一种脉象信号识别方法与系统技术方案

一种识别脉象信号方法，包括信号采集和脉象识别两部分，具体包括以下步骤：获取预设专家库内的专家对同一个脉象数据进行诊断的结果；然后对脉象数据按相似度进行切片及曲线拟合，将拟合出的曲线参数与专家判断该脉象数据所属类型的概率保存到数据库中；在识别被检测脉象的类型时，提取多个心跳周期的脉象数据；在数据库中，每种脉象类型提取若干个专家数据，使用动态时间规整算法计算被检测脉象与专家数据间的距离；选取距离最短的若干组专家数据，专家数据对应的脉象类型概率值，统计出该被测脉象对应的脉象类型概率

【技术实现步骤摘要】
一种脉象信号识别方法与系统


[0001]本申请属于中医脉象信号识别
，具体涉及一种脉象信号识别方法及系统
。

技术介绍

[0002]脉象是中医诊断的重要信息
。
但是脉象的特征情况往往比较复杂
。
晋代王叔和
《
脉经
》
序中就有记载“弦紧浮芤，辗转相类，在心易了，指下难明”，即指不同脉象常常同时出现，从而影响对脉象的判别描述
。
另外中医判断病情往往需要对一段时间的脉象变化进行判断
。《
黄帝内经灵枢
·
根结
》
就有“持其脉口，数其至也
。
五十动而不一代者，五脏皆受气
。”的记载，这更添加了中医诊脉的难度
。
由于脉象的以上情况，在中医传承中，脉象特征常常难以明确说出，常常是师傅带徒弟把脉，徒弟通过反复的把脉领悟老师所传授的技巧
。
当前计算机信息处理技术已经非常成熟先进，对脉象进行数字化，并能在临床中运用之前积累的经验，识别出脉象的属性有着重要的意义
。
[0003]现在对脉象进行数字化的方案有两类
。
一类是通过对脉象信号进行时域或频域提取特征，再使用模式识别的算法对信号进行分类识别
。
另一种是通过卷积神经网络对信号进行特征学习，并进行分类
。
[0004]现有技术缺点：
[0005](1)
由于脉象信号局部特征不明显，难以提取出稳定的特征
。
[0006](2)
脉象信号为复合特征，变化多，脉象间的相似度高
。
深度学习训练不容易收敛，分类不准确
。
[0007](3)
当前主要是对局部特征进行提取或以一个脉动周期进行特征训练，没有对一段时间的脉象信号进行判断，无法体现脉象的时间变化性
。
[0008](4)
由于脉象信号复杂，同一个人的脉象信息包含了多种脉象类型
。
导致不同医生对同一个人的脉象的判别有差异
。
现有的技术没有考虑医生间，对脉象判断差异对结果的影响，限制了临床上的使用范围
。

技术实现思路

[0009]本申请的目的是通过以下技术方案实现的
。
[0010]为解决以上问题，针对当前方法临床指导性不高的特点
。
本申请提出一种基于专家系统架构的识别脉象信号方法
。
该方法由信号采集和信号识别，两部分组成
。
具体包括以下步骤
。
[0011]信号采集部分包括以下步骤：
[0012][1]获取采集人员的脉象信号和心率，获取预设专家库内的专家对该采集人员进行把脉后判断其脉象类型的结果，统计所述结果，计算该脉象信号属于各脉象类型的概率
。
[0013][2]以一个心跳周期为基本单位，将脉象信号切分成脉象信号段
。
计算信号段间的互相关系数，以互相关系数为衡量准则，将互相关系数值大于
95
％的脉象信号段归为一组
。
[0014][3]对同组信号段，使用
Levenberg
‑
Marquardt(
列文伯格
‑
马夸尔特
)
算法对数据进行
12
阶多项式拟合
。
保存各组拟合好的多项式系数
。
[0015][4]以脉象信号所属类型，概率值最高的前两项类型为关键值，分两层次按类型保存脉象信号参数
。
保存的参数包括，各信号组所包含信号段的起始时间值，信号组对应的
12
阶多项式的系数，脉象信号对应的心跳周期，脉象信号所属类型的概率表
。
[0016]脉象识别包括以下步骤：
[0017][1]对采集到的需要识别类型的脉象信号进行二阶求导计算
。
按时间先后标记所有的导数为0的点，作为极值点
。
时间上相邻的两极值点间，以
0.2s
为间距，抽取样点
。
所有的样点与极值点，共同组成，特征点集合
。
[0018][2]从专家数据库里面，每种脉象类型抽取
100
个专家数据
。
使用约束动态时间规整
(Dynamic Time Warping)
算法，计算每组专家数据与被检测脉象信号的相似度
。
[0019][3]取相似度最高的前
20
组专家数据，通过专家数据对应的脉象类型概率值，统计出该被测脉象信号对应的脉象类型概率
。
[0020]基于上述目前，本申请还提出一种基于专家系统架构的脉象识别系统，包括：
[0021]脉象信号转化模块：用将脉象信号进行代数化处理，将脉象信号切成相似的信号段，并使用多项式对信号段进行拟合，该模块能减少脉象信号的存储空间，便于提高识别模块的效率
。
[0022]脉象数据存储模块：脉象数据块由脉象的属性概率向量，心率值，脉象信号数据组成
。
存储模块用于存储脉象数据块
。
并提供高效查找
、
读取数据块功能
。
[0023]脉象信号匹配模块：用于对脉象信号进行离散化抽样，计算被识别的脉象信号与专家数据的相似距离，将专家数据按相似距离进行排序
。
[0024]脉象信号分析模块：用于统计与被识别脉象信号相似距离最短的前
20
个专家数据，推算出当前信号对应的脉象类型概率向量，提供给医生做参考
。
[0025]本申请的优点在于：
[0026](1)
不用进行特征提取，而是使用脉象信号间的距离查找相似的多个专家数据，通过专家数据统计出该脉象的类型概率
。
[0027](2)
使用一段时间的脉象信号进行信号类型识别，体现了脉象的时间变化性，类型判别更准确
。
[0028](3)
本申请不是指明脉象的类型，而是统计出该脉象属于各脉象类型的概率，更接近医生临床的判别结果
。
[0029](4)
本申请对脉象信号进行分段归类，再使用多项式记录脉象信号，数据存储空间小
。
并且使用改进的动态时间规整
(DTW)
进行信号匹配，便于使用
GPU
优化
。
可对海量数据进行快速匹配，概率统计，准确度高
。
附图说明
[0030]通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了
。
附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制
。...

