型的准确度。
基于相同的发明构思，本发明还提供一种脉搏定位装置，包括图像采集装置和定位单元；所述图像采集装置用于获取包含手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的目标图像；
所述定位单元用于：
基于目标图像中手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的位置，确定目标图像中的第一位置、第二位置和第三位置；其中，第一位置、第二位置和第三位置分别对应手臂上的寸、关、尺的位置；
将目标图像中手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的位置以及第一位置、第二位置和第三位置输入到预先训练好的第一神经网络模型中，输出得到预测的寸、关、尺的位置；其中，第一位置、第二位置和第三位置作为先验知识输入到第一神经网络模型中以指导第一神经网络模型的预测结果。
基于相同的发明构思，本发明还提供一种脉搏采集装置，包括上述脉搏定位装置，还包括底座、机械臂和控制单元；所述机械臂安装在底座的一端，所述底座的另一端设有与手臂形状相匹配的凹槽；所述机械臂的末端设有脉搏采集单元和所述图像采集装置；
所述脉搏采集单元包括第一采集单元、第二采集单元和第三采集单元，第一采集单元、第二采集单元和第三采集单元分别用于获取寸、关、尺三个部位的脉搏数据；所述第一采集单元、第二采集单元和第三采集单元位于同一条第一水平线，寸、关、尺三个部位于同一条第二水平线，所述第一水平线与所述第二水平线平行；
所述控制单元用于：
根据预测的寸、关、尺的位置确定寸与关、尺与关之间的距离，将第一采集单元与第二采集单元之间的距离调整为所述寸与关之间的距离，将第二采集单元与第三采集单元之间的距离调整为所述尺与关之间的距离；
以第一采集单元、第二采集单元和第三采集单元中任一采集单元为参考单元，令所述参考单元移动至对应的预测位置；
令参考单元以对应的预测位置为中心在预设范围内移动，确定脉搏起伏最高时对应的位置并将参考单元移动至该位置；
令脉搏采集单元进行脉搏采集以获取寸、关、尺三个部位的脉搏数据。
在一些实施例中，所述第一采集单元、第二采集单元和第三采集单元均包括多个一字型布置的采集子单元；所述控制单元用于令所述参考单元中位于中心处的采集子单元以对应的预测位置为中心在预设范围内移动，确定脉搏起伏最高时对应的位置并将该采集子单元移动至该位置。
在一些实施例中，所述脉搏数据包括脉搏采集单元与采集部位之间的压力分别为第一压力值、第二压力值和第三压力值时对应的脉搏波数据；其中第一压力值小于第二压力值，第二压力值小于第三压力值。
在一些实施例中，所述脉搏数据还包括脉搏采集单元与采集部位之间的压力分别为第一压力值、第二压力值和第三压力值时对应的脉搏宽度。
基于相同的发明构思，本发明还提供一种脉搏分析装置，包括上述的脉搏采集装置，还包括分析单元，用于获取脉搏数据的频域特征、时域特征和高斯混合模型特征，将脉搏数据的频域特征、时域特征、高斯混合模型特征和脉搏宽度输入预先训练好的第二神经网络模型中，输出得到预测的脉象分类结果；
其中，所述高斯混合模型特征为高斯混合模型中每个高斯分布函数的权重、均值和协方差矩阵；脉搏宽度为脉搏采集单元与采集部位之间的压力分别为第一压力值、第二压力值和第三压力值时对应的脉搏宽度。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
1、通过第一位置、第二位置和第三位置作为先验知识来修正第一神经网络模型的预测结果，使得预测的寸、关、尺的位置更加准确可靠。
2通过设置多个一字型布置的采集子单元且使位于中心处的采集子单元与脉搏起伏最高时对应的位置对齐，使得采集单元采集得到的脉搏数据呈中间强两边依次减弱的趋势，从而保证训练集样本标准化，使得分类准确度有效提高。
3、多通道脉搏数据相对于单通道脉搏数据能提高预测的准确度。
4、高斯混合模型特征的引入可进一步提高模型的准确度。
附图说明
图1为本申请一实施例中一种脉搏定位方法的流程示意图；
图2为本申请一实施例中目标图像的示意图；
图3为本申请一实施例中一种脉搏采集方法的流程示意图；
图4为本申请一实施例中一种脉搏分析方法的流程示意图；
图5为本申请一实施例中脉搏的原始信号和去噪后重构信号的对比图；
图6为本申请一实施例中脉搏波的示意图；
图7为本申请一实施例中一种脉搏采集装置的结构示意图；
图8为本申请一实施例中脉搏采集单元的结构示意图；
图9为本申请一实施例中第一采集单元的结构示意图。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
如图7所示，像素坐标系的原点可以设置在相机像素点的中心，X轴正向为原点沿着机械臂往图片内的方向，Y轴正向为与X轴垂直且往图片内的方向。世界坐标系的原点与像素坐标系的原点重合，X、Y轴方向也一致，Z轴正向为垂直向上。
实施例一
参见图1，一种脉搏定位方法，包括如下步骤：
S1、获取包含手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的目标图像(如图2所示)。
需要说明的是，获取目标图像之前需要对相机进行标定，得到将像素坐标系转换为世界坐标系的转换矩阵。优先地，相机到手臂之间的距离为固定值且相机的拍摄角度固定(垂直于手臂放置的平面)。获取目标图像之后，可以对目标图像进行预处理，进行图像去噪、平滑和增强操作，然后使用机器学习算法(比如可以是HOG+SVM)来检测图像中的手臂。一旦检测到手臂，使用形态学操作进一步提取目标图像中的手臂轮廓。
S2、基于目标图像中手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的位置，确定目标图像中的第一位置、第二位置和第三位置；其中，第一位置、第二位置和第三位置分别对应手臂上的寸、关、尺的位置。
对于提取到的目标图像中的手臂轮廓，可以采用边缘检测算法(如Canny)和分割算法(如GrabCut)来找到手臂的边缘，使用霍夫变换算法来检测手臂的线条轮廓，找到目标图像中手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的位置(即世界坐标系下的坐标值，可根据像素坐标系下的坐标值通过转换矩阵得到)。然后就可以根据手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的位置确定第一位置、第二位置和第三位置：第一位置的纵坐标为手腕横纹向手肘横纹方向移动一寸处，第三位置的纵坐标为手肘横纹向手腕横纹方向移动一尺处，第二位置的纵坐标为第一位置的纵坐标与第三位置的纵坐标的中点处，第一位置、第二位置和第三位置的横坐标均为手臂外侧轮廓线向手臂内侧轮廓线方向移动一厘米处。优选地，还可以进一步获取手臂平行面到像素平行面的距离，即相机到手臂的距离。
S3、将目标图像中手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的位置以及第一位置、第二位置和第三位置输入到预先训练好的第一神经网络模型中，输出得到预测的寸、关、尺的位置；其中，第一位置、第二位置和第三位置作为先验知识输入到第一神经网络模型中以指导第一神经网络模型的预测结果。需要说明的是，步骤S3中的所有位置数据均为世界坐标系下的坐标值。
第一神经网络模型的训练过程如下：
收集数据集：收集手臂图像样本(1w以上)，在手臂图像上标注脉搏位置，即寸、关、尺的实际位置。
划分数据集合，将数据集划分位训练集和测试集合，其中训练集70％，测试集30％。
