專利名稱：一種用于脈搏波分類處理的裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及醫(yī)療電子技術(shù)領(lǐng)域，特別是一種用于脈搏波分類處理的裝置。
背景技術(shù)：
脈搏波是脈管搏動的軌跡，它綜合了心臟射血活動和血液沿血管傳播途徑中攜帶的各種信息。這些信息能夠反映人體健康狀態(tài)，尤其是能夠在疾病初期未顯示出任何癥狀之前反應(yīng)人體身體亞健康狀態(tài)?，F(xiàn)有的脈搏波分類處理主要是提取時域、頻域各種特征及其組合，再利用統(tǒng)計學(xué)習(xí)方法、實例學(xué)習(xí)方法進(jìn)行分類識別，包括支持向量機、規(guī)則判斷、神經(jīng)網(wǎng)絡(luò)等等方法。分類的好壞很大程度上取決于所選擇的特征組合是否合適和提取各種特征點的準(zhǔn)確率，由于脈 搏波沒有形成統(tǒng)一的診斷標(biāo)準(zhǔn)，針對某種疾病或者癥狀很難選擇合適的特征；另外由于某種疾病或者癥狀經(jīng)常對應(yīng)多個特征，加之脈搏波本身形態(tài)復(fù)雜，即使找到合適特征，也很難保證準(zhǔn)確的提取到每一個特征，所以現(xiàn)有的分類結(jié)果也必然不盡人意。

發(fā)明內(nèi)容
本發(fā)明的目的是針對現(xiàn)有技術(shù)脈搏波分類不準(zhǔn)確的缺陷，提供一種脈搏波分類處理的裝置，能夠輸出更準(zhǔn)確的脈搏波分類結(jié)果。實現(xiàn)本發(fā)明目的的具體技術(shù)方案是
一種用于脈搏波分類處理的裝置，該裝置包括采集器、主波提取模塊、分段模塊、增加噪聲模塊、卷積及取樣模塊、其他特征模塊、多層感知器及顯示器，其采集器連接主波提取模塊，主波提取模塊分兩路，一路與分段模塊、增加噪聲模塊、卷積及取樣模塊依次連接，另一路與其他特征模塊連接，其他特征模塊和卷積及取樣模塊與多層感知器連接，多層感知器連接顯示器，采集器將采集到的脈搏波信號經(jīng)主波提取模塊處理，獲得主波準(zhǔn)確位置和脈搏波數(shù)據(jù)并輸出；分段模塊根據(jù)主波準(zhǔn)確位置對脈搏波信號進(jìn)行分段，輸出分段后的脈搏波數(shù)據(jù)；分段后的脈搏波數(shù)據(jù)進(jìn)入增加噪聲模塊，輸出為增加噪聲的脈搏波信號；接著進(jìn)入卷積及取樣模塊，輸出為分類的權(quán)值特征；將權(quán)值特征輸入到多層感知器模塊進(jìn)行最后的處理，輸出為脈搏波分類的最終結(jié)果顯示在顯示器上；其他特征模塊在主波提取模塊的輸出的基礎(chǔ)上計算脈搏波特征的直接特征值，與卷積及取樣模塊同時輸入到多層感知器模塊，多層感知器模塊進(jìn)行處理后，輸出為脈搏波分類的最終結(jié)果顯示在顯示器上；其中所述主波提取模塊處理包括
1)、脈搏波先經(jīng)IHz 30Hz的帶通濾波，去除低頻和高頻噪音；
2)、然后對濾波后信號進(jìn)行幅值歸一化；
3)、計算信號幅值歸一化后的香農(nóng)能量，并進(jìn)行低通濾波求取包絡(luò)線；
4)、對香農(nóng)能量包絡(luò)線信號進(jìn)行希爾伯特變換；
5)、利用希爾伯特變換后的信號提取香農(nóng)能量包絡(luò)線的峰值點，即希爾伯特變換后的信號從負(fù)到正過零點的值與香農(nóng)能量包絡(luò)線峰值點對應(yīng)；6)確定原始脈搏波信號中的真正主波位置，以香農(nóng)能量峰值點的時間位置t為中心確定時間范圍T，脈搏波原始信號在T范圍找到真正的脈搏波主波位置；0. 2 < T < O. 3 ;
