发明内容
本发明的提出三维动态脉象检测***,其主要目的是采用柔性面动态传感阵列采集人体寸口处的脉搏波信息,经过对信息的分析和运算,构建三维脉象检测动态影像。其主要特征是通过柔性面动态传感阵列中的各个传感器,获得各个传感器下方的脉搏波的原始压力数据,通过配合各个传感器之间的关联信息对这些原始压力数据进行神经网络计算,得到一组用于呈现二维压力分布图的含有交互信息的非孤立的脉搏波数据,连续采集数据以获得某个时间宽度的多幅二维压力分布图,集合这些二维压力分布图得到该时间宽度下可视化的三维脉象检测动态影像。
本三维动态脉象检测***主要包括:柔性面动态传感阵列、数据采集***、信号处理***、PC机等。其目的是采用柔性面接触型传感模式,经过信号分析和处理,构建三维动态脉象检测***。***框图如附图1所示。
本发明具体方法为将柔性面动态传感阵列放置在人体寸口处,与其充分接触。人体寸口处的脉搏波经柔性面动态传感阵列中的各个传感器的检测,获得各个传感器下方的脉搏波的压力数据。经过数据采集***、信号处理***传入PC机,PC机根据当前数据进行判断。
对于柔性面动态传感阵列上的单个传感器其主要包括:薄膜、液态压力传导介质、压力传感器。其中液态压力传导介质、压力传感器都是封闭在薄膜所包裹的腔体内。其工作基本原理是由薄膜制成的感压面受压后变形,腔体内部的压力传感器将压力信号转换为电信号。
本发明所使用的柔性面动态传感阵列的主要特征在于各个传感器之间存在关联性。在某个传感器下的脉搏波在贡献给它本身压力数据的同时,同时也影响着其他各个传感器。通过分析各个传感器的相互影响的函数和各传感器反映人体脉搏压力的支持程度,得到各个传感器在每一时刻加权系数。从而得到更为准确的人体脉诊的检测效果。利用这些相互影响的信息。则可以较为准确地实现类似中医师手指采集压力信息。具体步骤如附图2所示:
首先确定各个传感器之间的相关性函数,检测的波形并非人体,而是初始校准波。检测数据满足Gauss分布。对于第i个传感器和第j个传感器测得的数据分别为Xi,Xj。Xi,Xj服从Gauss分布,以它们的概率分布函数曲线作为传感器的特性函数,记为pi(x),pj(x)。xi,xj分别为Xi,Xj的一次初始测量值。
那么第i个传感器和第j个传感器之间的相关性函数为:
那么对于各个传感器之间的相关性函数,可以用相关性矩阵来表示。
令Fij=f(i|j),则
接下来,计算各个传感器之间获得的数据的可信度。也就是***对传感器所作的判断或提供的检测结果的信任程度,如果传感器阵列的中传感器的数量是X。也就是有X个检测区域。各传感器对各个目标的检测结果共有X□X个。根据X个目标分为X组,对于同一目标值的检测结果分在一组。对于目标j,设各传感器检测结果的平均值mj如下。
其中,mij表示第i个传感器对j目标的检测结果。
两个传感器s和t对目标检测结果可信度的比值定义如下式。在已知真实值时,可用真值代替平均值。
于是,对于j目标,传感器可信度的判断矩阵Dj如下:
传感器给出的检测结果距离mj越近,该结果同其它结果的可信度比值就会越高,式判断矩阵中的相应元素就会越大。对于目标j,该传感器的可信度也将会越大。由判别矩阵求解可信度的过程如下:
(1)将判断矩阵Dj的各列作归一化处理,得到矩阵其元素的一般项为:
(2)将列归一化的判断矩阵
按行相加,得到过渡可信度向量
其元素的一般项为:
(3)将过渡可信度向量 归一化,得到局部可信度向量Wj。其中的元素Wr j表示第r个传感器对目标j的可信度。
对每一组重复以上过程,分别建立各个目标的判断矩阵(X个),相应得到q个局部可信度向量W
j(j=1,2,...X)。一般,各个目标的重要性是等同的。传感器r(r=1,2....X)的综合可信度为其对各个目标进行检测的局部可信度的平均值
如果各个目标的重要性不同,类似层次分析法中将***分层,逐层求权重的思想,建立目标重要性判断矩阵,获取目标重要性系数后进行加权平均,得到每个传感器最终的综合可信度。
综上可见,由于根据实际检测数据构建标度以建立判断矩阵,此法的重要性标度可以判断出各个传感器之间的重要性判断,我们得到各个传感器测量提供信息的可信度。接下来,通过构建互关联神经网络计算机构得到计算各个传感器在该测量时刻的权重。
对于每一个液囊正下方出现脉搏波峰,都会经过压力传感器得到具体的压力数据,该数据经过数据采集***处理后进入在PC上构件的互关联神经网络计算机构,对这些压力数据进行计算。那么这些压力数据就是互关联神经网络计算机构的输入层。如果传感器阵列的中传感器的数量是X。那么互关联神经网络计算机构的输入层就会有X个样本。各个传感器之间的贡献关系如附图3。也就是说每个传感器的数据在贡献于中间层的本体对应点的同时。同时不同程度了将信息贡献给了其他各个传感器。那么中间层i个神经元的输入总和是Ui k,输出为Xi k,那么构件的输入层的第i个神经元到中间层之间的第j个神经元加权系数为Wij,各个神经元的激发函数为f,则各个变量的关系可以用下面的公式表达:
设Yi是学习控制信号,取学习控制信号误差控制函数,则有:
那么基于误差控制函数的负梯度方向修改权系数:
其中,η为学习速率,即步长。一般取激发函数f为非线性连续函数,设置为:
f(u)=tan{1/[1+exp(-u)]} (12)
则权系数Wij的调整公式为
其中:
以上算发是基于梯度下降的误差反向传播学习算法进行的,在实际运用中,本发明可以根据安置传感器数量的多少。灵活选取权值调整公式。在追求精确的情况下,采用上面的权值计算方法。如果在特定情况下,追求更高速的运算,则可以考虑采用:
ΔWij=(JTJ+μ□l)-1JTe (15)
其中,J为误差对权值微分的Jacobian矩阵,e为误差向量。如果传感器的数量是X比较大,则接近梯度下降法,这样在接近误差目标的时候,即在接近误差的最小值的时候,计算速度更快,精度也更高。
这样,就可以得到计算各个传感器在该测量时刻的权重,通过这个数据,我们可以将采集***得到的各个传感器上的原始数据,通过对这些原始数据进行神经网络计算处理,得到一组用于呈现二维压力分布图的含有交互信息的非孤立的脉搏波数据。