基于图像熵的脉搏波提取算法

林冬梅 ，张爱华 ，杨富龙 ，陈晓雷

(1. 兰州理工大学 电气工程与信息工程学院，甘肃 兰州，730050；2. 甘肃省工业过程先进控制重点实验室，甘肃 兰州，730050)

脉搏是衡量人体生理状态极其重要且可靠的信息源之一。脉诊是我国传统医学中最具特色的一项诊断方法。长期以来，对脉象的判断缺乏客观的量化指标和标准。脉诊客观化是一个亟待解决的难题，其关键是如何建立合理科学的检测方法，获取全面的脉搏触觉信息。多年来，国内外研究者致力于对脉搏传感器和脉诊客观化的探索研究，各种脉搏传感器和相应的信息获取方法层出不穷，为进一步研究脉搏检测方法、获取全面的脉搏信息奠定良好的基础。目前，用于脉搏信息采集的传感器主要有压阻式、光电式和压电式传感器等[1−7]。固态压阻式传感器采用刚性探头，依据压阻效应反映脉搏搏动变化。光电式传感器是根据光在组织中的透过率比在血液中的透过率大的原理而设计，传感器接收透过指端的脉动变化的光并转换为电信号，获得指端光电脉搏图。压电式传感器采用机电薄膜(EMFi)或压电薄膜(PVDF)作为传感元件，依据压电效应间接测量脉搏搏动过程中的皮肤表面的变形。上述检测方法将脉搏的空间变化转换为一电信号输出，无法细致反映切脉皮肤表面空间各点的变化。另外，由于受传感器结构体积、敏感元件性能、制造工艺等因素影响，检测点数目受到很大限制，且无法实现脉管不同部位不同截面变化的同步测量。张治国等[8]采用超声探头，观察脉管某一截面的运动规律，但由于超声频率低，且单一截面反映的信息比较局限，无法重构任意时刻脉搏跳动的空间曲面。脉诊客观化迟迟未能实现，其主要原因在于脉象传感器设计和脉象信息分析方法两方面关键技术尚未实现突破性进展。基于图像化的脉象采集与分析研究是一个全新的领域，集传感器设计、生物信号检测、计算机视觉及动态图像处理等多学科于一体，具有较强的新颖性和挑战性。为获取更多脉搏数据信息，从仿生学角度出发，结合中医切脉时“最佳取脉压力”原理和薄膜网格受力变形时的空间位移测量原理，提出新的基于图像化的脉象采集方法，并研制出脉搏图像传感器[9]，将脉搏信息以图像的形式表现出来。采用该传感器采集动态脉搏图像，研究图像的变化，提取脉搏信息并进行分析。在前期的研究中，本课题组已经研究采用网格面积法、散焦法、图像相关法、图像重心法、差分法等算法提取表征脉搏波动的幅度信息，获取脉搏波形。经过比较可知，网格面积法所获取的脉搏波形曲线明显清晰，更能精确地反映脉搏变化信息[10]，但该方法提取的脉搏波中重搏前波或重搏波不明显。针对网格面积法的不足，本文利用图像统计特性，对比常用的图像基本统计量，提出一种获取脉搏波形的新方法——基于图像熵的脉搏波形提取算法。

1 脉搏图像传感器

脉搏图像传感器见图 1，由内含可调压力密封腔的软性探测触头、CCD摄像头、传感器支架、切脉压力调节机构、手动气泵、气压缓冲腔、压力检测与指示、气路和光路等部分组成，具体的结构原理图及元件参数见文献[9, 11]。探测触头与皮肤接触面采用理化性较好的软性薄膜制成，以求增加人体仿生度。将接触面制成直径为30 mm的圆形，并在薄膜内侧印制相互联结的方形网格。探测触头中压缩空气的压力不但可以连续调节，而且可利用气压表显示压力，用于模拟指内压力。采用螺旋测微仪调节弹簧弹力，控制固定探测触头与手腕接触点的压力状况，使探测触头与手臂接触面间的作用力达到平衡，在此状态下，安放于探测触头上方的 CCD摄像头能够采集到网格薄膜随脉搏跳动的清晰的动态图像，图2所示为其中一帧图像。动态脉搏图像采集帧速率为30帧/s，图像的分辨率为640×480像素。摄像头经USB接口直接与计算机通讯，进行数据存储、转换或图像处理，进而对各网格的动态形变或灰度变化分析，获取多维脉搏信息。该传感器能够采集多维动态脉搏图像信息，其信息量比传统传感器的信息量更大。

