一种基于神经网络的患者脉象诊断系统技术方案

本发明专利技术公开了一种基于神经网络的脉象诊断系统，包括一个获取患者腕脉脉搏搏动数据的脉诊袖和一个基于神经网络的脉象诊断系统。其中脉诊袖的腕脉感受器，是患者腕部脉搏搏动数据获取设备，脉诊袖与计算机的脉象诊断系统链接，用于数据的传输，脉诊袖中置有传感器用于精准感受患者的腕部脉搏搏动数据。该诊断系统的核心技术包括：患者腕脉搏动信息数据的获取；患者腕脉搏动信息样本的划分；患者腕脉搏动信息的特征提取；基于神经网络的的患者脉象征型识别模型的构建。利用CSPDarknet53提取脉象搏动特征在验证集上构建脉诊识别模块，利用K

A pulse diagnosis system for patients based on Neural Network

【技术实现步骤摘要】
一种基于神经网络的患者脉象诊断系统


[0001]本专利技术设及一种基于神经网络的脉象诊断系统，属于人工智能深度学习的领域。

技术介绍

[0002]在中医四大基本诊断望闻问切中，切脉是其中极为重要的诊断环节，它不仅能够直接反映患者的整体健康状态，还能对许多特定的疾病提供辅助的诊断因素，然而一个医生的诊脉能力的训练和提升，往往需要投入非常长的时间和足够多的患者样本用来训练，这样的情况使得一些年轻的医生的诊脉能力的训练提升造成难度，造成医生的诊脉水平难以得到信任，因此本文的专利技术在一定程度上对医患关系也是一种促进。
[0003]现有的中医脉诊技术都是由医生通过指端感知患者的脉搏搏动幅度并根据脉诊从医经验来判定患者的脉象分型，是一个主观性很强的技术，并且从医者需要大量的学习来获取经验，而年轻的医者往往无法一时间获取如此多的样本用来练习，所以往往会出现诊脉不清楚的状况，如果可以将患者的脉搏跳动数据进行要素采集，并通过神经网络建立学习模型，训练出一个处理患者脉象的脉象分型模型，就可以对患者的脉象进行精准的诊断，避免了号脉诊断中的误差问题。
[0004]本专利技术的主要核心算法采用神经网络进行患者腕脉搏动情况监测模型的构建，并对深度学习算法进行优化，进而能提取更多、更有效的特征信息，在通过感知患者的腕脉搏动的情况下，能够高效、准确地对患者的脉象进行有效的特征分型，这样既保证了医务人员的工作效率，又保证了患者的就医体验。

