特征參數與脈象要素的關聯制造技術

本發明專利技術提供特征參數與脈象要素的關聯，屬于中醫脈象量化技術領域。該特征參數與脈象要素的關聯方法中，包括步驟：計算脈搏每個特征參數的重要度；按重要度對特征參數進行排序；基于人工神經網絡對訓練樣本集的脈搏波信號進行學習；利用測試樣本集對所述人工神經網絡進行測試，并計算得出對測試樣本集關于該脈象要素判斷脈象的第一分類準確率；去除所述重要度排序相對最低的特征參數后，計算得出對測試樣本集關于該脈象要素判斷脈象的第二分類準確率；基于第一分類準確率和第二分類準確率之間的差值判斷，實現特征參數與所述脈象要素的關聯選取。該關聯方法可以準確獲取中醫中的每個脈象要素與相應特征參數的對應關系。

【技術實現步驟摘要】
特征參數與脈象要素的關聯
本專利技術屬于中醫脈象量化
，涉及利用計算機技術實現脈象的特征參數與脈象要素的關聯選定。
技術介紹
脈診是根據“脈象”觀察、判斷病癥情況的一種診斷方法，它是中醫的基本技術，也是中醫臨床不可缺少的診察步驟和內容。脈診之所以重要，就是由于脈象能傳遞機體各部分的生理病理信息，是窺視體內功能變化的窗口，可為診斷病證提供重要依據。傳統的中醫脈診是完全依賴于醫生的經驗，醫生通過感知脈搏搏動，獲取病人的脈象信息實現疾病診斷，其經驗程度要求較高、并且主觀性相對較強。因此，近年來，為實現中醫脈診技術的廣泛化、規范化、客觀化應用，推出了中醫脈診儀器設備，其利用信號采集裝置從病人采集反映脈象的脈搏波信號，并且進一步利用信號分析處理技術、圖像處理技術等對脈搏波信號進行分析，為脈象的判斷提供客觀的數據信息，從而為脈診創造便利條件。其中，脈象要素是指脈象的基本組成部分，其一般地包括“位、數、形、勢”等四個方面，病脈是基于脈象的“位、數、形、勢”四個方面來分類，例如，按脈位可以分為浮脈、沉脈，按脈形可以分為洪脈、細脈、長脈、短脈等，按脈數可以分為促脈、結脈、代脈等，按脈勢可以分為實脈、虛脈、澀脈等。因此，在脈診過程中，需要按照脈象要素來判斷病脈的類型。在中醫脈診儀器設備中，脈象要素的判斷是需要通過相應脈搏波的特征參數的具體量化來實現；而許多特征參數中，每個特征參數對于每個脈象要素（脈象中有多個脈象要素）的判斷的重要度可能是不同的；因此，在對應于某一個脈象要素的脈象判斷時，需要從多個特征參數中選取其中有利于脈象判斷的特征參數，也即實現脈象要素與特征參數的對應關聯。有鑒于此，脈象要素與特征參數的準確關聯是利用計算機圖像識別技術進行脈診的關鍵技術之一。
技術實現思路
本專利技術的目的在于，準確實現特征參數與脈象要素之間的關聯。為實現以上目的或者其它目的，本專利技術提供以下技術方案。按照本專利技術的一方面，提供一種特征參數與脈象要素的關聯方法，其包括以下步驟：按規則計算脈搏波信號的每個特征參數的重要度；按所述重要度的大小對特征參數進行由高到低的相應排序；基于人工神經網絡對訓練樣本集的脈搏波信號進行學習；利用測試樣本集的脈搏波信號對所述人工神經網絡進行測試，并計算得出對所述測試樣本集關于該脈象要素判斷脈象的第一分類準確率；去除所述重要度排序相對最低的特征參數后，計算得出對所述測試樣本集關于該脈象要素判斷脈象的第二分類準確率；以及判斷所述第一分類準確率和第二分類準確率之間的差值的絕對值是否小于預定閾值，如果判斷為“是”，進而返回至所述去除步驟，直至判斷為“否”，如果判斷為“否”，則選擇該特征參數以及排序高于該特征參數的其它特征參數與所述脈象要素相關聯。