脉象信号范文（精选4篇）
脉象信号 第1篇
脉诊作为我国传统中医最具特色的一项诊断方法, 已经有2000多年的历史[1]。中医学认为脉象能传递机体各部分的生理病理信息, 可用来辅助诊断疾病, 例如:高血压、心脏病等。近年来, 随着传感器技术、信号处理技术、模式识别技术的发展, 许多学者把现代信息处理技术应用到脉诊诊断中。
目前, 对脉象的研究主要包含两个方面。一个是从位、数、形、势四个方面对脉搏波进行研究, 并在此基础上识别脉象的类别[2]。第二个是直接面向所研究的疾病展开工作。通过采集一定量特定疾病的样本, 对数据进行分析与处理, 提取特征进行模式分类, 给出初步的疾病诊断结果。文献[3-5]对胰腺炎、慢性阑尾炎、急性阑尾炎、十二指肠溃疡等进行研究。本文尝试对肝硬化进行研究。肝硬化脉象诊断主要包括三个步骤:首先是使用压力传感器采集肝硬化患者和健康人脉象信号并去除信号中的噪声与基线漂移;其次是特征提取;最后是使用支持向量机方法进行分类, 识别肝硬化患者与健康人。
1 脉诊诊断系统的设计
我们采用先前[6]设计的系统来完成信号的采集工作, 系统结构图如下:它包含两个部分:数据的获取与数据的分析。信号的采集主要是通过把探针放到被采集者左/右手腕部的相关部位进行采集, 使用MSP430进行模拟信号与数字信号的转换, 最后, 使用串口通信方式把采集的信号传输到PC机上或使用蓝牙无线通信方式把信号传输到手机中进行存储和分析。目前, 我们只实现了通过RS232接口把数据传输到PC上进行存储、分析。
2 肝硬化诊断
2.1 信号的获取
我们使用图1中的压力传感器采集志愿者的脉象信号, 把采样频率设置为1 000 Hz。在进行采集之前, 为了获取稳定的脉象, 每个志愿者要休息10分钟。信号的采集时间为20 s。图2是采集的原始信号。
2.2 信号的预处理
由于脉象信号是一种微弱的生理信号, 在采集过程中容易受其他设备的干扰而引进高频噪声。同时, 脉搏信号还会受到被采集者的呼吸和体动的干扰而产生基线漂移。预处理中首先要去除信号中的高频噪声, 本文中, 我们使用离散小波变换去除噪声, 离散小波变换能有效去除噪声并且保留信号中的重要信息, 它包含三个步骤:信号的分解;小波分解高频系数的阈值量化;信号的重构。信号分解中, 我们使用“db6”小波进行6层离散小波变换, 把原始信号分解成高频系数和低频系数。离散小波变换公式如下:
在这里, cj-1是低频数据 (Dc) , dj-1是当cj-1趋向于cj的细节系数。Con表示卷积操作, h和g分别表示低通滤波器和高通滤波器。
阈值量化中, 阈值的选取是最重要的, 我们使用式 (2) 设定阈值。实验结果显示, 使用式 (2) 得出的阈值进行信号去噪比固定阈值去噪具有更高的信噪比。
这里, N表示信号的长度, Thi表示第i层的阈值, σ表示所有层细节系数的中位数, 它的计算方法如下:
当阈值设定后, 我们使用软阈值方法进行阈值量化。阈值量化只对小波变换的细节系数进行量化。对任意一个小波系数Wij、阈值Thj, 软阈值表达式如下:
式中, sign (·) 表示符号函数。Wtij表示量化后的第i层第j个小波系数。
信号的预处理中的第二步是去除基线漂移。已有许多学者对这方面进行了研究, 提出了许多方法[7,8]。在这些方法中, 数学形态学滤波器是非线性方法, 但是, 结构元素的选择要依赖脉搏波形和脉率[7]。小波滤波器方法虽可很好地去除漂移但比较耗时[8]。我们在效率和时间上进行折中, 选择三次样条插值去除基线漂移。图3是去除噪声和基线漂移的信号。
