一种基于多通道相关图特征的脉搏疾病识别装置

1.本技术涉一种基于多通道相关图特征的脉搏疾病识别装置。


背景技术：

2.人体脉搏由心脏收缩挤压血液进入主动脉形成，和人体心跳一样是一种准周期信号。临床上有许多疾病会对脉搏产生影响，将人体脉搏信号采集后，经过一系列处理和分析可以客观地反映疾病与生理变化。目前主流系统提取受试者一只手腕寸关尺脉搏信号或者一个穴位的脉搏信号，而中医脉理论提及左手心肝肾，右手肺脾命门，也就是左右手的寸、关、尺部位分别对应不同的脏器，加之疾病往往对多个组织器官造成影响，亦会影响脉搏，因此将多个通道信号合理的结合起来，在提取信息的广度上要优于前者。同时，在特征提取阶段，现有方法主要有手工提取时频域、熵值特征，利用神经网络提取深度特征等。提取的特征经过优选后线性组合送包送入分类器，这种特征向量方式的无法提取多个穴位之间的相关性，从而缺失了一部分有效信息。


技术实现要素：

3.为了克服现有技术中的至少一个不足，本技术提供一种基于多通道相关图特征的脉搏疾病识别装置。
4.第一方面，提供一种基于多通道相关图特征的脉搏疾病识别装置，包括：
5.脉搏信号获取模块，用于获取待识别用户的脉搏信号；
6.周期划分模块，用于对待识别用户的脉搏信号进行周期划分，得到多个周期的脉搏信号；每个周期的脉搏信号包括6个通道的脉搏数据；
7.频域幅值特征矩阵获取模块，用于将每个周期的脉搏信号进行傅里叶变换，并将变换结果输入到transformer网络模型中，输出每个周期的频域幅值特征矩阵，频域幅值特征矩阵包括6个通道的频域幅值特征向量；
8.相关矩阵构建模块，用于针对每个周期的频域幅值特征矩阵，确定6个通道的频域幅值特征向量中任意两个通道的频域幅值特征向量之间的相关性，基于相关性构建相关矩阵；
9.六通道相关图特征构建模块，用于基于相关矩阵构建通道相关图特征；
10.分类模块，用于将多个周期对应的多个六通道相关图特征输入到图卷积神经网络，得到待识别用户的脉搏疾病识别结果。
11.在一个实施例中，相关矩阵构建模块，还用于：
12.确定任意两个通道之间的惩罚因子γ；
13.基于惩罚因子γ求任意两个通道的频域幅值特征向量之间的相关性，采用以下公式：
14.15.其中，d
′
(u,v)为任意两个通道的频域幅值特征向量u、v之间的相关性，s为任意两个通道的频域幅值特征向量u、v的协方差矩阵。
16.在一个实施例中，相关矩阵构建模块，还用于：
17.确定任意两个通道的脉搏数据在时域下的时域指标以及在频域下的频域指标，时域指标包括峰度、偏度、最大值和最小值，频域指标包括能量、峰值、均方根和波峰因子；
18.基于任意两个通道的脉搏数据对应的时域指标和频域指标构建任意两个通道对应的指标向量；
19.求任意两个通道对应的指标向量的对应元素的差值，并求差值的绝对值之和，作为任意两个通道之间的惩罚因子γ。
20.在一个实施例中，六通道相关图特征构建模块，还用于：
21.对相关矩阵采用自适应阈值算法进行二值化，得到二值矩阵；
22.以6个通道作为节点，以二值矩阵中元素表示的节点之间的关联关系作为边，构造图网络；
23.将6个通道的频域幅值特征向量作为图网络的节点的节点特征，构建六通道相关图特征。
24.在一个实施例中，六通道相关图特征构建模块，还用于：
25.对相关矩阵中的每一行，计算行中所有元素的均值；
26.若行中元素的值大于均值，元素的值置为1，否则，元素的值置为0，得到二值矩阵。
27.在一个实施例中，装置还包括图卷积神经网络训练模块，用于基于采集的正常人和具有脉搏疾病的用户的脉搏信号对图卷积神经网络进行训练，得到训练后的图卷积神经网络。
28.在一个实施例中，transformer网络模型包括具有全局注意力机制的编码器和解码器。
29.相对于现有技术而言，本技术具有以下有益效果：
30.1、本技术充分利用了多通道脉搏数据间的相关性，能解决脉搏个体差异性带来的分类效果差的问题。
31.2、将周期信号转换到频域，包含了丰富的频域信息，通过预实验发现，频域周期信号比时域周期信号的分类效果更稳定，并且通过全局注意力机制的编码和解码操作，挖掘了脉搏特征的全局相关性。
