张晗，庞春颖，焦琪玉

（长春理工大学　生命科学技术学院，长春　130022）

临床常见六种脉象信号特征研究

张晗，庞春颖，焦琪玉

（长春理工大学生命科学技术学院，长春130022）

提出以时域特征和模态能量商特征相结合进行脉象信号识别的方法。首先根据脉象信号的波形特征，计算脉象信号的h1，h3，h4，h3/h1，h4/h1，t1，t，k时域特征参数；然后对脉象信号进行EMD分解，计算6种脉象信号的模态能量商。通过临床200例脉象信号的采集和分析计算，获得临床上常见脉象信号的典型时域特征，确定弦脉的模态能量商R＞1，滑脉、沉脉、细脉、缓脉、平脉的R值依次降低，且R＜1。实验结果表明：时域特征和模态能量商特征相结合的方法可实现临床常见脉象信号的识别。

脉象信号；时域特征；EMD分解；模态能量商

脉象是血脉搏动的位、数、形、势的综合现象。脉诊的本质就是通过脉象的变化判断病症的部位、性质，推断病势轻重［1］。学者们围绕脉象波形特征和生理病理因素的关系，以及脉诊技术智能化和客观化做了大量的研究工作。兰州理工大学的党宏智［2］设计并研制了手动加压的寸关尺部位脉搏信息检测系统；潘礼庆［3］设计了一种无线脉象数据采集装置，连接电脑可快速、方便地按照中医脉诊要求实现脉象数据的采集。行鸿彦等［4］采用EMD分解的方法，得出用模态能量商特征值区分正常人和高血压病人的结论。这些研究工作虽然涉及了某种具体脉象信号的分析，但是由于脉象信号的复杂性，对于全面认识脉象信号的特点，还有一定的距离。

本文通过对临床采集的200例脉象信号（平脉、弦脉、沉脉、细脉、滑脉、缓脉）时域特征参数、K值和模态能量商特征的计算，确定了临床上常见的6种脉象信号的典型特征，实现了常见脉象信号的量化，推动了临床上脉诊技术的智能化进程。

1　脉象信号的波形特征及定位

1.1脉象信号的波形特征

脉象的波形特征是实现脉象分类识别的基础。脉象大多由三个峰两个谷组成，波和峡是构成脉象图的主要成分［5-7］。升支和降支组成主波，降支上有一切迹称为降中峡，主波和降中峡之间出现的重搏前波称潮波，紧接降中峡出现的重搏波称降中波。脉象信号波形图的特征点如图1所示。

图1　脉象信号特征点示意图

根据脉象的波形特征，本研究选取时域8个特征参数：h1，h3，h4，h3/h1，h4/h1，t1，t，k［8］，因脉象图是变化的，所以取几个周期的平均值。各参数的生理意义见表1。

1.2脉象信号的定位

对于连续多周期脉象信号进行时域分析的关键在于脉象信号周期的准确定位，进而实现脉象信号的其他时域特征计算。本文采用阈值法检测脉象信号的周期，基本的实现步骤如下：

（1）记脉搏信号为x（t），设定一个门限信号m，m是一个经验值，大致在图1中的E点以下。将x（t）中大于m的设定为1，小于m的设定为0，记为y（t）。

（2）对y（t）求差分，结果为1者对应脉象信号的上升支，结果为-1者对应脉象信号的下降支，在相邻的上升支之间求取最大值与最小值，就找到主波峰与起射点的位置。

（3）在最大值与最小值之间利用y（t）的正负变化的次数确定峰的个数，根据峰个数的不同选择不同的算法定出潮波的位置，至此完成了对脉象的定位。

（4）定位脉象后，求h1，h3，h4，h3/h1，h4/h1，t1，t。

2　经验模态分解和模态能量商

经验模态分解（Empirical Mode Decomposition，EMD）是将复杂信号分解成若干个按频率高低排列的固有模态函数MF，每个MF是1个单分量信号。其中MF应满足两个要求：一是整个MF中零点数和极点数相等或至多相差1，二是信号关于时间轴对称，信号由局部极大值确定的包络线和由局部极小值确定的包络线均值为0［8］。EMD分解步骤可参考文献［4］。

设采集到的脉搏信号为x（n），对其进行EMD分解后得到k个固有模态函数c1（t），c2（t），…，ck（t），在此ck（t）表示残余分量，视为脉搏信号的最后一个模态，然后按式（1）计算出每个MF分量的能量［8］。