所述分段模塊根據(jù)主波準(zhǔn)確位置對脈搏波信號進(jìn)行分段是將脈搏波分成以主波為基點，N個數(shù)據(jù)長度的數(shù)據(jù)段；N為數(shù)據(jù)點數(shù)；
所述增加噪聲模塊，用于對分段后的脈搏波數(shù)據(jù)疊加隨機噪聲，并輸出給所述卷積及取樣模塊；
所述卷積及取樣模塊具有三個卷積層及取樣層，分別對輸入的數(shù)據(jù)進(jìn)行卷積、取樣，形成分類的權(quán)值特征并輸出；
所述多層感知器包括隱層及邏輯回歸層，隱層是個全連接層，隱層的輸入全部來源于卷積及取樣模塊的輸出，或者來源于卷積及取樣模塊的輸出和其他特征模塊輸出的特征值；隱層的權(quán)值矩陣為[Pl * P2]，其中Pl為輸入節(jié)點個數(shù)，P2為輸出節(jié)點個數(shù)，50<P1 <2000，100 < P2 < 2000，然后經(jīng)過邏輯回歸層對權(quán)值特征進(jìn)行最后的分類，權(quán)值矩陣為[P2 * D]山為疾病種類數(shù)目；
所述其他特征模塊，根據(jù)所述主波的位置，計算直接特征值與卷積及取樣模塊的輸出一起作為多層感知器的輸入。所述直接特征值是指能準(zhǔn)確體現(xiàn)所述脈搏波的特征，例如主波間期等。主波間期即前一個主波與后一個主波之間的時間差。本發(fā)明在確定脈搏波的主波的位置后，計算脈搏波特征的直接特征值，并對分段的數(shù)據(jù)段進(jìn)行卷積和取樣，得到內(nèi)部特征值，再結(jié)合直接特征值和內(nèi)部特征值根據(jù)預(yù)定算法進(jìn)行計算，得到分類結(jié)果，由于不再提取各種準(zhǔn)確率不太高，容易受噪聲干擾的特征值(如重搏前波)，而是直接提取準(zhǔn)確率很高的直接特征值(如主波間期)納入算法進(jìn)行計算，因此可以提高最后分類準(zhǔn)確率，輸出更準(zhǔn)確的脈搏波分類結(jié)果。


圖I為本發(fā)明結(jié)構(gòu)框 圖2為本發(fā)明工作流程圖。
具體實施例方式由于基于神經(jīng)網(wǎng)絡(luò)的分類方法需要有兩個過程訓(xùn)練過程和測試過程，且經(jīng)過一次訓(xùn)練之后可進(jìn)行多次測試。本裝置即可輸出訓(xùn)練過程的脈搏波分類結(jié)果，也可輸出測試過程的脈搏波分類結(jié)果。實施例I 訓(xùn)練過程
參閱附圖2，脈搏波通過采集器采集后進(jìn)入主波提取模塊處理
1)、脈搏波先經(jīng)IHz 30Hz的帶通濾波，去除低頻和高頻噪音；
2)、然后對濾波后信號進(jìn)行幅值歸一化處理，歸一化后的幅值范圍為0-1；
3)、計算信號幅值歸一化后的香農(nóng)能量，計算公式為d(n)*d(n)* log( d(n)*d(n))，其中d為歸一化后的脈搏波信號數(shù)據(jù)，η為歸一化后的脈搏波信號數(shù)據(jù)點。計算后的香農(nóng)能量信號進(jìn)行低通濾波求取包絡(luò)線；4)、對香農(nóng)能量包絡(luò)線信號進(jìn)行希爾伯特變換；
5)、利用希爾伯特變換后的信號提取香農(nóng)能量包絡(luò)線的峰值點，即希爾伯特變換后的信號從負(fù)到正過零點的值與香農(nóng)能量包絡(luò)線峰值點對應(yīng)；