按照本專利技術提供的關聯方法，其中，所述規則可以為基于互信息、基于判別式分析或者基于多層感知器的特征排序方法。按照本專利技術提供的關聯方法的一實施例，其中，所述基于判別式分析的特征排序方法中的判別式函數為：其中，并且，其中，Sw是類內協方差矩陣，Sb是類間協方差矩陣，mj是第j類訓練樣本的均值，m是所有訓練樣本的均值，Pj是訓練樣本屬于第j類訓練樣本的概率，Nj是第j類訓練樣本的總數，代表矩陣Sb的跡與對角線上第i個元素的差，代表矩陣Sw的跡與對角線上第i個元素的差，i和j為不超過特征維數的正整數。按照本專利技術提供的關聯方法的又一較佳實施例，其中，所述特征參數通過以下方法過程獲取：獲取一段包括一個周期以上的脈搏波信號；確定所述脈搏波信號中的所有主峰點；依據每個主峰點確定相應的每個脈搏波信號周期的起始點，以實現所述脈搏波信號的周期分割；依據微積分理論確定所述脈搏波信號周期中的所有可能極值點；去除所述可能極值點中的干擾極值點以精確得到所述脈搏波信號周期信號中的特征點；以及依據所述特征點的信息獲取特征參數。在之前所述的實施例中，優選地，所述去除干擾極值點的過程包括：依據所述起始點計算每個脈搏波信號周期的平均周期；判斷任意相鄰的第一可能極值點和第二可能極值點之間的幅度差是否小于或等于特定幅度閾值，若判斷為“是”，則將第一可能極值點和第二可能極值點中的幅度較小的一個作為干擾極值點被去除；和/或判斷任意相鄰的第一可能極值點和第二可能極值點之間的時間差是否小于或等于特定時間閾值，若判斷為“是”，則合并第一可能極值點和第二可能極值點為一個可能極值點以實現所述干擾極值點的去除；和將剩余的可能極值點進行直方圖統計，利用聚類分析法將直方圖劃分為若干區域，若某一區域內的所述可能極值點的數目小于第一數值時，則該區域內的相應所述可能極值點作為干擾極值點被去除。在之前所述的實施例中，優選地，在所述直方圖統計并去除干擾極值點之后，還包括步驟：判斷一個脈搏波信號周期內的剩余的可能極值點的數目是否大于10，如果大于10，則去除該脈搏波信號周期。在之前所述的實施例中，優選地，所述特定幅度閾值為所述脈搏波信號的幅度浮動范圍的0.01倍，所述特定時間閾值為所述平均周期的0.02倍。在之前所述的實施例中，優選地，所述第一數值為所述剩余的可能極值點的總數的百分之五。在之前所述的實施例中，優選地，所述若干區域的個數五個，其分別為主峰值區域、潮波區域、重博波區域、房縮波區域和周期起始點區域。在之前所述的實施例中，優選地，所述聚類分析法為k均值聚類算法或者模糊聚類算法。在之前所述的實施例中，優選地，所述脈搏波信號的周期分割之后，還包括步驟：去除所述脈搏波信號的基線漂移影響；以及對所述脈搏波信號的數據進行規范化處理。在之前所述的實施例中，優選地，所述去除基線漂移影響的步驟中，包括：對于所述起始點進行插值計算以得到所述基線。在之前所述的實施例中，優選地，所述去除基線漂移影響的步驟中，包括：所述脈搏波信號對應減去所述基線的幅度值。在之前所述的實施例中，優選地，所述插值計算為三次樣條插值計算或者分段三次埃米爾特插值計算。