TWI852361B - 脈相預測方法及系統 - Google Patents
脈相預測方法及系統 Download PDFInfo
- Publication number
- TWI852361B TWI852361B TW112106452A TW112106452A TWI852361B TW I852361 B TWI852361 B TW I852361B TW 112106452 A TW112106452 A TW 112106452A TW 112106452 A TW112106452 A TW 112106452A TW I852361 B TWI852361 B TW I852361B
- Authority
- TW
- Taiwan
- Prior art keywords
- pulse
- phase
- data
- pulse wave
- meridians
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 50
- 210000001367 artery Anatomy 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 47
- 238000003062 neural network model Methods 0.000 claims description 17
- 210000002569 neuron Anatomy 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims 8
- 239000003814 drug Substances 0.000 abstract description 26
- 238000003745 diagnosis Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 16
- 238000012795 verification Methods 0.000 description 7
- 239000008280 blood Substances 0.000 description 6
- 210000004369 blood Anatomy 0.000 description 6
- 230000007812 deficiency Effects 0.000 description 6
- 210000003734 kidney Anatomy 0.000 description 6
- 210000000056 organ Anatomy 0.000 description 6
- 210000004072 lung Anatomy 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 2
- 206010021143 Hypoxia Diseases 0.000 description 2
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000000232 gallbladder Anatomy 0.000 description 2
- 210000004247 hand Anatomy 0.000 description 2
- 210000002216 heart Anatomy 0.000 description 2
- 230000007954 hypoxia Effects 0.000 description 2
- 210000002429 large intestine Anatomy 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 238000002559 palpation Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 210000000813 small intestine Anatomy 0.000 description 2
- 210000000952 spleen Anatomy 0.000 description 2
- 210000002784 stomach Anatomy 0.000 description 2
- 210000003857 wrist joint Anatomy 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 101100233916 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR5 gene Proteins 0.000 description 1
- 210000000683 abdominal cavity Anatomy 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000003403 autonomic nervous system Anatomy 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 210000000750 endocrine system Anatomy 0.000 description 1
