(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210407914.4 (22)申请日 2022.04.19 (71)申请人 山东第一医科 大学第一附属医院 （山东省千佛山医院） 地址 250014 山东省济南市经十路1676 6号 (72)发明人 刘方铭　 (74)专利代理 机构 北京国坤专利代理事务所 (普通合伙) 11491 专利代理师 赵红霞 (51)Int.Cl. G06V 10/46(2022.01) G06V 10/54(2022.01) G06V 10/77(2022.01) G06V 40/70(2022.01) G06V 10/44(2022.01)G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06K 9/62(2022.01) G16H 20/30(2018.01) G16H 40/63(2018.01) G06F 3/01(2006.01) A61N 1/36(2006.01) (54)发明名称 一种基于APP多功能电子 针灸系统 (57)摘要 本发明属于电子针灸技术领域， 公开了一种 基于APP多功能电子针灸系统， 所述基于APP 多功 能电子针灸系统包括： 供电模块、 身体信息采集 模块、 主控模块、 脉冲模块、 针灸模块、 情绪分析 模块、 针灸模拟模块、 显示模块。 本发明通过情绪 分析模块可以削弱异常刺激的干扰； 同时， 通过 针灸模拟模块能够客观对电子针灸模拟的效果 进行评价； 且能够根据得到的第二数据参数对电 子针灸模拟的数据进行有针对性的调整， 从而提 高了电子 针灸模拟效果的可控度。 权利要求书3页 说明书7页 附图2页 CN 114821115 A 2022.07.29 CN 114821115 A 1.一种基于APP多功能电子针灸系统， 其特征在于， 所述基于APP多功能电子针灸系统 包括： 供电模块， 与主控 模块连接， 用于为基于AP P多功能电子针灸系统供电； 身体信息采集模块， 与主控 模块连接， 用于采集用户身体 轮廓信息和体重信息； 主控模块， 与供电模块、 身体信息采集模块、 脉冲模块、 针灸模块、 情绪分析模块、 针灸 模拟模块、 显示模块连接， 用于控制各个模块 正常工作； 脉冲模块， 与主控模块连接， 用于通过脉冲电路产生脉冲来刺激穴位； 所述脉冲电路产 生脉冲的方法包括： 建立脉冲的退化机理模型， 确定优化框架； 构造用于建模脉冲异常刺激的数据项； 选取先验项， 结合数据项构造脉冲非盲目反卷 积模型； 利用迭代重加权最小二乘算法和共轭梯度法对非盲目反卷积模型进 行数值优化求 解， 得到刺激 轨迹； 所述构造数据项来建模脉冲异常刺激方法具体包括： (1)选取如下非线性 函数剔除椒盐异常刺激的影响： 其中， a和b为函数参数， a控制着函数在截断处的非线性程度， b控制着截断点， x为轨迹 点的灰度值； 为a＝5e2,b＝0.1时函数T(x)的曲线， ； (2)联合L1范数和上式所示的非线性 函数构造如下式所示的数据项： 其中i是刺激 轨迹索引。 所述非盲目反卷积模型求 解方法具体包括： (1)将非盲反卷积模型变形为如下式所示的加权最小二乘形式： 其中， W,Wh和Wv为权重对角矩阵， 其对角元 素的值计算如下 所示： 其中， i为矩阵元 素索引， T'(|(Kx ‑y)i|)为非线性 函数T(|(Kx ‑y)i|的导函数； (2)对最小二乘形式的非盲目反卷积模型中的能量函数求导， 并令导数等于0， 得到如 下线性方程： 令 b＝KTW2y， A是对称正定矩阵， 则上式轭梯度法 求解；权　利　要　求　书 1/3 页 2 CN 114821115 A 2针灸模块， 与主控 模块连接， 用于通过电子触头连接脉冲电路对穴位进行针灸操作； 情绪分析模块， 与主控 模块连接， 用于对针灸过程用户情绪变化进行分析； 针灸模拟模块， 与主控 模块连接， 用于对针灸进行模拟； 显示模块， 与主控 模块连接， 用于 显示身体信息、 情绪分析 结果、 针灸模拟信息 。 2.如权利要求1所述基于APP多功能电子针灸系统， 其特征在于， 所述情绪分析模块分 析方法如下： (1)获取被治疗用户的身体状况信息； 并采集电子针灸时用户表情图像， 对采集的表情 图像进行处 理， 通过Gabor小 波变换提取表情的Gabor小 波特征； (2)采集电子针灸时用户的脑电曲线图像， 采用均匀局部二值模式UPLBP提取脑电曲线 图像的纹 理特征， 并对图片进行降维处 理； (3)采用CNN ‑LSTM网络对步骤一和步骤二中提取的特征进行多模态特征融合， 并进行 情绪分类； (4)根据情绪分类结果给 出电子针灸系统操作建议， 进行电子针灸力度或频率的调整。 3.如权利要求2所述基于APP多功能电子针灸系统， 其特征在于， 所述多模态特征融合 及情绪分类的具体处 理过程包括： 将得到的表情图像的Gabor小波特征和步骤二得到的脑电曲线图像的特征融合成一个 特征向量； 所述融合成一个特征向量具体包括： 对提取的不同模态图像的特征采用可变权重的稀 疏化线性融合进行加权处 理， 合成一个特 征向量， 特 征融合加权公式表示如下： O(x)＝γK(x)+(1 ‑γ)F(x)    (1) 其中： K(x)表示脑电曲线图像的特 征； F(x)表示表情特 征； γ为不同性格对脑电曲线影响的经验权 重系数； 将融合后的特征向量转换成张量形式， 通过设置不同的一次训练所选取的样本数 batch_size的值， 进行迭代， 并从每次迭代训练中随机取出训练样本作为CNN ‑LSTM网络的 输入数据， 输入到 CNN‑LSTM网络； 调节CNN网络初始结构和网络参数， 进行迭代； 调整初始结构和网络参数具体包括： 调 整CNN网络初始结构中卷积层的层数和网络参数学习率， 选取使网络精度和所消耗的时间 最优的CN N网络初始结构和网络参数； 在CNN网络经过多层卷积池化 提取图片的特 征， 得到五 维张量特 征图； 在不改变特征图内数值的前提下， 将 五维张量特征图变换成符合LSTM输入要求的三维 张量特征图， 并输入到LSTM层进行处 理； 将LSTM层的输出输入到全连接层和函数层进行SVM分类； 经过SVM分类， 依据SVM的输入特征向量所对应的情绪分类做训练， 选择向量所对应的 情绪分类的损失函数值最小的特征代表该情绪的类别， 得到一维数组的情绪分类结果， 并 保存训练好的神经网络， 所述 一维数组包 含有对应于样本训练后的预测情绪分类信息； 比较预测情绪分类信息与实 际情绪分类信息， 得到训练好的神经网络的预测准确率， 并通过识别的准确率， 不断修正特征融合加权公式中脑电曲线图像的特征和面部表情特征权　利　要　求　书 2/3 页 3 CN 114821115 A 3