对于训练集的每一个图像，将提取到的手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的位置以及第一位置、第二位置和第三位置作为特征输入，运行第一神经网络模型进行目标检测，并将检测结果与标注结果进行比较，计算损失函数，并使用方向传播算法跟新模型参数。
对测试集的每个图像，运行目标检测神经网络模型进行目标检测，并计算模型的精度，召回率等指标。
依据测试集的精度调整模型参数，主要包括调估计位置距离手腕横纹、手肘横纹、手臂内侧轮廓线的相对位置，调整损失函数等使得测试集测输精度达到96％以上则对模型进行定型。
Loss＝λ1×Errp+λ2×Errg
其中，Loss为损失函数，Errp为定位误差项，Errg为区域约束项，λ1、λ2分别为定位误差项和区域约束项的权重系数；
Errp＝(xpre-xrea)2+(ypre-yrea)2，其中(xpre,ypre)为预测位置(即第一神经网络模型的预测位置)的横纵坐标值，(xrea,yrea)为实际位置的横纵坐标值。
Errg＝(xpre-xg)2+(ypre-yg)2，其中(xg,yg)为估计位置(即第一位置、第二位置和第三位置)的横纵坐标值。
实施例二
参见图3，一种脉搏采集方法，包括如下步骤：
S1、获取包含手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的目标图像(如图2所示)。需要说明的是，获取目标图像之前需要对相机进行标定，得到将像素坐标系转换为世界坐标系的转换矩阵。优先地，相机到手臂之间的距离为固定值且相机的拍摄角度固定(垂直于手臂放置的平面)。获取目标图像之后，可以对目标图像进行预处理，进行图像去噪、平滑和增强操作，然后使用机器学习算法(比如可以是HOG+SVM)来检测图像中的手臂。一旦检测到手臂，使用形态学操作进一步提取目标图像中的手臂轮廓。
S2、基于目标图像中手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的位置，确定目标图像中的第一位置、第二位置和第三位置；其中，第一位置、第二位置和第三位置分别对应手臂上的寸、关、尺的位置。
对于提取到的目标图像中的手臂轮廓，可以采用边缘检测算法(如Canny)和分割算法(如GrabCut)来找到手臂的边缘，使用霍夫变换算法来检测手臂的线条轮廓，找到目标图像中手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的位置(即世界坐标系下的坐标值，可根据像素坐标系下的坐标值通过转换矩阵得到)。然后就可以根据手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的位置确定第一位置、第二位置和第三位置：第一位置的纵坐标为手腕横纹向手肘横纹方向移动一寸处，第三位置的纵坐标为手肘横纹向手腕横纹方向移动一尺处，第二位置的纵坐标为第一位置的纵坐标与第三位置的纵坐标的中点处，第一位置、第二位置和第三位置的横坐标均为手臂外侧轮廓线向手臂内侧轮廓线方向移动一厘米处。优选地，还可以进一步获取手臂平行面到像素平行面的距离，即相机到手臂的距离。
S3、将目标图像中手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的位置以及第一位置、第二位置和第三位置输入到预先训练好的第一神经网络模型中，输出得到预测的寸、关、尺的位置；其中，第一位置、第二位置和第三位置作为先验知识输入到第一神经网络模型中以指导第一神经网络模型的预测结果。需要说明的是，步骤S3中的所有位置数据均为世界坐标系下的坐标值。
第一神经网络模型的训练过程如下：
收集数据集：收集手臂图像样本(1w以上)，在手臂图像上标注脉搏位置，即寸、关、尺的实际位置。
划分数据集合，将数据集划分位训练集和测试集合，其中训练集70％，测试集30％。
对于训练集的每一个图像，将提取到的手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的位置以及第一位置、第二位置和第三位置作为特征输入，运行第一神经网络模型进行目标检测，并将检测结果与标注结果进行比较，计算损失函数，并使用方向传播算法跟新模型参数。
对测试集的每个图像，运行目标检测神经网络模型进行目标检测，并计算模型的精度，召回率等指标。
依据测试集的精度调整模型参数，主要包括调估计位置距离手腕横纹、手肘横纹、手臂内侧轮廓线的相对位置，调整损失函数等使得测试集测输精度达到96％以上则对模型进行定型。
Loss＝λ1×Errp+λ2×Errf
其中，Loss为损失函数，Errp为定位误差项，Errf为区域约束项，λ1、λ2分别为定位误差项和区域约束项的权重系数；
Errp＝(xpre-xrea)2+(ypre-yrea)2，其中(xpre,ypre)为预测位置(即第一神经网络模型的预测位置)的横纵坐标值，(xrea,yrea)为实际位置的横纵坐标值。
Errg＝(xpre-xg)2+(ypre-yg)2，其中(xg,yg)为估计位置(即第一位置、第二位置和第三位置)的横纵坐标值。
S4、根据预测的寸、关、尺的位置确定寸与关、尺与关之间的距离，将第一采集单元与第二采集单元之间的距离调整为所述寸与关之间的距离，将第二采集单元与第三采集单元之间的距离调整为所述尺与关之间的距离；
S5、以第一采集单元、第二采集单元和第三采集单元中任一采集单元为参考单元，令所述参考单元移动至对应的预测位置；
S6、令参考单元以对应的预测位置为中心在预设范围内移动，确定脉搏起伏最高时对应的位置并将参考单元移动至该位置；具体地，脉搏采集单元可以以当前位置为中心在直径为2cm-4cm的范围内以1mm的精度进行上下左右微调来确定脉搏起伏最高时对应的位置；
S7、令脉搏采集单元进行脉搏采集以获取寸、关、尺三个部位的脉搏数据和脉搏宽度。
其中，脉搏采集单元包括第一采集单元、第二采集单元和第三采集单元，第一采集单元、第二采集单元和第三采集单元分别用于获取寸、关、尺三个部位的脉搏数据；所述第一采集单元、第二采集单元和第三采集单元位于同一条第一水平线，寸、关、尺三个部位于同一条第二水平线，所述第一水平线与所述第二水平线平行。脉搏数据包括脉搏采集单元与采集部位之间的压力分别为第一压力值、第二压力值和第三压力值时对应的脉搏波数据其中第一压力值小于第二压力值，第二压力值小于第三压力值。脉搏宽度为脉搏采集单元与采集部位之间的压力分别为第一压力值、第二压力值和第三压力值时对应的脉搏宽度。
优选地，第一采集单元、第二采集单元和第三采集单元均包括多个一字型布置的采集子单元，所述参考单元中位于中心处的采集子单元以对应的预测位置为中心在预设范围内移动，确定脉搏起伏最高时对应的位置并将该采集子单元移动至该位置。
实施例三
参见图4，一种脉搏分析方法，包括如下步骤：
S1、获取包含手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的目标图像(如图2所示)。需要说明的是，获取目标图像之前需要对相机进行标定，得到将像素坐标系转换为世界坐标系的转换矩阵。优先地，相机到手臂之间的距离为固定值且相机的拍摄角度固定(垂直于手臂放置的平面)。获取目标图像之后，可以对目标图像进行预处理，进行图像去噪、平滑和增强操作，然后使用机器学习算法(比如可以是HOG+SVM)来检测图像中的手臂。一旦检测到手臂，使用形态学操作进一步提取目标图像中的手臂轮廓。
S2、基于目标图像中手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的位置，确定目标图像中的第一位置、第二位置和第三位置；其中，第一位置、第二位置和第三位置分别对应手臂上的寸、关、尺的位置。