- 210000003811 finger Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 210000002321 radial artery Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000003813 thumb Anatomy 0.000 description 1
- 210000003932 urinary bladder Anatomy 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4854—Diagnosis based on concepts of alternative medicine, e.g. homeopathy or non-orthodox
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
- A61B5/021—Measuring pressure in heart or blood vessels
- A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/90—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to alternative medicines, e.g. homeopathy or oriental medicines
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Vascular Medicine (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Alternative & Traditional Medicine (AREA)
- Pharmacology & Pharmacy (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
一種脈相預測方法及系統。脈相預測系統包含壓力感測模組及處理模組。脈相預測方法包含：以壓力感測模組感測第一受測者的動脈以取得第一動脈波形，以處理模組根據第一動脈波形產生待預測資料，其中待預測資料包含多條經絡的多筆第一脈波資料，以及以處理模組將待預測資料輸入至脈相預測模型，以產生多個脈相的多個預測機率值。據此，可以產生高精準度的脈相預測結果。中醫師可以根據脈相預測模型產生的多種脈相之預測機率值及其他望、聞或/及問等判斷結果來對受測者的身體狀況進行更準確及更有效率的診斷。
Description
本發明係關於一種脈相預測方法及系統。
近十年來中醫科學快速發展，經絡把脈的原理隨著許多科學方法研究被逐漸為人熟知，已不再是一門難以參透的醫學。中醫是透過多方訊息邏輯演繹，推測患者的身體狀況。所述多方訊息可以透過望、聞、問及切得到，其中「切」即把脈，是指按壓大拇指後側的接近腕關節的動脈，以觀察脈搏的變化。脈搏所反應的不僅僅是心跳的頻率而已，例如自律神經、內分泌等等都會直接影響到動脈的緊度與粗細；臟器功能的正常與否，亦會影響到動脈的內容物的濃度。
儘管目前的技術已發展出使用脈診儀進行脈診，但僅考慮每一條經絡的「氣(振幅)」的正負值，就有2的11次方(2048)種的變化，且氣的缺氧指標也有正負值(2048)；「血(相位)」也有正負值(2048)，血的缺氧指標也有正負值(2048)。因此，光是資料的定性(正負)就有2048×2048×2048×2048種變化，即使有脈診儀的輔助，中醫師仍很難根據大量的數據進行有效率且準確的診斷。
鑒於上述，本發明提供一種脈相預測方法及系統。
依據本發明一實施例的脈相預測方法，包含：以壓力感測模組感測第一受測者的動脈以取得第一動脈波形；以處理模組根據第一動脈波形產生待預測資料，其中待預測資料包含多條經絡的多筆第一脈波資料；以及以處理模組將待預測資料輸入至脈相預測模型，以產生多個脈相的多個預測機率值。
依據本發明一實施例的脈相預測系統，包含：壓力感測模組以及處理模組。壓力感測模組用於感測第一受測者的動脈以產生第一動脈波形。處理模組連接於壓力感測模組，處理模組用於根據第一動脈波形產生待預測資料，及將待預測資料輸入至脈相預測模型，以產生多個脈相的多個預測機率值，其中待預測資料包含多條經絡的多筆第一脈波資料。
綜上所述，依據本發明一或多個實施例的脈相預測方法及系統，可以產生高精準度的脈相預測結果。透過載入電腦中的脈相預測模型，中醫師可以根據脈相預測模型產生的多種脈相之預測機率值及其他望、聞或/及問等判斷結果來對受測者的身體狀況進行更準確及更有效率的診斷，並縮短中醫師經驗累積的學習曲線。因此，可以避免初階中醫師的誤判以及可以輔助有經驗的中醫師的判斷精準度。
以上之關於本揭露內容之說明及以下之實施方式之說明係用以示範與解釋本發明之精神與原理，並且提供本發明之專利申請範圍更進一步之解釋。
1,2:脈相預測系統
11,21:壓力感測模組
12,22:處理模組
23:輸入模組
A1:第一部分
A2:第二部分
A3:第三部分
W1:第一動脈波形
W2:正常情況下的動脈波形
θ:相位差
S101,S103,S105,S201,S203,S205:步驟
圖1係依據本發明一實施例所繪示的脈相預測系統的方塊圖。
圖2係依據本發明一實施例所繪示的脈相預測方法的流程圖。
圖3係繪示寸關尺的位置的示意圖。
圖4係繪示脈波診斷表的示意圖。
圖5係繪示相位差標記對應的波形的示意圖。
圖6係繪示訓練資料的示意圖。
