一种基于P-P间隔序列脉率失常的结代脉识别方法

一种基于p-p间隔序列脉率失常的结代脉识别方法
技术领域
1.本技术涉及中医脉诊数字化研究领域，具体而言，涉及一种基于p-p间隔序列脉率失常的结代脉识别方法。


背景技术：

2.人体的循环系统依赖于心脏和血管将养分输送到身体各部分的细胞中来维持日常的新陈代谢。心脏的搏动是由自身节律性放电和自主神经系统的共同影响。当交感神经受到刺激时，会增加心肌的收缩，导致心跳加速；而迷走神经的兴奋则会降低心脏房室结的传导速度，减缓心脏搏动。脉率失常是心脏异常搏动的一种表现形式，因为心脏搏动的起源或传导过程出现障碍都会导致脉搏跳动的频率和节律发生异常。在正常生理状态下，心脏和传导功能正常运转，自主神经系统保持动态平衡。但是，当人体心脏或其他部位受到疾病侵袭或损伤时，自主神经系统的平衡状态就被打破，导致心血管系统紊乱以及脉搏的频率和节律发生明显变化。
3.脉搏波是心血管系统运作的物理反映，与各种生理变化密切相关。心脏、血液和动脉管壁共同作用产生了脉搏，其搏动的频率和节律是非常重要的特征参数。在心血管疾病发病时，桡动脉的搏动会出现明显变化。因此，从脉搏信号中提取频率和节律的变化对研究心血管疾病具有重要意义。
4.代脉和结脉是反映频率和节律变化的重要脉像。一般地，代脉和结脉的识别主要依靠中医的个人经验和感觉，不同中医的识别结果可能是不同的；依赖于中医的工作状态，即使同一名中医在不同时间的识别结果也可能是不同的。这为中医脉诊数字化制造了困难。也就是，依靠中医的经验进行代脉和结脉的识别不够准确，为中医脉诊数字化奠定基础。