在使用三次样条插值之前, 我们首先要获得每个样本信号的单个周期, 我们使用以下方法获取每个周期:
1) 查找信号的全局最大值和全局最小值, 得到阈值: (最大值-最小值) /3。
2) 查找信号的局部最大值和局部最小值, 并存在数组中。如果相邻的局部最大值与局部最小值之差大于阈值, 那么我们把这个局部最小值标记为周期的起始点, 把这个局部最大值标记为相应周期的主波波幅。
以上的阈值计算方法通过实验得出。如果阈值设置得太小, 那么有些非起始点会被标记为周期的起始点。如果阈值设置得太大, 那么有些需要被识别的起始点就会被遗漏。通过以上的方法, 周期识别准确率几乎达到100%。
2.3 特征提取
作为模式分类中的一个重要问题, 特征提取直接影响到分类结果的准确率。因此, 从样本中提取有效特征是一个非常重要的步骤。目前, 最简单的是时域特征提取方法[9]。图4显示了一个标准的脉搏波周期, 其中的hi、ti (i=1至3) 为时域特征参数。中医认为这些时域特征参数具有生理意义。例如:h1为主波的振幅, 能够反映左心室的射血功能和血管的顺应性。对应的t1为脉搏波的起始点到主波峰点的时间, 表示射血时间。从图中可以看出, 标准的脉搏波周期通常由主波、重搏前波、重搏波组成。但有时重搏前波与重搏波非常微弱, 传感器并不能感知这些信号, 脉搏波中没有重搏前波或重搏波, 因此我们并不能使用常用的时域特征提取方法。使用时频特征提取方法提取的特征进行分类, 能够得到较好的分类结果, 但是, 时频特征提取方法比较复杂[10]。函数拟合方法[3,11]容易过度拟合数据。数据降维[4,10]方法主要是把高维数据映射到固有的低维空间, 虽然可以通过减少数据维度, 得到较好的分类结果, 但是算法比较复杂。我们尝试使用装箱方法提取特征。装箱方法比较简单, 能够平滑数据, 而且我们很容易确定特征点的个数。
装箱方法需要每个样本数据具有相同的维度, 但是, 不同人的脉象信号周期长度不同, 即使是同一个人, 周期长度也不完全相同。因此在进行特征提取前, 我们需要把周期长度进行统一。成年人的平均心率是75次每分钟, 即每次跳动持续的平均时间是0.8秒, 又因为我们的采样频率是1 000 Hz, 所以, 我们设置周期长度为800。通过观察, 我们发现, 脉诊周期的后1/4周期的振幅非常接近于0, 对分类的影响比较小。如果周期长度小于800, 则直接在周期的末尾补0。如果周期长度大于800, 则只取前800个。
装箱方法需要两个参数:窗口大小s, 移动的步长l。装箱方法的步骤如下:1) 前窗口内的数据求和。2) 移动窗口, 移动的步长为l。3) 重复1) 和2) 直到窗口到达周期的末尾。最后, 我们把1) 计算的和数据作为特征。
2.4 分类
目前, 常用的分类方法有支持向量机方法[10]、模糊c-均值方法[11]、K邻近方法[12]。我们选择支持向量机方法进行分类, 它是一种监督式学习方法, 被广泛用于统计分类以及回归分析中。而且, 支持向量机在解决小样本的模式识别中表现出许多特有的优势。给定如下形式的点集:
其中yi的值为1或-1, 表示xi所属的类别。支持向量机分类的目的是将向量映射到一个更高维的空间里, 在这个空间里建立有一个最大间隔超平面, 该超平面不仅能正确区分yi=1的点和yi=-1的点, 而且使分类间隔最大。分类超平面可以表述为:
这里w表示垂直于超平面的向量, b表示偏移量。此时分类间隔为, 则最优分类面就是使最小的平面。离分类面最近的点被称为支撑向量。所有的i满足:
若没有超平面能把两类点完全分开, 软间隔支持向量机会选择一个用来衡量对xi的误分类度的松弛变量ξi。式 (7) 变为:
此时目标函数变为:, 其中, C为惩罚系数, 用于权衡最大间距和最少错分样本。
3 实验与结果
我们共采集了84个志愿者的脉象数据, 其中56个健康人 (健康组) 、28个肝硬化病人 (肝硬化组) 。每组中, 我们随机选择大约2/3的样本数据作为训练集, 1/3的样本数据作为测试集。根据文献[1, 13], 不同部位的脉象与特定的器官存在联系。例如左手寸的脉象与心脏有关, 左手关的脉象与肝有关。由于本实验对肝硬化进行研究, 因此我们使用左手关数据进行实验。对每个样本, 我们一共使用了5个周期, 每个周期提取特征后进行一次分类, 得到一个分类结果, 样本最终所属的类别是5个分类结果中出现次数最多的那个类别。实验结果显示, 使用装箱方法提取特征, 在窗口大小为40, 步长为20时, 取得最好的分类结果:83.87%。作为对比, 我们还使了文献[4]中的KPCA方法和文献[5]中的多普勒参数方法提取特征, 使用支持向量机进行分类, 分类结果如表1所示。
4 结语
我们使用脉搏波信号来区分健康人与肝硬化患者。首先对采集的信号进行预处理, 预处理主要是去除信号中的噪声与基线漂移, 然后使用本文提出的装箱方法进行特征提取, 最后使用支持向量机进行分类。实验结果表明, 使用装箱方法提取的特征进行分类, 能够较好地区分肝硬化患者与健康人。目前, 我们的样本数据集并不是很大, 而且只是使用二分类方法。下一步工作将采集更多的样本数据, 尝试新的特征提取方法来提高分类性能。
摘要：脉象信号中含有反映一个人生理、病理变化的重要信息, 因此可以通过脉象信号诊断一个人的健康状况。近年来, 脉诊这一无创方法, 受到了广泛的关注。越来越多的学者致力于脉诊的客观化与现代化研究。尝试使用脉诊的客观化方法对肝硬化进行研究。首先对采集的脉象信号进行预处理, 然后使用装箱方法进行特征提取, 最后使用支持向量机进行分类。实验结果显示, 使用以上提出的方法能较好地区分肝硬化患者与健康人。
脉象信号 第2篇
通过脉象仪测量得到的脉搏波在幅值、周期、形状等参量上的可重复性不是特别好,并且信号比较微弱、易受干扰,因而,我们需要对脉象信号进行有效分析和处理。在进行脉象分类识别时需建立恰当的样本库,采样点的增加将导致检测成本的增加,而减少采样点必将削弱诊断的正确率。如何确定脉象信号的采样点,并对样本进行特征提取,以及聚类识别将是整个脉象诊断系统的关键部分。
1 脉搏信号采样点的确定
经检测得到的脉搏波波形如图1所示,对该模拟信号S(t)进行AD转换之前需甄别出其有代表性的采样点。这里选择波形的极点作为采样点。为此,把脉形信号S(t)进行微分运算得到S'(t),再将S'(t)信号进行检零后的输出脉冲作为采样的指示信号,即S'(t)=0,这就是对极点的采样信号。
从S(t)波形可见:在DA段具有最大的正一阶导数。所以将S'(t)经电平ET整形后输出的脉冲作为这个采样周期的同步信号,见图1中的T1,通知单片机作采样开始的准备,并直接送外部时钟T0,令其从0开始计时,从而构成信号的Y坐标。
按这种设计,每个脉波信号共采用四个点,即