圖7係繪示本發明所使用的初始神經網路模型的分類架構圖。
圖8係依據本發明另一實施例所繪示的脈相預測系統的方塊圖。
圖9係依據本發明另一實施例所繪示的脈相預測方法的流程圖。
圖10係依據本發明一或多個實施例所繪示的模型訓練及模型應用的示意圖。
以下在實施方式中詳細敘述本發明之詳細特徵以及優點，其內容足以使任何熟習相關技藝者了解本發明之技術內容並據以實施，且根據本說明書所揭露之內容、申請專利範圍及圖式，任何熟習相關技藝者可輕易地理解本發明相關之目的及優點。以下之實施例係進一步詳細說明本發明之觀點，但非以任何觀點限制本發明之範疇。
傳統上，依靠把脈只能得到左手及右手各自的11條經絡的結果，其中把脈的位置又分成上、中及下三個位置(寸、關及尺)。進一步而言，所述11條經絡分為22個區域，即把脈的精度為肝(2-中下)、腎(2-中下)、脾(2-中下)、肺(1-中)、胃(3)、膽(3)、膀胱(3)、大腸(2-上中)、三焦(2-上中)、小腸(2-上中)，一隻
手對應22個身體的區域，即總共有44筆把脈的結果。根據以上內容可知，中醫師僅能仰賴自身的經驗對把脈的結果進行診斷。透過本發明所示之脈相預測系統及方法，中醫師可以根據脈相預測模型產生的多種脈相之預測機率值及其他望、聞或/及問等判斷結果來對受測者的身體狀況進行更準確及更有效率的診斷。因此，可以避免初階中醫師的誤判以及可以輔助有經驗的中醫師的判斷精準度。
請參考圖1，圖1係依據本發明一實施例所繪示的脈相預測系統的方塊圖。如圖1所示，脈相預測系統1包括壓力感測模組11及處理模組12。處理模組12連接於壓力感測模組11，其中處理模組12可以是電性連接於壓力感測模組11，或通訊連接於壓力感測模組11。
壓力感測模組11可以實現為腕套的形式，用於感測手腕處的動脈。於一實施樣態中，壓力感測模組11包括一或多個感測器，用於感測第一受測者的動脈以產生第一動脈波形；處理模組12包含一或多個處理器，可以執行訓練資料的產生、模型的訓練及模型的使用(預測)。進一步來說，在多個處理器的實施態樣中，將感測資料轉換為訓練資料的處理器與壓力感測器可組成脈診儀(例如，王唯工教授研發的脈診儀)。所述處理器例如為中央處理器、繪圖處理器、微控制器、可程式化邏輯控制器或其他具有訊號處理功能的處理器。
為更詳細說明脈相預測系統1的運作方式，請一併參考圖1、圖2及圖3，其中圖2係依據本發明一實施例所繪示的脈相預測方法的流程圖，圖3係繪示寸關尺的位置的示意圖。如圖2所示，脈相預測方法包括：步驟S101：感測第一受測者的動脈以取得第一動脈波
形；步驟S103：根據第一動脈波形產生待預測資料，其中待預測資料包含多條經絡的多筆第一脈波資料；以及步驟S105：將待預測資料輸入至脈相預測模型，以產生多個脈相的多個預測機率值。
於步驟S101，使用者或處理模組12致動壓力感測模組11感測第一受測者的動脈以取得第一動脈波形。以圖3為例，壓力感測模組11可以設置在第一受測者的腕關節處的橈動脈上，用以量測第一部分A1、第二部分A2及第三部分A3處的動脈。進一步而言，第一部分A1可為中醫所說的「寸」段，其反映了橫膈膜以上的臟器狀態；第二部分A2可為中醫所說的「關」段，其反映了腹腔的臟器狀態；第三部分A3可為中醫所說的「尺」段，其反映了骨盆腔內的臟器狀態。舉例而言，正常的脈相是寸關尺皆粗細均勻，若把脈結果顯示左「尺」段為細且無力，代表患者的腎氣不足，骨盆腔必有虛弱的疾患。由於人體左右臟器的不對稱性，對兩手的「寸」段進行把脈/量測所得到的資訊亦有不同。「寸」段是人體的「全息元」，反映了全身的狀態。然而，「寸」段的脈動只在狹窄的指間，能從中汲取多少資訊，端視中醫師的功力及經驗。因此，透過致動壓力感測模組11進行感測，可以得到更準確的結果。
於步驟S103，處理模組12根據第一動脈波形產生待預測資料，其中待預測資料包含多條經絡的多筆第一脈波資料。具體而言，每條經絡有對應的共振頻率，第一動脈波形即是心臟搏動的頻率與經絡的共振頻率呈倍頻時的波型。換言之，脈搏為基頻，經絡為基頻的諧波，
因諧波會與基頻產生共振，故能夠運用共振原理量測各經絡的第一脈波資料。
請參考圖4，圖4係繪示脈波診斷表的示意圖，其中圖4的示意圖是透過使用王唯工教授研發的脈診儀所得。脈診儀的壓力感測模組是綁在前述的寸、關及尺處。脈波診斷表是透過記錄五到六個動脈波形並去除雜訊造成的偏差值而得。脈波診斷表的上半部為第一受測者的基本資料，脈波診斷表的下半部為列出了0到10的編號，分別代表心臟、肝、腎、脾、肺、胃、膽、膀胱、大腸、三焦、小腸的11條經絡。每筆第一脈波資料可包含對應的經絡的脈波強度標記及相位差標記，其中相位差標記係關聯於第一動脈波形的相位與預設相位之間的相位差。在中醫的技術中，脈波強度標記可代表「氣」的強弱，相位差標記可代表氣與「血」的轉換是否正常。一般而言，「血」的影響比「氣」來得慢，因為「血」必須在器官「質變」後才會呈現對應的相位差變化，但「氣」單純只是動脈波形的振幅(脈搏振幅)。因此，「血」發生變化會比「氣」發生變化來得嚴重許多。簡言之，脈波強度標記指示第一受測者的心臟強弱，相位差標記指示第一動脈波形的相位與正常情況下的預設相位之間的相位差。脈波強度標記(Intensity flag)欄位的符號「+」指示脈波的強度高於平均值，符號「-」指示脈波的強度低於平均值，符號「N」指示脈波的強度約等於脈波強度平均值，或是介於脈波強度平均值的一上閾值與一下閾值之間。此外，每個脈波強度標記可對應至振幅標準差，例如下述的第一標準差。