32.3、采用自适应阈值算法，自动地判别了每一个周期节点之间的相似程度，为每一周期都生成了一个空间关系变化的图特征，从时空上体现了脉搏的变化，不仅提高了脉搏疾病识别的效果，还统计了相关度高的通道组合，更加全面的反映了不同人群的脉搏变化规律。
33.4、采用改进的马氏距离计算方法计算相关性，不仅在空间上度量了两个节点特征之间的距离，而且考虑了信号的时频域相似性，有效衡量不同通道件间的脉搏的相关程度。
附图说明
34.本技术可以通过参考下文中结合附图所给出的描述而得到更好的理解，附图连同下面的详细说明一起包含在本说明书中并且形成本说明书的一部分。在附图中：
35.图1示出了根据本技术实施例的基于多通道相关图特征的脉搏疾病识别装置的结构框图；
36.图2示出了脉搏信号周期划分示意图；
37.图3示出了基于相关矩阵得到六通道相关图特征的示意图。
具体实施方式
38.在下文中将结合附图对本技术的示例性实施例进行描述。为了清楚和简明起见，在说明书中并未描述实际实施例的所有特征。然而，应该了解，在开发任何这种实际实施例的过程中可以做出很多特定于实施例的决定，以便实现开发人员的具体目标，并且这些决定可能会随着实施例的不同而有所改变。
39.在此，还需要说明的一点是，为了避免因不必要的细节而模糊了本技术，在附图中仅仅示出了与根据本技术的方案密切相关的装置结构，而省略了与本技术关系不大的其他细节。
40.应理解的是，本技术并不会由于如下参照附图的描述而只限于所描述的实施形式。在本文中，在可行的情况下，实施例可以相互组合、不同实施例之间的特征替换或借用、在一个实施例中省略一个或多个特征。
41.本技术实施例提供一种基于多通道相关图特征的脉搏疾病识别装置，图1示出了根据本技术实施例的基于多通道相关图特征的脉搏疾病识别装置的结构框图，参见图1，装置包括：
42.脉搏信号获取模块11，用于获取待识别用户的脉搏信号。这里，可以采用多通道压电脉搏采集设备采集待识别用户的脉搏信号，采集的脉搏信号包括左手和右手的寸部、关部、尺部共6个通道的脉搏数据。
43.周期划分模块12，用于对待识别用户的脉搏信号进行周期划分，得到多个周期的脉搏信号；每个周期的脉搏信号包括6个通道的脉搏数据。这里，可以采用div周期分割函数对脉搏信号进行周期划分，div周期分割函数以脉搏信号的最小振幅点(波谷)进行周期划分，在周期划分后，每个周期包括同一时间段中的6个通道的脉搏数据。图2示出了脉搏信号周期划分示意图。
44.频域幅值特征矩阵获取模块13，用于将每个周期的脉搏信号进行傅里叶变换，并将变换结果输入到transformer网络模型中，输出每个周期的频域幅值特征矩阵，频域幅值特征矩阵包括6个通道的频域幅值特征向量。这里，transformer网络模型包括具有全局注意力机制的编码器和解码器。
45.相关矩阵构建模块14，用于针对每个周期的频域幅值特征矩阵，确定6个通道的频域幅值特征向量中任意两个通道的频域幅值特征向量之间的相关性，基于相关性构建相关矩阵。这里可以采用马氏距离计算方法计算任意两个通道的频域幅值特征向量之间的相关性，最终得到6*6相关矩阵。
46.六通道相关图特征构建模块15，用于基于相关矩阵构建通道相关图特征。
47.分类模块16，用于将多个周期对应的多个六通道相关图特征输入到图卷积神经网络，得到待识别用户的脉搏疾病识别结果。这里，待识别用户的脉搏疾病识别结果指的是待识别用户分类为具有脉搏疾病的患者或者正常人，脉搏疾病例如可以为高血压；图卷积神
经网络为训练后的图卷积神经网络。每个周期对应的六通道相关图特征输入到图卷积神经网络后，输出该周期对应的待识别用户为具有脉搏疾病的患者或者正常人，当根据多个周期对应的六通道相关图特征，输出的脉搏疾病识别结果中待识别用户为具有脉搏疾病的患者的概率超过设定比例，则认为待识别用户为具有脉搏疾病的患者。
48.本技术的上述实施例中，充分利用了多通道脉搏数据间的相关性，能解决脉搏个体差异性带来的分类效果差的问题；将周期信号转换到频域，包含了丰富的频域信息，通过预实验发现，频域周期信号比时域周期信号的分类效果更稳定，并且通过全局注意力机制的编码和解码操作，挖掘了脉搏特征的全局相关性；采用自适应阈值算法，自动地判别了每一个周期节点之间的相似程度，为每一周期都生成了一个空间关系变化的图特征，从时空上体现了脉搏的变化，不仅提高了脉搏疾病识别的效果，还统计了相关度高的通道组合，更加全面的反映了不同人群的脉搏变化规律。
