首页 > 论文范文 > 医药卫生论文 > 中医医学论文 > 中医临床论文 > 基于六阵列传感器的全自动脉搏信号采集系统

基于六阵列传感器的全自动脉搏信号采集系统

2025-01-08 139 上传者：管理员

摘要：脉诊是中医临床诊断的关键步骤之一。在中医四诊信息客观化研究中，针对传统脉诊仪采集时间长及需要医生辅助定位的问题，基于中医“三部九候”理论，开发了一种全流程自动化的脉搏信号采集系统。系统利用计算机视觉与深度学习模型准确地定位“寸关尺”位置，并集成了机械加压控制系统，实现在不同压力下对双手脉搏信号的同步采集。性能测试结果显示：该系统能够准确检测脉搏位置，mAP@0.5值高达99.9%。此外，系统的采集准确率高，符合无人化采集的需求。该系统有望用于医院的预诊环节，能快速、便捷地收集患者的脉诊客观化信息，显著缩短患者的检测时间，并减轻医生使用脉诊仪的工作压力。

关键词：
中医脉诊
压力脉搏信号采集系统
机器视觉
脉象采集
自动化
加入收藏

脉诊是中国传统医学中一种历史悠久且内容丰富的独特诊断方法。与西医诊断方法相比，脉诊具有无痛、无创、简便易行的独特优势，因此受到国内外学者的广泛关注和重视[1]。然而，中医脉诊依赖医师的诊断经验且具有较大的主观性，导致不同医生的诊断结果可能会有所不同[2]。随着传感器与计算机技术的进步，运用现代科学技术手段对脉搏波进行客观化获取和量化，不仅能够继承和发扬传统中医的科学诊断方法，也对医学研究和临床应用具有极其重要的意义[3]。

压力脉搏信号采集系统是一种基于压力传感器的信号采集装置，与中医师的脉诊习惯高度契合。汤伟昌等人[4]设计的ZM—300智能脉象仪通过医生定位脉搏位置，使用绑带将压力传感器固定到腕部，从而实现脉搏波的精准采集。代雁冰等人[5]开发了一种结合微压力传感材料和蓝牙技术的无线穿戴脉搏检测系统，进一步提高了使用便利性和数据传输的效率。但目前脉搏波采集系统，存在以下问题。首先，中医医师需要同时获取双手的寸关尺六部位的脉搏信息，而单传感器系统须重复六次采集，导致效率低下；其次，定位三部脉位置需要专业知识，因此采集过程常需医师全程辅助，这不仅费时，还增加了医师的工作负担。此外，现有设备大多无法在不同的取脉静态压力下采集脉搏波，而这对中医医师来说是一个重要的诊断要素。这些问题限制了脉搏波采集技术的应用效率和准确性。

针对以上问题，本文设计了一种基于六阵列传感器的全自动脉搏采集系统。该系统首先利用设计的视觉定位系统自动找到患者的脉搏位置；接着，通过六路阵列传感器同时采集6个部位的脉搏信号，确保各时间点的信号对齐；最后，通过一个精准的机械加压系统，在不同的取脉压力下采集脉搏波信号，实现了全程无人化的采集流程。这一设计显著提高了采集效率，减少了医师的工作负担，并增强了数据的精确度和可靠性。

1、脉象信号测量原理与方案设计

1.1 脉象信号的产生及其特点

从现代医学视角来看，桡动脉是位于前臂外侧的一条主要动脉，它从腋动脉分支而来，最终在拇指基部附近形成掌浅弓。当心脏收缩时，血液被泵入主动脉并通过一系列动脉分支传递至全身，其中包括桡动脉。在这个过程中，每一次心脏的收缩都会在桡动脉中产生一个压力波，这个压力波即是桡动脉脉搏波。桡动脉脉搏波的形态受到多种因素的影响，包括心脏功能、血管弹性、血容量等。