請一併參考圖4及圖5，其中圖5係繪示相位差標記對應的波形的示意圖。相位差標記(Phase flag)欄位的符號「-」指示第一動脈波形W1的相位與正常情況下的動脈波形W2的預設相位之間的相位差θ高於相位差平均值(例如，第一動脈波形W1的相位以相位差θ落後正常情況下的動脈波形W2的預設相位)，相位差標記欄位的符號「N」指示脈波的強度約等於脈波強度平均值，或是介於脈波強度平均值的一上閾值與一下閾值之間。此外，每個相位差標記可對應至相位標準差，例如下述的第二標準差。
另外，如圖4所示，第一脈波資料的每一者可以更包含對應脈波強度標記的第一標準差及對應相位差標記的第二標準差。每條經絡可有各自對應的預設標準差。若某一經絡的標準差大於預設標準差，表示該經絡可能有異常。舉例而言，編號0到編號5的經絡的預設標準差可為7%，編號6到編號10的經絡的標預設標準差可為15%，故編號9及編號10的經絡可被視為有異常(標記符號「*」)。
於步驟S105，處理模組12將待預測資料輸入至脈相預測模型，以產生多個脈相的多個預測機率值，其中脈相預測模型係在步驟S105前訓練好的模型。所述多個脈相可包括腎虧、肺虛、風寒等，本發明不對脈相的內容予以限制。以上列的三個脈相為例，預測機率值可以包含第一受測者有腎虧的預測機率值、肺虛的預測機率值及風寒的預測機率值。舉例而言，假設受測者的腎虧、肺虛及風寒的預測機率值分別為5%、10%及90%，則表示此受測者很有可能有風寒的狀況。
請參考圖6，圖6係繪示用於訓練脈相預測模型的訓練資料示意圖。如圖6所示，用於訓練脈相預測模型的訓練資料可包含11條經絡的脈波資料，每一筆脈波資料包括脈波強度標記及相位差標記以及對應的標準差，且每一筆訓練資料可包括對應各脈相(label)的標記。待預測資料的型態及產生方式與訓練資料相同，惟待預測資料無對應各脈相的標記。具體而言，輸入脈相預測模型的待預測資料可包含11條經絡的第一脈波資料，其中每一筆第一脈波資料包括脈波強度標記及相位差標記以及對應的標準差，脈相預測模型可產生每筆待預測資料對應各脈相的預測機率值。因此，於步驟S105，處理模組12可以是將該些經絡的該些第一脈波資料輸入至脈相預測模型的輸入層，其中該些經絡的數量與該些第一脈波資料對應的參數的數量的乘積等於輸入層的神經元的數量。以11條經絡及各脈波資料包括脈波強度標記及相位差標記以及對應的標準差為例，脈相預測模型的輸入層的神經元的數量可以為44。
據此，可以產生高精準度的脈相預測結果。中醫師可以根據脈相預測模型產生的多種脈相之預測機率值及其他望、聞或/及問等判斷結果來對受測者的身體狀況進行更準確及更有效率的診斷。因此，可以避免初階中醫師的誤判以及可以輔助有經驗的中醫師的判斷精準度。
請參考圖7，圖7係繪示本發明所使用的初始神經網路模型的分類架構圖。人工智慧(artificial intelligence，AI)是指讓電腦能夠像人類般思考、表現出類似人類的行為。機器學習則是人工智慧的一個分支，透過不同演算法進行學習，其中機器學習演算法是可自動對
資料進行分析及歸納出規則，並利用此規則對未知的資料進行預測。另外，在機器學習的訓練中需大量的訓練資料(大數據)，而這些資料可儲存在分散式的資料庫或檔案系統中。深度學習是機器學習的一種，其是模擬人類的神經網絡的運作方式以進行預測，且可由繪圖處理器(GPU)或張量處理器(tensor processing unit，TPU)執行平行運算實現。本發明所述的脈相預測模型可以是深度學習模型，且可以包含經訓練後的序列模型(keras sequential model)、多層感知機(multilayer perceptron，MLP)、卷積神經網絡模型或循環神經網路模型。
請接著參考圖8，其中圖8係依據本發明另一實施例所繪示的脈相預測系統的方塊圖。如圖8所示，脈相預測系統2包括壓力感測模組21、處理模組22以及輸入模組23。處理模組22連接於壓力感測模組21及輸入模組23，其中處理模組22可以是電性連接於壓力感測模組21及輸入模組23，或通訊連接於壓力感測模組21及輸入模組23。脈相預測系統2的壓力感測模組21及處理模組22的實現方式可與圖1的壓力感測模組11及處理模組12相同，故不於此贅述。處理模組22可以與圖1的處理模組12為同一個模組，即處理模組22可包含一處理器或三種處理器。輸入模組23可為滑鼠、鍵盤、觸控螢幕、麥克風等輸入裝置，輸入模組23用於接收使用者輸入的各脈相的標記機率值。使用者可以透過輸入模組23輸入每筆訓練資料所對應之各脈相的標記機率值，所述各脈相的標記機率值可以是由有經驗的中醫師基於訓練資料中的參數表現判斷而得。
為了更詳細說明脈相預測系統2的運作方式，請一併參考圖8及圖9，其中圖9係依據本發明另一實施例所繪示的脈相預測方法的流程圖。如圖9所示，脈相預測方法可更包含：步驟S201：感測多個第二受測者的動脈以取得多個第二動脈波形；步驟S203：根據該些第二動脈波形產生多筆訓練資料，其中該些訓練資料各包含該些經絡的多筆第二脈波資料，且該些訓練資料的每一者具有對應該些脈相的多個標記機率值；以及步驟S205：將該些訓練資料輸入至初始神經網路模型，以產生脈相預測模型。圖9所示的步驟可以執行在圖2的步驟S105之前。
於步驟S201，壓力感測模組21感測第二受測者的動脈以取得第二動脈波形。第二受測者異於第一受測者。壓力感測模組21進行感測以取得第二動脈波形的方式可與圖2的步驟S101相同，故不於此贅述。
