作者:张治国 作者单位:(中国中医科学院中医基础理论研究所,北京 100700)
【关键词】 脉诊信息;分析方法;识别方法;综述
伴随着脉诊仪关键技术——传感器研究的不断进步,信息采集的精度和速度日益提高。信息量的丰富对相应分析技术的要求也逐步提高。除几种传统的分析技术外,其他学科新兴的分析技术不断被引入脉诊现代研究中,使有价值脉动信息的获取空间空前扩大。目前,脉诊现代研究中,常用的分析和识别方法有时域分析、频域分析、时频分析、人工神经网络、可视化分析以及一些其他分析方法。
1 时域分析
时域分析是对脉搏波动图形进行分析的主要方法,是目前研究时间最长,也是最成熟的方法。最初的脉图分析方法主要局限于从脉图的时间、振幅、角度、形态等方面分析上升支、下降支、重搏波的高度及各种高度的比值或它们夹角的大小及面积大小时值等。
脉搏信号从时域上看,是一个周期性较强的准周期信号。脉搏波动频率为60~100次/min。时域分析法主要分析脉波波幅的高度和脉动时相的关系。通过对脉图幅值和时值的分析,可以了解脉动的频率和节律,脉力的强弱,脉势的虚实和脉象形态特征等。
崔玉田、赵恩俭等是较早对古代脉学理论和现代实研进展进行系统梳理的研究者,其专著《中医脉学研究》、《中医脉诊学》中涉及到一些脉图时域特征分析的内容。其后,傅骢远、费兆馥、黄世林、杨天权、徐迪华等研究者对脉图的时域特征进行了系统论述。
傅氏等[1]较早开展采用现代技术的中医脉诊研究,其在《中医脉象今释》中集中论述了18种常见脉象脉图分析和判别的方法,并对脉象形成的机制,从血流动力学、血液流变学以及影像学等方面进行了探讨。费氏等[2]较早并较全面的对脉图的时域分析方法进行了研究,在其《现代中医脉诊学》一书中,详细阐述了临床常见17种脉象的脉图及其时域特征参数。黄氏等[3]在《中医脉象研究》中对10种常见脉象的脉图进行了细致分析,开创性地记录了中医学中的“十怪脉”的脉图,并论述了其现代医学基础。较晚的研究者对脉图研究的种类更加全面,在各自的专著中均有详细论述[4-5]。
时域分析方法通过提取脉搏图曲线中一些有明确生理意义的特征点(如主波、重搏波和重搏前波的高度等)或角度(如升支斜率等)作为评价脉搏波的特征参数,将特征参数和对应的生理因素结合起来就可能得到许多有临床医学价值的结果,故时域分析法成了最直观和应用最广泛的一种方法。它可直接通过脉图的形态分析及对各项指标的分析来确定图与脉之间的差别,鉴别出各种脉象。这方面的关键在于筛选判别各种脉搏波波形的特征参数,其主要工作在于分析脉波特征参数与时相的关系。这种方法的优点是直观,临床医生容易接受,但在实际应用上却遇到一些难以解决的困难,如有些特征点难于准确得出,要凭经验估计,随机误差很大。另外,缺乏各种脉象的脉图时域参数特征较统一的标准。大量研究表明,脉象图所反映的信息是多方面的、综合的,单靠直观形态分析法会将许多重要的信息掩盖,因而促进了分析方法向更加全面与多样化发展。
2 频域分析
频谱分析是近代工程力学中常用的一种处理波动信息的方法,主要采用傅立叶频谱分析方法。它把一个很复杂的由许多重叠波构成的脉搏波分解成不同的谐波,这样就能把其中所包含的信息和能量提取出来,因此,较时域分析法更能清楚地反映、分析脉象的各种变化。但其只能刻画整个时间域上信号的频谱特征,不能反映局部时间区间上的信息。近年来,频谱分析也大量用于脉搏信号和中医脉象的研究。频谱分析可能会揭示出许多生理病理信息,而这些信息通常从时域分析中较难获得。
重庆大学的研究者基于脉象信号的频域分析,从不同角度,采用不同方法对吸毒者与正常人的脉象进行了辨识。他们根据脉象信号的非高斯随机特性,发现非参数化双谱估计、参数化双谱估计以及倒双谱估计的方法均是分析脉象信号的有效且可行的方法,吸毒者脉象信号在特定频率区域内的平均相位值、双谱相位主值特征等参数明显区别于正常人,分别给出了吸毒者和正常人脉象信号的判别依据[6-8]。