为了后续计算和处理的方便，这里对能量进行归一化处理，令

得到归一化的能量

表1　脉象图参数的生理意义

EMD分解具有自适应性，分解的层数取决于信号自身的特点，因此对于不同的脉搏信号可能分解层数不同，并且残余分量会有相当一部分能量，将imf2～imf4模态称为高频模态，把imf5、imf6称为低频模态，模态能量商［4］定义式为：

模态能量商可以排除信号自身特点对于分解的影响，具有普遍适用性。

3　实验与结果分析

在吉林省前卫医院中医科采集脉象信号，确定6种在病患中出现频率较高的脉象信号平脉、弦脉、沉脉、细脉、滑脉、缓脉作为研究对象，对这6种脉象信号进行分析。

在专业医生的指导下，首先让病人在安静状态下休息15min，然后在病人左手的寸关尺部位使用MP150生理记录仪进行脉象采集。采集时，浮取采取的压力为30mmHg，沉取采取的压力为80mmHg，中取采用55mmHg的压力。从记录的脉象信号数据库中筛选出200例脉象样本，其中平脉30例、弦脉34例、沉脉34例、细脉34例、滑脉34例、缓脉34例。

3.1脉象信号的时域参数计算

选取8个时域特征参数：h1，h3，h4，h3/h1，h4/ h1，t1，t，K值进行计算，每个特征值都取平均值。6种脉象时域特征参数计算结果见表2。

表2　脉象的时域特征参数

通过表2的数据可以发现，K值在0.35～0.5之间变化。缓脉与其他五种脉的主要区别在于其脉动周期t＞1，脉率p在60次/分以下，而其他脉的脉率处于正常范围之内（60～100次/分）。从参数h3/ h1、h4/h1可以区分平脉、弦脉以及沉脉，弦脉主波宽大，重搏前波的幅值接近于主波幅值，所以h3/ h1接近于1，而沉脉h3/h1、h4/h1比平脉小。平脉为正常的脉象信号，其三个波峰依次递降，且主波幅度与重博前波幅度之比h1∶h3≈1∶0.6，h4/h1小于0.4。

从脉象的时域特征参数可以初步区分这6种脉，并且与医生的诊断基本符合。但对于细脉及滑脉的区分不是很明显，所以接下来对脉象信号进行EMD分解，利用模态能量商进行区分。

3.2脉象信号模态能量商的计算

首先，对这6种脉象进行EMD分解。图2至图6分别是弦、沉、细、滑、缓脉的EMD分解结果。通过EMD分解可以得到6种脉象在每层模态的区别，每一层模态的区别主要是由能量分布的不同引起的，所以需要计算脉象信号的模态能量商，进一步区分这6种脉象。

图2　弦脉EMD分解

图3　沉脉EMD分解

图4　细脉EMD分解

图5　滑脉EMD分解

图6　缓脉EMD分解

从分解结果可以看出，EMD分解具有高通滤波特性，各分量频率依次降低，imf1分量主要是由噪声引起的，频率较高但幅值较小。从imf2可以看出这几种脉象的区别，滑脉与缓脉的幅值较其他三种脉象的幅值小，弦脉、沉脉、缓脉的幅度会不时地出现大的跳跃，细脉及滑脉的幅值几乎接近于一条直线，没有大的改变。变化最明显的是imf3分量，弦脉与滑脉的幅值相同，其他脉象的幅值都不相同，其中沉脉的幅值最大。沉脉的imf3模态除端点有起伏外，大部分很平坦，幅值几乎为0；细脉没有明显变化，幅值几乎为0；弦脉、滑脉、缓脉会在0附近有跳跃，但跳跃的程度不同。其他几层分量的区别在于模态幅值，波形无明显变化。

按式（4）计算出各个样本数据的模态能量商，由于数据较多，所以选取这6种脉象的平均值，为了找出模态能量商与其他时域特征值的关系，将模态能量商与K值及h3/h1归在一个表中，如表3所示。其中记R1=T2+T3+T4，R2=T5+T6。