中医脉象是中医通过触诊患者手腕桡动脉处获得的一种反映人体健康状况的信息。传统医学认为脉象是气血在经脉中运行而形成的，把人体五脏六腑分属到手臂寸、关、尺不同部位上，医生用食指、中指、无名指分别触摸患者左右手寸、关、尺三部脉象，用于诊断人体五脏六腑的病变。早在两千多年前，《黄帝内经》中就有对脉象的详细记载，这是中医脉诊的起源。中医脉象的诊断依赖于医生的经验与手感，因此具有较强的主观性，近年来，随着传感器技术的发展与各种脉搏采集设备的应用，使得脉象的客观量化成为可能。

1.2 系统整体方案

为了实现双手六部脉同时采集且全流程自动化的目标，本文系统集成了脉象采集模块、视觉定位和机械控制模块。该集成系统可实现无人化自动采集，并允许用户和医生随时访问历史脉象数据。系统整体结构如图1所示。在上位机发送开始测量信号后，视觉定位模块用于获取脉搏位置信息，机械控制模块则根据脉搏坐标信息移动手托并下压力控推杆，最终通过压力传感器获取脉搏信号。

图1 总体系统架构

2、系统硬件设计

2.1 电源模块

系统采用2块LRS—200系列200 W单组输出封闭型电源供应器，为功能模块提供12 V和24 V的稳定直流电压。这种供电方式旨在满足系统各功能模块的电力需求。此外，采用金属网外壳设计的电源供应器增强了散热能力，确保了采集系统在长时间、高频率使用下的稳定性和可靠性。

2.2 信号采集模块

信号采集模块的结构配置包括传感器、信号放大电路、滤波电路和信号采集器，如图2所示。

图2 信号采集模块结构

系统的传感器部分选用了压阻式脉搏传感器。该传感器利用压阻材料的电阻变化，通过惠斯通桥电路转换成电压信号，将微小的电阻波动转换为可测量的电压变化。由于传感器输出的信号通常较弱，直接滤波难以有效去除噪声，因此采用了两级放大电路以增强信号强度。滤波后的信号通过思迈华科USB—3000信号采集器进行模数转换，并传输到上位机进行进一步的处理和分析。这一系列精确的信号处理步骤保证了脉搏波信号的准确性和可靠性。

2.3 机械控制模块

系统的机械结构由升降机构、测量机构、加压气囊和移动手托组成，其整体布局如图3所示。为了实现精确位置调整和压力控制，机械控制系统采用了可编程逻辑控制器(programmable logic controller, PLC)。

图3 机械结构示意

移动手托的设计旨在提供一个用户友好的支撑面，同时确保手腕放置时的舒适性，使受试者能够轻松调整手臂的位置和方向。手托内部配备有袖筒，当气囊充气后，能有效地固定小臂，防止在采集过程中的抖动和位移。这种设计确保了脉搏波的采集过程能够在最佳的条件下进行，从而提高数据的准确性和可靠性。

测量机构由伺服力控推杆和传感器组成。伺服力控推杆不仅充当传感器的下压动力源，还提供实时的力量控制反馈。力控推杆能精确控制力量，力精度达到±0.01 N,确保在采集脉搏波信号时能够精确施加恰当的压力，同时有效从电气层面防止超压失控。

升降机构的设计考虑到了不同使用者的脉搏采集部位可能存在的差异，因此可以调整脉诊传感器的上下和左右位置，确保系统在无医师辅助的条件下能够准确定位患者的脉搏采集位置。

3、系统软件设计

3.1 视觉导航算法设计

本文视觉系统采用SSD(single shot multibox detector)模型进行腕部姿态判断及脉搏寸关尺部位定位，网络结构如图4所示。

图4 SSD模型架构

SSD模型是一种高效的目标检测深度学习架构，通过单次前向传播实现目标的分类和定位。该模型以卷积神经网络为基础，直接在多个尺度的特征图上预测目标的类别和边界框。这种设计使得SSD能够在保持高检测精度的同时，实现实时处理速度。其多尺度特征图检测机制增强了模型在处理不同大小目标时的鲁棒性，同时，多框架候选机制提高了检测的准确性和效率。