於步驟S203，處理模組22根據第二動脈波形產生訓練資料，其中訓練資料的第二脈波資料的每一者包含脈波強度標記及相位差標記，其中相位差標記係第二動脈波形的相位與預設相位之間的相位差。此外，第二脈波資料的每一者可以更包含對應脈波強度標記的第一標準差及對應相位差標記的第二標準差。第二脈波資料的資料類型與前述第一脈波資料的資料類型相同，故不於此贅述。此外，處理模組22更可透過輸入模組23接收使用者輸入的標記機率值，其中標記機率值指示第二受測者患有各脈相的機率值。
標記機率值關聯於該些經絡各自的正常狀態或異常狀態，其中異常狀態指示第二脈波資料的第一標準差中的對應者或第二脈波資料的第二標準差中的對應者大於對應的預設標準差。舉例而言，當其中一筆第一標準差大於其對應的預設標準差，表示該第一標準差對應的經絡屬異常狀態。換言之，一個第二受測者的訓練資料的標記機率值是取決於該第二受測者的經絡各自的正常狀態或異常狀態。
於步驟S205，處理模組22將訓練資料輸入至初始神經網路模型進行訓練，以產生經訓練的脈相預測模型。初始神經網路模型可以包含序列模型、多層感知機、卷積神經網絡模型或循環神經網路模型。初始神經網路模型包含輸入層、多層隱藏層及輸出層，其中每一層的權重操作與激勵值都會影響到下一層，並最後由輸出層輸出判斷的結果。進一步而言，輸入層的各神經元的值會被各自乘上每個神經元所帶有的權重以得到多個輸入值，將所有輸入值加總後減去一個閾值(在此稱為偏置值(bias))，以判斷神經元是否被激勵成功，進而更進一步影響下一層的神經元。
以多層感知機為例，其可以是以序列模型(高階深度學習的應用程式介面(application programming interface，API))架構於TensorFlow的開源軟體庫(底層深度學習的API)，並且以程式語言Python執行程式開發。在運用Python及序列模型建立模型後，可以使用加法(add)來建立輸入層、隱藏層及輸出層，再利用擬合(fit)的方法開始一次次的訓練，訓練結果可儲存為HDF5規格的檔案(inference)。
在多層感知機中，進行傳遞的神經元都是分層排列。進一步而言，處理模組22將該些經絡與第二脈波資料對應的多個參數作為該初始神經網路模型的輸入層，其中該些經絡的數量與該些第二脈波資料對應的參數的數量的乘積等於輸入層的神經元的數量。所述11條經絡及各經絡對應的脈波強度標記、振幅標準差、相位差標記及相位標準差(共44筆資料)可作為多層感知機的輸入層。換言之，輸入層可以有44個神經元。輸出層可輸出各脈相對應的預測機率值。舉例而言，傳統中醫有的28個脈相，針對11條經絡，一次的學習運算可能就要調整8704個權重值(44×64+64×64+64×28=8704)，而需調整的偏置值有156個(64+64+28=156)；如果再乘以10000個病患的數值作為訓練資料，則運算過程將會涉及大量的資料。因此，初始神經網路模型的訓練需藉由電腦(例如，處理模組22)才能完成。
由於每筆訓練資料包含各經絡的正常狀態及異常狀態，以及該訓練資料對應的標記機率值，故經訓練後的脈相預測模型即可根據待預測資料(例如，圖2所述的待預測資料)產生準確的預測機率值。
除上述實施例外，在產生脈相預測模型後，處理模組22還可取得驗證資料，將驗證資料輸入至脈相預測模型以產生多個驗證機率值；依據驗證機率值判斷脈相預測模型的預測準確值；及於預測準確值大於或等於準確率閾值時，將待預測資料輸入至脈相預測模型。驗證資料可為第二脈波資料或與第二脈波資料同類型的第三脈波資料，且處理模組22另存有驗證資料對應的已知機率值。處理模組22可計算脈相預測模型產生的驗證機率值與所述已知機率值之間的相符程度作為預
測準確值，及於判斷預測準確值大於或等於準確率閾值(例如，90%)時，執行圖2的步驟S105。
請參考圖10，圖10係依據本發明一或多個實施例所繪示的模型訓練及模型應用的示意圖。如圖10所示，多個脈診儀可用於產生各自的針對11條經絡的訓練資料，每筆訓練資料對應一個第二受測者；或者，一個脈診儀亦可用於產生多筆訓練資料，每筆訓練資料對應一個第二受測者。接著，這些訓練資料被輸入至初始神經網路模型進行訓練以產生脈相預測模型。接著，第一受測者的待預測資料可被輸入至脈相預測模型，以產生對應各脈相的預測機率值。
綜上所述，依據本發明一或多個實施例的脈相預測方法及系統，可以產生高精準度的脈相預測結果。透過載入電腦中的脈相預測模型，中醫師可以根據脈相預測模型產生的多種脈相之預測機率值及其他望、聞或/及問等判斷結果來對受測者的身體狀況進行更準確及更有效率的診斷，並縮短中醫師經驗累積的學習曲線。因此，可以避免初階中醫師的誤判以及可以輔助有經驗的中醫師的判斷精準度。
雖然本發明以前述之實施例揭露如上，然其並非用以限定本發明。在不脫離本發明之精神和範圍內，所為之更動與潤飾，均屬本發明之專利保護範圍。關於本發明所界定之保護範圍請參考所附之申請專利範圍。
S101,S103,S105:步驟
Claims (18)
- 一種脈相預測方法，包含：以一壓力感測模組感測一第一受測者的動脈以取得一第一動脈波形；以一處理模組根據該第一動脈波形產生一待預測資料，其中該待預測資料包含多條經絡的多筆第一脈波資料，其中該些第一脈波資料的每一者包含一第一脈波強度標記及一第一相位差標記，其中該第一相位差標記係關聯於該第一動脈波形的相位與一預設相位之間的一相位差；以及以該處理模組將該待預測資料輸入至一脈相預測模型，以產生多個脈相的多個預測機率值。