49.在一个实施例中，考虑到在构建相关矩阵的过程中，采用的马氏距离计算方法无法有效衡量不同通道件间的脉搏的相关程度，该实施例中，对马氏距离计算方法进行了改进，具体地，相关矩阵构建模块，还用于：
50.确定任意两个通道之间的惩罚因子γ；
51.基于惩罚因子γ求任意两个通道的频域幅值特征向量之间的相关性，采用以下公式：
[0052][0053]
其中，d
′
(u,v)为任意两个通道的频域幅值特征向量u，v之间的相关性，s为任意两个通道的频域幅值特征向量u，v的协方差矩阵。
[0054]
具体的，上述实施例中，确定任意两个通道之间的惩罚因子γ的方法如下：
[0055]
确定任意两个通道的脉搏数据在时域下的时域指标以及在频域下的频域指标，时域指标包括峰度、偏度、最大值和最小值，频域指标包括能量、峰值、均方根和波峰因子；
[0056]
基于任意两个通道的脉搏数据对应的时域指标和频域指标构建任意两个通道对应的指标向量；
[0057]
求任意两个通道对应的指标向量的对应元素的差值，并求差值的绝对值之和，作为任意两个通道之间的惩罚因子γ。
[0058]
该实施例中，在计算相关性的过程中，不仅在空间上度量了两个节点特征之间的距离，而且考虑了信号的时频域相似性，有效衡量不同通道件间的脉搏的相关程度。
[0059]
在一个实施例中，六通道相关图特征构建模块，还用于：
[0060]
对相关矩阵采用自适应阈值算法进行二值化，得到二值矩阵；这里，二值矩阵中的元素为0或者1。
[0061]
以6个通道作为节点，以二值矩阵中元素表示的节点之间的关联关系作为边，构造图网络；这里，图网络中二值矩阵的中的元素若为1，该元素表示的两个节点之间有边连接，元素为0，该元素表示的两个节点之间没有边连接。
[0062]
将6个通道的频域幅值特征向量作为图网络的节点的节点特征，构建六通道相关图特征。图3示出了基于相关矩阵得到六通道相关图特征的示意图。
[0063]
具体地，上述实施例中，相关矩阵采用自适应阈值算法进行二值化，得到二值矩
阵，采用的方法如下：
[0064]
对相关矩阵中的每一行，计算行中所有元素的均值；
[0065]
若行中元素的值大于均值，元素的值置为1，否则，元素的值置为0，得到二值矩阵。
[0066]
在一个实施例中，装置还包括图卷积神经网络训练模块，用于基于采集的正常人和具有脉搏疾病的用户的脉搏信号对图卷积神经网络进行训练，得到训练后的图卷积神经网络。
[0067]
这里，模型训练模块中，采集的正常人和具有脉搏疾病的用户的脉搏信号经过前述实施例的周期划分模块12、频域幅值特征向量获取模块13、相关矩阵构建模块14、六通道相关图特征构建模块15后，得到六通道相关图特征，将六通道相关图特征输入到图卷积神经网络进行迭代训练，最终得到训练后的图卷积神经网络。
[0068]
综上，本技术具有以下技术效果：
[0069]
1、本技术充分利用了多通道脉搏数据间的相关性，能解决脉搏个体差异性带来的分类效果差的问题；
[0070]
2、将周期信号转换到频域，包含了丰富的频域信息，通过预实验发现，频域周期信号比时域周期信号的分类效果更稳定，并且通过全局注意力机制的编码和解码操作，挖掘了脉搏特征的全局相关性。
[0071]
3、采用自适应阈值算法，自动地判别了每一个周期节点之间的相似程度，为每一周期都生成了一个空间关系变化的图特征，从时空上体现了脉搏的变化，不仅提高了脉搏疾病识别的效果，还统计了相关度高的通道组合，更加全面的反映了不同人群的脉搏变化规律。
[0072]
4、采用改进的马氏距离计算方法计算相关性，不仅在空间上度量了两个节点特征之间的距离，而且考虑了信号的时频域相似性，有效衡量不同通道件间的脉搏的相关程度。
[0073]
以上所述，仅为本技术的各种实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。