在之前所述的實施例中，優選地，所述規范化處理包括以下過程：依據所述主峰點和起始點確定該脈搏波信號的浮動范圍；以及根據所述浮動范圍對脈搏波信號中的每個點進行歸一化處理。在之前所述的實施例中，優選地，在確定所有主峰點之前，還包括步驟：對所述脈搏波信號進行平滑濾波以及去除噪聲處理。在之前所述的實施例中，優選地，所述平滑濾波以及去除噪聲處理采用一維均值濾波方法或者高斯濾波方法。在之前所述的實施例中，優選地，所述一維均值濾波方法或者高斯濾波方法的濾波窗口被設置為大于或等于所述脈搏波信號的采樣頻率的0.03倍、并小于或等于所述脈搏波信號的采樣頻率的0.08倍。在之前所述的實施例中，優選地，所述確定所有主峰點的步驟包括：確定第一窗口的大小；利用該第一窗口對所述脈搏波信號進行遍歷；計算出每個第一窗口范圍內的最大幅度值；以及判斷任意兩個相鄰的所述最大幅度值對應的時間差是否小于所述第一窗口的大小，如果判斷為“是”，則去除其中較小的最大幅度值，剩余的所述最大幅度值對應的位置點被定義為主峰點。在之前所述的實施例中，優選地，所述第一窗口被設置為大于或等于所述脈搏波信號的采樣頻率的0.6倍且小于或等于所述脈搏波信號的采樣頻率的0.8倍。在之前所述的實施例中，優選地，確定所述起始點的步驟中，通過定位每個主峰點之前的0.3倍于采樣頻率的范圍內的最小值、并本文檔來自技高網...

【技術保護點】
一種特征參數與脈象要素的關聯方法，其特征在于，包括以下步驟：按規則計算脈搏波信號的每個特征參數的重要度；按所述重要度的大小對特征參數進行由高到低的相應排序；基于人工神經網絡對訓練樣本集的脈搏波信號進行學習；利用測試樣本集的脈搏波信號對所述人工神經網絡進行測試，并計算得出對所述測試樣本集關于該脈象要素判斷脈象的第一分類準確率；去除所述重要度排序相對最低的特征參數后，計算得出對所述測試樣本集關于該脈象要素判斷脈象的第二分類準確率；以及判斷所述第一分類準確率和第二分類準確率之間的差值的絕對值是否小于預定閾值，如果判斷為“是”，進而返回至所述去除步驟，直至判斷為“否”，如果判斷為“否”，則選擇該特征參數以及排序高于該特征參數的其它特征參數與所述脈象要素相關聯。

【技術特征摘要】
1.一種特征參數與脈象要素的關聯方法，其特征在于，包括以下步驟：按規則計算脈搏波信號的每個特征參數的重要度；按所述重要度的大小對特征參數進行由高到低的相應排序；基于人工神經網絡對訓練樣本集的脈搏波信號進行學習；利用測試樣本集的脈搏波信號對所述人工神經網絡進行測試，并計算得出對所述測試樣本集關于該脈象要素判斷脈象的第一分類準確率；去除所述重要度排序相對最低的特征參數后，計算得出對所述測試樣本集關于該脈象要素判斷脈象的第二分類準確率；以及判斷所述第一分類準確率和第二分類準確率之間的差值的絕對值是否小于預定閾值，如果判斷為“是”，進而返回至所述去除步驟，直至判斷為“否”，如果判斷為“否”，則選擇該特征參數以及排序高于該特征參數的其它特征參數與所述脈象要素相關聯;所述特征參數通過以下方法過程獲取：獲取一段包括一個周期以上的脈搏波信號；確定所述脈搏波信號中的所有主峰點；依據每個主峰點確定相應的每個脈搏波信號周期的起始點，以實現所述脈搏波信號的周期分割；依據微積分理論確定所述脈搏波信號周期中的所有可能極值點；去除所述可能極值點中的干擾極值點以精確得到所述脈搏波信號周期信號中的特征點；以及