- 如請求項1所述的脈相預測方法，其中在將該待預測資料輸入至該脈相預測模型前，該方法更包含：以該壓力感測模組感測多個第二受測者的動脈以取得多個第二動脈波形；以該處理模組根據該些第二動脈波形產生多筆訓練資料，其中該些訓練資料各包含該些經絡的多筆第二脈波資料，且該些訓練資料的每一者具有對應該些脈相的多個標記機率值；以及以該處理模組將該些訓練資料輸入至一初始神經網路模型，以產生該脈相預測模型。
- 如請求項1所述的脈相預測方法，其中以該處理模組將該待預測資料輸入至該脈相預測模型包含： 將該些經絡的該些第一脈波資料輸入至該脈相預測模型的輸入層，其中該些經絡的數量與該些第一脈波資料對應的參數數量的乘積等於該輸入層的神經元的數量。
- 如請求項1所述的脈相預測方法，其中該些第一脈波資料的每一者更包含對應該第一脈波強度標記的一第一標準差及對應該第一相位差標記的一第二標準差。
- 如請求項2所述的脈相預測方法，其中以該處理模組將該些訓練資料輸入至該初始神經網路模型包含：將該些經絡與該些第二脈波資料對應的多個參數作為該初始神經網路模型的輸入層，其中該些經絡的數量與該些第二脈波資料對應的該些參數的數量的乘積等於該輸入層的神經元的數量。
- 如請求項2所述的脈相預測方法，其中該些第二脈波資料的每一者包含一第二脈波強度標記及一第二相位差標記，其中該第二相位差標記係該第二動脈波形的相位與該預設相位之間的一相位差。
- 如請求項6所述的脈相預測方法，其中該些第二脈波資料的每一者更包含對應該第二脈波強度標記的一第一標準差及對應該第二相位差標記的一第二標準差。
- 如請求項7所述的脈相預測方法，其中該些標記機率值關聯於該些經絡各自的一正常狀態或一異常狀態，該異常狀態指示該些第一標準差中的對應者或該些第二標準差中的對應者大於對應的一預設標準差。
- 一種脈相預測系統，包含：一壓力感測模組，用於感測一第一受測者的動脈以產生一第一動脈波形；以及一處理模組，連接於該壓力感測模組，該處理模組用於根據該第一動脈波形產生一待預測資料，及將該待預測資料輸入至一脈相預測模型，以產生多個脈相的多個預測機率值，其中該待預測資料包含多條經絡的多筆第一脈波資料，該些第一脈波資料的每一者包含一第一脈波強度標記及一第一相位差標記，其中該第一相位差標記係關聯於該第一動脈波形的相位與一預設相位之間的一相位差。
- 如請求項9所述的脈相預測系統，其中該壓力感測模組更感測多個第二受測者的動脈以產生多個第二動脈波形，其中該處理模組更用於根據該些第二動脈波形產生多筆訓練資料，及將該些訓練資料輸入至一初始神經網路模型，以產生該脈相預測模型，其中該些訓練資料各包含該些經絡的多筆第二脈波資料，且該些訓練資料的每一者具有對應該些脈相的多個標記機率值。
- 如請求項10所述的脈相預測系統，更包含：一輸入模組，連接於該處理模組，該輸入模組用於接收該些標記機率值。
- 如請求項9所述的脈相預測系統，其中該處理模組執行將該待預測資料輸入至該脈相預測模型包含： 將該些經絡的該些第一脈波資料輸入至該脈相預測模型的輸入層，其中該些經絡的數量與該些第一脈波資料對應的參數數量的乘積等於該輸入層的神經元的數量。
- 如請求項9所述的脈相預測系統，其中該些第一脈波資料的每一者更包含對應該第一脈波強度標記的一第一標準差及對應該第一相位差標記的一第二標準差。
- 如請求項10所述的脈相預測系統，其中該處理模組執行將該些訓練資料輸入至該初始神經網路模型包含：將該些經絡與該些第二脈波資料對應的多個參數作為該初始神經網路模型的輸入層，其中該些經絡的數量與該些第二脈波資料對應的該些參數的數量的乘積等於該輸入層的神經元的數量。
- 如請求項10所述的脈相預測系統，其中該些第二脈波資料的每一者包含一第二脈波強度標記及一第二相位差標記，其中第二該相位差標記係該第二動脈波形的相位與該預設相位之間的一相位差。
- 如請求項15所述的脈相預測系統，其中該些第二脈波資料的每一者更包含對應該第二脈波強度標記的一第一標準差及對應該第二相位差標記的一第二標準差。
- 如請求項16所述的脈相預測系統，其中該些標記機率值關聯於該些經絡各自的一正常狀態或一異常狀態，該異常狀態指示該些第一標準差中的對應者或該些第二標準差中的對應者大於對應的一預設標準差。
- 如請求項9所述的脈相預測系統，其中該壓力感測模組及該處理模組組成一脈診儀。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW112106452A TWI852361B (zh) | 2023-02-22 | 2023-02-22 | 脈相預測方法及系統 |
| US18/317,959 US20240277237A1 (en) | 2023-02-22 | 2023-05-16 | Pulse condition prediction method and system |
| CN202410258686.8A CN118526158A (zh) | 2023-02-22 | 2024-03-07 | 脉相预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW112106452A TWI852361B (zh) | 2023-02-22 | 2023-02-22 | 脈相預測方法及系統 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI852361B true TWI852361B (zh) | 2024-08-11 |
| TW202434168A TW202434168A (zh) | 2024-09-01 |
Family
ID=92305107