图1 脉搏图像传感器Fig.1 Pulse image sensor

图2 一帧脉搏图像Fig.2 One frame of pulse image signal

2 图像的基本统计量

图像能反映自然界中某一物体或对象的电磁波辐射能量分布情况。由于成像系统具有一定的复杂性以及成像过程中的随机性，图像信号f(x,y)表现出随机变量的特性，故图像信息具有随机信号的性质并且具有统计性质。因此，统计分析是数字图像处理分析的基本方法之一[12]。

2.1 纹理图像

纹理最初指纤维物的外观，一般认为具有重复性结构的图像叫纹理图像。纹理图像在局部区域内可能呈现不规则性，但整体上表现出一定规律性[13]，其灰度分布往往表现出某种周期性。实际中很多图像具有纹理型结构，纹理在一定程度上反映一个区域中像素灰度级的空间分布属性。对这类纹理型图像可通过纹理分析提取其宏观特征信息[14]。

纹理可分为人工纹理和天然纹理(自然纹理)。人工纹理由某种符号有序排列组成，这些符号可以是线条、点、字母和数字等。自然纹理是具有重复排列现象的自然景象，如砖墙、种子、森林和草地之类的照片。图3所示为一些典型的人工纹理和自然纹理图像。

另一方面，从采集到的脉搏图像特征来看(比较图2与图3)，其中每一帧图像都类似于人工纹理图像，所以，可尝试采用纹理分析的方法来分析脉搏图像。而纹理分析常用的方法有统计分析法、自相关函数法、傅里叶频谱法、联合概率矩阵法、句法结构法等。其中，较常用的是统计分析法，故选择统计分析法来分析脉搏图像。

2.2 图像基本统计量

一幅图像f(x,y)，大小为M×N像素，坐标为(i,j)的像素点的灰度表示为f(i,j)(i=0, 1, 2, …,M−1，j=0, 1, 2, …,N−1)。常用的图像基本统计量如下[12]。

2.2.1 图像的信息量(熵)

1幅图像若共有k种灰度，并且各灰度出现的概率分别为p1，p2，p3，…，pk，则根据香农定理，图像的信息量可采用如下公式：

其中：H称为图像的信息量(熵)，当图像中各灰度出现的概率彼此相等时，则图像的熵最大。信息量表示1幅图像所含的信息量，常用于对不同图像处理方法进行比较。例如，对于1幅采用8 bit表示的数字图像，其信息量如下：

2.2.2 图像灰度平均值

灰度平均值是指1幅图像中所有像素灰度的算术平均值，计算公式如下：

图像灰度平均值反应图像中物体不同部分的平均反射强度。

2.2.3 图像灰度方差

灰度方差反应图像各像素灰度与图像平均灰度的离散程度，计算公式如下：

与熵类似，图像灰度方差同样是衡量图像信息量大小的主要度量指标，是图像统计特性中最重要的统计量之一，方差越大，图像的信息量越大。

图3 纹理图像Fig.3 Texture images

2.2.4 图像灰度众数

图像灰度众数是指图像中出现次数最多的灰度，其物理意义是指1幅图像中面积占优的物体的灰度。

2.2.5 图像灰度中值

图像灰度中值是指数字图像全部灰度级中处于中间的值，当灰度级数为偶数时，取中间的2个灰度的平均值。

2.2.6 图像灰度值域

图像灰度值域是指图像最大灰度fmax(i,j)和最小灰度之差，计算公式如下：

3 动态脉搏图像的熵信息提取

3.1 根据整帧图像提取脉搏波形

采用脉搏图像传感器采集的脉搏数据是动态图像序列。脉搏跳动强度的不同，会导致软性薄膜形变强弱不同，从而使各帧图像的灰度发生相应变化，进而使得图像上特定区域的统计量在不同帧间发生相对变化。根据基本图像统计量的定义，对同一脉搏图像序列的每帧图像分别进行各个统计量的计算，算法流程如图4所示，得到基于各个统计量的波形，如图5(a)～(f)所示。其中，横坐标表示帧数，纵坐标表示各个统计量的值。

图4 算法流程图Fig.4 Algorithm flowchart

从图5可知：基于图像灰度众数、图像灰度中值、图像灰度值域所提取的波形几乎毫无规律。基于图像灰度平均值和灰度方差所提取的波形虽然呈现一定的重复性，但不符合脉搏波形的规律。而基于图像熵提取出来的波形(图 5(f))最准确；最接近典型的脉搏波形，具有主波、重搏前波和重搏波。图6所示为典型的脉搏信号波形图[15]。