依據所述特征點的信息獲取特征參數;所述去除干擾極值點的過程包括：依據所述起始點計算每個脈搏波信號周期的平均周期；判斷任意相鄰的第一可能極值點和第二可能極值點之間的幅度差是否小于或等于特定幅度閾值，若判斷為“是”，則將第一可能極值點和第二可能極值點中的幅度較小的一個作為干擾極值點被去除；和/或判斷任意相鄰的第一可能極值點和第二可能極值點之間的時間差是否小于或等于特定時間閾值，若判斷為“是”，則合并第一可能極值點和第二可能極值點為一個可能極值點以實現所述干擾極值點的去除；和將剩余的可能極值點進行直方圖統計，利用聚類分析法將直方圖劃分為若干區域，若某一區域內的所述可能極值點的數目小于第一數值時，則該區域內的相應所述可能極值點作為干擾極值點被去除。2.如權利要求1所述的關聯方法，其特征在于，所述規則為基于互信息、基于判別式分析或者基于多層感知器的特征排序方法。3.如權利要求2所述的關聯方法，其特征在于，所述基于判別式分析的特征排序方法中的判別式函數為：其中，并且，其中，Sw是類內協方差矩陣，Sb是類間協方差矩陣，mj是第j類訓練樣本的均值，m是所有訓練樣本的均值，Pj是訓練樣本屬于第j類訓練樣本的概率，Nj是第j類訓練樣本的總數，代表矩陣Sb的跡與對角線上第i個元素的差，代表矩陣Sw的跡與對角線上第i個元素的差，i和j為不超過特征維數的正整數。4.如權利要求1所述的關聯方法，其特征在于，在所述直方圖統計并去除干擾極值點之后，還包括步驟：判斷一個脈搏波信號周期內的剩余的可能極值點的數目是否大于10，如果大于10，則去除該脈搏波信號周期。5.如權利要求1所述的關聯方法，其特征在于，所述特定幅度閾值為所述脈搏波信號的幅度浮動范圍的0.01倍，所述特定時間閾值為所述平均周期的0.02倍。6.如權利要求1或5所述的關聯方法，其特征在于，所述第一數值為所述剩余的可能極值點的總數的百分之五。7.如權利要求1或5所述的關聯方法，其特征在于，所述若干區域的個數五個，其分別為主峰值區域、潮波區域、重博波區域、房縮波區域和周期起始點區域。8.如權利要求1或5所述的關聯方法，其特征在于，所述聚類分析法為k均值聚類算法或者模糊聚類算法。9.如權利要求1所述的關聯方法，其特征在于，所述脈搏波信號的周期分割之后，還包括步驟：去除所述脈搏波信號的基線漂移影響；以及對所述脈搏波信號的數據進行規范化處理。10.如權利要求9所述的關聯方法，其特征在于，所述去除基線漂移影響的步驟中，包括：對于所述起始點進行插值計算以得到所述基線。11.如權利要求10所述的關聯方法，其特征在于，所述去除基線漂移影響的步驟中，包括：所述脈搏波信號對應減去所述基線的幅度值。12.如權利要求10或11所述的關聯方法，其特征在于，所述插值計算為三次樣條插值計算或者分段三次埃米爾特插值計算。13.如權利要求9所述的關聯方法，其特征在于，所述規范化處理包括以下過程：依據所述主峰點和起始點確定該脈搏波信號的浮動范圍；以及根據所述浮動范圍對脈搏波信號中的每個點進行歸一化處理。14.如權利要求1所述的關聯方法，其特征在于，在確定所有主峰點之前，還包括步驟：對所述脈搏波信號進行平滑濾波以及去除噪聲...

【專利技術屬性】
技術研發人員：郭松，王穎，譚思黎，
申請(專利權)人：GE醫療系統環球技術有限公司，
類型：發明
國別省市：