6)確定原始脈搏波信號中的真正主波位置，以香農(nóng)能量峰值點的時間位置t為中心確定時間范圍T，脈搏波原始信號在T范圍找到真正的脈搏波主波位置；T=0. 25s ；
利用其他特征模塊從脈搏波中提取直接特征值根據(jù)提取的主波及位置，提取直接特征值。以提取主波間期(兩個主波之間的時間差)作為直接特征值，即提取該波左邊I個主波間期、右邊I個主波間期。2個主波間期作為直接特征值輸出給多層感知器。利用分段模塊，將脈搏波信號分成以主波為中心左邊L=(N*2/5)-l個點，右邊R=N*2/5個點的數(shù)據(jù)段，本實施例N取250。將分段的數(shù)據(jù)傳輸給增加噪聲模塊，該模塊對 脈搏波數(shù)據(jù)疊加隨機噪聲，然后將疊加了隨機噪聲的數(shù)據(jù)傳輸給卷積及取樣模塊。疊加的噪聲包含幅度為O Al (Al可以取值O. 5mV)的O O. 5Hz低頻噪聲，幅度為O A2 (A2可以取值O. 5mV)的40 IOOHz高頻噪聲以及幅度為O A3 (A3可以取值O. 2mV)的白噪聲。增加噪聲模塊，從原理上可以增加訓(xùn)練數(shù)據(jù)的樣本數(shù)，加大樣本間的變異性,從而可以使后續(xù)的神經(jīng)網(wǎng)絡(luò)能夠?qū)ふ业秸嬲奶卣髦?，而不至于被微小、噪聲、無關(guān)的細(xì)節(jié)干擾。需說明的是，增加噪聲模塊在訓(xùn)練時進(jìn)行的操作，訓(xùn)練過程中需要噪聲層，分段數(shù)據(jù)在噪聲層疊加上述的噪聲，然后輸入到卷積及取樣模塊，在測試中以及實用分類時，則跳過噪聲層，即不需要該模塊對脈搏數(shù)據(jù)疊加隨機噪聲，此時噪聲層無效，分段數(shù)據(jù)直接輸入卷積及取樣模塊。卷積及取樣模塊的三個卷積層與取樣層(卷積層和取樣層A，卷積層和取樣層B，卷積層和取樣層C)分別對輸入的數(shù)據(jù)進(jìn)行卷積、取樣，從而形成內(nèi)部特征，并輸出到多層感知器；
三個卷積層的核結(jié)構(gòu)為[F1，1，1，C1]，[F2，F(xiàn)l，ChanelCount，C2]，[F3，F(xiàn)2，1，C3]，取樣層結(jié)構(gòu)為[I, Ml], [I, M2], [I, M3] ο其中Fl (3 < Fl < 30)，F(xiàn)2 (Fl < F2 < 100)，F(xiàn)3 (F2 < F3 < 200)為特征面數(shù)目，Cl (I < Cl < 60)，C2 (I < C2 < 50)，C3 (I < C3 < 40)為卷積核；M1 (I < Ml < 30)，M2 (I
<M2 < 30)，M3 (I < M2 < 30)為取樣系數(shù)；ChanelCount為輸入數(shù)據(jù)的導(dǎo)聯(lián)數(shù)目。卷積層和取樣層A，卷積層和取樣層B、卷積層和取樣層C，可以對多導(dǎo)聯(lián)脈搏數(shù)據(jù)進(jìn)行處理。卷積層第一層核[Fl,l,l, Cl],卷積第二層使用核[F2, Fl, ChanelCount, C2],卷積第三層使用核[F3，F(xiàn)2，1，C3]，這樣安排能夠很好融入多導(dǎo)聯(lián)信息。多層感知器的隱層根據(jù)輸入的數(shù)據(jù)使用第一權(quán)值矩陣獲得輸出數(shù)據(jù)。多層感知器的隱層是個全連接層，隱層與邏輯回歸層共同組成一個完整的多層感知器。隱層的輸入數(shù)據(jù)是由卷積層和取樣層輸出的內(nèi)部特征值和特征提取模塊輸出的直接特征值，本實施例為主波間期。