[發明專利]一種脈搏分析方法及裝置

在審

• 申請號: 202310661630.2
• 申請日: 2023-06-06
• 公開（公告）號: CN116649924A
• 公開（公告）日: 2023-08-29
• 發明（設計）人: 唐延斌;龍子鑫;蔣鑫;謝子成;劉志成;孟禎;彭長虹
• 申請（專利權）人: 湖南敬凱投資管理有限公司
• 主分類號: A61B5/02
• 分類號: A61B5/02;A61B5/00;G06F18/00;G06F18/10;G06N3/047;G06N3/084;G06F123/02
• 代理公司: 長沙正奇專利事務所有限責任公司 43113
• 代理人: 張珉瑞

1.一種脈搏分析方法，包括如下步驟：

S1、獲取與寸、關、尺三個部位相對應的三組脈搏數據集，每組脈搏數據集中包括由多個脈搏采集單元獲取的多個脈搏數據；

S2、獲取各脈搏數據的頻域特征、時域特征和高斯混合模型特征；其中所述高斯混合模型特征為高斯混合模型中每個高斯分布函數的權重、均值和協方差矩陣；

S3、將各脈搏數據的頻域特征、時域特征和高斯混合模型特征輸入預先訓練好的神經網絡模型中，輸出得到預測的脈象分類結果。

2.根據權利要求1所述的脈搏分析方法，其特征在于，步驟S2與S3之間還包括采用主成分分析法剔除冗余的頻域特征、時域特征和高斯混合模型特征的步驟。

3.根據權利要求2所述的脈搏分析方法，其特征在于：根據如下步驟獲取訓練好的神經網絡模型：

獲取脈搏樣本數據集，對脈搏樣本數據集進行脈象標注得到脈象分類，將脈搏樣本數據集分為訓練集和測試集，獲取訓練集和測試集中每個脈搏樣本數據的頻域特征、時域特征和高斯混合模型特征，并采用主成分分析法剔除冗余的頻域特征、時域特征和高斯混合模型；

利用訓練集中所有脈搏樣本數據的頻域特征、時域特征和高斯混合模型特征對神經網絡模型進行訓練，利用測試集中所有脈搏樣本數據的頻域特征、時域特征和高斯混合模型特征對神經網絡模型的準確度進行評估，得到訓練好的神經網絡模型。

4.根據權利要求2所述的脈搏分析方法，其特征在于：所述脈搏數據包括脈搏寬度；步驟S3中，將各脈搏數據的頻域特征、時域特征、高斯混合模型特征和脈搏寬度輸入預先訓練好的神經網絡模型中，輸出得到預測的脈象分類結果。

5.根據權利要求4所述的脈搏分析方法，其特征在于，根據如下步驟獲取訓練好的神經網絡模型：

獲取脈搏樣本數據集，對脈搏樣本數據集進行脈象標注得到脈象分類，將脈搏樣本數據集分為訓練集和測試集，獲取訓練集和測試集中每個脈搏樣本數據的頻域特征、時域特征和高斯混合模型特征，并采用主成分分析法剔除冗余的頻域特征、時域特征和高斯混合模型；

利用訓練集中所有脈搏樣本數據的頻域特征、時域特征、高斯混合模型特征和脈搏寬度對神經網絡模型進行訓練，利用測試集中所有脈搏樣本數據的頻域特征、時域特征、高斯混合模型特征和脈搏寬度對神經網絡模型的準確度進行評估，得到訓練好的神經網絡模型。

6.一種脈搏分析裝置，其特征在于，包括：

第一獲取模塊，用于獲取與寸、關、尺三個部位相對應的三組脈搏數據集，每組脈搏數據集中包括由多個脈搏采集單元獲取的多個脈搏數據；

特征提取模塊，用于獲取各脈搏數據的頻域特征、時域特征和高斯混合模型特征；其中

所述高斯混合模型特征為高斯混合模型中每個高斯分布函數的權重、均值和協方差矩陣；和

預測模塊，用于將各脈搏數據的頻域特征、時域特征和高斯混合模型特征輸入預先訓練好的神經網絡模型中，輸出得到預測的脈象分類結果。

7.根據權利要求6所述的脈搏分析裝置，其特征在于：還包括特征剔除模塊，用于采用主成分分析法剔除冗余的頻域特征、時域特征和高斯混合模型特征。

8.根據權利要求7所述的脈搏分析裝置，其特征在于，還包括模型訓練模塊，用于根據如下步驟獲取訓練好的神經網絡模型：

獲取脈搏樣本數據集，對脈搏樣本數據集進行脈象標注得到脈象分類，將脈搏樣本數據集分為訓練集和測試集，獲取訓練集和測試集中每個脈搏樣本數據的頻域特征、時域特征和高斯混合模型特征，并采用主成分分析法剔除冗余的頻域特征、時域特征和高斯混合模型；

利用訓練集中所有脈搏樣本數據的頻域特征、時域特征和高斯混合模型特征對神經網絡模型進行訓練，利用測試集中所有脈搏樣本數據的頻域特征、時域特征和高斯混合模型特征對神經網絡模型的準確度進行評估，得到訓練好的神經網絡模型。