对于提取到的目标图像中的手臂轮廓，可以采用边缘检测算法(如Canny)和分割算法(如GrabCut)来找到手臂的边缘，使用霍夫变换算法来检测手臂的线条轮廓，找到目标图像中手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的位置(即世界坐标系下的坐标值，可根据像素坐标系下的坐标值通过转换矩阵得到)。然后就可以根据手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的位置确定第一位置、第二位置和第三位置：第一位置的纵坐标为手腕横纹向手肘横纹方向移动一寸处，第三位置的纵坐标为手肘横纹向手腕横纹方向移动一尺处，第二位置的纵坐标为第一位置的纵坐标与第三位置的纵坐标的中点处，第一位置、第二位置和第三位置的横坐标均为手臂外侧轮廓线向手臂内侧轮廓线方向移动一厘米处。优选地，还可以进一步获取手臂平行面到像素平行面的距离，即相机到手臂的距离。
S3、将目标图像中手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的位置以及第一位置、第二位置和第三位置输入到预先训练好的第一神经网络模型中，输出得到预测的寸、关、尺的位置；其中，第一位置、第二位置和第三位置作为先验知识输入到第一神经网络模型中以指导第一神经网络模型的预测结果。需要说明的是，步骤S3中的所有位置数据均为世界坐标系下的坐标值。
第一神经网络模型的训练过程如下：
收集数据集：收集手臂图像样本(1w以上)，在手臂图像上标注脉搏位置，即寸、关、尺的实际位置。
划分数据集合，将数据集划分位训练集和测试集合，其中训练集70％，测试集30％。
对于训练集的每一个图像，将提取到的手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的位置以及第一位置、第二位置和第三位置作为特征输入，运行第一神经网络模型进行目标检测，并将检测结果与标注结果进行比较，计算损失函数，并使用方向传播算法跟新模型参数。
对测试集的每个图像，运行目标检测神经网络模型进行目标检测，并计算模型的精度，召回率等指标。
依据测试集的精度调整模型参数，主要包括调估计位置距离手腕横纹、手肘横纹、手臂内侧轮廓线的相对位置，调整损失函数等使得测试集测输精度达到96％以上则对模型进行定型。
Loss＝λ1×Errp+λ2×Errf
其中，Loss为损失函数，Errp为定位误差项，Errf为区域约束项，λ1、λ2分别为定位误差项和区域约束项的权重系数；
Errp＝(xpre-xrea)2+(ypre-yrea)2，其中(xpre,ypre)为预测位置(即第一神经网络模型的预测位置)的横纵坐标值，(xrea,yrea)为实际位置的横纵坐标值。
Errg＝(xpre-xg)2+(ypre-yg)2，其中(xg,yg)为估计位置(即第一位置、第二位置和第三位置)的横纵坐标值。
S4、根据预测的寸、关、尺的位置确定寸与关、尺与关之间的距离，将第一采集单元与第二采集单元之间的距离调整为所述寸与关之间的距离，将第二采集单元与第三采集单元之间的距离调整为所述尺与关之间的距离；
S5、以第一采集单元、第二采集单元和第三采集单元中任一采集单元为参考单元，令所述参考单元移动至对应的预测位置；
S6、令参考单元以对应的预测位置为中心在预设范围内移动，确定脉搏起伏最高时对应的位置并将参考单元移动至该位置；具体地，脉搏采集单元可以以当前位置为中心在直径为2cm-4cm的范围内以1mm的精度进行上下左右微调来确定脉搏起伏最高时对应的位置；
S7、令脉搏采集单元进行脉搏采集以获取寸、关、尺三个部位的脉搏数据和脉搏宽度。
其中，脉搏采集单元包括第一采集单元、第二采集单元和第三采集单元，第一采集单元、第二采集单元和第三采集单元分别用于获取寸、关、尺三个部位的脉搏数据；所述第一采集单元、第二采集单元和第三采集单元位于同一条第一水平线，寸、关、尺三个部位于同一条第二水平线，所述第一水平线与所述第二水平线平行。脉搏数据包括脉搏采集单元与采集部位之间的压力分别为第一压力值、第二压力值和第三压力值时对应的脉搏波数据其中第一压力值小于第二压力值，第二压力值小于第三压力值。脉搏宽度为采集脉搏采集单元与采集部位之间的压力分别为第一压力值、第二压力值和第三压力值时对应的脉搏宽度。
优选地，第一采集单元、第二采集单元和第三采集单元均包括多个一字型布置的采集子单元，所述参考单元中位于中心处的采集子单元以对应的预测位置为中心在预设范围内移动，确定脉搏起伏最高时对应的位置并将该采集子单元移动至该位置。
S8、获取脉搏数据的频域特征、时域特征和高斯混合模型特征，并采用主成分分析法剔除冗余的频域特征、时域特征和高斯混合模型特征；其中所述高斯混合模型特征为高斯混合模型中每个高斯分布函数的权重、均值和协方差矩阵。
需要说明的是，脉搏数据为经预处理后的数据。比如可以采用小波变换进行预处理，具体步骤为：将原始信号进行多尺度小波分解，根据得到的高频细节分量和低频近似分量进行阈值量化处理，再经小波重构得到去噪后的信号。图5为原始信号和去噪后重构信号的对比图。
脉搏信号数据经过预处理后，对每个样本经过重采样和平均后的单周期脉象信号进行时域特征提取。如图6所示，时域特征包括6个幅值比例特征(h2/h1(降支波高度/主波高度)，h3/h1(潮波高度/主波高度)，h4/h1(降中峡高度/主波高度)，h5/h1(重博波高度/主波高度)以及主波高度2/3处的横坐标宽度w)，6个时间比例特征(t1(主波时间)/T，t2(降支波时间)/T，t3(潮波时间)/T，t4(降中峡时间)/T，t5(重博波时间)/T)，还有脉搏压力的均值、方差、均方根以及偏度，波形因子，峰值因子，脉冲因子，裕度因子，时域共20个时域特征。
频域特征需要从滤波后的多周期信号中提取，对重构之后的脉搏信号序列进行功率谱估计，提取的频域特征包括频率最大值，频域方差，频域极差，整流平均值(信号绝对值积分的平均值)，频域偏度，频域均方根共6个频域特征。
单周期脉搏波可以建模为高斯混合信号，假设单周期脉搏波数据集为X＝x1，x2，x3，...xN，单周期脉搏波有2个高斯分布，每个高斯分布的参数为θk＝(πk，μk，∑k)，其中πk是该高斯分布的权重(满足)，μk是该高斯分布的均值，∑k是该高斯分布的协方差矩阵。
则对于每个样本xi，它对第k个高斯分布的响应度为：
其中，N(x|μ，∑)是多维高斯分布的概率密度函数，表示x在均值为μ，协方差矩阵为∑的高斯分布中的概率密度值。
根据上述响应度，可以计算出每个高斯分布的新的高斯权重、高斯均值和高斯协方差矩阵：
1.高斯权重πk的估计值为：
即为每个样本xi对第K个高斯分布的响应度的平均值。
2.高斯均值μk的估计值为：
即为每个样本xi乘上它对第K个高斯分布的响应度的权重后的加权平均值。
3.高斯协方差矩阵∑k的估计值为：
即为每个样本xi减去对应的均值μk后再乘以它对第K个高斯分布的响应度的权重后的加权协方差矩阵。
用二个高斯函数即可对单周期脉搏波形建模，包括高斯权重，高斯均值，高斯协方差共6个高斯混合模型参数特征。
S9、将脉搏数据的频域特征、时域特征、高斯混合模型特征和脉搏宽度输入预先训练好的第二神经网络模型中，即可输出得到预测的脉象分类结果。
第二神经网络模型的训练过程如下：
获取脉搏样本数据集，脉搏样本数据集也是经预处理后的数据集，预处理的方法与脉搏数据集的预处理方法一致。脉搏样本数据集应囊括所有脉象的数据，每种脉象对应的样本数量不低于一千人。
