特征参数与脉象要素的关联制造技术

本发明专利技术提供特征参数与脉象要素的关联，属于中医脉象量化技术领域。该特征参数与脉象要素的关联方法中，包括步骤：计算脉搏每个特征参数的重要度；按重要度对特征参数进行排序；基于人工神经网络对训练样本集的脉搏波信号进行学习；利用测试样本集对所述人工神经网络进行测试，并计算得出对测试样本集关于该脉象要素判断脉象的第一分类准确率；去除所述重要度排序相对最低的特征参数后，计算得出对测试样本集关于该脉象要素判断脉象的第二分类准确率；基于第一分类准确率和第二分类准确率之间的差值判断，实现特征参数与所述脉象要素的关联选取。该关联方法可以准确获取中医中的每个脉象要素与相应特征参数的对应关系。

【技术实现步骤摘要】
特征参数与脉象要素的关联
本专利技术属于中医脉象量化
，涉及利用计算机技术实现脉象的特征参数与脉象要素的关联选定。
技术介绍
脉诊是根据“脉象”观察、判断病症情况的一种诊断方法，它是中医的基本技术，也是中医临床不可缺少的诊察步骤和内容。脉诊之所以重要，就是由于脉象能传递机体各部分的生理病理信息，是窥视体内功能变化的窗口，可为诊断病证提供重要依据。传统的中医脉诊是完全依赖于医生的经验，医生通过感知脉搏搏动，获取病人的脉象信息实现疾病诊断，其经验程度要求较高、并且主观性相对较强。因此，近年来，为实现中医脉诊技术的广泛化、规范化、客观化应用，推出了中医脉诊仪器设备，其利用信号采集装置从病人采集反映脉象的脉搏波信号，并且进一步利用信号分析处理技术、图像处理技术等对脉搏波信号进行分析，为脉象的判断提供客观的数据信息，从而为脉诊创造便利条件。其中，脉象要素是指脉象的基本组成部分，其一般地包括“位、数、形、势”等四个方面，病脉是基于脉象的“位、数、形、势”四个方面来分类，例如，按脉位可以分为浮脉、沉脉，按脉形可以分为洪脉、细脉、长脉、短脉等，按脉数可以分为促脉、结脉、代脉等，按脉势可以分为实脉、虚脉、涩脉等。因此，在脉诊过程中，需要按照脉象要素来判断病脉的类型。在中医脉诊仪器设备中，脉象要素的判断是需要通过相应脉搏波的特征参数的具体量化来实现；而许多特征参数中，每个特征参数对于每个脉象要素（脉象中有多个脉象要素）的判断的重要度可能是不同的；因此，在对应于某一个脉象要素的脉象判断时，需要从多个特征参数中选取其中有利于脉象判断的特征参数，也即实现脉象要素与特征参数的对应关联。有鉴于此，脉象要素与特征参数的准确关联是利用计算机图像识别技术进行脉诊的关键技术之一。
技术实现思路
本专利技术的目的在于，准确实现特征参数与脉象要素之间的关联。为实现以上目的或者其它目的，本专利技术提供以下技术方案。按照本专利技术的一方面，提供一种特征参数与脉象要素的关联方法，其包括以下步骤：按规则计算脉搏波信号的每个特征参数的重要度；按所述重要度的大小对特征参数进行由高到低的相应排序；基于人工神经网络对训练样本集的脉搏波信号进行学习；利用测试样本集的脉搏波信号对所述人工神经网络进行测试，并计算得出对所述测试样本集关于该脉象要素判断脉象的第一分类准确率；去除所述重要度排序相对最低的特征参数后，计算得出对所述测试样本集关于该脉象要素判断脉象的第二分类准确率；以及判断所述第一分类准确率和第二分类准确率之间的差值的绝对值是否小于预定阈值，如果判断为“是”，进而返回至所述去除步骤，直至判断为“否”，如果判断为“否”，则选择该特征参数以及排序高于该特征参数的其它特征参数与所述脉象要素相关联。按照本专利技术提供的关联方法，其中，所述规则可以为基于互信息、基于判别式分析或者基于多层感知器的特征排序方法。按照本专利技术提供的关联方法的一实施例，其中，所述基于判别式分析的特征排序方法中的判别式函数为：其中，并且，其中，Sw是类内协方差矩阵，Sb是类间协方差矩阵，mj是第j类训练样本的均值，m是所有训练样本的均值，Pj是训练样本属于第j类训练样本的概率，Nj是第j类训练样本的总数，代表矩阵Sb的迹与对角线上第i个元素的差，代表矩阵Sw的迹与对角线上第i个元素的差，i和j为不超过特征维数的正整数。