西北工业大学王炳和等[9-10]研究人员长期进行脉搏波频域分析的研究。其利用高性能的电子检测仪器和计算机提取人体桡动脉脉搏信号,并获得了脉搏功率谱图(PSG)。谱能比(SER)被定义为脉搏功率谱上10 Hz以下的谱能量与10 Hz以上谱能量的比值。结果发现,健康人两手“寸、关”部位的SER值均大于100,而患者“寸、关”的某些特定部位的SER值均小于100,这些给出低SER值的特定部位与人体的病变器官相对应,符合中医理论。同时发现正常人平脉脉搏系统通常具有3个共振峰,滑脉脉搏系统有2个共振峰,弦脉脉搏系统出现4个共振峰,而细脉仅存在1个共振峰。倒谱分析显示,滑脉与弦、细脉的特征差异要比在时域内的差异大得多。脉象倒谱上τ=τz处的峰值大小可表征脉象的“流利”程度,τz1恰好反映了脉象的周期大小,而hc0值正好反映了脉搏强度的信息特征。
厉氏等[11]研究了迟脉、常脉、数脉、疾脉4种脉象的频域特征。研究发现,对于脉率异常的脉象信号,在频域具有与时域相似的特性,即随着脉率的增大,频域中幅度的最大值以及在低、中、高3个频段的幅度值也相应增大。相对于正常脉象,脉率失常的脉象在频域中表现出幅度更不平稳的特点。另外,浮脉患者脉象的能量最高,其次为常脉,沉脉患者脉象的能量最低。从SER看,3种脉象的低频分量都占据了信号的主要能量,但沉脉患者SER最高,浮脉最小,常脉居中;与常脉相比,说明沉脉能量更加集中于信号的低频段,浮脉却向信号的高频段扩散[12]。另外,其他研究者也报道了脉诊信息频域分析的成果[13-18]。
3 时频分析
时频分析的主要任务是描述信号的频谱含量是怎样随时间变化的,研究并了解时变频谱在数学和物理上的概念和含义。时频分析的最终目的是要建立一种分布,以便能在时间和频率上同时表示信号的能量和强度。得到这种分布后,我们可以对各种信号进行分析、处理,提取信号中包含的特征信息,或者综合得到具有期望时频分布特征的信号。时频分析结果可以通过不同的方式直观地表示,如三维立体图、等高线图等,具有揭示许多新现象即改变我们观察思考医学信号方式的潜力。目前,在脉诊研究中应用的是短时傅立叶变换和Gabor展开以及小波变换。
3.1 短时傅立叶变换
由于人体生理、病理和自然环境的影响,生物医学信号通常呈现非平稳与时变特性。传统的傅立叶变换不能描述信号的时频局域特性,仅反映信号的静态频谱特性。短时傅立叶变换克服了傅立叶变换的缺陷,并具有容易实现、计算简洁有效等优点,为最早和最常用的一种时频分析方法。其主要缺陷是时间和频率分辨率在整个时频平面上固定不变。另外的限制是对一个特殊的信号,需要一个特殊的窗才能得到最佳分辨率。
有学者应用全极点滑动窗递归算法,以平均功率与总平均功率的比值为特征参数和通过奇异值分解有效地提取特征矢量,提出了用于划分正常人和吸毒者的临界参数,据此15例吸毒者全被检测出来[19-20]。基于短时傅立叶变换的方法是一种稳定、有效的特征提取方法。
3.2 小波变换分析
由于小波变换在时域和频域同时具有良好的局部化性质,小波变换的数学理论和分析方法在各个领域都受到普遍关注。小波变换是一种信号的时间-尺度(时间-频率)分析方法,它具有多分辨率分析的特点,而且在时频两域都具有表征信号局部特征的能力,是一种窗口大小固定不变,但形状可改变,时间窗和频率窗都可改变的时频局部化分析方法。即在低频部分具有较高的频率分辨率和较低的时间分辨率,在高频部分具有较高的时间分辨率和较低的频率分辨率,很适合于非平稳信号的处理。小波变换在1-D生物医学信号处理(生物声学、ECG和EEG)和生物图像处理中都得到了应用。
