[发明专利]一种基于脉搏周期间特征的高血压识别方法、装置及设备

说明书

本发明提出了一种基于脉搏周期间特征的高血压识别方法、装置及设备，方法为：对获取样本人员的脉搏数据依次进行预处理、周期划分处理和滑动窗口处理并打标签，然后优选出对高血压疾病分类贡献度较大的四个周期间网络特征作为脉搏周期间网络特征向量，再将滑动窗口处理后的样本人员脉搏数据输入到多尺度排列熵算法中，提取多尺度排列熵值，最后两个特征融合组成高血压脉搏特征向量，输入到分类模型中，并以样本人员对应的标签进行监督，进行训练，获得训练好的分类模型。本发明通过对周期间敏感特征的挖掘，证明了脉搏信号周期间特征的有效性，同时也提高了高血压疾病分类准确率；利用网络特征使挖掘出来的周期间敏感特征具有了可解释性。

技术领域

本发明属于中医脉象采集系统技术领域，具体涉及一种基于脉搏周期间特征的高血压识别方法、装置、及电子设备。

背景技术

中医认为人体手腕处的脉搏信号包含了大量的生理学和病理学信息，能反映出人体的气血运行，肺腑功能状态以及其他的病理变化等。从现代医学角度来看，脉搏信号始于人体心脏周期性的收缩和舒张，血液被泵入身体各个脏器后汇聚在手腕动脉处，所以其蕴含着丰富的人体心血管信息。近些年来脉搏信号被广泛应用在包括高血压、冠心病、房颤等在内的疾病识别领域。

近些年在脉搏信号用来疾病识别的过程中，特征提取大体可分为基于时域分析，基于频域的分析，基于时频域的分析，基于非线性方法的分析四大部分。对于时域特征提取可以使用脉搏波的振幅、形态、周期、角度、主波和重博波等各种波的幅值比和其他关键点用来分类，但只能反应脉搏信号局部特征变化。对于频域特征提取，一般采用STFT，HHT，小波变换，功率谱等方法来分类，但所提取的频域信息一般难以理解。时频域特提取是结合时域与频域的特点，用于疾病分类有较好的效果，但也只局限于单周期信号内部特征，很难关注到脉搏周期间的差异性与疾病分类之间的关系。对于非线性特征，一般提取样本熵，近似熵等熵值特征，其可以将周期内部差异结合脉搏信号的趋势作为特征，其特征因结合了周期内差异存在，故对证明周期间差异性对脉搏信号疾病分类的可解释性产生了影响，这存在一定的局限性。

由于脉搏信号是一个准周期信号，并且各个周期之间存在一些细小的差异，这种差异一般被认为包含一定生理病理信息。上述特征提取方法大部分都是基于单周期的方法，提取出来的特征也不能表述周期之间的差异。中医理论认为周期间差异和周期内的差异各有其重要性，因此，如果可以提取到周期内特征将有利于证明基于脉搏信号的周期间差异对疾病分类的有效性，有利于实现周期间差异特征的可解释性，也有利于提高疾病识别精度。

发明内容

本发明所要解决的技术问题在于针对上述现有技术的不足，提供了一种基于脉搏周期间特征的高血压识别方法、装置、电子设备及介质，该方法通过对周期间敏感特征的挖掘，证明了脉搏信号周期间特征的有效性，同时也提高了高血压疾病分类准确率；利用网络特征使挖掘出来的周期间敏感特征具有了可解释性。

为解决上述技术问题，本发明采用的技术方案是：一种基于脉搏周期间特征的高血压识别方法，包括：

获取样本人员的脉搏数据，并对样本人员的脉搏数据依次进行预处理、周期划分处理和滑动窗口处理，所述样本人员的脉搏数据打上了用于区分样本人员是否是患高血压的标签；

基于滑动窗口处理后的样本人员脉搏数据构建连通图，从所述连通图中提取多个周期间网络特征，从多个周期间网络特征中优选出对高血压疾病分类贡献度较大的四个周期间网络特征作为脉搏周期间网络特征向量，四个周期间网络特征分别为平均聚簇系数、传递性系数、中介中心性系数和局部效率；

将滑动窗口处理后的样本人员脉搏数据输入到多尺度排列熵算法中，提取多尺度排列熵值；

将所述脉搏周期间网络特征向量和多尺度排列熵值融合组成高血压脉搏特征向量，输入到分类模型中，并以样本人员对应的标签进行监督，进行训练，获得训练好的分类模型。

优选地，一种基于脉搏周期间特征的高血压识别方法，还包括：