同时，将图5(f)与文献[10]中网格面积法所得脉搏波形(见图5(b))进行比较，得出：

(1) 从整体波形来看，本文算法的波形波动较小，稳定性好；而网格面积法的波形波动较大，稳定性不够好。

(2) 从单个周期来看，对于网格面积法，有些周期内重搏前波不明显，有些周期内重搏波不明显；而对于同一个动态脉搏图像信号，本文算法获得的重搏前波和重搏波都比较明显，波形更精确。

(3) 从执行效率来看，本文算法运行速度快，效率高，运行时间约为1.87 s；而网格面积法运行时间约为4 min，前者仅为后者的1/128(以主频3.20 GHz、内存2.00 GB的微机为实验平台，在Matlab 7.0上运行算法程序)。

综上所述，基于图像熵的脉搏波形提取算法效率较高，能精确获取脉搏波，效果优于网格面积法。

3.2 根据网格区域提取脉搏波形

基于图像熵的方法可以对整帧图像进行处理；也可以选取1个或多个区域进行处理，然后计算各帧图像中该区域的图像熵，提取脉搏波形。从图2可见：脉搏图像上有许多白色网格，可将每个网格作为1个小区域，计算每帧图像中的每个网格的熵，即多点熵，得到脉搏波形。为便于区分，将脉搏图像中的网格进行编号，如图 7所示。图 8(b)～(d)所示为根据任意 3个网格X44，X55和X65提取的波形。将这3个同网格的波形与由整帧图像提取的波形进行对比，可见：它们是同步的，即同时到达波峰和波谷，具有相同的变化规律，这进一步验证采用图像熵的方法来提取脉搏波形的正确性。

传统的脉搏波测量方法如常见的压阻式、光电式和压电式传感器进行脉搏信号检测相比，从脉搏图像中提取波形具有更大的优越性。传统的方法只能检测单点的一维的脉搏信号，而脉搏图像是二维的，可以提取多点的脉搏波以及更多其他脉象信息。

图5 每个统计量及网格面积法的波形Fig.5 Waveforms based on each image statistic and grid area

图6 典型的脉搏信号波形图Fig.6 Typical pulse wave

4 脉搏信号的周期提取

采用文献[16]中的峰值提取方法，根据整帧图像获取的脉搏波形，求得600帧图像中共31个峰值点的位置如图9和表1所示。根据表1中数据可求得该脉搏信号的周期。每2个相邻峰值点位置之间的差值即可反映周期。为求得准确的周期，可利用表中数据求平均周期。已知视频信号的采集帧速率为30帧/s，可用下式求得脉搏信号的周期T：

图7 标记后的一帧脉搏图像Fig.7 A marked frame

图8 根据某些网格提取的波形与根据整帧图像提取的波形之间的比较Fig.8 Comparison between pulse waves extracted from some grids and pulse wave extracted from whole frame

其中：L为表1中的数据组成的数组；fdiff(L)表示对L的数据进行差分；fsum表示求和；flength为数组的长度。

图9 峰值点提取Fig.9 Peak points extraction

表1 600帧图像中峰值点的位置Table 1 Locations of peak points 帧

对本文的脉搏数据，用上述公式求得脉搏周期为0.657 8 s，进而可求得脉搏频率为

此外，根据脉搏波的时域分析，还可获得更多的有关生理参数，如收缩期时和舒张期时的值等(如图6中所标注)；并可进一步在时空域求得脉宽、脉长等脉象信息。

5 结论

(1) 提出基于常用的图像基本统计量提取脉搏波形的方法并进行比较，基于图像熵获取的脉搏波形较准确。该方法可以对整帧图像进行处理，也可以选取1个或多个网格区域进行处理。然后计算各帧图像熵，提取脉搏波形，获得脉搏周期和频率。

(2) 基于图像熵的脉搏波提取算法效率高，波形稳定性好，重搏前波和重搏波都比较明显，能精确获取脉搏波，效果优于网格面积法。此外，该算法可以提取多点的脉搏波以及更多其他脉象信息，比传统的脉搏波测量方法具有更大的优越性，为脉搏图像的三维重构和脉搏的其他信息提取及其进一步分析提供了依据。

(3) 由于基于图像熵提取出来的脉搏波形较准确，故可考虑采用熵作为脉搏信息的表征量。根据每帧图像中的每个网格的熵，可进一步分析熵与脉搏波动的关系，提出新的三维重构算法，进而对脉搏图像序列中的每一帧脉搏图像进行三维重构，得到任意时刻的三维视图。以重构的三维形态图为图像序列，保持和数据采集时相同的时间顺序和帧速，将其连接成动态视频，重构脉搏搏动时的三维动态视图。有望将传统的三维重构技术发展为动态、实时、高精度的三维检测技术，这将具有重要的科学意义和广阔的应用前景。

[1] Lin Y, Leng H, Yang G, Cai H. An intelligent noninvasive sensor for driver pulse wave measurement[J]. IEEE Sensor Journal,2007, 7(5): 790−799.