白氏等[21]根据小波变换过零点和信号突变点之问的关系,分别运用小波变换过零点表征检测脉象时域特征点和各特征点脉搏信号变化的快慢。对20例健康人和20例孕妇脉象时域特征点过零点位置的统计及其变化快慢的计算,其分析结果正好与实际相吻合。
张氏等[22]利用小波变换奇异性检测功能与多尺度分辨特性,提出了2种提取脉象信号特征的方法:连续小波变换法和二进小波变换法。在此基础上,构造了两种特征向量:小波变换系数的尺度——主波峰值和小波变换的尺度——能量值。经过对临床采集的235例脉象信号的处理与分析统计,所得数据具有较好的重复性与稳定性,可以作为脉象信号区分正常人与心脏病患者的特征向量。
4 人工神经网络
人工神经网络是反映人脑结构及功能的一种抽象数学模型,一个人工神经网络是由大量神经元节点互连而成的复杂网络,用以模拟人类进行知识的表示与存储以及利用知识进行推理的行为。一个基于人工神经网络的智能系统是通过学习获取知识后建立的。从本质上讲,人工神经网络的学习是一种归纳学习方式,它通过对大量样本的反复学习,由内部自适应过程不断修改各神经元之间互连的权值,最终使神经网络的权值分布收敛于一个稳定的范围。一个已建立的神经网络可用于相关问题的求解,对于特定的输入模式,神经网络通过前向计算可得出一个输出模式,从而得到输入模式的一个特定解。人工神经网络是由大量简单的神经元以一定的方式连接而成的,单个神经元的作用是实现输入到输出的一个非线性或线性函数关系,它们之间广泛的连接组合就使得整个神经网络具有了复杂的非线性特性。神经网络将大量的信息隐含在其连接权值及阈值上,根据一定的学习算法调节权值和阀值,使神经网络实现从m维空间到n维空间复杂的非线性映射。神经网络具有强大的模式识别能力,可以对任意复杂状态或过程进行分类和识别。但是,必须首先用反映输入特征量的大量样本对网络进行学习训练后,才具有这种功能。神经网络有两个与用传统方法进行信息处理完全不同的性质:第一,神经网络是自适应和可以被训练的,它有自学习能力。如果它的输出不满足期望的结果,网络可以自动调整每个输入值的权重,产生一个新的结果,整个修正过程可以通过训练算法来实现。第二,神经网络本身就决定了它的大规模并行机制,也就是说,神经网络从原理上看比传统方法要快得多,它擅长通过大量复杂的数据进行分类和发现模式或规律。
岳氏[23]基于BP神经网络,选择1456例患者作临床脉象检测,总体准确率>92%,不仅对平、浮、沉、迟、数、虚、实、滑、涩、洪、弦、促、结、代等基本脉有较高的识别率,对于由上述基本脉构成的临床常见的相兼脉也有相当高的识别能力(>82%)。研究过程中,解决了构建合理的神经网络结构、各层神经元数量的确定、选择合理的学习速率、脉象信号特征值的选取、神经网络的训练等关键问题。
胡氏等[24]以人工神经网络为手段,以提取脉象信息为目的,由临床采样数据形成了网络训练输入特征向量库,不以单一脉本身为分类对象,而考虑它是否是某些可识别特征的组合,建立了浮沉、弦滑、迟数等一组脉象特征网络。证实了人工神经网络用于具有模糊性的脉象特征的识别和分类是可行的,带智能处理的特色,其分辨准确率可达90%。
5 模糊属性识别方法
20世纪80年代出现的用句法分析指导的脉象模糊属性识别方法,从根本上抛开了人工测定脉图指标的模式,它是从检测到的脉搏波上进行采样、基元抽取及基元属性提取等,然后作分类,这就使得计算机识别有可能突破医生的水平。模糊聚类法用于人体脉象的识别研究也获得了较高的正确率。
王氏等[25]对脉搏声信号进行AR模型拟合来完成特征提取,并通过K-L(Karhunen-Loeve)变换实现特征压缩,然后讨论了一种新的FUZZY聚类方法——F-PFSR聚类法,最后给出了对临床实测脉象信号聚类的实验结果。但研究结果显示这种聚类的正确率还有待于提高。