表3表明，6种脉象中弦脉的R1值最高，平脉最低，而其他脉处于两者之间。说明其他脉象的R1能量比正常脉象平脉的能量高，从R1可以得到各脉象信号能量在高频的分布状况。模态能量商R在这6种脉象中有规律变化，弦脉R＞1，其他脉象信号的R＜1，而且按照滑脉、沉脉、细脉、缓脉、平脉依次降低，其中平脉的R最小，缓脉与平脉的R值几乎接近，说明平脉及缓脉的能量在高频部分分布很少，几乎没有。细脉与滑脉的R值区别比较大，可以弥补时域特征提取中对于这两种脉象区分不明显的不足。R与K值几乎没有相关性，与h3/h1有相关性，弦脉的h3/h1最大，R值也最大，两者是正相关的，其他几种脉象的R与h3/h1相关性不明显。结合表3可知，模态能量商R对于6种脉象的区分是有意义的。

表3　脉象的模态能量商

4　结论

本文对临床采集的平脉、弦脉、沉脉、细脉、滑脉、缓脉6种脉象进行时域特征分析，利用h1，h3，h4，h3/h1，h4/h1，t1，t，K值特征参数初步区分6种脉象。利用模态能量商特征R值与1的大小关系进一步区分弦脉与其他5种脉象，且滑脉、沉脉、细脉、缓脉、平脉的R值依次降低。

本研究首次将时域特征与基于EMD的模态能量商结合，实现了6种脉象信号（平脉、弦脉、沉脉、细脉、滑脉、缓脉）的识别，实验结果与医生的诊断完全相符。

［1］ Gong J B，Lu S L，Wang R，et al.Low-cost and wearablehealthcaremonitoringsystemforpulse analysis in traditional Chinese medicine［C］.The 7th IEEE International Conference on Mobile Ad-hoc and Sensor System（MASS 2010），2010：754-756.

［2］ 党宏智.寸关尺部位脉搏信息检测系统［D］.兰州：兰州理工大学，2011.

［3］ 潘礼庆.便携式无线脉象数据采集系统的研究与设计［J］.医疗卫生装备，2010，31（6）：58-59.

［4］ 行鸿彦，许瑞庆，王长松.基于经验模态分解的脉搏信号特征研究［J］.仪器仪表学报，2009，30（3）：2-3.

［5］ 黄碧群.论脉象的识别［J］.中医药导报，2006，12（5）：6-8.

［6］ 焦琪玉，庞春颖.基于DSP的脉象仪的设计与实现［J］.中国医疗器械杂志，2013，37（2）：112-115.

［7］ 申林.一种野战便携式脉象检测仪的研制［J］.中国医疗设备，2014，29（12）：119-124.

［8］ Huang N E，Shen Z，Long S R，et al.The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis［J］. Proc R.Soc Lond A，1998，454：903-995.

［9］ 王小宇，贾嵘.基于Hilbert-Huang变换和支持向量机的水轮发电机组状态监测与故障诊断方法研究［D］.西安：西安理工大学，2007：40-41.

［10］ 罗志昌，张松，杨文鸣.脉搏波波形特征信息的研究［J］.北京工业大学学报，1996，22（1）：72-74.

［11］ 杨玉兰.压电式脉搏波检测系统的研究［J］.长春理工大学学报：自然科学版，2010，33（4）：153-156.

Research on the Features of Six Common Clinical Pulse Signals

ZHANG Han，PANG Chunying，JIAO Qiyu
（School of Life Science and Technology，Changchun University of Science and Technology，Changchun 130022）

In this paper，a method is proposed in order to achieve the recognition of clinical pulse signals，that is，the combination of time domain characteristics and modal energy quotient characteristics.First，the time domain characteristic parameters h1，h3，h4，h3/h1，h4/h1，t1，t，k of pulse signals are calculated according to the pulse signal waveform characteristics.Second，based on EMD which can adaptively decompose the non—stationary signal，the pulse signals are decomposed to calculate the modal energy quotient.By analyzing and calculating 200 clinical cases of pulse signal，we acquired the typical time features of clinical common pulse signal，and determined wiry pulse modal energy quotient R＞1，slippery pulse，sunken pulse，fine pulse，slow pulse and flat veins R values in descending order，and R＜1.The results testify that the combination of time domain characteristics and modal energy quotient characteristics can effectively identify clinical common pulse signals.

pulse signal；time domain characteristics；EMD decomposition；modal energy quotient

R318

A

1672-9870（2015）05-0154-04

2015-06-23

吉林省科技厅项目资助（20121016）

张晗（1990-），男，硕士研究生，E-mail：t-zhanghan@sina.com

庞春颖（1971-），女，博士，教授，E-mail：pangchunying8888@163.com