对脉搏样本数据集进行脉象标注得到脉象分类(脉象类别包括浮、沉、迟、数、滑、涩、虚、实、长、短、洪、微、紧、缓、弦、芤、革、牢、濡、弱、散、细、伏、动、促、结、代、大共28种脉象)，将脉搏样本数据集分为训练集和测试集，获取训练集和测试集中每个脉搏样本数据的频域特征、时域特征和高斯混合模型特征，并采用主成分分析法剔除冗余的频域特征、时域特征和高斯混合模型。
利用训练集中所有脉搏样本数据的频域特征、时域特征、高斯混合模型特征和脉搏宽度对神经网络模型进行训练，利用测试集中所有脉搏样本数据的频域特征、时域特征、高斯混合模型特征和脉搏宽度对神经网络模型的准确度进行评估，得到训练好的第二神经网络模型。对神经网络模型的准确度进行评估时，利用Adam优化器根据神经网络模型的损失函数梯度的一阶矩和二阶矩估计来更新神经网络模型的参数，直至准确度达到预设阈值(比如可以是95％)。
实施例四
一种脉搏定位装置，包括图像采集装置和定位单元。
所述图像采集装置用于获取包含手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的目标图像。需要说明的是，获取目标图像之前需要对图像采集装置(可以是tof相机或双目相机)进行标定，得到将像素坐标系转换为世界坐标系的转换矩阵。优先地，图像采集装置到手臂之间的距离为固定值且图像采集装置的拍摄角度固定(垂直于手臂放置的平面)。获取目标图像之后，可以对目标图像进行预处理，进行图像去噪、平滑和增强操作，然后使用机器学习算法(比如可以是HOG+SVM)来检测图像中的手臂。一旦检测到手臂，使用形态学操作进一步提取目标图像中的手臂轮廓。
所述定位单元用于：
基于目标图像中手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的位置，确定目标图像中的第一位置、第二位置和第三位置；其中，第一位置、第二位置和第三位置分别对应手臂上的寸、关、尺的位置。
对于提取到的目标图像中的手臂轮廓，可以采用边缘检测算法(如Canny)和分割算法(如GrabCut)来找到手臂的边缘，使用霍夫变换算法来检测手臂的线条轮廓，找到目标图像中手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的位置(即世界坐标系下的坐标值，可根据像素坐标系下的坐标值通过转换矩阵得到)。然后就可以根据手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的位置确定第一位置、第二位置和第三位置：第一位置的纵坐标为手腕横纹向手肘横纹方向移动一寸处，第三位置的纵坐标为手肘横纹向手腕横纹方向移动一尺处，第二位置的纵坐标为第一位置的纵坐标与第三位置的纵坐标的中点处，第一位置、第二位置和第三位置的横坐标均为手臂外侧轮廓线向手臂内侧轮廓线方向移动一厘米处。优选地，还可以进一步获取手臂平行面到像素平行面的距离，即相机到手臂的距离。定位单元还用于：
将目标图像中手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的位置以及第一位置、第二位置和第三位置输入到预先训练好的第一神经网络模型中，输出得到预测的寸、关、尺的位置；其中，第一位置、第二位置和第三位置作为先验知识输入到第一神经网络模型中以指导第一神经网络模型的预测结果。需要说明的是，上述所有位置数据均为世界坐标系下的坐标值。
第一神经网络模型的训练过程如下：
收集数据集：收集手臂图像样本(1w以上)，在手臂图像上标注脉搏位置，即寸、关、尺的实际位置。
划分数据集合，将数据集划分位训练集和测试集合，其中训练集70％，测试集30％。
对于训练集的每一个图像，将提取到的手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的位置以及第一位置、第二位置和第三位置作为特征输入，运行第一神经网络模型进行目标检测，并将检测结果与标注结果进行比较，计算损失函数，并使用方向传播算法跟新模型参数。
对测试集的每个图像，运行目标检测神经网络模型进行目标检测，并计算模型的精度，召回率等指标。
依据测试集的精度调整模型参数，主要包括调估计位置距离手腕横纹、手肘横纹、手臂内侧轮廓线的相对位置，调整损失函数等使得测试集测输精度达到96％以上则对模型进行定型。
Loss＝λ1×Errp+λ2×Errf
其中，Loss为损失函数，Errp为定位误差项，Errf为区域约束项，λ1、λ2分别为定位误差项和区域约束项的权重系数；
Errp＝(xpre-xrea)2+(ypre-yrea)2，其中(xpre,ypre)为预测位置(即第一神经网络模型的预测位置)的横纵坐标值，(xrea,yrea)为实际位置的横纵坐标值。
Errg＝(xpre-xg)2+(ypre-yg)2，其中(xg,yg)为估计位置(即第一位置、第二位置和第三位置)的横纵坐标值。
实施例五
如图7-图9所示，一种脉搏采集装置，包括底座1、机械臂2、图像采集装置3、脉搏采集单元4、定位单元和控制单元。机械臂2安装在底座1的一端，所述底座1的另一端设有与手臂形状相匹配的凹槽11。所述机械臂2的末端设有图像采集装置3和脉搏采集单元4。其中，图像采集装置3用于获取包含手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的目标图像。脉搏采集单元4用于获取脉搏数据。
其中，脉搏采集单元包括第一采集单元41、第二采集单元42和第三采集单元43，第一采集单元41、第二采集单元42和第三采集单元43分别用于获取寸、关、尺三个部位的脉搏数据；所述第一采集单元41、第二采集单元42和第三采集单元43位于同一条第一水平线，寸、关、尺三个部位于同一条第二水平线，所述第一水平线与所述第二水平线平行。
优选地，第一采集单元41、第二采集单元42和第三采集单元43均包括多个一字型布置的采集子单元44，第二采集单元42中位于中心处的采集子单元44以对应的预测位置为中心在预设范围内移动，确定脉搏起伏最高时对应的位置并将该采集子单元移动至该位置。具体地，采集子单元44的数量为七个，七个采集子单元44呈直线分布，构成一个采集单元，然后三个采集单元并列布置构成脉搏采集单元4。
需要说明的是，获取目标图像之前需要对图像采集装置3(可以是tof相机或双目相机)进行标定，得到将像素坐标系转换为世界坐标系的转换矩阵。优先地，图像采集装置3到手臂之间的距离为固定值且图像采集装置3的拍摄角度固定(垂直于手臂放置的平面)。获取目标图像之后，可以对目标图像进行预处理，进行图像去噪、平滑和增强操作，然后使用机器学习算法(比如可以是HOG+SVM)来检测图像中的手臂。一旦检测到手臂，使用形态学操作进一步提取目标图像中的手臂轮廓。
定位单元用于：
基于目标图像中手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的位置，确定目标图像中的第一位置、第二位置和第三位置；其中，第一位置、第二位置和第三位置分别对应手臂上的寸、关、尺的位置。
对于提取到的目标图像中的手臂轮廓，可以采用边缘检测算法(如Canny)和分割算法(如GrabCut)来找到手臂的边缘，使用霍夫变换算法来检测手臂的线条轮廓，找到目标图像中手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的位置(即世界坐标系下的坐标值，可根据像素坐标系下的坐标值通过转换矩阵得到)。然后就可以根据手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的位置确定第一位置、第二位置和第三位置：第一位置的纵坐标为手腕横纹向手肘横纹方向移动一寸处，第三位置的纵坐标为手肘横纹向手腕横纹方向移动一尺处，第二位置的纵坐标为第一位置的纵坐标与第三位置的纵坐标的中点处，第一位置、第二位置和第三位置的横坐标均为手臂外侧轮廓线向手臂内侧轮廓线方向移动一厘米处。优选地，还可以进一步获取手臂平行面到像素平行面的距离，即相机到手臂的距离。定位单元还用于：