【技术保护点】

【技术特征摘要】
1.
一种识别脉象信号方法，包括信号采集和脉象识别两部分，其特征在于，具体包括以下步骤：在所述信号采集部分，获取预设专家库内的专家对同一个脉象数据进行诊断的结果；然后对脉象数据按相似度进行切片及曲线拟合，将拟合出的曲线参数与专家判断该脉象数据所属类型的概率保存到数据库中；在所述脉象识别部分，在识别被检测脉象的类型时，提取多个心跳周期的被检测脉象的数据；在所述数据库中，每种脉象类型提取若干个专家数据，使用动态时间规整算法计算被检测脉象与专家数据间的距离；选取距离最短的若干组专家数据，根据专家数据对应的脉象类型概率值，统计出该被测脉象对应的脉象类型概率
。2.
根据权利要求1所述的一种识别脉象信号方法，其特征在于，所述信号采集部分包括以下步骤：获取采集人员的脉象信号和心率，获取预设专家库内的专家对该采集人员进行把脉后判断其脉象类型的结果，统计所述结果，计算该脉象信号属于各脉象类型的概率；以一个心跳周期为基本单位，将脉象信号切分成脉象信号段；计算信号段间的互相关系数，以互相关系数为衡量准则，将互相关系数值大于
95
％的脉象信号段归为一组；对同组信号段，使用列文伯格
‑
马夸尔特算法对数据进行
12
阶多项式拟合，保存各组拟合好的多项式系数；以脉象信号所属类型的概率值最高的前两项类型为关键值，分两层次按类型保存脉象信号参数，储存进专家数据库；所述保存的脉象信号参数包括：各信号组所包含信号段的起始时间值
、
信号组对应的
12
阶多项式的系数
、
脉象信号对应的心跳周期
、
脉象信号所属类型的概率表
。3.
根据权利要求1或2所述的一种识别脉象信号方法，其特征在于，所述脉象识别包括以下步骤：对采集到的需要识别类型的脉象信号进行二阶求导计算，按时间先后标记所有的导数为0的点，作为极值点；对时间上相邻的两极值点间抽取样点，所有的样点与极值点共同组成特征点集合；从所述数据库里面，每种脉象类型抽取若干个专家数据，使用约束动态时间规整算法，计算每组专家数据与被检测脉象信号的相似度；取相似度最高的若干组专家数据，通过专家数据对应的脉象类型概率值，统计出该被测脉象信号对应的脉象类型概率
。4.
根据权利要求1所述的一种识别脉象信号方法，其特征在于，所述诊断的结果使用脉象类型概率向量来记录
。5.
根据权利要求2所述的一种识别脉象信号方法，其特征在于，所述以一个心跳周期为基本单位，将脉象信号切分成脉象信号段；计算信号段间的互相关系数，以互相关系数为衡量准则，将互相关系数值大于
95
％的脉象信号段归为一组，具体方法如下：在脉象信号图上，以心率周期
ω
为长度，时间0为起始点，截取一段信号，作为匹配模板；以起始时间
t
＝
ω
‑
0.2
，长度为
ω
+0.4
的时间段为匹配范围，以符号
T
表示该范围，在该
范围上使用简化的皮尔逊相关系数，计算该时间段内各时间位与模板的相关系数，计算公式如下：其中，
R
t
表示信号起始时间为
t
，长度为
ω
的信号段与匹配模板的相似度数值，
f(x)
为脉象信号；计算
R
t
在区间
T
里面的最大值，并记录最大值对应的时间轴位置以及对应的匹配值
R
；取起始时间为长度为
ω
+0.4
的时间段，同样计算区间最大匹配值，记录时间轴位置依次循环，计算信号段内的所有极值点及对应的匹配值；在计算出的各段信号匹配值中，取匹配值
R
＞
0.95
的信号段，为与模板相近的信号段，归为一类；对于匹配度
R
＜
0.95
的信号段记为未分类信号段，再在其中选取
X
值最小的信号段，作为匹配模板，与其余信号段以
0.2s
为计算半径计算匹配度，同样选取
R
＞
0.95
的信号段，将相似信号段归为同组信号
。6.
根据权利要求5所述的一种识别脉象信号方法，其特征在于，所述对同组信号段，使用列文伯格
‑
马夸尔特算法对数据进行
12
阶多项式拟合，保存各组拟合好的多项式系数，具体方法如下：取归类好的一组信号，进行
12
阶多项式的拟合，多项式的公式如下，这里
M
＝
...

【专利技术属性】
技术研发人员：江璇，
申请(专利权)人：肇庆医学高等专科学校，
类型：发明
国别省市：