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW112106452A TWI852361B (zh) | 2023-02-22 | 2023-02-22 | 脈相預測方法及系統 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20240277237A1 (zh) |
| CN (1) | CN118526158A (zh) |
| TW (1) | TWI852361B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103886173A (zh) * | 2012-12-19 | 2014-06-25 | 财团法人工业技术研究院 | 脉波与体质健康风险评估系统与方法 |
| US9220437B2 (en) * | 2010-05-14 | 2015-12-29 | Centre For Development Of Advanced Computing | Diagnostic classifications of pulse signal waveform data |
| US20170258336A1 (en) * | 2014-08-22 | 2017-09-14 | Pulse Tectonics Llc | Automated diagnosis based at least in part on pulse waveforms |
| CN109864719A (zh) * | 2017-12-05 | 2019-06-11 | 深圳市前海安测信息技术有限公司 | 中医脉象检测分析系统及方法 |
| TW202112304A (zh) * | 2019-09-26 | 2021-04-01 | 國立成功大學 | 基於穴道電阻與血壓波的脈象分析方法、預測模型建立方法及其系統 |
| TW202224624A (zh) * | 2020-12-15 | 2022-07-01 | 國立東華大學 | 脈象辨識裝置及脈象辨識方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100204590A1 (en) * | 2009-02-09 | 2010-08-12 | Edwards Lifesciences Corporation | Detection of Vascular Conditions Using Arterial Pressure Waveform Data |
-
2023
- 2023-02-22 TW TW112106452A patent/TWI852361B/zh active
- 2023-05-16 US US18/317,959 patent/US20240277237A1/en active Pending
-
2024
- 2024-03-07 CN CN202410258686.8A patent/CN118526158A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9220437B2 (en) * | 2010-05-14 | 2015-12-29 | Centre For Development Of Advanced Computing | Diagnostic classifications of pulse signal waveform data |
| CN103886173A (zh) * | 2012-12-19 | 2014-06-25 | 财团法人工业技术研究院 | 脉波与体质健康风险评估系统与方法 |
| US20170258336A1 (en) * | 2014-08-22 | 2017-09-14 | Pulse Tectonics Llc | Automated diagnosis based at least in part on pulse waveforms |
| CN109864719A (zh) * | 2017-12-05 | 2019-06-11 | 深圳市前海安测信息技术有限公司 | 中医脉象检测分析系统及方法 |
| TW202112304A (zh) * | 2019-09-26 | 2021-04-01 | 國立成功大學 | 基於穴道電阻與血壓波的脈象分析方法、預測模型建立方法及其系統 |
| TW202224624A (zh) * | 2020-12-15 | 2022-07-01 | 國立東華大學 | 脈象辨識裝置及脈象辨識方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202434168A (zh) | 2024-09-01 |
| CN118526158A (zh) | 2024-08-23 |
| US20240277237A1 (en) | 2024-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gjoreski et al. | Machine learning and end-to-end deep learning for the detection of chronic heart failure from heart sounds | |