将目标图像中手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的位置以及第一位置、第二位置和第三位置输入到预先训练好的第一神经网络模型中，输出得到预测的寸、关、尺的位置；其中，第一位置、第二位置和第三位置作为先验知识输入到第一神经网络模型中以指导第一神经网络模型的预测结果。需要说明的是，上述所有位置数据均为世界坐标系下的坐标值。
第一神经网络模型的训练过程如下：
收集数据集：收集手臂图像样本(1w以上)，在手臂图像上标注脉搏位置，即寸、关、尺的实际位置。
划分数据集合，将数据集划分位训练集和测试集合，其中训练集70％，测试集30％。
对于训练集的每一个图像，将提取到的手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的位置以及第一位置、第二位置和第三位置作为特征输入，运行第一神经网络模型进行目标检测，并将检测结果与标注结果进行比较，计算损失函数，并使用方向传播算法跟新模型参数。
对测试集的每个图像，运行目标检测神经网络模型进行目标检测，并计算模型的精度，召回率等指标。
依据测试集的精度调整模型参数，主要包括调估计位置距离手腕横纹、手肘横纹、手臂内侧轮廓线的相对位置，调整损失函数等使得测试集测输精度达到96％以上则对模型进行定型。
Loss＝λ1×Errp+λ2×Errf
其中，Loss为损失函数，Errp为定位误差项，Errf为区域约束项，λ1、λ2分别为定位误差项和区域约束项的权重系数；
Errp＝(xpre-xrea)2+(ypre-yrea)2，其中(xpre,ypre)为预测位置(即第一神经网络模型的预测位置)的横纵坐标值，(xrea,yrea)为实际位置的横纵坐标值。
Errg＝(xpre-xg)2+(ypre-yg)2，其中(xg,yg)为估计位置(即第一位置、第二位置和第三位置)的横纵坐标值。
控制单元用于：
根据预测的寸、关、尺的位置确定寸与关、尺与关之间的距离，将第一采集单元与第二采集单元之间的距离调整为所述寸与关之间的距离，将第二采集单元与第三采集单元之间的距离调整为所述尺与关之间的距离；
以第一采集单元、第二采集单元和第三采集单元中任一采集单元为参考单元，令所述参考单元移动至对应的预测位置；本实施例中，以第二采集单元为参考单元；
令参考单元以对应的预测位置为中心在预设范围内移动，确定脉搏起伏最高时对应的位置并将参考单元移动至该位置；具体地，脉搏采集单元可以以当前位置为中心在直径为2cm-4cm的范围内以1mm的精度进行上下左右微调来确定脉搏起伏最高时对应的位置；
令脉搏采集单元进行脉搏采集以获取寸、关、尺三个部位的脉搏数据和脉搏宽度。
其中，脉搏数据包括脉搏采集单元与采集部位之间的压力分别为第一压力值、第二压力值和第三压力值时对应的脉搏波数据其中第一压力值小于第二压力值，第二压力值小于第三压力值。脉搏宽度为采集脉搏采集单元与采集部位之间的压力分别为第一压力值、第二压力值和第三压力值时对应的脉搏宽度。
实施例六
如图7-图9所示，一种脉搏分析装置，包括底座1、机械臂2、图像采集装置3、脉搏采集单元4、定位单元、控制单元和分析单元。机械臂2安装在底座1的一端，所述底座1的另一端设有与手臂形状相匹配的凹槽11。所述机械臂2的末端设有图像采集装置3和脉搏采集单元4。其中，图像采集装置3用于获取包含手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的目标图像。脉搏采集单元4用于获取脉搏数据。
其中，脉搏采集单元包括第一采集单元41、第二采集单元42和第三采集单元43，第一采集单元41、第二采集单元42和第三采集单元43分别用于获取寸、关、尺三个部位的脉搏数据；所述第一采集单元41、第二采集单元42和第三采集单元43位于同一条第一水平线，寸、关、尺三个部位于同一条第二水平线，所述第一水平线与所述第二水平线平行。
优选地，第一采集单元41、第二采集单元42和第三采集单元43均包括多个一字型布置的采集子单元44，第二采集单元42中位于中心处的采集子单元44以对应的预测位置为中心在预设范围内移动，确定脉搏起伏最高时对应的位置并将该采集子单元移动至该位置。具体地，采集子单元44的数量为七个，七个采集子单元44呈直线分布，构成一个采集单元，然后三个采集单元并列布置构成脉搏采集单元4。
图像采集装置3用于获取包含手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的目标图像。需要说明的是，获取目标图像之前需要对图像采集装置3(可以是tof相机或双目相机)进行标定，得到将像素坐标系转换为世界坐标系的转换矩阵。优先地，图像采集装置3到手臂之间的距离为固定值且图像采集装置3的拍摄角度固定(垂直于手臂放置的平面)。获取目标图像之后，可以对目标图像进行预处理，进行图像去噪、平滑和增强操作，然后使用机器学习算法(比如可以是HOG+SVM)来检测图像中的手臂。一旦检测到手臂，使用形态学操作进一步提取目标图像中的手臂轮廓。
定位单元用于：
基于目标图像中手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的位置，确定目标图像中的第一位置、第二位置和第三位置；其中，第一位置、第二位置和第三位置分别对应手臂上的寸、关、尺的位置。
对于提取到的目标图像中的手臂轮廓，可以采用边缘检测算法(如Canny)和分割算法(如GrabCut)来找到手臂的边缘，使用霍夫变换算法来检测手臂的线条轮廓，找到目标图像中手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的位置(即世界坐标系下的坐标值，可根据像素坐标系下的坐标值通过转换矩阵得到)。然后就可以根据手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的位置确定第一位置、第二位置和第三位置：第一位置的纵坐标为手腕横纹向手肘横纹方向移动一寸处，第三位置的纵坐标为手肘横纹向手腕横纹方向移动一尺处，第二位置的纵坐标为第一位置的纵坐标与第三位置的纵坐标的中点处，第一位置、第二位置和第三位置的横坐标均为手臂外侧轮廓线向手臂内侧轮廓线方向移动一厘米处。优选地，还可以进一步获取手臂平行面到像素平行面的距离，即相机到手臂的距离。定位单元还用于：
将目标图像中手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的位置以及第一位置、第二位置和第三位置输入到预先训练好的第一神经网络模型中，输出得到预测的寸、关、尺的位置；其中，第一位置、第二位置和第三位置作为先验知识输入到第一神经网络模型中以指导第一神经网络模型的预测结果。需要说明的是，上述所有位置数据均为世界坐标系下的坐标值。
第一神经网络模型的训练过程如下：
收集数据集：收集手臂图像样本(1w以上)，在手臂图像上标注脉搏位置，即寸、关、尺的实际位置。
划分数据集合，将数据集划分位训练集和测试集合，其中训练集70％，测试集30％。
