《基于脉象分析的亚健康状态识别》由会员分享，可在线阅读，更多相关《基于脉象分析的亚健康状态识别（8页珍藏版）》请在金锄头文库上搜索。
1、基于脉象分析的亚健康状态识别 莫太平 王彦丽 桂林电子科技大学电子工程与自动化学院 摘 要： 为了提高国民健康水平, 快速检测亚健康状态, 通过研究人体脉象的变化, 设计了用于亚健康识别的脉象检测系统。该系统分为信号采集模块和分类识别模块。信号采集模块使用压力传感器采集人体脉搏信号, 对信号中存在的噪声干扰, 运用 8 层小波分析对脉搏信号进行滤波去噪, 并对去噪后的波形进行周期化分割和重采样, 提高了提取的特征值精度。分类识别模块根据特征值构建特征向量, 并通过支持向量机建立亚健康分类模型, 对健康人群和亚健康人群的脉搏信号进行分类识别。实验结果表明, 该系统对亚健康状态的识别达到了较高的准
2、确率。关键词： 亚健康; 脉诊; 小波分析; 支持向量机; 作者简介：莫太平 (1974-) , 男, 湖南邵阳人, 副教授, 研究方向为智能控制及模式识别。E-mail:收稿日期：2017-02-28基金：国家自然科学基金 (60964001) Sub-health identification based on pulse analysisMO Taiping WANG Yanli School of Electronic Engineering and Automation, Guilin University of Electronic Technology; Abstract： In
3、 order to improve the national health level and rapidly detect the sub-health status, the changes in the human body pulse are studied, the pulse detection system is designed.The system is divided into signal acquisition module and classification recognition module.The signal acquisition module uses
4、the pressure sensor to collect the pulse signal.For the noise interference in the signal, the pulse signal is denoised by 8-layer wavelet analysis, and the denoised waveform is segmented and resampled.The accuracy of the extracted eigenvalues is improved.The classification recognition module establi
5、shes the eigenvector according to the eigenvalue and the sub-health recognition model through the support vector machine.The experimental results show that the system has higher accuracy in the recognition of sub-health status.Keyword： sub-health; pulse diagnosis; wavelet analysis; support vector ma
6、chine; Received： 2017-02-28随着科技的进步, 人类的生存压力逐渐增大, 越来越多的人群处于亚健康状态。1978 年, 世界卫生组织 (WHO) 提出健康的概念, “健康不仅仅是没有疾病和不虚弱, 而且是身体上、心理上和社会适应能力上三方面的完美状态1”。亚健康是指人体处于健康与疾病中间的一种状态, 主要表现为精神萎靡, 活力低下, 身体脏器能力减退。重度患者会产生胸闷乏力, 对事物失去兴趣, 最终会导致疾病的发生。但是由于亚健康状态并未显现明显的疾病状态, 所以未引起人们足够的重视。随着生态环境的破坏, 空气污染加剧, 亚健康人群的数量呈现逐年上升的趋势。亚健康状态是
7、疾病的前兆, 若不能及时诊断, 进一步会发展成严重的疾病, 给社会医疗体系和家庭带来沉重的负担。因此, 寻求一种简单有效的亚健康识别方法是当务之急。中医脉诊有上千年的历史2, 利用脉诊原理对亚健康状态进行预测成为一种新趋势。目前亚健康评判的标准主要有 2 种形式:1) 量化问卷的方法。根据亚健康标准制定调查问卷, 对不同的人群进行调查、记录, 并对调查得到的数据进行统分析。这种方法的优点是有针对性, 调查范围广, 覆盖面积和人群也比较广, 对亚健康的判断也比较准确。缺点是成本较高, 后期的数据统计和分析也是一项庞大的任务, 耗费大量人力物力。2) 现代医学方法。利用医学仪器对人体的体液、器官组
8、织等进行全面检测, 通过分析对比得出器官组织的细微变化, 从而对亚健康状态作出评估。这种方法从人体内部器官出发, 直达病灶, 通过医疗设备将组织器官的各项参数清晰呈现, 便于临床应用。但是由于诊断过程比较复杂, 成本高, 有一定的局限性。本研究采用的检测设备由传感器以及基本电路构成, 简化了脉搏信号的提取过程, 结构简单成本较低。结合现代化计算机技术, 对提取的脉搏信号进行预处理, 减少噪声干扰。在特征提取前对信号进行平均化处理使得提取的特征值更具有代表性, 并降低了采集过程中出现的误差。利用中医对脉象的描述, 从位、数、形、势 4 个方面对脉搏信号进行特征向量的提取, 得到更加全面的脉象信息