技术实现要素：

5.本发明的目的在于，针对上述现有技术中的不足，提供一种基于p-p间隔序列脉率失常的结代脉识别方法，以解决依靠中医的经验进行代脉和结脉的识别不够准确的问题。
6.为实现上述目的，本发明采用的技术方案如下：
7.本技术提供一种基于p-p间隔序列脉率失常的结代脉识别方法，该方法包括如下步骤：s1，获取待测样本；s2，从连续的脉搏信号中提取相同特征点的时间信息，构建相对应的pp间期时间序列；s3，对pp间期时间序列进行阈值处理，根据阈值处理结果得到脉搏信号类别。
8.进一步地，获取待测样本指的是获取待测人员手腕桡动脉处的脉搏信号，通过脉搏采集装置直接获取；获取的参数至少包括一维时间序列、信号采样率、测量时间。
9.更进一步地，脉搏信号的测量时间大于10分钟，信号采样率为1khz，一维时间序列指按照时间顺序排列的表示脉搏信号振动幅度大小的数值。
10.更进一步地，从连续的脉搏信号中提取相同特征点的时间信息，构建相对应的pp
间期时间序列包括：提取脉搏信号每个心动周期中的局部极大值点对应的时间信息，得到时间序列数组v＝[v0,v1,v2,
…
,vk,
…
]，其中，vk表示第k个心动周期的相同特征点对应的时间信息。
[0011]
更进一步地，从连续的脉搏信号中提取相同特征点的时间信息，构建相对应的pp间期时间序列还包括：对时间序列数组依次进行差分计算，得到pp间期时间序列t＝[t1,t2,t3,
…
,tk,
…
]，其中，tk表示差分计算的结果，差分计算的表达式为：tk＝v
k+1-vk,k＝1,2,
…
,n，其中，n为时间序列数组中相同特征点的数量，tk表示第k个心动周期对应的pp间期，vk和v
k+1
分别表示第k个和第k+1个心动周期的相同特征点对应的时间信息。
[0012]
更进一步地，对pp间期时间序列进行阈值处理，根据阈值处理结果得到脉搏信号类别包括：
[0013]
对pp间期时间序列t＝[t1,t2,t3,
…
,tk,
…
]进行阈值处理得到阈值，根据阈值的节律判断脉搏信号类别；阈值处理的表达式为：
[0014][0015]
其中，ppi
t
(k)为阈值，ppi(k)和ppi(k+1)是第k个和第k+1个pp间期的时间值。
[0016]
更进一步地，对pp间期时间序列进行阈值处理，根据阈值处理结果得到脉搏信号类别还包括：阈值大于0点呈现周期性峰值则为代脉；阈值大于0点呈现无规律性峰值则为结脉；阈值大于0点呈现无峰值的直线则为正常脉率。
[0017]
更进一步地，对pp间期时间序列进行阈值处理，根据阈值处理结果得到脉搏信号类别还包括：绘制脉率变异性信号图，将阈值处理后得到的阈值作为纵坐标，搏动次数作为横坐标。
[0018]
与现有技术相比，本发明的有益效果：本发明方法提取脉搏信号中的局部极大值点，作为相同特征点，将相同特征点对应的时间信息进行差分计算，得到对应的pp间期时间序列；再对pp间期时间序列进行阈值处理，得到脉率变异信息，根据阈值大于0的节律判断代脉、结脉、正常脉率。本发明对p-p间隔序列进行阈值处理，将正常的脉率波段转化为0，使得脉率失常波段信噪比更高，容易展示出来，从而有效提升了识别准确率。本方法可以有效地识别出正常脉率、代脉、结脉，为中医脉诊的数字化奠定基础。
附图说明
[0019]
图1为本发明提供的一种基于p-p间隔序列脉率失常的结代脉识别方法的示意图；
[0020]
图2为本发明提供的一种基于p-p间隔序列脉率失常的结代脉识别方法中步骤s1获取的脉搏信号的示意图；
[0021]
图3为本发明提供的一种基于p-p间隔序列脉率失常的结代脉识别方法中步骤s1获取的正常脉和结代脉的连续脉搏信号，图3(a)为健康人表现的平脉信号；图3(b)和图3(c)分别为代脉信号和结脉信号；
[0022]
图4为本发明提供的一种基于p-p间隔序列脉率失常的结代脉识别方法中步骤s3中经过阈值处理后的pp间期图，图4(a)为健康人表现的平脉信号；图4(b)和图4(c)分别为代脉信号和结脉信号。
具体实施方式
[0023]
为了使本发明的实施过程更加清楚，下面将会结合附图进行详细说明。
[0024]
本发明提供了一种基于p-p间隔序列脉率失常的结代脉识别方法，如图1所示，该方法包括如下步骤：
[0025]
s1，获取待测样本；
[0026]