对于训练集的每一个图像，将提取到的手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的位置以及第一位置、第二位置和第三位置作为特征输入，运行第一神经网络模型进行目标检测，并将检测结果与标注结果进行比较，计算损失函数，并使用方向传播算法跟新模型参数。
对测试集的每个图像，运行目标检测神经网络模型进行目标检测，并计算模型的精度，召回率等指标。
依据测试集的精度调整模型参数，主要包括调估计位置距离手腕横纹、手肘横纹、手臂内侧轮廓线的相对位置，调整损失函数等使得测试集测输精度达到96％以上则对模型进行定型。
Loss＝λ1×Errp+λ2×Errf
其中，Loss为损失函数，Errp为定位误差项，Errf为区域约束项，λ1、λ2分别为定位误差项和区域约束项的权重系数；
Errp＝(xpre-xrea)2+(ypre-yrea)2，其中(xpre,ypre)为预测位置(即第一神经网络模型的预测位置)的横纵坐标值，(xrea,yrea)为实际位置的横纵坐标值。
Errg＝(xpre-xg)2+(ypre-yg)2，其中(xg,yg)为估计位置(即第一位置、第二位置和第三位置)的横纵坐标值。
控制单元用于：
根据预测的寸、关、尺的位置确定寸与关、尺与关之间的距离，将第一采集单元与第二采集单元之间的距离调整为所述寸与关之间的距离，将第二采集单元与第三采集单元之间的距离调整为所述尺与关之间的距离；
以第一采集单元、第二采集单元和第三采集单元中任一采集单元为参考单元，令所述参考单元移动至对应的预测位置；本实施例中，以第二采集单元为参考单元；
令参考单元以对应的预测位置为中心在预设范围内移动，确定脉搏起伏最高时对应的位置并将参考单元移动至该位置；具体地，脉搏采集单元可以以当前位置为中心在直径为2cm-4cm的范围内以1mm的精度进行上下左右微调来确定脉搏起伏最高时对应的位置；
令脉搏采集单元进行脉搏采集以获取寸、关、尺三个部位的脉搏数据和脉搏宽度。
脉搏数据包括脉搏采集单元与采集部位之间的压力分别为第一压力值、第二压力值和第三压力值时对应的脉搏波数据其中第一压力值小于第二压力值，第二压力值小于第三压力值。脉搏宽度为采集脉搏采集单元与采集部位之间的压力分别为第一压力值、第二压力值和第三压力值时对应的脉搏宽度。
分析单元接收到脉搏采集单元发送过来的脉搏数据后，获取脉搏数据的频域特征、时域特征和高斯混合模型特征，采用主成分分析法剔除冗余的频域特征、时域特征和高斯混合模型特征，将脉搏数据的频域特征、时域特征、高斯混合模型特征和脉搏宽度输入预先训练好的第二神经网络模型中，输出得到预测的脉象分类结果。其中所述高斯混合模型特征为高斯混合模型中每个高斯分布函数的权重、均值和协方差矩阵。
需要说明的是，脉搏数据集为经预处理后的数据集。比如可以采用小波变换进行预处理，具体步骤为：将原始信号进行多尺度小波分解，根据得到的高频细节分量和低频近似分量进行阈值量化处理，再经小波重构得到去噪后的信号。图5为原始信号和去噪后重构信号的对比图。
脉搏信号数据经过预处理后，对每个样本经过重采样和平均后的单周期脉象信号进行时域特征提取。如图6所示，时域特征包括6个幅值比例特征(h2/h1(降支波高度/主波高度)，h3/h1(潮波高度/主波高度)，h4/h1(降中峡高度/主波高度)，h5/h1(重博波高度/主波高度)以及主波高度2/3处的横坐标宽度w)，6个时间比例特征(t1(主波时间)/T，t2(降支波时间)/T，t3(潮波时间)/T，t4(降中峡时间)/T，t5(重博波时间)/T)，还有脉搏压力的均值、方差、均方根以及偏度，波形因子，峰值因子，脉冲因子，裕度因子，时域共20个时域特征。
频域特征需要从滤波后的多周期信号中提取，对重构之后的脉搏信号序列进行功率谱估计，提取的频域特征包括频率最大值，频域方差，频域极差，整流平均值(信号绝对值积分的平均值)，频域偏度，频域均方根共6个频域特征。
单周期脉搏波可以建模为高斯混合信号，假设单周期脉搏波数据集为X＝x1，x2，x3，...xN，单周期脉搏波有2个高斯分布，每个高斯分布的参数为θk＝(πk，μk，∑k)，其中πk是该高斯分布的权重(满足)，μk是该高斯分布的均值，∑k是该高斯分布的协方差矩阵。
则对于每个样本xi，它对第k个高斯分布的响应度为：
其中，N(x|μ，∑)是多维高斯分布的概率密度函数，表示x在均值为μ，协方差矩阵为∑的高斯分布中的概率密度值。
根据上述响应度，可以计算出每个高斯分布的新的高斯权重、高斯均值和高斯协方差矩阵：
1.高斯权重πk的估计值为：
即为每个样本xi对第K个高斯分布的响应度的平均值。
2.高斯均值μk的估计值为：
即为每个样本xi乘上它对第K个高斯分布的响应度的权重后的加权平均值。
3.高斯协方差矩阵∑k的估计值为：
即为每个样本xi减去对应的均值μk后再乘以它对第K个高斯分布的响应度的权重后的加权协方差矩阵。
用二个高斯函数即可对单周期脉搏波形建模，包括高斯权重，高斯均值，高斯协方差共6个高斯混合模型参数特征。
第二神经网络模型的训练过程如下：
获取脉搏样本数据集，脉搏样本数据集也是经预处理后的数据集，预处理的方法与脉搏数据集的预处理方法一致。脉搏样本数据集应囊括所有脉象的数据，每种脉象对应的样本数量不低于一千人。
对脉搏样本数据集进行脉象标注得到脉象分类(脉象类别包括浮、沉、迟、数、滑、涩、虚、实、长、短、洪、微、紧、缓、弦、芤、革、牢、濡、弱、散、细、伏、动、促、结、代、大共28种脉象)，将脉搏样本数据集分为训练集和测试集，获取训练集和测试集中每个脉搏样本数据的频域特征、时域特征和高斯混合模型特征，并采用主成分分析法剔除冗余的频域特征、时域特征和高斯混合模型。
利用训练集中所有脉搏样本数据的频域特征、时域特征、高斯混合模型特征和脉搏宽度对神经网络模型进行训练，利用测试集中所有脉搏样本数据的频域特征、时域特征、高斯混合模型特征和脉搏宽度对神经网络模型的准确度进行评估，得到训练好的第二神经网络模型。对神经网络模型的准确度进行评估时，利用Adam优化器根据神经网络模型的损失函数梯度的一阶矩和二阶矩估计来更新神经网络模型的参数，直至准确度达到预设阈值(比如可以是95％)。
最后应说明的是：以上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精神和范围。

Claims (11)

1.一种脉搏定位方法，包括如下步骤：
获取包含手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的目标图像；
基于目标图像中手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的位置，确定目标图像中的第一位置、第二位置和第三位置；其中，第一位置、第二位置和第三位置分别对应手臂上的寸、关、尺的位置；
将目标图像中手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的位置以及第一位置、第二位置和第三位置输入到预先训练好的第一神经网络模型中，输出得到预测的寸、关、尺的位置；其中，第一位置、第二位置和第三位置作为先验知识输入到第一神经网络模型中以指导第一神经网络模型的预测结果。
2.一种脉搏采集方法，包括如下步骤：
根据预测的寸、关、尺的位置确定寸与关、尺与关之间的距离，将第一采集单元与第二采集单元之间的距离调整为所述寸与关之间的距离，将第二采集单元与第三采集单元之间的距离调整为所述尺与关之间的距离；
以第一采集单元、第二采集单元和第三采集单元中任一采集单元为参考单元，令所述参考单元移动至对应的预测位置；
令参考单元以对应的预测位置为中心在预设范围内移动，确定脉搏起伏最高时对应的位置并将参考单元移动至该位置；
令脉搏采集单元进行脉搏采集以获取寸、关、尺三个部位的脉搏数据；