| Revilla-León et al. | Artificial intelligence applications in restorative dentistry: A systematic review | |
| Buettner et al. | Efficient machine learning based detection of heart disease | |
| Yan et al. | A multilayer perceptron-based medical decision support system for heart disease diagnosis | |
| Brickley et al. | Neural networks: a new technique for development of decision support systems in dentistry | |
| Hannan et al. | Generalized regression neural network and radial basis function for heart disease diagnosis | |
| Kim et al. | Development of pulse diagnostic devices in Korea | |
| US20090204668A1 (en) | System and process for distant pulse diagnosis | |
| Manoharan et al. | A study on the application of expert systems as a support system for business decisions: A literature review | |
| Alice et al. | Artificial intelligence meets traditional Chinese medicine: a bridge to opening the magic box of sphygmopalpation for pulse pattern recognition | |
| Sikchi et al. | Design of fuzzy expert system for diagnosis of cardiac diseases | |
| Rezaei et al. | A Fuzzy Inference System for Assessment of the Severity of the peptic ulcers | |
| Peng et al. | Heart disease prediction using artificial neural networks: A survey | |
| Yao et al. | Readme: Bridging medical jargon and lay understanding for patient education through data-centric nlp | |
| Sharoni Narang et al. | Ayurveda based disease diagnosis using machine learning | |
| TWI852361B (zh) | 脈相預測方法及系統 | |
| Fatangare et al. | A comprehensive review on technological advancements for sensor-based Nadi Pariksha: An ancient Indian science for human health diagnosis | |
| CN119920447A (zh) | 基于ai大模型的试探和反证中医思维诊断辅助系统 | |
| Rajwade et al. | Diagnosify: Multidisease Forecast-An Integrated Machine Learning Approach for Disease Prediction and Early Intervention in Healthcare | |
| Singh et al. | Clinical Assessment of Dosha Predominance in Shalya Karma Using an Electronic Device Nadi Tarangini | |
| Kumar et al. | A spider tool-based qualitative analysis of machine learning for wrist pulse analysis | |
| Al-Mashhadi et al. | Design AI platform using fuzzy logic technique to diagnose kidney diseases | |
| TW202301377A (zh) | 敗血症之人工智慧輔助醫療診斷方法及其系統 | |
| Jokiniemi | Ontologies and computational methods for traditional Chinese medicine | |
| Jajoo et al. | Prediction of hepatitis C using artificial neural network |