6 可视化分析
牛氏等[26]利用彩色Doppler超声成像技术检测到寸口桡动脉等处血管的径向张缩、轴向收缩和轴心位移组合成的三维运动,提出与脉管三维运动有关的脉象变化规律;同时应用该技术还可以在活体上直接观察到中医所谓的“斜飞脉”、“反关脉”及在寸口处并行的“双管脉”。
张氏等[27-28]运用具有B超和压力复合传感器的可视化脉动信息采集和分析装置,对桡动脉三维运动和脉诊“位、数、形、势”属性的关系进行了探索性研究,发现了二者之间的对应关系,为解决“脉形”、“脉势”等研究难点提供了新的思路和方法。
张氏等[29]自主研制了一种图像化脉搏传感器。通过对沿血管横截面方向的14个网格点轨迹的检测,提取得到了脉搏波形,并计算得出脉搏频率,同时给出脉搏振幅、脉宽信息测量的定性说明。研究表明,本系统能够有效提取多维脉搏特征信息,为中医诊断客观化和科学化提供了一种新的手段和方法。
7 其他方法
7.1 混沌分析方法
李氏等[30]借助动态心电图记录获取心电RR间期的变化信息的混沌分析方法手段——Lorenz图,观察脉象速率、节律的改变,将医生靠个体感觉的判断变为具有可视性、直观性和连续性的图形表达,可客观地量度脉象的改变程度和性质。认为虽然Lorenz图无法量度脉搏形态的变化,但有时脉搏的形态与速率相关,如沉迟、洪数等特异性的复合脉象,这也许是继续研究的切入点。
7.2 整体动态方法
刘氏等[31]在自行研制的具有新型点阵式传感器的脉象仪的基础上,建立了一种新的分析方法。该方法通过绘制整体脉搏-脉体时空综合图,以反映脉体、脉力、脉长;整体脉搏-脉势时空综合图,以反映脉宽、脉体、脉流、脉力;整体脉搏-脉流时空综合图,以反映脉流、脉长、脉宽等,从而准确反映脉搏整体动态变化,使脉象的“位、数、形、势”在整体上得到动态体现。
7.3 金氏脉学方法
魏氏等[32]根据金氏脉学的基本思想:三对基本概念、二个基本规律和一个基本原理,设计了独特的脉搏分层测量系统,克服了原有脉象仪的单点单面采样,实现了自动多层面信息采集。对脉搏波进行“多层分析”,实现对疾病“定性、定位、定量”的诊断。
7.4 分形方法
杨氏等[33]探索了分形理论在脉象特征提取中的应用。研究结果表明,不同类别的脉象信号具有不同的分形维,这为采用分形理论进行目标特征提取提供了基础。与频域分析方法比较,利用分形提取维数特征的方法更简单易行。
8 展望
8.1 分析方法的发展
传感器技术的进步使脉动信息获取空间扩大。信息来源的丰富要求新的分析方法来适应这种变革。目前,分析方法体现出两种获取新特征信息的趋势:一是在原有信息来源的基础上,引进新的分析技术,发现新的特征参数;二是开发除脉动压力信息以外的新的信息来源,并应用新的分析技术。
时频分析属于前一种趋势。时频分析的目的是在时间和频率上同时表示信号的能量和强度,最终建立一种能量和强度的时相分布,具有动态分析的特征。其与原有的时域和频域分析不同,但又兼有二者的一些优点,所以,部分研究者热衷于脉动信息时频特征参数的获取。小波变换是时频分析的另一种重要手段,也是脉诊研究的热点之一,其在信息学、工程学中的应用则更为广泛和深入。小波变换方法在时域和频域同时具有良好的局部化性质,即可以在两个领域中对同一信号进行可调控地、更细微地观察,具有放大效应,故被称为“数学放大镜”。可以看出,时频分析与常规时域、频域分析的关键区别在于对同一信号进行分析的角度和尺度,而信号的来源是同一的,并没有新的信息引入。
