基于多普勒超声信号的脉象分析与分类研究

发布时间：2017-09-27 11:26

  本文关键词：基于多普勒超声信号的脉象分析与分类研究

  更多相关文章： 多普勒超声脉搏信号 多核学习 多重子空间学习 多尺度样本熵 疾病诊断

【摘要】：在传统中医学中，脉诊已经成功沿用几千年，中医大夫利用手指感觉人体手腕脉搏的跳动，脉搏信号中包含了能够反映人体健康程度的重要信息，，中医大夫能够利用这些信息判断患者的身体状况。然而，传统中医脉诊方法受到医生临床经验和主观判断等局限。因此，迫切需要发展一种标准化、客观化脉诊方法。近年来，随着计算机和电子技术的发展，已有大量的研究人员利用不同现代化的设备和方法，对脉诊客观化进行了深入研究并取得了初步的研究成果，但仍然还存在诸多问题尚待解决。 针对脉诊客观化研究，本文利用经颅多普勒超声设备获取脉搏信号，即，多普勒超声脉搏信号，分别开展多普勒超声脉搏信号质量实时评价、特征提取和分类方法等方面的脉诊客观化研究。 在脉诊的客观化的研究中，如何准确有效的获取高质量的脉搏信号是最关键的问题。然而，现有脉搏信号采集设备不具备信号质量自动评价功能，导致大量临床采集的脉搏信号不能被及时准确应用于各类辅助诊断。因此，本文提出基于二阶差分样本熵的多普勒超声脉搏信号质量实时评价方法。该方法利用小波变换消除多普勒超声脉搏信号的高频噪声和低频基线漂移后，经过二阶差分和样本熵计算，实现多普勒超声脉搏信号质量实时评价。实际采集数据测试结果说明，该方法能够减少采集因素引起的样本损失，提高获取高质量多普勒超声脉搏信号的效率，具备对多普勒超声脉搏信号的质量评估准确，同时兼顾高效快速的特点。 为了充分利用多普勒超声脉搏信号对疾病进行分析与分类研究，本文提出了基于多尺度样本熵分析方法的多普勒超声脉搏信号分类方法，基于TWED距离的多普勒超声脉搏信号的分类方法和基于多核学习整合多普勒超声脉搏信号多类特征分类方法。 在基于多尺度样本熵分析多普勒超声脉搏信号研究中，根据不同的尺度因子和样本熵方法中的参数m和r，计算多普勒超声脉搏信号多尺度样本熵值，构成一个多维的特征向量。鉴于所构成的多维特征向量中，存在大量特征信息冗余，本文采用多重线性子空间学习的方法，从大量特征中提取有效信息，剔除冗余信息，约减特征向量维数。将降维后的多尺度样本熵特征向量输入到SVM分类器，对健康人和病人的多普勒超声脉搏信号进行分类诊断实验，实验结果表明该分类方法对疾病具有较好的诊断效果。 针对一些相似性度量算法是非弹性的或是弹性非度量的，在计算两信号相似性度量距离时并没有考虑时间轴上所要付出的代价，导致其计算到的两信号相似性度量距离不准确，从而会降低在分类诊断中的精度问题。本文提出基于TWED距离多普勒超声脉搏信号的分类方法，该方法通过计算两时间序列距离时增加一个stiffness参数来控制在时域上的弹性度量，从而在计算多普勒超声脉搏信号相似性度量距离时考虑时间轴上所要付出的代价，提高了计算多普勒超声脉搏信号相似性度量距离的准确性。将该方法与1NN分类器结合，利用多普勒超声脉搏信号和压力脉形信号，对健康人和四类疾病病人进行分类诊断实验。实验结果表明在多普勒超声脉搏信号和压力脉形信号分类中TWED方法具有更优越的分类性能。 基于多核学习整合多普勒超声脉搏信号多类特征分类方法，对多普勒超声脉搏信号每类特征选择恰当的核函数，利用SimpleMKL多核学习方法优化并整合多普勒超声脉搏信号特征，删除多普勒超声脉搏信号冗余的特征，充分利用有价值的特征。实验结果说明该方法能够提高多普勒超声脉搏信号的信息量，从而提高其分类精度和分类速度，同时使得算法具备很好的稳定性。 最后，利用多普勒超声脉搏信号对健康人和一些患有与血流速度和血液粘稠度等因素相关疾病病人进行诊断研究，说明多普勒超声脉搏信号对于疾病诊断分类的意义。
【关键词】：多普勒超声脉搏信号 多核学习 多重子空间学习 多尺度样本熵 疾病诊断
【学位授予单位】：哈尔滨工业大学
【学位级别】：博士
【学位授予年份】：2013
【分类号】：TN911.7;R241.1
【目录】：

