基于深度学习的脉图质量检测方法技术

本发明专利技术公开了一种基于深度学习的脉图质量检测方法，属于图像处理领域。该脉图质量检测方法包括以下步骤：通过输入的脉图样本确定所述脉图样本的所有脉波的中位值来确定所述脉图样本的波峰并生成脉图图像；将脉图图像通过ImageDataGenerator方法进行预处理以获得增强型的脉图图像；将增强型的脉图图像输入卷积网络模型中识别并分类，以获得标准质量脉图；其中，卷积网络模型包括两个卷积层、两个池化层、两个激活层和至少一个全连接层。本发明专利技术提供的基于深度学习的脉图质量检测方法能够排除人工检测造成的主观干扰而客观化地评价脉图质量，进而识别出高质量脉图且能够保证脉图质量的一致性，还能够极大缩短脉图质量检测、判别的时间。判别的时间。判别的时间。

【技术实现步骤摘要】
基于深度学习的脉图质量检测方法


[0001]本专利技术涉及图像处理领域，特别涉及基于深度学习的脉图质量检测方法。

技术介绍

[0002]因受环境、设备等因素的干扰，导致在脉图采集过程中脉图质量难以把控，使得临床中脉图采集的质量差异性较大。而脉图质量在后续的脉图特征提取、脉象分析等过程中起着举足轻重的作用，脉图质量较低时将严重影响到脉象的分析和脉象的结果。
[0003]又，由于现今脉图质量检测的判别主要依赖于人工，而在判别过程中因人工将受到各种因素的干扰，使得脉图质量的检测不仅耗时耗力，而且经人工检测后的脉图质量也是参差不齐。
[0004]因此，确有必要提供一种能够快速且客观提取高质量脉图的脉图质量检测方法。