其中i=1,2,3,4,分别对应图1中的A、B、C、D四点。A点为主波高度,B点为降中峡高度,C点为重搏波高度,D点为零点。
为了克服检测误差,对每个采样数据用递推计算法进行数字处理,也即滤波。例如对某个值A测量N次,得到N个独立结果——X11,X12,X1N。
由于每次测量时都有误差ε,ε即是干扰或噪声,则每次所测的X都应表示成:
设εk服从均_值__为0、方差为σ2的正态分布,则当用N个量的均值来估计A,也即是:
单片机检测程序设计如下:
(1)确定取法压力;
(2)延时3s,等待同步信号T1;
(3)接到T1信号后,再判别采样信号T2;
(4)接到T2后,把时钟T0,传感器的A点值送入Y1N,X1N中;
(5)接着判定T2消失否,当第二次接到T2时,再按上次序将时钟T0和传感器B点值送入Y2N,X2N中;
(6)依次类推,直到采集完;
(7)记下一次循环(N=N+1)返回,直到N=20结束,采样完毕;
(8)进行数字滤波,采集的数据在微机中只以均值的形式存于数组中。
其程序框图如图2所示。
3 样本特征的提取和压缩
在检测过程中,有不同的取法,而每个波形需选取4个点,一个点分X和Y坐标两个参量,则形成一个完整的样本资料所需的参量非常之多。如果采样点增加,参数量将直线增加。简化的途径不能减少采样点,因而,采用AR模型拟合的方法[1]进行选取有代表性的参量,以降低系统成本。
一个M阶的AR模型可由下式表示:
式中{xt}是平稳的脉搏信号观测序列,{et}是均值为0、方差为σe2的正态白噪声,M和(k=1,2…..M)分别为自回归模型的阶数和系数。
脉象信号经AR模型拟合后,可相应地获得一组AR模型系数aM,k(k=1,2…..M),这组系数就可作为信号的特征。因此,将所有被聚类的信号进行AR模型拟合后就可得到一个由AR模型系数组成的特征集A:
式中N为信号个数,aij表示第i个信号的M阶AR模型中的第j个系数。
对于AR模型系数的获得,我们采用由Marple提出的递推算法[2],其递推公式为:
4 聚类识别
(1)建立样本资料阵
在研究中,利用脉象诊断仪判断被测量者的脉象是正常脉象还是病理脉象。分别选取正常脉象和病理脉象各50例,通过采样建立样本资料阵:
式中(i)=0表示病理脉象,阳性病历,用“+”表示;(i)=1表示正常脉象,阴性病历,用“-”表示。
实验中,一个样本取其中特征压缩后的8个参量,建立样本资料阵时选用50个样本,因此这个阵是50*8的阵。
(2)均值向量的估计量
由于母体参数的估计量U1、U2及协方差V1、V2都是未知的,可以依样本库分别计算各母体的均值向量和协方差阵的估计量,则均值向量的估计量[3]为:
(3)各母本的样本离差阵
变换可得
(4)协差阵的无偏估计
(5)判别函数
可求出
5 结束语
本文提出的基于AR模型拟合的特征提取和聚类识别方法所得出的结论与临床诊断结果进行比对,正确率达80%以上。下一步的研究目标将是进一步提高检测系统硬件的鲁棒性;在脉象特征信号提取和分析上,结合病例样本,提高辨别的准确率。
摘要：本文提出一种分辨病理脉象和正常脉象的方法。基于AR模型拟合进行特征提取,由模型系数构成信号的特征集,采用概率统计法进行脉象的聚类识别。
关键词：AR模型拟合,特征提取,聚类识别
参考文献
[1]李金宗.模式识别导论[M].北京:高等教育出版社,1994.
[2]聂能.生物医学信号数字处理技术及应用[M].北京:科学出版社,2005.