在多層感知器隱層中引入直接特征值，能夠把準(zhǔn)確而且確定的直接特征值(2個主波間期)放到多層感知器與內(nèi)部特征一起進(jìn)行分類。多層感知器的隱層使用的第一權(quán)值矩陣為[P1*P2]，其中Pl為輸入的節(jié)點個數(shù)，50〈P1〈2000，P2為該層輸出節(jié)點個數(shù)，100〈P2〈2000。本實施例Pl取值為400+2 (2為主波間期特征)，P2取值為500。多層感知器的邏輯回歸層根據(jù)隱層輸出的數(shù)據(jù)使用第二權(quán)值矩陣進(jìn)行最后的分類。多層感知器的邏輯回歸層接收隱層輸出的數(shù)據(jù)作為輸入數(shù)據(jù)，使用第二權(quán)值矩陣進(jìn)行最后的分類。多層感知器的邏輯回歸層使用的第二權(quán)值矩陣為[P2*D]，其中D為疾病種類數(shù)目，在本實施例中為動脈硬化疾病與非動脈硬化分類，D取值為2，P2取值為500。根據(jù)多層感知器的邏輯回歸層的處理得到最終的分類結(jié)果。測試過程
本實施例測試過程與本實施例的訓(xùn)練過程不同之處在于跳過增加噪聲層模塊，其它所有參數(shù)和過程與本實施例的訓(xùn)練過程相同。實施例2 訓(xùn)練過程
參閱附圖2，脈搏波通過采集器采集后進(jìn)入主波提取模塊處理
1)、脈搏波先經(jīng)IHz 30Hz的帶通濾波，去除低頻和高頻噪音； 2)、然后對濾波后信號進(jìn)行幅值歸一化處理，歸一化后的幅值范圍為0-1；
3)、計算信號幅值歸一化后的香農(nóng)能量，計算公式為d(n)*d(n)* log( d(n)*d(n))，其中d為歸一化后的脈搏波信號數(shù)據(jù)，η為歸一化后的脈搏波信號數(shù)據(jù)點。計算后的香農(nóng)能量信號進(jìn)行低通濾波求取包絡(luò)線；
4)、對香農(nóng)能量包絡(luò)線信號進(jìn)行希爾伯特變換；
5)、利用希爾伯特變換后的信號提取香農(nóng)能量包絡(luò)線的峰值點，即希爾伯特變換后的信號從負(fù)到正過零點的值與香農(nóng)能量包絡(luò)線峰值點對應(yīng)；
6)在原始信號中檢測真正的主波中，根據(jù)香農(nóng)能量對應(yīng)的峰值點的時間T范圍內(nèi)找到脈搏波原始信號的主波位置。本實施例中T=O. 25s。所述分段模塊根據(jù)主波準(zhǔn)確位置對脈搏波信號進(jìn)行分段利用分段模塊，將脈搏波信號分成以主波為中心左邊L=(N*2/5)-l個點，右邊R=N*2/5個點的數(shù)據(jù)段，本實施例N取 250。將分段的數(shù)據(jù)傳輸給增加噪聲模塊，該模塊對脈搏波數(shù)據(jù)疊加隨機噪聲，然后將疊加了隨機噪聲的數(shù)據(jù)傳輸給卷積及取樣模塊。疊加的噪聲包含幅度為O Al (Al可以取值O. 5mV)的O O. 5Hz低頻噪聲，幅度為O A2 (A2可以取值O. 5mV)的40 IOOHz高頻噪聲以及幅度為O A3 (A3可以取值O. 2mV)的白噪聲。增加噪聲模塊，從原理上可以增加訓(xùn)練數(shù)據(jù)的樣本數(shù)，加大樣本間的變異性,從而可以使后續(xù)的神經(jīng)網(wǎng)絡(luò)能夠?qū)ふ业秸嬲奶卣髦?，而不至于被微小、噪聲、無關(guān)的細(xì)節(jié)干擾。