一种基于显著信号子段提取的脉象分类方法技术

本发明专利技术公开了一种基于显著信号子段提取的脉象分类方法，S1：采集脉搏信号，并进行预处理，得到c个脉搏信号训练样本；S2：定位显著脉搏信号子段位置指示向量；S3：构建多模态距离特征向量；S4：采用最邻近分类器对脉搏信号进行分类，完成基于显著信号子段提取的脉象分类。本发明专利技术的脉象分类方法无需对脉搏信号进行周期分割，从脉搏信号中提取具有区分力的子段，避免信息冗余并能加速后续计算过程。通过构建信号子段的多模态距离特征向量能够实现特征信息互补，有助于提高脉搏信号分类准确率，实现脉象的自动识别，为医师脉诊提供辅助决策，提取的脉搏信号子段可提供可解释的结果，用于临床进一步分析。

【技术实现步骤摘要】
一种基于显著信号子段提取的脉象分类方法
本专利技术属于医疗诊断
，具体涉及一种基于显著信号子段提取的脉象分类方法。
技术介绍
在中医临床诊断中，中医医师通过用手指感受手腕桡动脉处的脉动，根据脉搏的快慢、强弱和深浅程度判断患者健康状况。然而，传统中医学对脉象概念的描述比较模糊，因此脉象的辨别标准并不明确，辨证结果的准确性在很大程度上取决于医师经验，在临床诊断中不同医师对同一患者的诊断结果可能存在差异。这种完全依赖医师主观经验的传统脉诊方式会限制中医脉诊技术的推广与传承。因此，对脉诊客观化的研究具有重要意义。随着机器学习技术在中医诊疗领域的应用，基于脉搏信号自动分类识别的中医脉诊客观化成为可能。通过设备采集脉搏信号，使用机器学习模型学习中医脉象与脉搏信号之间的联系，对采集到的脉搏信号进行浮、沉、实和数等脉象判别。现有脉搏信号分类方法通常是对整段脉搏信号或信号分割后的单周期脉搏信号进行处理。这些方法的主要缺陷：第一，基于单周期信号的方法，涉及到信号周期分割和极值点定位等预处理操作，预处理操作若有错，将对分类结果造成直接影响。第二本文档来自技高网...

【技术保护点】
1.一种基于显著信号子段提取的脉象分类方法，其特征在于，包括以下步骤：/nS1：采用多普勒超声波血液分析仪采集脉搏信号，并进行预处理，得到c个脉搏信号训练样本；/nS2：定位c个脉搏信号训练样本的显著脉搏信号子段位置指示向量；/nS3：根据显著脉搏信号子段位置指示向量，构建多模态距离特征向量；/nS4：根据多模态距离特征向量，采用最邻近分类器对脉搏信号进行分类，完成基于显著信号子段提取的脉象分类。/n

【技术特征摘要】
1.一种基于显著信号子段提取的脉象分类方法，其特征在于，包括以下步骤：
S1：采用多普勒超声波血液分析仪采集脉搏信号，并进行预处理，得到c个脉搏信号训练样本；
S2：定位c个脉搏信号训练样本的显著脉搏信号子段位置指示向量；
S3：根据显著脉搏信号子段位置指示向量，构建多模态距离特征向量；
S4：根据多模态距离特征向量，采用最邻近分类器对脉搏信号进行分类，完成基于显著信号子段提取的脉象分类。


2.根据权利要求1所述的基于显著信号子段提取的脉象分类方法，其特征在于，所述步骤S1中，对脉搏信号进行预处理的方法具体为：采用小波变换的级联滤波器对脉搏信号进行降噪，并采用三次样条插值估计法消除脉搏信号中的基线漂移现象，得到c个脉搏信号训练样本其中，pi＝[p1,...,pt,...pq]表示第i个脉搏信号，pt表示脉搏信号在t时刻的值，q表示脉搏信号长度，yi∈{1,2,...,n}表示对应的脉象类别，n表示脉象类别数目。


3.根据权利要求1所述的基于显著信号子段提取的脉象分类方法，其特征在于，所述步骤S2包括以下子步骤：
S21：利用c个脉搏信号训练样本，定义目标函数；
S22：利用交换方向乘子算法求解目标函数，得到显著脉搏信号子段位置指示向量；
S23：提取显著脉搏信号子段位置指示向量的非零元素，得到S个非零块，从每个脉搏信号训练样本中分别截取S个子序列，完成信号子段位置指示向量的定位。


4.根据权利要求3所述的基于显著信号子段提取的脉象分类方法，其特征在于，所述步骤S21包括以下子步骤：
S211：根据c个脉搏信号训练样本，定义类i的判别方向为ui，i＝1,2,...,n，n表示脉象类别数目；
S212：根据类i的判别方向ui，定义GEM目标函数为其中，Ci表示类i的样本协方差矩阵，T表示转置运算，n表示脉象类别个数，表示去除类i样本后剩余样本的协方差矩阵，ui表示类i的判别方向；
S213：将所有脉象类别的判别方向ui进行串联，得到所有脉象类别的判别方向v＝(u1,...,ui,...,un)＝[v1,...,vi,...,vn×q]，其中，n表示脉象类别个数，q表示脉搏信号长度，ui表示类i的判别方向；
S214：将所有脉象类别的判别方向v带入GEM目标函数得到GEM目标函数矩阵式其中，T表示转置运算，Ci表示类i的样本协方差矩阵，表示去除类i样本后剩余样本的协方差矩阵，n表示脉象类别个数；
S215：将GEM目标函数矩阵式转化为数值优化式其中，α1表示控制连续限制项的权重，α2表示控制稀疏正则化项权重，α3表示方向差异正则化项的权重，v表示所有脉象类别的判别方向，||Dv||1表示连续限制项，||v||1表示l1范数稀疏正则化项，G表示常量，D表示一个常数矩阵，其元素Dk,k＝1，Dk,k+1＝-1，其余元素均为0；
S216：将数值优化式转化为目标函数其中，z表示第一变量，y表示第二变量，G表示常量。


5.根据权利要求3所述的基于显著信号子段提取的脉象分类方法，其特征在于，所述步骤S22包括以下子步骤：
S221：将目标函数转换为增广目标函数其表达式为其中，T表示转置运算，表示增广目标函数运算，v表示所有脉象类别的判别方向，α1表示控制连续限制项的权重，α2表示控制稀疏正则化项权重，α3表示方向差异正则化项的权重，z表示第一变量，y表示第二变量，G表示常量，n表示脉象类别个数，λ1表示第一对偶变量，λ2表示第二对偶变...

【专利技术属性】
技术研发人员：李巧勤，肖迪尹，刘勇国，杨尚明，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51