按照本专利技术提供的关联方法的又一较佳实施例，其中，所述特征参数通过以下方法过程获取：获取一段包括一个周期以上的脉搏波信号；确定所述脉搏波信号中的所有主峰点；依据每个主峰点确定相应的每个脉搏波信号周期的起始点，以实现所述脉搏波信号的周期分割；依据微积分理论确定所述脉搏波信号周期中的所有可能极值点；去除所述可能极值点中的干扰极值点以精确得到所述脉搏波信号周期信号中的特征点；以及依据所述特征点的信息获取特征参数。在之前所述的实施例中，优选地，所述去除干扰极值点的过程包括：依据所述起始点计算每个脉搏波信号周期的平均周期；判断任意相邻的第一可能极值点和第二可能极值点之间的幅度差是否小于或等于特定幅度阈值，若判断为“是”，则将第一可能极值点和第二可能极值点中的幅度较小的一个作为干扰极值点被去除；和/或判断任意相邻的第一可能极值点和第二可能极值点之间的时间差是否小于或等于特定时间阈值，若判断为“是”，则合并第一可能极值点和第二可能极值点为一个可能极值点以实现所述干扰极值点的去除；和将剩余的可能极值点进行直方图统计，利用聚类分析法将直方图划分为若干区域，若某一区域内的所述可能极值点的数目小于第一数值时，则该区域内的相应所述可能极值点作为干扰极值点被去除。在之前所述的实施例中，优选地，在所述直方图统计并去除干扰极值点之后，还包括步骤：判断一个脉搏波信号周期内的剩余的可能极值点的数目是否大于10，如果大于10，则去除该脉搏波信号周期。在之前所述的实施例中，优选地，所述特定幅度阈值为所述脉搏波信号的幅度浮动范围的0.01倍，所述特定时间阈值为所述平均周期的0.02倍。在之前所述的实施例中，优选地，所述第一数值为所述剩余的可能极值点的总数的百分之五。在之前所述的实施例中，优选地，所述若干区域的个数五个，其分别为主峰值区域、潮波区域、重博波区域、房缩波区域和周期起始点区域。在之前所述的实施例中，优选地，所述聚类分析法为k均值聚类算法或者模糊聚类算法。在之前所述的实施例中，优选地，所述脉搏波信号的周期分割之后，还包括步骤：去除所述脉搏波信号的基线漂移影响；以及对所述脉搏波信号的数据进行规范化处理。在之前所述的实施例中，优选地，所述去除基线漂移影响的步骤中，包括：对于所述起始点进行插值计算以得到所述基线。在之前所述的实施例中，优选地，所述去除基线漂移影响的步骤中，包括：所述脉搏波信号对应减去所述基线的幅度值。在之前所述的实施例中，优选地，所述插值计算为三次样条插值计算或者分段三次埃米尔特插值计算。在之前所述的实施例中，优选地，所述规范化处理包括以下过程：依据所述主峰点和起始点确定该脉搏波信号的浮动范围；以及根据所述浮动范围对脉搏波信号中的每个点进行归一化处理。在之前所述的实施例中，优选地，在确定所有主峰点之前，还包括步骤：对所述脉搏波信号进行平滑滤波以及去除噪声处理。在之前所述的实施例中，优选地，所述平滑滤波以及去除噪声处理采用一维均值滤波方法或者高斯滤波方法。在之前所述的实施例中，优选地，所述一维均值滤波方法或者高斯滤波方法的滤波窗口被设置为大于或等于所述脉搏波信号的采样频率的0.03倍、并小于或等于所述脉搏波信号的采样频率的0.08倍。在之前所述的实施例中，优选地，所述确定所有主峰点的步骤包括：确定第一窗口的大小；利用该第一窗口对所述脉搏波信号进行遍历；计算出每个第一窗口范围内的最大幅度值；以及判断任意两个相邻的所述最大幅度值对应的时间差是否小于所述第一窗口的大小，如果判断为“是”，则去除其中较小的最大幅度值，剩余的所述最大幅度值对应的位置点被定义为主峰点。在之前所述的实施例中，优选地，所述第一窗口被设置为大于或等于所述脉搏波信号的采样频率的0.6倍且小于或等于所述脉搏波信号的采样频率的0.8倍。在之前所述的实施例中，优选地，确定所述起始点的步骤中，通过定位每个主峰点之前的0.3倍于采样频率的范围内的最小值、并本文档来自技高网...