需說明的是，增加噪聲模塊在訓(xùn)練時進(jìn)行的操作，訓(xùn)練過程中需要噪聲層，分段數(shù)據(jù)在噪聲層疊加上述的噪聲，然后輸入到卷積及取樣模塊，在測試時，則跳過噪聲層，即不需要該模塊對脈搏數(shù)據(jù)疊加隨機噪聲，此時增加噪聲模塊無效，分段數(shù)據(jù)直接輸入卷積及取樣模塊。對增加噪聲的分段的數(shù)據(jù)段進(jìn)行卷積和取樣，得到內(nèi)部特征值；通過三個卷積層與取樣層對數(shù)據(jù)段進(jìn)行卷積和取樣，三個卷積層的核結(jié)構(gòu)為[Fl，l，l，Cl], [F2，F(xiàn)l,ChanelCount, C2], [F3，F(xiàn)2，1，C3]，取樣層結(jié)構(gòu)為[I,Ml], [I, M2], [I,M3];其中，F(xiàn)1、F2、F3為特征面數(shù)目，C1、C2、C3為卷積核，Ml、M2、M3為取樣系數(shù)，ChanelCount為輸入數(shù)據(jù)的通道數(shù)目，3 < Fl < 30，F(xiàn)l < F2 < 100，F(xiàn)2 < F3 < 200，I < Cl < 60，I < C2 < 50，I < C3
<40，I < Ml < 30，I < M2 < 30，Ml < M2 < 30。對所述直接特征值和所述內(nèi)部特征值根據(jù)預(yù)定算法進(jìn)行計算，得到分類結(jié)果。該步驟中，多層感知器的隱層對所述直接特征值和內(nèi)部特征值，使用第一權(quán)值矩陣進(jìn)行計算；多層感知器的邏輯回歸層對隱層輸出的數(shù)據(jù)，使用第二權(quán)值矩陣進(jìn)行計算得到脈搏波分類結(jié)果。多層感知器的隱層使用的第一權(quán)值矩陣為[P1*P2]，其中Pl為輸入的節(jié)點個數(shù)，50 < Pl < 2000,P2為該層輸出節(jié)點個數(shù)，100 < P2 < 2000。本實施例Pl取值為400 (與 實施例I差別在于本實施例未使用直接特征值主波間期特征)，P2取值為500。多層感知器的邏輯回歸層使用的第二權(quán)值矩陣為[P2*D]，其中D為疾病種類數(shù)目，在本實施例中為動脈硬化疾病與非動脈硬化分類，D取值為2，P2取值為500。根據(jù)多層感知器的邏輯回歸層的處理得到最終的分類結(jié)果。測試過程 本實施例測試過程與本實施例的訓(xùn)練過程不同之處在于跳過增加噪聲層模塊，其它所有參數(shù)和過程與本實施例的訓(xùn)練過程相同。
權(quán)利要求
1.一種用于脈搏波分類處理的裝置，其特征在于該裝置包括采集器、主波提取模塊、分段模塊、增加噪聲模塊、卷積及取樣模塊、其他特征模塊、多層感知器及顯示器，其采集器連接主波提取模塊，主波提取模塊分兩路，一路與分段模塊、增加噪聲模塊、卷積及取樣模塊依次連接，另一路與其他特征模塊連接，其他特征模塊和卷積及取樣模塊與多層感知器連接，多層感知器連接顯示器，采集器將采集到的脈搏波信號經(jīng)主波提取模塊處理，獲得主波準(zhǔn)確位置和脈搏波數(shù)據(jù)并輸出；分段模塊根據(jù)主波準(zhǔn)確位置對脈搏波信號進(jìn)行分段，輸出分段后的脈搏波數(shù)據(jù)；分段后的脈搏波數(shù)據(jù)進(jìn)入增加噪聲模塊，輸出為增加噪聲的脈搏波信號；接著進(jìn)入卷積及取樣模塊，輸出為分類的權(quán)值特征；將權(quán)值特征輸入到多層感知器模塊進(jìn)行最后的處理，輸出為脈搏波分類的最終結(jié)果顯示在顯示器上；其他特征模塊在主波提取模塊的輸出的基礎(chǔ)上計算脈搏波特征的直接特征值，與卷積及取樣模塊同時輸入到多層感知器模塊，多層感知器模塊進(jìn)行處理后，輸出為脈搏波分類的最終結(jié)果顯示在顯示器上；其中 