脉象血压仪的开发和设计 第3篇
我国中医文化博大精深, 脉诊是“望闻问切”中的重要方法, 以脉相诊断作为基础, 对病人的病情进行观察和大致的估计。通过电子仪器来对脉象进行测量。对于国内脉象测量的的研究现状来说, 虽然相关学者进行了较为深入的研究和探讨, 但是由于提纯脉象信号的过程较为复杂, 易受到非线性变形以及多种干扰的共同影响, 导致信号提取完成后一般都产生了根本性的变化, 因此在该方面的研究还有待加强。
笔者结合自身工作经验, 将脉象、心率和血压的测量有机的整合到一起, 从而利于临床医学的开展。笔者在研究国内外相关学术著作的基础上, 采用了更为先进的智能技术和信号处理技术, 最大限度的对非线性变形和脉象提取过程内的噪声干扰进行消除, 以提升测量数据的稳定性和准确性。本设计中的脉象血压仪已开发成功, 得到了临床验证, 脉象提取能够符合设计要求, 取得了较好的效果。
测量原理简介
笔者在本设计中采用摩托罗拉生产的压强传感器MPX50GP, 当压强范围控制在0到40KPa之内时, 产生20到60mv的输出信号。采用摩托罗拉的MC68HC05SR3单片机来作为微控制器。同时, 采取大连东方的EDM12864B来作为图形点阵列晶。
基于血压机械式测量方法, 来进行舒张压和收缩压确定方法的设计。通过气泵袖套来环绕患者的手臂。在进行泵气的过程中, 自动跟踪监测CP袖套压强信号和BP脉冲信号, 袖套压强信号CP在增大的过程中, 会使得BP脉冲信号的振幅持续增加, 在达到相应的数值时, 又会呈现出明显的减小趋势, 一直到脉冲信号完全消失。当脉冲信号完全消失时, 然后增加5KPa的脉冲信号。
对于排气过程而言, 事先对舒张压和收缩压的阀值进行设定, 在排气的过程中, 脉冲信号下降到相应幅度时, 就会产生脉冲信号BP, 该时刻即为被袖套束缚的脉管被脉搏冲开的时刻。跟踪监测脉冲信号, 在袖套压强信号CP的振幅大于收缩压阀值的情况下, 收缩压的数值即为袖套压强信号的数值, 持续的对脉冲信号BP进行跟踪, 在脉冲信号振幅达到相应数值后迅速减小, 达到事先设定的阀值时, 测量获得的袖套压强信号即为患者的舒张压。
对于排气过程而言, 实现脉冲信号向矩形波的转换, 并将该矩形波来作为中断的触发信号。
完成收缩压的捕捉定位后, 在袖套压强信号减小2KPa的情况下, 获得了最强的脉冲信号, 脉冲信号的采集过程必须作到准确、快速, 换言之, 在1.5个脉冲信号周期内必须完成128个数据的采样, 进行相关处理后, 能够获得所需的静态脉象图形, 使得数据更加直观。
血压仪袖套内的泵排气通过微控制予以实现, 袖套气压的感测转换通过脉搏传感器予以完成。电信号通过压强传感器产生后, 较为微弱, 一般在10uf之内, 却拥有多达20uf以上的无效偏压, 另外还含有为数众多的高频噪声。所以, 信号需要通过前置放大级来完成差动放大, 与此同时完成去噪工作, 然后开展二级放大和零点调整。
袖套压强信号和脉冲信号的分离基于信号分离部分完成, 得到的脉冲信号在完成模/数转化后送入压力检测通道进行后续处理。由于袖套压强信号在完成分离后, 相对高频干扰而言, 较为微弱 (主要为50HZ的交流电干扰) , 所以后级放大在完成高频滤波后还需要实现三级放大。处理后的信号分为以下两路:一路进行整形处理, 将信号转换为矩形波, 进而用作触发中断, 以利于计时捕捉功能的实现。另外一路在完成模数转换环节后, 送到微控制通道, 完成数字处理等多项处理工作。
要想系统高效、准确的进行工作, 软件系统功能示意图如下:
设计中关键因素的考虑