本发明的待测样本为脉搏信号，脉搏信号为随时间变化的振幅曲线。脉搏信号可以是现有数据库中的脉搏信号，也可以是通过脉搏采集装置直接得到的脉搏信号。只要是随时间变化的振幅曲线形式的脉搏信号都适用于本发明识别方法。本实施例中的脉搏信号样本为自测数据，来自于自主搭建的脉搏采集装置采集到的手腕桡动脉处的脉搏信号。获取的脉搏信号如图2所示，显示为随时间变化的波动。将采集到的信号以时间为自变量，即为一维时间序列。脉搏信号的特征至少包括一维时间序列、信号采样率、测量时间。本实施例中信号采样率为1khz，连续测量时间大于10分钟，选取的单个样本的测量时间大于5分钟。本实施例中的样本包括健康人和心血管疾病患者，如图3(a)为健康人表现的平脉信号；图3(b)和图3(c)分别为代脉信号和结脉信号。
[0027]
在进行后续步骤之前还需要进行去噪处理，使用的是集合经验模态分解的方式，具体的去噪处理过程详见名称为“一种基于eemd-csi算法的脉搏信号采集处理方法”，公开号为“cn115227210a”的发明专利申请中公开的方法。
[0028]
s2，从连续的脉搏信号中提取相同特征点的时间信息，构建相对应的pp间期时间序列；
[0029]
心脏搏动产生的相邻两个脉搏波的时间间隔为pp间期(pulse to pulse,pp)。提取脉搏信号一维时间序列中相同特征点，然后对相邻特征点进行差分计算，构成相应的pp间期时间序列。具体地，提取脉搏信号每个周期中的局部极大值点，也就是上述相同特征点，从连续的脉搏信号中提取相同特征点的时间信息。时间序列数组v＝[ν0,ν1,ν2,
…
,vk,
…
]表示对应脉搏信号的多个特征点，其中vk表示第k心动周期的脉搏信号对应的特征点。设定满足脉搏信号采样率，对时间序列数组依次进行差分计算，以获取相对应的pp间期时间序列；差分计算的表达式为：tk＝v
k+1-vk,k＝1,2,
…
,n，其中，n为时间序列数组中相同特征点的数量，tk表示第k个脉搏信号序列的pp间期，时间序列数组中对应所有的差分计算结果即为pp间期时间序列，一组脉搏信号时间序列数组中所有单个脉搏波段的pp间期表示为t＝[t1,t2,t3,
…
,tk,
…
]，对应一个左心室的心动周期。
[0030]
s3，对pp间期时间序列进行阈值处理，根据阈值处理结果得到脉搏信号类别。
[0031]
对步骤s2得到的pp间期时间序列t＝[t1,t2,t3,
…
,tk,
…
]，进行阈值处理。脉率阈值分类定义如下：ppi(k+1)-ppi(k)＞0.2s,1＜k≤n-1，其中ppi(k)和ppi(k+1)是第k个和第k+1个pp间期的时间值，数值上与pp间期时间序列t＝[t1,t2,t3,
…
,tk,
…
]中的对应值相等，即ppi(k)＝tk，ppi(k+1)＝t
k+1
，n为时间序列数组中相同特征点的数量。阈值处理根据如下表达式得到，该表达式采用阈值法生成的pp间期的模糊正则离散时间序列ppi
t
(k)：
[0032][0033]
得到的阈值即为上述表达式的值ppi
t
(k)，也就是将阈值小于0.2s时输出为零，阈
值大于0.2s时，输出为原值。相邻时间差大于0.2s，认为出现传导阻滞。根据阈值大于0的节律判断脉像，也就是判断阈值大于0点的规律性，若呈现周期性峰值为代脉，无规律性峰值为结脉，无峰值为正常脉率。这是因为，正常脉率是平缓且相对规律的，pp间期相差不大，所以，对应阈值属于小于等于0.2s的情况，输出值均为0；代脉是脉来缓慢而有规则的间歇，如图3(b)所示，出现规律的脉率延迟；结脉是止无定数，即在一次完整的脉搏之后，出现停搏或提前出现一次小的搏动，而后出现一个完全或不完全性代偿间歇期，如图3(c)所示，出现不规律的脉率延迟和过早搏动。具体地，可以通过绘制脉率变异性信号图进行观察。
[0034]
由于脉搏信号不是严格的周期性序列，pp间期tk和t
k+m
,m＝1,2,3,
…
不一定相等。实际上，人体的脉搏信号搏动周期存在微小的变化，分析pp间期变化的差异性即为脉率变异(prv)。本发明通过prv的差异对平脉信号(健康人对应的脉搏信号)、代脉信号(异常信号)、结脉信号(异常信号)进行识别区分。
[0035]
利用二维的数组记录pp间期时间序列t＝[t1,t2,t3,
…
,tk,
…
]和阈值处理后的pp间期时间序列t＝[t1,t2,t3,
…
,tk,
…
]。对于prv信号，建立一个2*n维度的离散时间序列x)2,n_，这个离散时间序列的第一行用来记录pp间期时间序列t＝[t1,t2,t3,
…
,tk,
…
]，第二行记录经过阈值处理后的pp间期时间序列t＝[t1,t2,t3,
…
,tk,
…