• 摘要4-6
• Abstract6-14
• 第1章 绪论14-28
• 1.1 课题背景及意义14-16
• 1.1.1 课题的研究背景14-15
• 1.1.2 课题的研究意义15-16
• 1.2 国内外研究现状16-24
• 1.2.1 脉搏信号的采集系统16-20
• 1.2.2 脉搏信号预处理及特征提取研究20-22
• 1.2.3 脉搏信号的模式分类研究22-23
• 1.2.4 脉象的应用研究23-24
• 1.3 本课题的来源24
• 1.4 本文的主要研究内容及安排24-28
• 第2章 多普勒超声脉搏信号的获取与预处理28-43
• 2.1 引言28
• 2.2 多普勒超声脉搏信号采集及数据库建立28-32
• 2.2.1 多普勒超声脉搏信号采集29-31
• 2.2.2 多普勒超声脉搏信号数据库31-32
• 2.3 多普勒超声脉搏信号预处理32-34
• 2.3.1 小波变换32-33
• 2.3.2 多普勒超声脉搏信号高频噪声和低频基线漂移的消除33-34
• 2.4 基于二阶差分样本熵方法的多普勒超声脉搏信号质量实时分析34-42
• 2.4.1 多普勒超声脉搏信号质量实时评价方法的意义34-37
• 2.4.2 多普勒超声脉搏信号质量实时评价方法37-39
• 2.4.3 多普勒超声脉搏信号质量评价结果与性能分析39-42
• 2.5 本章小结42-43
• 第3章 基于多尺度样本熵分析多普勒超声脉搏信号43-61
• 3.1 引言43-44
• 3.2 多尺度样本熵分析方法44-46
• 3.2.1 样本熵分析方法44-45
• 3.2.2 多尺度方法45-46
• 3.3 多重线性子空间学习46-53
• 3.3.1 多重线性主成分分析46-49
• 3.3.2 不相关多重线性判别分析49-53
• 3.4 支持向量机53-55
• 3.5 实验结果与分析55-60
• 3.5.1 在疾病中多普勒超声脉搏信号信息量比较分析55-56
• 3.5.2 疾病诊断结果分析56-60
• 3.6 本章小结60-61
• 第4章 基于 TWED 距离多普勒超声脉搏信号分类研究61-73
• 4.1 引言61-62
• 4.2 相似性度量算法62-63
• 4.2.1 DTW 距离62
• 4.2.2 ERP 距离62-63
• 4.2.3 LCSS 距离63
• 4.3 TWED 算法63-67
• 4.3.1 图形编辑模式64-65
• 4.3.2 TWED 距离计算65-67
• 4.4 实验结果与分析67-71
• 4.4.1 在多普勒超声脉搏信号数据集上的分类结果67-69
• 4.4.2 在压力脉形信号数据集上的分类结果69-71
• 4.5 本章小结71-73
• 第5章 基于多核学习整合多普勒超声脉搏信号的多类特征分类研究73-95
• 5.1 引言73-74
• 5.2 多普勒超声脉搏信号的特征提取74-80
• 5.2.1 时域特征提取74-77
• 5.2.2 变换域特征提取77-80
• 5.3 基于多核学习整合多类特征的分类方法80-84
• 5.3.1 核函数80-82
• 5.3.2 SimpleMKL 算法82-84
• 5.4 实验结果与分析84-93
• 5.4.1 在多普勒超声脉搏信号数据集上的分类结果84-89
• 5.4.2 在其它数据集上的分类结果89-93
• 5.5 本章小结93-95
• 第6章 多普勒超声脉搏信号在一些疾病中的诊断研究95-102
• 6.1 引言95
• 6.2 多普勒超声脉搏信号特征提取方法与数据集95-97
• 6.2.1 多普勒超声脉搏信号特征提取方法95-96
• 6.2.2 多普勒超声脉搏信号数据集96-97
• 6.3 疾病诊断结果与分析97-100
• 6.4 本章小结100-102
• 结论102-104
• 参考文献104-114
• 攻读博士学位期间发表的论文及其它成果114-117
• 致谢117-118
• 个人简历118

【参考文献】

中国期刊全文数据库 前1条

1 ;弦、滑、细等脉象的脉搏图特征初析[J];上海中医药杂志;1980年02期

本文编号：929416