【技术保护点】
一种特征参数与脉象要素的关联方法，其特征在于，包括以下步骤：按规则计算脉搏波信号的每个特征参数的重要度；按所述重要度的大小对特征参数进行由高到低的相应排序；基于人工神经网络对训练样本集的脉搏波信号进行学习；利用测试样本集的脉搏波信号对所述人工神经网络进行测试，并计算得出对所述测试样本集关于该脉象要素判断脉象的第一分类准确率；去除所述重要度排序相对最低的特征参数后，计算得出对所述测试样本集关于该脉象要素判断脉象的第二分类准确率；以及判断所述第一分类准确率和第二分类准确率之间的差值的绝对值是否小于预定阈值，如果判断为“是”，进而返回至所述去除步骤，直至判断为“否”，如果判断为“否”，则选择该特征参数以及排序高于该特征参数的其它特征参数与所述脉象要素相关联。

【技术特征摘要】
1.一种特征参数与脉象要素的关联方法，其特征在于，包括以下步骤：按规则计算脉搏波信号的每个特征参数的重要度；按所述重要度的大小对特征参数进行由高到低的相应排序；基于人工神经网络对训练样本集的脉搏波信号进行学习；利用测试样本集的脉搏波信号对所述人工神经网络进行测试，并计算得出对所述测试样本集关于该脉象要素判断脉象的第一分类准确率；去除所述重要度排序相对最低的特征参数后，计算得出对所述测试样本集关于该脉象要素判断脉象的第二分类准确率；以及判断所述第一分类准确率和第二分类准确率之间的差值的绝对值是否小于预定阈值，如果判断为“是”，进而返回至所述去除步骤，直至判断为“否”，如果判断为“否”，则选择该特征参数以及排序高于该特征参数的其它特征参数与所述脉象要素相关联;所述特征参数通过以下方法过程获取：获取一段包括一个周期以上的脉搏波信号；确定所述脉搏波信号中的所有主峰点；依据每个主峰点确定相应的每个脉搏波信号周期的起始点，以实现所述脉搏波信号的周期分割；依据微积分理论确定所述脉搏波信号周期中的所有可能极值点；去除所述可能极值点中的干扰极值点以精确得到所述脉搏波信号周期信号中的特征点；以及依据所述特征点的信息获取特征参数;所述去除干扰极值点的过程包括：依据所述起始点计算每个脉搏波信号周期的平均周期；判断任意相邻的第一可能极值点和第二可能极值点之间的幅度差是否小于或等于特定幅度阈值，若判断为“是”，则将第一可能极值点和第二可能极值点中的幅度较小的一个作为干扰极值点被去除；和/或判断任意相邻的第一可能极值点和第二可能极值点之间的时间差是否小于或等于特定时间阈值，若判断为“是”，则合并第一可能极值点和第二可能极值点为一个可能极值点以实现所述干扰极值点的去除；和将剩余的可能极值点进行直方图统计，利用聚类分析法将直方图划分为若干区域，若某一区域内的所述可能极值点的数目小于第一数值时，则该区域内的相应所述可能极值点作为干扰极值点被去除。2.如权利要求1所述的关联方法，其特征在于，所述规则为基于互信息、基于判别式分析或者基于多层感知器的特征排序方法。3.如权利要求2所述的关联方法，其特征在于，所述基于判别式分析的特征排序方法中的判别式函数为：其中，并且，其中，Sw是类内协方差矩阵，Sb是类间协方差矩阵，mj是第j类训练样本的均值，m是所有训练样本的均值，Pj是训练样本属于第j类训练样本的概率，Nj是第j类训练样本的总数，代表矩阵Sb的迹与对角线上第i个元素的差，代表矩阵Sw的迹与对角线上第i个元素的差，i和j为不超过特征维数的正整数。4.如权利要求1所述的关联方法，其特征在于，在所述直方图统计并去除干扰极值点之后，还包括步骤：判断一个脉搏波信号周期内的剩余的可能极值点的数目是否大于10，如果大于10，则去除该脉搏波信号周期。5.如权利要求1所述的关联方法，其特征在于，所述特定幅度阈值为所述脉搏波信号的幅度浮动范围的0.01倍，所述特定时间阈值为所述平均周期的0.02倍。6.如权利要求1或5所述的关联方法，其特征在于，所述第一数值为所述剩余的可能极值点的总数的百分之五。7.如权利要求1或5所述的关联方法，其特征在于，所述若干区域的个数五个，其分别为主峰值区域、潮波区域、重博波区域、房缩波区域和周期起始点区域。8.如权利要求1或5所述的关联方法，其特征在于，所述聚类分析法为k均值聚类算法或者模糊聚类算法。9.如权利要求1所述的关联方法，其特征在于，所述脉搏波信号的周期分割之后，还包括步骤：去除所述脉搏波信号的基线漂移影响；以及对所述脉搏波信号的数据进行规范化处理。10.如权利要求9所述的关联方法，其特征在于，所述去除基线漂移影响的步骤中，包括：对于所述起始点进行插值计算以得到所述基线。11.如权利要求10所述的关联方法，其特征在于，所述去除基线漂移影响的步骤中，包括：所述脉搏波信号对应减去所述基线的幅度值。12.如权利要求10或11所述的关联方法，其特征在于，所述插值计算为三次样条插值计算或者分段三次埃米尔特插值计算。13.如权利要求9所述的关联方法，其特征在于，所述规范化处理包括以下过程：依据所述主峰点和起始点确定该脉搏波信号的浮动范围；以及根据所述浮动范围对脉搏波信号中的每个点进行归一化处理。14.如权利要求1所述的关联方法，其特征在于，在确定所有主峰点之前，还包括步骤：对所述脉搏波信号进行平滑滤波以及去除噪声...

【专利技术属性】
技术研发人员：郭松，王颖，谭思黎，
申请(专利权)人：GE医疗系统环球技术有限公司，
类型：发明
国别省市：