技术特征：
1.一种基于多通道相关图特征的脉搏疾病识别装置，其特征在于，包括：脉搏信号获取模块，用于获取待识别用户的脉搏信号；周期划分模块，用于对所述待识别用户的脉搏信号进行周期划分，得到多个周期的脉搏信号；每个周期的脉搏信号包括6个通道的脉搏数据；频域幅值特征矩阵获取模块，用于将每个周期的脉搏信号进行傅里叶变换，并将变换结果输入到transformer网络模型中，输出每个周期的频域幅值特征矩阵，所述频域幅值特征矩阵包括6个通道的频域幅值特征向量；相关矩阵构建模块，用于针对每个周期的频域幅值特征矩阵，确定6个通道的频域幅值特征向量中任意两个通道的频域幅值特征向量之间的相关性，基于所述相关性构建相关矩阵；六通道相关图特征构建模块，用于基于所述相关矩阵构建通道相关图特征；分类模块，用于将多个周期对应的多个六通道相关图特征输入到图卷积神经网络，得到所述待识别用户的脉搏疾病识别结果。2.如权利要求1所述的装置，其特征在于，所述相关矩阵构建模块，还用于：确定任意两个通道之间的惩罚因子γ；基于所述惩罚因子γ求所述任意两个通道的频域幅值特征向量之间的相关性，采用以下公式：其中，d
′
(u,v)为任意两个通道的频域幅值特征向量u、v之间的相关性，s为任意两个通道的频域幅值特征向量u、v的协方差矩阵。3.如权利要求2所述的装置，其特征在于，所述相关矩阵构建模块，还用于：确定任意两个通道的脉搏数据在时域下的时域指标以及在频域下的频域指标，所述时域指标包括峰度、偏度、最大值和最小值，所述频域指标包括能量、峰值、均方根和波峰因子；基于所述任意两个通道的脉搏数据对应的所述时域指标和所述频域指标构建所述任意两个通道对应的指标向量；求所述任意两个通道对应的指标向量的对应元素的差值，并求所述差值的绝对值之和，作为任意两个通道之间的惩罚因子γ。4.如权利要求1所述的装置，其特征在于，所述六通道相关图特征构建模块，还用于：对所述相关矩阵采用自适应阈值算法进行二值化，得到二值矩阵；以6个通道作为节点，以所述二值矩阵中元素表示的节点之间的关联关系作为边，构造图网络；将6个通道的频域幅值特征向量作为图网络的节点的节点特征，构建六通道相关图特征。5.如权利要求4所述的装置，其特征在于，所述六通道相关图特征构建模块，还用于：对所述相关矩阵中的每一行，计算所述行中所有元素的均值；若所述行中元素的值大于所述均值，所述元素的值置为1，否则，所述元素的值置为0，
得到二值矩阵。6.如权利要求1所述的装置，其特征在于，所述装置还包括图卷积神经网络训练模块，用于基于采集的正常人和具有脉搏疾病的用户的脉搏信号对图卷积神经网络进行训练，得到训练后的图卷积神经网络。7.如权利要求1所述的装置，其特征在于，所述transformer网络模型包括具有全局注意力机制的编码器和解码器。

技术总结
本申请涉及一种基于多通道相关图特征的脉搏疾病识别装置，充分利用了多通道脉搏数据间的相关性，能解决脉搏个体差异性带来的分类效果差的问题；将周期信号转换到频域，包含了丰富的频域信息，通过预实验发现，频域周期信号比时域周期信号的分类效果更稳定，并且通过全局注意力机制的编码和解码操作，挖掘了脉搏特征的全局相关性；采用自适应阈值算法，自动地判别了每一个周期节点之间的相似程度，为每一周期都生成了一个空间关系变化的图特征，从时空上体现了脉搏的变化，不仅提高了脉搏疾病识别的效果，还统计了相关度高的通道组合，更加全面的反映了不同人群的脉搏变化规律。加全面的反映了不同人群的脉搏变化规律。加全面的反映了不同人群的脉搏变化规律。


技术研发人员：范琳 党博辰 王忠民 张荣 贺炎 王文浪 何浪
受保护的技术使用者：西安邮电大学
技术研发日：2023.07.17
技术公布日：2023/10/11