可视化分析(或图像分析)属于后一种趋势。可视化技术的应用突破了长期以来一维脉动压力信号的采集模式。所采用的图像分析方法,将主要研究对象转移到桡动脉三维运动相关的图形图像变化上。如对桡动脉B超图像的分析,由于视觉是人类获取外界信息的最主要途径,可视化的动态图像所携带的信息远远大于压力信号;同时采用与压力信号分析截然不同的分析方法,将三维运动的空间测量作为参数获得的主要手段,用一些直观、简单的参数即可完成脉诊属性的分析,对一些压力信号无法反映的特征,如“脉长”、“脉宽”、“脉势”等实现了参数定量分析。
8.2 识别方法的发展
脉象本身的复杂性和多元体现形式使原有的有限参数与某种脉象的整体特征一一高度对应的研究设想难以实现。基于复杂性思想的辨识方法是近几年脉诊现代研究的新方向。目前脉象辨识模式的两种主要趋势是:具有复杂性研究性质的识别方法和基于“位、数、形、势”脉诊属性的“复杂-简单-复杂”模式。
8.2.1 具有复杂性研究性质的识别方法 聚类技术的根本问题是对两个对象间距离和相异度度量的选择,针对两两对象之间的“相似度”或“相异度”划分不同类别,并不能从多维和多层次角度来全面分析数据并解释数据中真正复杂结构。另一方面,信息与脉象之间的关联性是非常复杂的,具有多维和多层次的复杂联系。目前脉动信息所常用的时域或频域分析所获得参数,仅仅是对一维压力信号的多角度观测。信号本身信息量的单薄,加之分析方法的局限,使上述复杂关系难以体现。所以,目前聚类方法在脉诊识别研究中始终是一种辅助的手段,其相关报道较少。
人工神经网络不需要精确的数学模型,而是通过模拟人的联想推理和抽象思维能力,来解决传统自动化技术无法解决的许多复杂的、不确定性的、非线性的自动化问题。由于人工神经网络在构建结构上模拟了人的中枢神经结构,通过多个循环的训练来达到最终目标,自身具有很强的自组织性和容错性,与人的思维有一定的相似性,所以是目前研究较为热门的方向之一。脉诊辨识的相关研究显示其应用结果是令人满意的。
神经网络的结构,尤其是输入层和隐含层的数目,严重影响网络的训练速度和拟合程度。为了实现较快的识别,优化和统一结构将是未来研究的方向之一。另外,目前脉诊现代研究的目标要求尽可能的减少主观因素在脉象辨识中的影响,形成较为一致和公认的客观识别方法,而训练样本的不同会导致不同的人工智能的认知模式,即使神经网络结构相同,亦是如此。这与客观研究的目标背道而驰。所以,如何统一有限的训练样本,将是未来研究人员面临的新问题。
8.2.2 基于脉诊属性的“复杂→简单→复杂”模式 “位、数、形、势”是周学海提出的分类脉象的纲领。目前单脉有28种之多,相兼脉则更多。但不论脉象种类有多少,均可被分解到“位、数、形、势”的不同程度中去,所以,“位、数、形、势”可以看作脉诊的四个基本属性。基于脉诊“位、数、形、势”属性的分析研究,将复杂多样的脉象分解简化为四种有量化可能性的参数分类,实现了“复杂→简单”的过程;通过客观参数反映的“位、数、形、势”属性,在“组合关系”论的指导下可进一步合成为具体的单一脉象,实现“简单→复杂”的过程。
【参考文献】 [1] 傅骢远,牛 欣.中医脉象今释——现代实验研究[M].北京:华夏出版社,1993.341-345.
[2] 费兆馥.现代中医脉诊学[M].北京:人民卫生出版社,2003.147-222.
[3] 黄世林,孙明異.中医脉象研究[M].北京:人民卫生出版社,1986.45-196.
[4] 杨天权.中医脉学应用新进展——附60例脉案分析[M].上海:上海交通大学出版社,1994.187-321.
[5] 徐迪华,徐剑秋,徐丽敏.中华脉诊的奥秘——200幅脉图解析[M].南京:江苏科学技术出版社,2005.189-265.
[6] 李玉韩,蔡坤宝,张继红.双谱估计在中医脉象信号分析中的应用[J].重庆大学学报(自然科学版),2006,29(5):44-47,61.