其中，所述预测的寸、关、尺的位置根据权利要求1所述的脉搏定位方法获得；所述脉搏采集单元包括第一采集单元、第二采集单元和第三采集单元，第一采集单元、第二采集单元和第三采集单元分别用于获取寸、关、尺三个部位的脉搏数据；所述第一采集单元、第二采集单元和第三采集单元位于同一条第一水平线，寸、关、尺三个部位于同一条第二水平线，所述第一水平线与所述第二水平线平行。
3.根据权利要求2所述的脉搏采集方法，其特征在于：所述第一采集单元、第二采集单元和第三采集单元均包括多个一字型布置的采集子单元，所述参考单元中位于中心处的采集子单元以对应的预测位置为中心在预设范围内移动，确定脉搏起伏最高时对应的位置并将该采集子单元移动至该位置。
4.根据权利要求3所述的脉搏采集方法，其特征在于：所述脉搏数据包括脉搏采集单元与采集部位之间的压力分别为第一压力值、第二压力值和第三压力值时对应的脉搏波数据；其中第一压力值小于第二压力值，第二压力值小于第三压力值。
5.根据权利要求2-4所述的脉搏采集方法，其特征在于：该方法还包括获取脉搏采集单元与采集部位之间的压力分别为第一压力值、第二压力值和第三压力值时对应的脉搏宽度的步骤。
6.一种脉搏分析方法，包括如下步骤：
获取脉搏数据的频域特征、时域特征和高斯混合模型特征；其中所述高斯混合模型特征为高斯混合模型中每个高斯分布函数的权重、均值和协方差矩阵；
将脉搏数据的频域特征、时域特征、高斯混合模型特征和脉搏宽度输入预先训练好的第二神经网络模型中，输出得到预测的脉象分类结果；
其中，所述脉搏数据和脉搏宽度由权利要求5所述的脉搏采集方法获得。
7.一种脉搏定位装置，其特征在于：包括图像采集装置和定位单元；
所述图像采集装置用于获取包含手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的目标图像；
所述定位单元用于：
基于目标图像中手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的位置，确定目标图像中的第一位置、第二位置和第三位置；其中，第一位置、第二位置和第三位置分别对应手臂上的寸、关、尺的位置；
将目标图像中手腕横纹、手肘横纹、手臂内侧轮廓线和手臂外侧轮廓线的位置以及第一位置、第二位置和第三位置输入到预先训练好的第一神经网络模型中，输出得到预测的寸、关、尺的位置；其中，第一位置、第二位置和第三位置作为先验知识输入到第一神经网络模型中以指导第一神经网络模型的预测结果。
8.一种脉搏采集装置，包括如权利要求7所述的脉搏定位装置，其特征在于，还包括底座、机械臂和控制单元；所述机械臂安装在底座的一端，所述底座的另一端设有与手臂形状相匹配的凹槽；所述机械臂的末端设有脉搏采集单元和所述图像采集装置；
所述脉搏采集单元包括第一采集单元、第二采集单元和第三采集单元，第一采集单元、第二采集单元和第三采集单元分别用于获取寸、关、尺三个部位的脉搏数据；所述第一采集单元、第二采集单元和第三采集单元位于同一条第一水平线，寸、关、尺三个部位于同一条第二水平线，所述第一水平线与所述第二水平线平行；
所述控制单元用于：
根据预测的寸、关、尺的位置确定寸与关、尺与关之间的距离，将第一采集单元与第二采集单元之间的距离调整为所述寸与关之间的距离，将第二采集单元与第三采集单元之间的距离调整为所述尺与关之间的距离；
以第一采集单元、第二采集单元和第三采集单元中任一采集单元为参考单元，令所述参考单元移动至对应的预测位置；
令参考单元以对应的预测位置为中心在预设范围内移动，确定脉搏起伏最高时对应的位置并将参考单元移动至该位置；
令脉搏采集单元进行脉搏采集以获取寸、关、尺三个部位的脉搏数据。
9.根据权利要求8所述的脉搏采集装置，其特征在于：所述第一采集单元、第二采集单元和第三采集单元均包括多个一字型布置的采集子单元；所述控制单元用于令所述参考单元中位于中心处的采集子单元以对应的预测位置为中心在预设范围内移动，确定脉搏起伏最高时对应的位置并将该采集子单元移动至该位置。
10.根据权利要求9所述的脉搏采集装置，其特征在于：所述脉搏数据包括脉搏采集单元与采集部位之间的压力分别为第一压力值、第二压力值和第三压力值时对应的脉搏波数据；其中第一压力值小于第二压力值，第二压力值小于第三压力值。
11.一种脉搏分析装置，包括如权利要求10所述的脉搏采集装置，其特征在于：还包括分析单元，用于获取脉搏数据的频域特征、时域特征和高斯混合模型特征，将脉搏数据的频域特征、时域特征、高斯混合模型特征和脉搏宽度输入预先训练好的第二神经网络模型中，输出得到预测的脉象分类结果；
其中，所述高斯混合模型特征为高斯混合模型中每个高斯分布函数的权重、均值和协方差矩阵；脉搏宽度为脉搏采集单元与采集部位之间的压力分别为第一压力值、第二压力值和第三压力值时对应的脉搏宽度。
CN202310661623.2A 2023-06-06 2023-06-06 一种脉搏定位、采集、分析方法及装置 Pending CN116616727A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202310661623.2A CN116616727A (zh) 2023-06-06 2023-06-06 一种脉搏定位、采集、分析方法及装置
PCT/CN2023/099579 WO2024250309A1 (zh) 2023-06-06 2023-06-12 一种脉搏定位、采集、分析方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310661623.2A CN116616727A (zh) 2023-06-06 2023-06-06 一种脉搏定位、采集、分析方法及装置

Publications (1)

Publication Number Publication Date
CN116616727A true CN116616727A (zh) 2023-08-22

Family

ID=87602427

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310661623.2A Pending CN116616727A (zh) 2023-06-06 2023-06-06 一种脉搏定位、采集、分析方法及装置

Country Status (2)

Country Link
CN (1) CN116616727A (zh)
WO (1) WO2024250309A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024250308A1 (zh) * 2023-06-06 2024-12-12 湖南敬凯投资管理有限公司 一种脉搏分析方法及装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101049247A (zh) * 2006-04-06 2007-10-10 香港理工大学 中医脉象传感器、三部九候脉象检测仪及脉象检测方法
CN106510654A (zh) * 2016-11-22 2017-03-22 瑙ｆ袱 一种诊脉仪的定位方法和系统
CN107007269A (zh) * 2017-04-24 2017-08-04 北京诺道认知医学科技有限公司 一种脉诊仪和脉象信息收集方法
CN108420412A (zh) * 2018-03-29 2018-08-21 上海大学 一种基于灵巧手的脉搏信息采集系统