9、。根据中医对亚健康的判定标准对采集的数据进行分类识别, 并得到较高的准确率。该系统简化了亚健康诊断的过程, 依据中医脏腑辨证为理论基础3, 在五脏证型基础上进行分类识别, 使得“治未病”成为可能。1 脉象检测系统中医脉诊数字化系统的结构如图 1 所示, 该系统由硬件采集部分和软件分析处理部分组成。系统通过有线或者无线传输的方式连接硬件以及上位机, 将原始脉搏信号转换为数字信号并进行存储, 通过脉象识别模块对信号进行分析, 由上位机输出检测结果。图 1 系统结构 Fig.1 System structure 下载原图2 亚健康脉象识别本研究采用美国霍尼韦尔公司制造的压阻式传感器 (FSGWNPB
10、005) , 其差分输出模式可以同步输出脉搏信号和取脉压力值, 减少了测量误差。压力部分采用单片机控制气囊加压, 采取逆向加压的方式。由最大压力逐渐减小, 达到浮、中、沉取脉的目的。经试验发现, 此种加压方式能得到较好的脉象图。上位机模块基于 LABVIEW 平台进行开发, 采用 LAB-VIEW 与 Matlab 混合编程的方法, 利用 MAT-LAB 强大的数据处理能力对信号进行分析。脉象检测的过程是:分别对左右手共 6 脉象信号进行采集, 并将检测数据通过串口传入上位机显示。实时检测界面如图 2 所示, 取脉部位可进行实时切换。图 2 寸部检测 Fig.2 Inch detection
11、下载原图该系统根据中医三部九侯的脉诊理论, 对人体寸口部位脉搏波进行采集, 不同脉位和切脉压力下脉搏波的变化构成了人体的脉象信息。相较于单路采集, 此种方法更能全面的反映身体各组织器官的生理状况。根据中医脉诊理论, 从位、数、形、势 4 个方面提取脉搏信号时频域的特征值, 结合支持向量机算法建立亚健康识别模型, 对脉搏信号进行分类识别。该模型有效地实现了亚健康状态的识别。2.1 研究对象与方法研究对象:研究中心与北京中医药大学合作抽取若干教师及学生进行数据采集。研究对象必须无各种急慢性疾病, 身体状态良好, 年龄在 2040 岁。本次研究共采集 98 例脉象信号, 其中女 63 例, 男 35
12、 例。研究方法:对被测者分别进行量表评估和脉象检测系统诊断。1) 量表评估。根据世界卫生组织对亚健康的标定制定亚健康自测表, 根据自测表的评分 (70分为亚健康状态, 70 分为健康状态) 筛选亚健康人群, 并作为原始的分类判别标准。2) 脉象检测系统诊断。采用与研究中心合作研制的脉象检测系统采集被测者的脉象信息。为保证采集到稳定、真实的信号, 被测者需要静坐 10min, 保证在情绪稳定状态下进行检测。检测时, 被测者要静坐于桌前, 将仪器正确安放于腕部, 手臂自然弯曲放于桌上, 并保证手臂与心脏处于同一水平面。采用逆向加压方式进行检测, 即先将压力加到最大再缓慢减压, 直到出现清晰的波形,
13、 此时的压力值为最佳取脉压值, 经实验证明, 此方法获得的取脉压值比正向加压更准确。同一受试者要进行 35 次重复采集, 时间约为 10min, 充分保证信号的有效性和准确性。2.2 脉搏信号预处理原始采集的脉搏信号如图 3 所示, 是一种微弱的生物信号, 极易受到机体内环境和外界环境的干扰。这些干扰主要有:1) 采集过程中, 由于信号的周期不稳定性和非平稳性, 导致在采集开始和结束时出现信号失真;2) 其他设备引入的工频干扰, 如供电设备;3) 由呼吸、肌肉颤抖, 以及外界环境的影响等引起的基线漂移和肌电高频信号4。这些干扰会给信号的特征提取和识别带来严重的误差, 无法得到真实的实验结果。因
14、此, 在对信号进行特征值提取前要对信号进行滤波、去噪等预处理操作, 提高特征值提取的精度。图 3 原始脉搏信号 Fig.3 Original pulse signal 下载原图20 世纪 80 年代兴起的小波变换具有自适应特性。在低频部分具有较高的频率分辨率和较低的时间分辨率, 在高频部分具有较低的频率分辨率和较高的时间分辨率, 因其有良好的局部特性, 被誉为“数学显微镜”5。由于实验采集的脉搏信号能量主要分布在 040Hz, 有用的信号主要在 130Hz, 采用离散小波变换对信号进行分解与重构。为了获得较高的正则性, 本系统使用了 sym8 小波函数对脉象信号进行分析, 该函数具有紧支撑性、
15、高度对称和正则性, 信号在分解和重构之后的误差极小。对脉搏信号的小波分析主要分为 3 步:1) 使用 sym8小波函数对原始信号进行 8 层分解, 将信号转换为高频系数和低频系数。2) 高频系数设置软阈值, 进行阈值量化平滑处理。对高频部分采用 Heursure 启发式阈值选择模式, 可以极大地去除高频噪声造成的纹波抖动, 同时去除工频干扰。对高频分解系数进行小波逆变换获取高频重构信号。低频部分采用细分手动滤波去噪。低频噪声主要是由呼吸、身体活动引起的基线漂移, 这类噪声一般在1 Hz 以下, 利用小波分析高分辨率的优势, 消除 0.5Hz 频段的重构信号, 同时在去噪后的信号上加上 0.5
16、Hz 频段噪声平均能量, 得到低频重构信号。3) 把高频重构信号与低频重构信号叠加, 得到去噪后的脉搏信号。2.3 脉象信号的平均心脏的规律性收缩和舒张产生周期性非平稳脉搏信号, 该信号与人体脏器的盛衰息息相关。其不同周期之间会存在一定的差异, 为了提高特征值提取的精度, 需要对其进行周期处理6, 主要步骤有周期分割和信号平均化。周期分割的思想是寻找信号中的极值点, 相邻 2 个极小值点即为 1 个周期。脉象信号的平均化处理具体步骤为:1) 设置阈值, 选取合适周期长度, 进行后续处理。本实验设置平均周期点数为 p, 方差为 , 阈值为 2, 满足|N-P|2 为合格周期, 其中 N 为单个周期内采集点数, 将满足要求的波形叠加到一张图中。2) 对叠加之后的波形通过旋转、平移进行标准化处理, 借助 Matlab 工具箱的resample.m 函数实现波形重采样, 如图 4 所示。3) 对重采样后的波形进行平均化处理, 得到平均波形如图 5 所示。图 4 周