对于MPX50GP传感器而言, 其输出信号组成如下:CP信号 (频率小于0.4HZ) 和BP信号 (频率为1HZ) , 所以在分开这两路信号时需要通过两级高通滤波器来完成, 如果没有较为理想的抑制CP信号, 则无法稳定BP信号基线, 进而导致脉冲振荡的比较基准无法获得统一。下图为两级过滤器电路示意图。
由图可见, 两个RC网络构成了过滤器, 从而使得截止频率得到确定, 必须确保振荡信号不至于产生丢失或者失真。另外确定过滤器的增益的因素为R2/R1, 通过该增益来对脉冲信号实施放大处理。高频成分的滤除通过C3完成。
分离得到的脉冲信号还必须经过放大、滤波和基线校准等处理, 以此作为舒张压和收缩压的判定标准。
面向用户的人性化设计
本脉象血压仪的操作交互界面尽可能的实现了较好的易读性、易操作性和简洁性。不仅如此, 系统还实现了下列的几点重要突破:
(1) 所有控制功能都只通过3个按键就可以实现;
(2) 安全、准确的按键操作过程。对于不用的按键, 通过系统实现了按键的暂时关闭, 杜绝由于误操作而使得操作的错误;
(3) 简洁和形象的液晶显示界面;
(4) 设置了蜂鸣信号提示和指示灯;
结语
脉象学习辅助系统的分析与设计 第4篇
1系统研究分析基础
脉象是机体功能状态的外在表现。心、脉是脉象形成的主要脏器。心脏搏动是脉象形成的动力,血脉为气血运行的通道,两者是形成脉象必不可缺的脏器。血液经由心脏的左心室收缩而挤压流入主动脉,随即传递到全身动脉。当大量血液进入动脉将使动脉压力变大而使管径扩张,在体表较浅处动脉即可感受到此扩张,即所谓的脉搏。医生通过寸口取脉,感受病患脉搏的数、形、深浅和强弱变化,变化的综合体现称为脉象。 采用脉象采集仪器紧贴手腕相应位置,根据按压力度的不同, 可以获得对应的脉搏信息,经过计算机处理可以获得脉
象的数形信息化显示,这种信息化显示简称为脉象图。脉象图由脉搏特征曲线组成,波形变化代表着人体脏器生理状况[4]。
一个典型的脉搏波形如图1所示,一般由三个波峰和两个波谷构成,波峰分别对应主波峰(B)、潮波(D)和重搏波(F),两个波谷主要对应潮波前谷(C)和降中峡(E)。一个脉搏周期开始于A,结束于G,对应时间为T-AG,整个周期分为上升分支和下降分支,对应时间分别为T-AB和T-BG。A、G是动脉脉瓣开放点,也称为射点;E为脉瓣关闭点。
上升分支AB反映了心室收缩射血,导致主动脉血量增加和动脉血压升高,出现陡峭而平滑脉搏波压力曲线,最高点出现主波峰B。主波峰值点对应收缩压HB,也就是收缩期的最高血压。在心脏收缩后期,心脏排出血液量明显减少,最终心室进入舒张期,动脉瓣关闭阻止了血液从心室流入动脉,压力下降形成下降分支BG[5]。
在心脏收缩期,脉波从主动脉根部向外传播时,受到动脉管壁的张力、弹力和外周阻力等因素的影响,进而产生折返波的多次叠加,在心室输出血液量减少时,会在波形下降过程中出现一个波峰D(潮波),在波峰D前的那个波谷(C)称作潮波前谷,HD代表潮波的强度。在主动脉瓣关闭的瞬间,波形出现一个波谷,称为降中峡(E点),反映心脏舒张初期的主动脉压力。重搏波(F)是降中峡后的一个小波峰,重搏波的产生是由心舒期开始时,主动脉脉瓣突然关闭,外周反流的血液使主动脉根部容积增大,并冲击主动脉瓣而产生的振荡压力所形成的,HE代表重搏波的强度。在实际应用中,主要分析脉搏波的形态(波的形状)、强度(波的幅值)、速率(波的速度)与节律(波的周期)等方面特性,根据波形的不同判断病患机体存在的问题[6]。
2系统分析设计
针对切脉技巧的讲解大多是诗歌,对于初学者来说不太好懂,因此有必要研究和实现具有动态演示和交互功能的脉象学习辅助系统,从波形上同传统脉象口诀建立直观的联系,期望给初学者带来了方便,也让脉象学习充满乐趣。目前,C/S架构和B/S架构是网络应用开发的主要技术。与B/S相比较,基于C/S架构开发的系统需要在每个客户机上安装客服端,维护和升级起来不如B/S方便。本系统主要用于教学辅助,方便学者可以随时随地学习和了解不同脉象特征,激发学生学习脉象的兴趣。基于这个目标,本系统采用的是ASP.NET进行B/S开发[7]。