CN109272510A (zh) * 2018-07-24 2019-01-25 清华大学 一种三维医学图像中管状结构的分割方法
CN110200601A (zh) * 2019-06-17 2019-09-06 广东工业大学 一种脉象获取装置及系统
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
CN113724203A (zh) * 2021-08-03 2021-11-30 唯智医疗科技(佛山)有限公司 一种oct图像中目标特征的分割方法及装置
CN113892919A (zh) * 2021-12-09 2022-01-07 季华实验室 诊脉数据获取方法、装置、电子设备及系统
CN114947850A (zh) * 2022-05-12 2022-08-30 华南理工大学 基于脉搏波高斯模型特征的脑力负荷等级客观检测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101049247A (zh) * 2006-04-06 2007-10-10 香港理工大学 中医脉象传感器、三部九候脉象检测仪及脉象检测方法
CN106510654A (zh) * 2016-11-22 2017-03-22 瑙ｆ袱 一种诊脉仪的定位方法和系统
CN107007269A (zh) * 2017-04-24 2017-08-04 北京诺道认知医学科技有限公司 一种脉诊仪和脉象信息收集方法
CN108420412A (zh) * 2018-03-29 2018-08-21 上海大学 一种基于灵巧手的脉搏信息采集系统
CN109272510A (zh) * 2018-07-24 2019-01-25 清华大学 一种三维医学图像中管状结构的分割方法
CN110200601A (zh) * 2019-06-17 2019-09-06 广东工业大学 一种脉象获取装置及系统
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
CN113724203A (zh) * 2021-08-03 2021-11-30 唯智医疗科技(佛山)有限公司 一种oct图像中目标特征的分割方法及装置
CN113892919A (zh) * 2021-12-09 2022-01-07 季华实验室 诊脉数据获取方法、装置、电子设备及系统
CN114947850A (zh) * 2022-05-12 2022-08-30 华南理工大学 基于脉搏波高斯模型特征的脑力负荷等级客观检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
（战国）秦越人原著: "《图解黄帝八十一难经 回归中医养生之道》", 30 April 2008, 海口：南海出版公司, pages: 42 - 43 *
ALEXANDER WOYCZYK 等: "Adaptive Gaussian Mixture Model Driven Level Set Segmentation for Remote Pulse Rate Detection", IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS, vol. 25, no. 5, 31 May 2021 (2021-05-31), pages 1362 - 1363 *
张诗雨 等: "一种基于随机森林的脉象信号特征降维与分类研究", 世界科学技术-中医药现代化, 17 August 2020 (2020-08-17), pages 2418 *
彭涛: "脉象信号分析与中医脉象证型识别研究", 中国优秀硕士学位论文全文数据库（电子期刊） 医药卫生科技辑, no. 11, 15 November 2008 (2008-11-15), pages 32 - 34 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024250308A1 (zh) * 2023-06-06 2024-12-12 湖南敬凯投资管理有限公司 一种脉搏分析方法及装置

Also Published As

Publication number Publication date
WO2024250309A1 (zh) 2024-12-12

Similar Documents

Publication Publication Date Title
CN115089139B (zh) 结合生物特征识别的个性化生理参数测量方法
CN113558584B (zh) 一种基于信号质量评估的脉搏波预处理方法
CN111914925B (zh) 一种基于深度学习的患者行为多模态感知与分析系统
Gil et al. Statistical strategy for anisotropic adventitia modelling in IVUS
CN110276271A (zh) 融合ippg和深度信息抗噪声干扰的非接触心率估计法
CN108492300A (zh) 管状结构增强与能量函数结合的肺部血管树分割方法
CN110111386B (zh) 一种肌肉组织中结构性角度的自动测量方法及系统
CN113171062A (zh) 识别寸、关、尺的方法、终端、系统、介质及计算机设备
CN106846330A (zh) 人体肝脏特征建模及血管模型空间归一方法
CN119138895B (zh) 高精度自动静脉采血系统及方法
CN117558428B (zh) 一种用于肝脏mri的成像优化方法及系统
CN116616727A (zh) 一种脉搏定位、采集、分析方法及装置
CN116746888A (zh) 一种基于lstm模型的中医脉象识别方法及系统
CN110276772B (zh) 一种肌肉组织中结构要素的自动定位方法及系统
CN113570545A (zh) 一种视觉识别疼痛分级评估的方法
US12131476B2 (en) System and method for estimating motion of target inside tissue based on surface deformation of soft tissue
CN110215232A (zh) 基于目标检测算法的冠状动脉血管内超声斑块分析方法
CN118633910A (zh) 一种基于独立成分分析的心磁信号自动降噪方法
CN115147364B (zh) 一种适用于测量人眼睫状肌和巩膜结构多指标的方法
WO2024250308A1 (zh) 一种脉搏分析方法及装置
CN114569116B (zh) 基于三通道图像及迁移学习的心冲击图室颤辅助诊断系统
CN110610502A (zh) 一种基于ct图像的主动脉弓部区域自动定位分割方法
Wang et al. Segmentation of intravascular ultrasound images based on convex–concave adjustment in extreme regions
CN112085711B (zh) 采用卷积神经网络与卡尔曼滤波相结合自动追踪肌肉羽状角的方法
El-Fegh et al. Automated 2-D cephalometric analysis of X-ray by image registration approach based on least square approximator

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