相较传统的寸、关、尺判定方法，这种基于视觉定位的新算法展示出多项优势。首先，它通过计算机视觉技术消除了个体差异对测量结果的影响，能以一致的方式处理图像，提高了测量的标准化；其次，算法能够提供更精确的定位信息，显著减少了人为估算导致的误差；此外，该算法结合医学知识与计算机分析，实现了脉搏测量的“无人化”采集过程，不仅辅助医生进行更准确的诊断，还为中医诊疗的自动化带来新的可能性。

3.2 上位机程序设计

上位机程序基于C#开发，采用Visual Studio2021软件进行编程设计。在系统上电后，程序首先对系统进行初始化，包括视觉系统初始化、机械结构复位、主界面初始化。初始化完成之后，上位机与下位机PLC建立连接，发送开始测量信号。同时开始接收信号采集模块输出的数据，所获取的数据结果在主界面中实时显示。当采集流程结束时，PLC将发送结束信号至上位机，上位机将系统复位，将六部脉搏数据分别保存至本地数据库，结束采集流程。上位机模块工作流程如图5(a)所示。

图5 上位机工作流程

3.3 下位机程序设计

下位机程序采用汇川AutoShop软件进行PLC编程设计。接收到上位机开始测量信号后，下位机开始采集流程，工作流程如图5(b)所示。通过视觉系统进行腕部姿态检测，识别到正确姿态后检测“寸关尺”三部脉所在x,y坐标位置，采用手托内气囊加压方式保持小臂静止。通过视觉坐标系x,y计算手托移动距离，计算过程如式(1)所示

式中x0,y0为相机原点在视觉坐标系中的坐标；x,y为脉搏位置在视觉坐标系中的坐标；xs,ys为相机原点在PLC伺服原点的坐标。将移动距离传输到PLC系统，PLC控制升降机移动，使得左右手寸关尺6只传感器到达脉搏对应位置。

4、系统实现与测试

4.1 系统实现

系统整体使用钢结构提供整体稳定性，用户双手伸入手托即可自动开始脉搏波采集，设备配备屏幕可实时显示脉搏波形，系统实物如图6所示。

图6 系统实物

视觉系统定位结果如图7所示，定位成功后跳转到采集界面，同时显示寸关尺脉搏波形，如图8所示。

图7 视觉系统界面

图8 波形显示

4.2 系统技术指标测试

4.2.1 视觉系统有效性测试

为证明本文系统提出视觉定位方法的有效性，在自建数据集上使用SSD模型上进行了实验，并分别测试了手部姿势检测和脉搏定位的精度。本文的实验环境搭载在一台戴尔服务器上，带有16 GB显存的GPU、Windows10操作系统，Pytorch1.9、Python3.7以及相关的Python函数库。模型相关配置为输入批量大小为16,优化器为SGD,初始学习率为4×10-3,每1 000步衰减0.95,训练步数为30 000步。

自建数据集包括1 000例设备实际场景采集图像，其中正确姿势700例，错误姿势300例，按照6︰2︰2比例划分训练集、测试集、验证集。每张图像有手部姿态与脉搏位置标签，标注人员均具有中医执业医师资格。实例如图9所示。

图9 标注实例图像

本文采用4种评价指标，包括精度(precision)、召回率(recall)、F1分数(F1score)和均值平均精度(mean Average Precision, mAP),用于验证提出算法的有效性和可行性。这些指标可以客观地评估算法的性能，前三种指标的表达式分别如式(2)～式(4)所示。平均精度(average precision, AP)是通过在Precision和Recall这2个指标上绘制曲线，并计算曲线下的面积得出的。mAP是所有目标检测类别AP的平均值，@后面的数字表示IoU阈值。例如，mAP@0.5表示IoU阈值大于0.5时的mAP,而mAP@0.5︰0.95表示在不同的IoU阈值(从0.5至0.95,步长为0.05)上计算的mAP。式(2)～式(4)如下