2.1系统前台设计
前台设计主要使用的是Microsoft Visual Studio 2010[8],包括系统主页、最新动态、互动学习、学院简介和关于我们几个模块,如图2所示。“系统主页”负责显示基本信息,“最新动态”模块作为跟中医相关信息的展示界面,用于展示有价值留言的专项解答和新知识点,为用户提供最新的知识信息和最新医学动态。“学院简介”主要对学院进行简单介绍,“关于我们”主要是对于本系统的后续工作进行安排,系统的核心在“互动学习”模块。
在历代脉学文献中,脉象种类及命名很不一致,如《脉经》 提出二十四脉;《诊宗三味》的分类较繁复,为三十二脉;《景岳全书》的分类为十六脉[9];《濒湖脉学》分为二十七脉[10];《诊家正眼》又增加疾脉,合为二十八脉。近代多用二十八种脉的分类方法,总的说来各种脉象都离不开位、数、形、势四个方面。 在“互动学习”模块中,采用动态flash目录及大量的脉象的动态图,结合文字对迟脉类(迟脉、缓脉、涩脉和结脉)、数脉类(数脉、疾脉、动脉和促脉)、浮脉类(浮脉、洪脉、濡脉、散脉、芤脉和革脉)、沉脉类(沉脉、伏脉、牢脉和弱脉)、虚脉类(虚脉、细脉、 微脉、短脉和代脉)和实脉类(实脉、滑脉、长脉、弦脉和紧脉)[11]共28种脉象进行展示。
2.2系统后台设计
后台主要用于管理员对前台各个模块进行管理,最核心的是数据库操作和管理,后台采用的数据库的是SQL Server 2008[12]。管理员在登录成功后,就进入了后台管理。进入后台可以对注册用户进行管理、通过脉象分类查看系统收录脉象信息情况,也可以通过脉象管理对脉象信息进行增删和修改操作。后台框架图如图3所示。
2.3设计原则
虽然近代多用二十八种脉分类法,但是由于所有脉象产生均具有势、形、数、位等几个方面的属性,以及流利度、硬度、强弱、长短、粗细、节律、至数和深浅等几个方面的特性,各类特性之间相互组合,即成为各式各样、形形色色的脉象形态。中医脉诊具有微观性、辩证性、多维性、个体差异性、时间性等基本特征[13,14]。另外,因为患者病情通常存在较大的复杂性和多样性,不同的患者在邪正盛衰、病性、病因、病位等方面均存在一定的差异性,因而脉象较为复杂,所以脉象情况远远超出二十八种描述范围。基于这种情况,本系统在对二十八中脉象得主要特征进行动态展示的前提下,还结合相关的参考资料对展示内容进行扩充,尽量丰富系统内容。
3系统展示
3.1前台页面
前台页面主要以黑色背景为主,如图4所示,本界面呈现给用户一种浓浓的中医氛围。页面上方为嵌入的flash动画,表明本系统为脉诊相关的网站。动画下方是一排快捷导航链接, 展示网站的所有功能模块,方便用户使用。
3.2互动学习
互动学习模块当中采用脉象的动态图,结合辅助信息对迟脉类、数脉类、浮脉类、沉脉类、虚脉类和实脉类共28种脉象特征信息进行文字描述和动画演示,并对与此类脉相关病理进行描述。网页框架应用了Table和Datalist控件,Datalist服务器控件用于按自定义的格式显示图片和信息,同时采用Datalist控件实现分页效果[15]。用户可以点击动态页面上的脉象六大分类链接选择任意分类,然后选取具体的脉象图查看。
如图5所示,本图为浮沉脉展示动态图,用户可以点击“浮脉类”链接,界面下方显示浮脉包括浮脉、散脉和芤脉等展示链接,单击“散脉”链接,主显示图展现散脉展示界面。用户可以通过点击“开始”和“结束”分别开始和停止散脉动态展示,单击 “详细”链接可以在动态图下方同步展示散脉的基本理论知识和相关的病理讲解。
4结语