所述主波提取模塊處理包括 1)、脈搏波先經(jīng)IHz 30Hz的帶通濾波，去除低頻和高頻噪音； 2)、然后對濾波后信號進(jìn)行幅值歸一化； 3)、計算信號幅值歸一化后的香農(nóng)能量，并進(jìn)行低通濾波求取包絡(luò)線； 4)、對香農(nóng)能量包絡(luò)線信號進(jìn)行希爾伯特變換； 5)、利用希爾伯特變換后的信號提取香農(nóng)能量包絡(luò)線的峰值點t，即希爾伯特變換后的信號從負(fù)到正過零點的值與香農(nóng)能量包絡(luò)線峰值點對應(yīng)； 6)確定原始脈搏波信號中的真正主波位置，以香農(nóng)能量峰值點的時間位置t為中心確定時間范圍T，脈搏波原始信號在T范圍找到真正的脈搏波主波位置；0. 2 < T < O. 3 ; 所述分段模塊根據(jù)主波準(zhǔn)確位置對脈搏波信號進(jìn)行分段是將脈搏波分成以主波為基點，N個數(shù)據(jù)長度的數(shù)據(jù)段；N為數(shù)據(jù)點數(shù)； 所述增加噪聲模塊，用于對分段后的脈搏波數(shù)據(jù)疊加隨機噪聲，并輸出給所述卷積及取樣模塊； 所述卷積及取樣模塊具有三個卷積層及取樣層，分別對輸入的數(shù)據(jù)進(jìn)行卷積、取樣，形成分類的權(quán)值特征并輸出； 所述多層感知器包括隱層及邏輯回歸層，隱層是個全連接層，隱層的輸入全部來源于卷積及取樣模塊的輸出，或者來源于卷積及取樣模塊的輸出和其他特征模塊輸出的特征值；隱層的權(quán)值矩陣為[Pl * P2]，其中Pl為輸入節(jié)點個數(shù)，P2為輸出節(jié)點個數(shù)，50<P1<2000，100 < P2 < 2000，然后經(jīng)過邏輯回歸層對權(quán)值特征進(jìn)行最后的分類，權(quán)值矩陣為[P2 * D]山為疾病種類數(shù)目； 所述其他特征模塊，根據(jù)所述主波的位置，計算直接特征值與卷積及取樣模塊的輸出一起作為多層感知器的輸入。
全文摘要
本發(fā)明公開了一種用于脈搏波分類處理的裝置，該裝置將采集到脈搏波信號作為輸入，經(jīng)主波提取模塊處理獲得主波的準(zhǔn)確位置，進(jìn)入分段模塊分段，分段后的脈搏波數(shù)據(jù)進(jìn)入增加噪聲層模塊，再進(jìn)入具有三層結(jié)構(gòu)的卷積層和取樣層模塊，輸出為分類的權(quán)值特征；將權(quán)值特征輸入到多層感知器模塊進(jìn)行最后的處理，輸出為分類的最終結(jié)果顯示在顯示器上。本發(fā)明在確定脈搏波的主波的位置后，計算脈搏波特征的直接特征值，并對分段的數(shù)據(jù)段進(jìn)行卷積和取樣，得到內(nèi)部特征值，再結(jié)合直接特征值和內(nèi)部特征值根據(jù)預(yù)定算法進(jìn)行計算，輸出的脈搏波分類結(jié)果更準(zhǔn)確。
文檔編號A61B5/02GK102824166SQ201210230408
公開日2012年12月19日 申請日期2012年7月5日 優(yōu)先權(quán)日2012年7月5日
發(fā)明者胡曉娟, 朱洪海, 董軍, 王麗蘋 申請人:華東師范大學(xué)