[2] Lygouras J N, Tsalides P G. Optical-fiber finger photoplethysmograph using digital techniques[J]. IEEE Sensor Journal, 2002, 2(1): 20−25.

[3] Sorvoja H, Kokko V M, Myllylä R, et al. Use of EMFi as a blood pressure pulse transducer[J]. IEEE Transactions on instrument and measurement, 2005, 54(6): 2505−2512.

[4] XU Lisheng, MENG Max, SHI Cheng, et al. Quantitative analyses of pulse images in Traditional Chinese Medicine[J].Medical Acupuncture Journal for Physicians by Physicians, 2008,20(3): 175−190.

[5] Yoon Y Z, Lee M H, Soh K S. Pulse type classification by varying contact pressure[J]. IEEE Engineering in Medicine and Biology, 2000, 19(6): 106−110.

[6] 金观昌, 于淼, 鲍乃铿. PVDF多点脉搏波计算机辅助测试系统研究[J]. 清华大学学报: 自然科学版, 1999, 39(8): 117−120.JIN Guanchang, YU Miao, BAO Naikeng. Research of multi-point pulse wave computer measurement system using PVDF[J]. Journal of Tsinghua University: Science and Technology, 1999, 39(8): 117−120.

[7] Joshi A B, Kalange A E, Bodas D, Gangal S A. Simulations of piezoelectric pressure sensor for radial artery pulse measurement[J]. Materials Science and Engineering: B, 2010,168(1/2/3): 250−253.

[8] 张治国, 牛欣, 杨学智, 等. 脉宽的可视化考察[J]. 中国中医药信息杂志, 2008, 15(5): 14−16.ZHANG Zhiguo, NIU Xin, YANG Xuezhi, et al. Visualizational investigation on width of pulse tracing[J]. Chinese Journal of Information on Traditional Chinese Medicine, 2008, 15(5):14−16.

[9] 张爱华, 周义勇, 朱亮. 图像化脉象采集装置的研制[J]. 传感技术学报, 2006, 19(4): 1261−1263.ZHANG Aihua, ZHOU Yiyong, ZHU Liang. Development of pulse acquisition device based on image[J]. Chinese Journal of Sensors and Actuators, 2006, 19(4): 1261−1263.

[10] 毛蕴娟. 基于脉搏信号的视觉疲劳和亚健康关系研究[D]. 兰州: 兰州理工大学电气工程与信息工程学院, 2010: 31−32.MAO Yunjuan. Study on relation of visual fatigue and sub-health based on pulse signals[D]. Lanzhou: Lanzhou University of Technology. College of Electrical and Information Engineering, 2010: 31−32.

[11] Zhang A H, Mao Y J. Pulse shape study based on pulse image sensor[C]//The Third International Symposium on Test Automation & Instrumentation. Beijing: Chinese Journal of Scientific Instrument, 2010: 213−216.

[12] 陈天华. 数字图像处理[M]. 北京: 清华大学出版社, 2008:23−24.CHEN Tianhua. Digital image processing[M]. Beijing: Tsinghua University Press, 2008: 23−24.

[13] 邱炜, 陈斌, 胡康达. 基于局部累积直方图和纹理特征的图像检索方法[J]. 计算机应用, 2009, 29(S2): 239−240, 243.QIU Wei, CHEN Bin, HU Kangda. Image retrieval based on local accumulation histogram and texture characterteristic[J].Journal of Computer Applications, 2009, 29(S2): 239−240, 243.

[14] Gonzalez R C, Woods R E. Digital image processing[M]. 3rd ed.Beijing: Publishing House of Electronics Industry, 2010:540−544.

[15] 费兆馥. 现代中医脉诊学[M]. 北京: 人民卫生出版社, 2003:163−164.FEI Zhaofu. Contemporary sphygmology in traditional Chinese medicine[M]. Beijing: People’s Medical Publishing House, 2003:163−164.

[16] 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, 3(30): 576−602.XING Hongyan, XU Ruiqing, WANG Changsong. Pulse signal feature research based on empirical mode decomposition[J].Chinese Journal of Scientific Instrument, 2009, 3(30): 576−602.