式中真阳性(true positive, TP):样本为正，模型也预测其为正，模型预测正确。真阴性(true negative, TN):样本为负，模型也预测其为负，模型预测正确。假阳性(false positive, FP):样本为负，模型也预测其为正，模型预测错误。假阴性(false negative, FN):样本为正，模型也预测其为负，模型预测错误。

分别使用SSD与Faster-RCNN模型进行实验，具体实验结果如表1所示。

表1 视觉系统实验对比结果

4.2.2 系统测量准确性测试

为证明系统测量准确性，本文进行了准确性性能测试，通过以实际砝码质量和实测电压进行线性拟合，观察误差随砝码质量变化的趋势，进一步分析仪器性能，性能指标如表2所示。

表2 测量准确性实验结果

由表2所示，系统压力值与电压的关系表达式为：u=0.16m+0.161,线性范围为0～800 g, 系统的温度漂移小于1 %满量程，系统的非线性误差也控制在1 %,可以满足脉搏信号采集任务需求，确保了数据的可靠性和一致性。

4.2.3 系统智能化对比测试

为了对比脉诊系统的智能化程度，在3个维度上使用本文系统与近期提出性能优秀有的脉搏信号采集系统进行了对比，具体实验结果如表3所示。

表3 本文系统与同类系统的比较

本文系统考虑了临床中需要的无人化、快捷化要求，采用了基于深度学习的视觉定位方法，双手同部位同时采集脉搏波信号，同时使用精准的机械加压模拟中医医师对脉浮中沉的不同按压力度，极大提高了采集过程中的客观性和快捷性。

5、结束语

本文设计并制造了基于六阵列传感器的全自动脉搏检测系统，首先检测到用户手腕是否伸入设备，然后启动视觉系统自动定位“寸关尺”位置，最后机械控制系统控制脉搏压力传感器下压，同时测量左右手三部九侯脉搏信号。性能测试结果显示，本文视觉系统定位具有很高精准度，测量系统具有很高灵敏度与稳定性。本文设计创新性地将视觉检测、机械加压与中医脉诊相结合，使系统可在无专业医师指导下患者自主测量，极大减少患者的测试时间与医生在使用脉诊仪时的工作压力，具有无人化、便携化、智能化等优势。因此，本文系统在医院预诊环节、远程医疗方面具有较好的应用前景。

参考文献:

[1]张乃金,崔淮星,曾仙月,等.基于CNKI数据库的脉诊客观化研究的CiteSpace可视化分析[J].世界科学技术—中医药现代化,2023,25(4):1447-1455.

[2]张宜帆,蒋鹏飞,刘培,等.浅析哲学视域下的中医脉诊原理[J].中华中医药杂志,2022,37(9):5080-5083.

[3]崔骥,许家佗.中医脉诊现代化研究述评[J].中华中医药杂志,2023,38(2):463-469.

[4]汤伟昌,刘聪颖,樊改荣.ZM—300型智能脉象仪的研究[C]//中华中医药学会中医诊断学分会.全国第十二次中医诊断学术年会论文集.上海中医药大学,2011:4.

[5]代雁冰,曹志广,李铁,等.无线可穿戴柔性脉搏检测系统设计[J].传感器与微系统,2022,41(2):70-73.

[8]黄霖,颜建军,蔡诗雨,等.基于机器视觉的三部脉象仪智能定位的研究[J].世界科学技术—中医药现代化,2023,25(2):806-812.

基金资助:国家中医药创新团队项目(ZYYCXTD—D—202205);

文章来源:田恒屹,黄璐琦,咸楠星,等.基于六阵列传感器的全自动脉搏信号采集系统[J].传感器与微系统,2025,44(01):83-87.