技术实现思路

[0005]为了解决现有技术中存在的上述问题和缺陷的至少一个方面，本专利技术提供了一种基于深度学习的脉图质量检测方法。所述技术方案如下：
[0006]本专利技术的一个目的是提供了一种基于深度学习的脉图质量检测方法。
[0007]根据本专利技术的一个方面，提供了一种基于深度学习的脉图质量检测方法，所述脉图质量检测方法包括以下步骤：
[0008]步骤S1：通过输入的脉图样本确定所述脉图样本的所有脉波的中位值来确定所述脉图样本的波峰并生成脉图图像；
[0009]步骤S2：将所述脉图图像通过ImageDataGenerator方法进行预处理以获得增强型的脉图图像；
[0010]步骤S3：将所述增强型的脉图图像输入卷积网络模型中识别并分类，以获得标准质量脉图；
[0011]其中，所述卷积网络模型依次包括两个卷积层、两个池化层、两个激活层和至少一个全连接层，所述两个卷积层中设置的卷积核均不相同。
[0012]具体地，在步骤S1中，通过输入的脉图样本确定所述脉图样本的所有脉波的中位值来确定所述脉图样本的波峰并生成脉图图像包括以下步骤：
[0013]步骤S11：使用Python中的scipy.find_peaks_cwt()函数对脉图样本进行采样，以获得所述脉图样本中的所有脉波的波峰；
[0014]步骤S12：将所有脉波的波峰进行排序并获得所有脉波的中位值；
[0015]步骤S13：通过所述中位值分别向前和向后取多个脉波的波峰，所述多个脉波的波峰形成了所述脉图图像；
[0016]所述中位值对应的所述脉图样本中的波峰为最佳波峰。
[0017]优选地，在步骤S2中，将所述脉图图像通过ImageDataGenerator方法进行预处理包括以下步骤：
[0018]步骤S21：将脉图图像依次进行旋转变换、对称变换、图像白化处理、错切变换和缩放变换。
[0019]具体地，所述旋转变换的旋转角度范围为20
°
～40
°
，所述对称变换包括水平变换和竖直变换，所述水平变换的偏移幅度的范围为0.05～0.2，所述竖直变换的竖直偏移幅度的范围为0.05～0.2，所述错切变换的错切强度的范围为0.1～0.3，所述缩放变换的缩放幅度的范围0.1～0.3。
[0020]优选地，在步骤S3中，将所述增强型的脉图图像输入卷积网络模型中识别并分类包括以下步骤：
[0021]步骤S31：将所述增强型的脉图图像输入卷积网络模型中依次进行卷积、池化、激活、卷积、池化和激活，以获得高维特征向量；
[0022]步骤S32：将所述高维特征向量通过展平以获得一维特征向量；
[0023]步骤S33：将所述一维特征向量通过全连接层的sigmoid函数分别输出标准质量脉图和低质量脉图的预测最大概率值。
[0024]优选地，在步骤S31中，第一个卷积层和第二个卷积层中设置的卷积核的尺寸均设置为5
×
5且步长设置为2，第一个卷积层的卷积核数量设置为20个，输出向量维度为32，第二个卷积层的数量设置为50个，输出向量维度为48。
[0025]优选地，在步骤S31中，所有的池化层均通过最大池化的方法对脉图特征图进行下采样，第一个池化层和第二个池化层的步长均设置为2，第一个池化层的卷积核尺寸设置为2
×
2，卷积核数量设置为32，第二个池化层的卷积核尺寸设置为2
×
2，卷积核数量设置为48。
[0026]进一步地，在步骤S31中，所有的激活层中所使用的激活函数均为relu函数；
[0027]在步骤S33中，所述全连接层设置为四层网络，所述四层网络的输出向量维度逐层降低，且经过所述四层网络后输出的向量维度为2。
[0028]具体地，在步骤S31中，所有的激活层的激活函数x
n(t)
表达为：
[0029][0030]其中，t表示卷积层层数，q
mn
表示连接第1层的特征n与第t
‑
1层的特征映射m的卷积核，M
t
‑1表示第t
‑
1层选择的输入特征映射，*表示进行卷积，b表示偏置，f(
·
)表示非线性激活的函数。
[0031]进一步地，在步骤S13中，所述脉图图像为时间序列图像。
[0032]根据本专利技术的基于深度学习的脉图质量检测方法具有以下优点中的至少一个：
[0033](1)本专利技术提供的基于深度学习的脉图质量检测方法能够排除人工检测造成的主观干扰而客观化地评价脉图质量，进而识别出高质量脉图，这将有利于提高中医脉图采集质量的提高；
[0034](2)本专利技术提供的基于深度学习的脉图质量检测方法能够保证脉图质量的一致性；
[0035](3)本专利技术提供的基于深度学习的脉图质量检测方法能够极大缩短脉图质量检测、判别的时间；
[0036](4)本专利技术提供的基于深度学习的脉图质量检测方法能够将时间序列的脉象数据
转变为增强型的图像数据，之后使用卷积网络模型拟合脉图数据，获取模型权重数据，最终实现脉图质量评价，该卷积网络模型能够直接将专家检测、判别脉图的经验赋予本专利技术的卷积网络模型；
[0037](5)本专利技术提供的基于深度学习的脉图质量检测方法利用了深度学习技术对脉图质量进行客观化检测和评价，这对中医脉图质量的检测和评价具有非常重要的意义，同时将有利于中医脉图采集质量的提高。
附图说明
[0038]本专利技术的这些和/或其他方面和优点从下面结合附图对优选实施例的描述中将变得明显和容易理解，其中：
[0039]图1是根据本专利技术的一个实施例的基于深度学习的脉图质量检测方法的流程图；
[0040]图2是脉图质量检测准确率与AUC(即模型评估指标)。
[0041]图3是脉图质量检测结果示意图(其中，左侧脉图为使用本专利技术的方法检测获得的高质量脉图及使用本专利技术的模型的检测概率，右侧为低质量脉图和对应的检测概率)
具体实施方式
[0042]下面通过实施例，并结合附图，对本专利技术的技术方案作进一步具体的说明。在说明书中，相同或相似的附图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的脉图质量检测方法，所述脉图质量检测方法包括以下步骤：步骤S1：通过输入的脉图样本确定所述脉图样本的所有脉波的中位值来确定所述脉图样本的波峰并生成脉图图像；步骤S2：将所述脉图时频图像通过ImageDataGenerator方法进行预处理以获得增强型的脉图图像；步骤S3：将所述增强型的脉图图像输入卷积网络模型中识别并分类，以获得标准质量脉图；其中，所述卷积网络模型依次包括两个卷积层、两个池化层、两个激活层和至少一个全连接层，所述两个卷积层中设置的卷积核均不相同。2.根据权利要求1所述的基于深度学习的脉图质量检测方法，其特征在于，在步骤S1中，通过输入的脉图样本确定所述脉图样本的所有脉波的中位值来确定所述脉图样本的波峰并生成脉图图像包括以下步骤：步骤S11：使用Python中的scipy.find_peaks_cwt()函数对脉图样本进行采样，以获得所述脉图样本中的所有脉波的波峰；步骤S12：将所有脉波的波峰进行排序并获得所有脉波的中位值；步骤S13：通过所述中位值分别向前和向后取多个脉波的波峰，所述多个脉波的波峰形成了所述脉图图像；所述中位值对应的所述脉图样本中的波峰为最佳波峰。3.根据权利要求2所述的基于深度学习的脉图质量检测方法，其特征在于，在步骤S2中，将所述脉图图像通过ImageDataGenerator方法进行预处理包括以下步骤：步骤S21：将脉图图像依次进行旋转变换、对称变换、图像白化处理、错切变换和缩放变换。4.根据权利要求3所述的基于深度学习的脉图质量检测方法，其特征在于，所述旋转变换的旋转角度范围为20
°
～40
°
，所述对称变换包括水平变换和竖直变换，所述水平变换的偏移幅度的范围为0.05～0.2，所述竖直变换的竖直偏移幅度的范围为0.05～0.2，所述错切变换的错切强度的范围为0.1～0.3，所述缩放变换的缩放幅度的范围0.1～0.3。5.根据权利要求1
‑
4中任一项所述的基于深度学习的脉图质量检测方法，其特征在于，在步骤S3中，将所述增强型的脉图图像输入卷积网络模型中识别并分类...

【专利技术属性】
技术研发人员：许家佗，罗志宇，李军，屠立平，崔骥，胡晓娟，崔龙涛，黄景斌，江涛，马旭翔，
申请(专利权)人：上海中医药大学，
类型：发明
国别省市：