]。绘制脉率变异性信号图，具体地，将阈值处理后的pp间期为纵坐标，即得到的阈值为纵坐标，搏动次数作为横坐标。由上述阈值处理过程可知，把相邻时间差小于0.2s的定义为0，否则不发生变化。得到的结果如图4所示。图4为图3对应脉搏信号的脉率变异性信号图，图4(a)为健康人表现的平脉信号，纵坐标全为0，显示为一条直线；图4(b)和图4(c)分别为代脉信号和结脉信号，图4(b)中阈值大于0的点呈现周期性峰值，是规律的，图4(c)中阈值大于0的点呈现出不规则的变化，是不规律的。
[0036]
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于p-p间隔序列脉率失常的结代脉识别方法，其特征在于，所述方法包括如下步骤：s1，获取待测样本；s2，从连续的脉搏信号中提取相同特征点的时间信息，构建相对应的pp间期时间序列；s3，对所述pp间期时间序列进行阈值处理，根据所述阈值处理结果得到所述脉搏信号类别。2.根据权利要求1所述的基于p-p间隔序列脉率失常的结代脉识别方法，其特征在于，所述获取待测样本指的是获取待测人员手腕桡动脉处的脉搏信号，通过脉搏采集装置直接获取；获取的参数至少包括一维时间序列、信号采样率、测量时间。3.根据权利要求2所述的基于p-p间隔序列脉率失常的结代脉识别方法，其特征在于，所述脉搏信号的所述测量时间大于10分钟，所述信号采样率为1khz，所述一维时间序列指按照时间顺序排列的表示所述脉搏信号振动幅度大小的数值。4.根据权利要求3所述的基于p-p间隔序列脉率失常的结代脉识别方法，其特征在于，所述从连续的脉搏信号中提取相同特征点的时间信息，构建相对应的pp间期时间序列包括：提取所述脉搏信号每个心动周期中的局部极大值点对应的时间信息，得到时间序列数组v＝[ν0,ν1,ν2,
…
,ν
k
,
…
]，其中，v
k
表示第k个心动周期的相同特征点对应的时间信息。5.根据权利要求4所述的基于p-p间隔序列脉率失常的结代脉识别方法，其特征在于，所述从连续的脉搏信号中提取相同特征点的时间信息，构建相对应的pp间期时间序列还包括：对所述时间序列数组依次进行差分计算，得到pp间期时间序列t＝[t1,t2,t3,
…
,t
k
,
…
]，其中，t
k
表示所述差分计算的结果，所述差分计算的表达式为：t
k
＝v
k+1-ν
k
,k＝1,2,
…
,n，其中，n为所述时间序列数组中相同特征点的数量，t
k
表示第k个心动周期对应的pp间期，v
k
和v
k+1
分别表示第k个和第k+1个心动周期的相同特征点对应的时间信息。6.根据权利要求5所述的基于p-p间隔序列脉率失常的结代脉识别方法，其特征在于，所述对所述pp间期时间序列进行阈值处理，根据所述阈值处理结果得到所述脉搏信号类别包括：对所述pp间期时间序列t＝[t1,t2,t3,
…
,t
k
,
…
]进行所述阈值处理得到阈值，根据所述阈值的节律判断脉搏信号类别；所述阈值处理的表达式为：其中，ppi
t
(k)为所述阈值，ppi(k)和ppi(k+1)是第k个和第k+1个pp间期的时间值。7.根据权利要求6所述的基于p-p间隔序列脉率失常的结代脉识别方法，其特征在于，所述对所述pp间期时间序列进行阈值处理，根据所述阈值处理结果得到所述脉搏信号类别还包括：所述阈值大于0点呈现周期性峰值则为代脉；所述阈值大于0点呈现无规律性峰值则为结脉；所述阈值大于0点呈现无峰值的直线则为正常脉率。8.根据权利要求7所述的基于p-p间隔序列脉率失常的结代脉识别方法，其特征在于，所述对所述pp间期时间序列进行阈值处理，根据所述阈值处理结果得到所述脉搏信号类别还包括：绘制脉率变异性信号图，将所述阈值处理后得到的所述阈值作为纵坐标，搏动次数
作为横坐标。

技术总结
本申请涉及中医脉诊数字化研究领域，具体提供了一种基于P-P间隔序列脉率失常的结代脉识别方法，该方法包括如下步骤：S1，获取待测样本；S2，从连续的脉搏信号中提取相同特征点的时间信息，构建相对应的PP间期时间序列；S3，对PP间期时间序列进行阈值处理，根据阈值处理结果得到脉搏信号类别。本发明方法提取脉搏信号中的局部极大值点，并将时间信息进行差分计算，得到PP间期时间序列；再进行阈值处理，得到脉率变异信息，根据阈值大于0的节律判断代脉、结脉、正常脉率。本发明对P-P间隔序列进行阈值处理，将正常的脉率波段转化为0，使得脉率失常波段信噪比更高，容易展示出来，从而有效提升了正常脉率、代脉、结脉的识别准确率。结脉的识别准确率。结脉的识别准确率。


技术研发人员：张志东 薛晨阳 马宇航 门九章 常兴和 郭栋 李波 臧俊斌 曹溪源
受保护的技术使用者：山西中医药大学
技术研发日：2023.06.27
技术公布日：2023/8/5