[7] 张继红,蔡坤宝,李玉韩.中医脉象信号的参数化双谱估计及其切片分析[J].重庆大学学报(自然科学版),2006,29(6):47-50,74.
[8] 黄 镭,刘宗行,蔡坤宝.倒双谱估计在海洛因吸毒者脉象信号检测中的应用[J].重庆工学院学报(自然科学版),2007,21(7):98-102.
[9] 王炳和,罗 建,相敬林,等.人体脉搏功率谱分析与中医脉诊机理研究[J].西北大学学报(自然科学版),2001,31(1):21-25.
[10] 王炳和,相敬林,杨 颙,等.基于信号检测的人体脉搏系统传递函数的估计[J].科学通报,1999,44(10):1069-1073.
[11] 厉树忠,张 媛,刘 进.中医脉率波形的频谱分析[J].甘肃科技,2006, 22(9):120-121.
[12] 王全来,厉树忠,杨金龙,等.中医浮脉与沉脉的频谱分析[J].甘肃科技,2007,23(6):77-79.
[13] 张镜人,郑秀春,杨天权,等.正常人脉象图频域指标分析[J].辽宁中医杂志,1995,22(10):435-436.
[14] 孟兆辉,白 净,王苏中,等.高血压病人的光电容积脉搏波的频域分析[J].北京生物医学工程,2002,21(1):1-4.
[15] 车新生,范威阳,刘明林.基于傅立叶级数的中医脉象三维显示[J].辽宁中医杂志,2007,34(11):1505-1507.
[16] 姜 斌,宋蜇存.脉象信号的频谱分析[J].通讯与信息处理,2007,26(8):38-39.
[17] 周 越,许 晴,孔 薇.脉象特性分析和识别方法的研究[J].生物医学工程学杂志,2006,23(3):505-508.
[18] 曾小青,李 玲,欧阳俊.指端脉搏波检测与频域分析实验设计[J].实用预防医学,2004,11(2):362-363.
[19] 周 霞,蔡坤宝.中医脉象信号的短时傅立叶分析[J].重庆大学学报, 2003,26(10):47-51.
[20] 周 丹,蔡坤宝.基于短时傅立叶变换的脉象信号的模式识别方法[J].重庆科技学院学报(自然科学版),2007,9(3):49-52.
[21] 白金星,赵子婴,王艳苹.基于小波变换过零点表征的脉搏信号分析[J].航天医学与医学工程,2006,19(3):204-207.
[22] 张丽琼,王炳和.基于小波变换的脉象信号特征提取方法[J].数据采集与处理,2004,19(3):323-328.
[23] 岳沛平.BP神经网络识别在中医脉象信号辨识系统中的运用[J].江苏中医药,2005,26(11):4-6.
[24] 胡家宁,阎述池,王秀章,等.脉象特征人工神经网络分类器[J].中国医科大学学报,1996,25(6):571-574,578.
[25] 王炳和,相敬林.基于AR模型的人体脉象信号模糊聚类研究[J].应用声学,2001,20(5):21-25.
[26] 牛 欣,杨学智,傅骢远,等.桡动脉的三维运动与脉诊位数形势[J].中国中西医结合杂志,1994,14(7):435-437.
[27] 张治国,牛 欣,杨学智,等.脉形和脉势检测方法新探[J].中西医结合学报,2008,6(3):243-248.
[28] 张治国,牛 欣,杨学智,等.脉长的数字化、可视化探索[J].中医杂志,2008,49(9):830-832.
[29] 张爱华,李向群.基于图像传感器的脉搏三维运动分析[J].微计算机信息(测控自动化),2007,23(5):176-177,270.
[30] 李方洁,刘国正.混沌方法Lorenz图对脉象的表达[J].中国中医药信息杂志,2003,10(6):10-11.
[31] 刘 峰,陈家旭.脉象信号分析新方法与实施方案[J].中医药学刊, 2006,24(12):2217-2218.
[32] 魏守水,韩庚祥,金 伟.基于金氏脉学的新型脉诊仪的研究[J].电子测量与仪器学报,2005,19(5):90-94.
[33] 杨丽娟,宋蛰存,王术平,等.小波变换和分形理论在脉象识别中的应用[J].自动化技术与应用,2006,25(7):9-12.
|