技术实现思路
：
[0005]本专利技术的内容主要包括两部分：第一部分：脉诊袖，主要用来获取患者的腕脉脉搏搏动数据，是患者腕部脉搏搏动数据获取设备，脉诊袖与计算机的脉象诊断系统链接，用于数据的传输，脉诊袖中置有传感器用于精准感受患者的腕部脉搏搏动数据。这种脉搏搏动测量装置，包括：1.袖带主体，其具有
①
设置成可在脉搏测量部位上(手腕)任意进行拆装的袖带部件
②
敷设在上述袖带部件的与脉搏测量部位接触的一侧并压迫覆盖整个脉搏测量部位的传感器，用于测量轻取、重取等脉象搏动的数据，其为了对上述袖带主体进行加压和减压而通过配管连接。
③
脉搏检测计数单元，其通过检测与上述袖带中传感器感受到的脉搏搏动数据进行校准计数。上述的脉诊袖的腕部脉搏搏动感受器，应可短暂贴附于患者的腕部并进行适当施压，设置具体压力力度，用来提取患者的轻取和重取脉象，并对脉搏的搏动强度进行精准感知。上述脉搏计数单元，用于对脉搏数量进行计数，应在设定时间内精准计量患者的
脉搏搏动次数。2.脉诊袖外接设备，用于与计算机链接，使计算机接收到患者的脉搏搏动数据，当链接成功时显示OK标志，链接失败时显示ERROR 标志，并在脉象诊断系统中显示链接失败的可能原因。第二部分：基于神经网络的脉象诊断系统，本专利技术采用神经网络进行患者腕脉搏动情况监测模型的构建，并对深度学习算法进行优化，进而能提取更多、更有效的特征信息，在通过感知患者的腕脉搏动的情况下，能够高效、准确地对患者的脉象进行有效的特征分型，这样既保证了医务人员的工作效率，又保证了患者的就医体验。
[0006]测量步骤：Step1：患者正坐或仰卧，前臂自然平展，与心脏成同一水平线，手腕伸直，手掌向上，手指自然放松，保持环境安静，使患者尽量放松处于静心凝神状态。将脉诊袖缠绕至患者腕关节处，使得桡骨茎突定点与手腕桡骨茎突处重合，寸关尺取脉点与手腕部脉搏定点重合，收至合适松紧度后放在松软棉枕上；Step2：打开脉诊袖开关，打开脉诊系统，确保脉诊袖处于正常工作状态，与计算机链接正常，点击开始诊脉按钮；Step3：在一个诊脉周期五十动后(约取超过五十个脉搏跳动)，诊脉系统经过综合分析患者脉搏搏动数据计算得出最终脉象证型。
[0007]上述脉诊袖外接设备应与计算机实现完整链接，可以实现与计算机接口互通。
[0008]本专利技术的应用场景为各大中医诊室脉诊症候分型诊断，将本系统：脉诊袖(患者测量时佩戴用，与脉诊系统链接用于接收患者的脉搏搏动数据)+脉诊系统(嵌入HIS系统中的子系统，核心算法为神经网络自动学习算法，用于分析患者的脉象数据，得出合理的脉象分型结果)，前期应用期间的训练数据来源为患者的就医脉诊信息，通过梯度下降算法自动学习，使得训练模型更加趋于完善，得出更加精准的数据，本专利技术并未涉及脉诊袖的具体内部电子元件结构，只给出脉诊袖相应的概念结构和各部件的主要功能，主要着重于深度学习算法本身的训练过程和预测过程。
[0009]针对上述问题，本文提出一种新型的“患者脉象诊断系统”基于神经网络中的梯度下降算法进行自动学习，主要针对的是“患者脉象诊断”，该系统能将传感器感知到的患者的腕脉搏动转化成相应的数据，根据患者的其他辅助身体数据和当时的环境因素，对患者的脉象进行合理的评估并给出准确的诊断，为实现上述目的，本专利技术发采用的技术方案为：一种基于神经网络的患者脉象诊断系统，包括以下步骤：(1)患者腕脉搏动信息数据的获取；(2)患者腕脉搏动信息样本的划分；(3)患者腕脉搏动信息的特征提取；(4)基于神经网络的的患者脉象征型识别模型的构建。
[0010]所述步骤(1)中，获取患者的腕脉搏动的数据信息，得到患者的腕脉搏动的初始数据集；所述步骤(2)中，对患者的腕脉搏动数据按照指力，指法，和至数进行合理的划分，作为神经网络的初始输入向量；所述步骤(3)中，用于提取患者腕脉搏动信息特征的三层神经元的输入层对数据进行特征提取，利用代价函数找到合理的权重和偏置，隐藏层的神经元对数据进行分析，使
得输出的诊断结果能够拟合所有的训练输入，达到更为精准的预测结果；所述步骤(4)中，在训练和测试阶段，利用CSPDarknet53提取脉象搏动特征在验证集上构建脉诊识别模块，，利用K
‑
means算法针对脉诊数据集重新聚类,得到精准、具代表性的脉象分型，确定识别模块的参数，然后利用测试集来检测识别效果，验证模块性能。
[0011]通过上述技术方案，本专利技术的优点是：(1)由CSPDarknet53网络对数据集进行训练，得到一个高效的训练结果，由此可以对脉搏波动的特征更加精准的提取，节省了大量的时间和人工成本，在医学诊疗过程中体现更加的高效；(2)对脉搏波动的数据模型进行优化，通过重新聚类得到最优的分型结果，使得卷积神经网络更容易准确预测脉象的分型，保证了检测的精度、定位和分类的准确性，从而使得模型稳定，有利于快速、准确的达到预期的检测效果。
附图说明
[0012]图1本专利技术患者脉象搏动数据训练流程图；图2本专利技术实施用于提取患者脉象数据特征的网络结构简图；图3本专利技术脉诊袖的概念结构简图。
具体实施方式
[0013]下面结合说明书附图，对本专利技术作进一步说明，以让本领域技术人员参照说明书文字能够具体实施。
[0014]本专利技术在Ubuntu16.04.4LTS环境下工作，采用PyTorch为框架进行搭建，主要参数有：初始学习率为0.001，动量参数为0.942，权重系数为0.0005，训练阈值为0.62等，此外，为了提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的脉象诊断系统，主要包括以下步骤：(1)患者腕脉搏动信息数据的获取；(2)患者腕脉搏动信息样本的划分；(3)患者腕脉搏动信息的特征提取；(4)基于神经网络的的患者脉象征型识别模型的构建。2.根据权利要求1所述的一种基于神经网络的脉象诊断系统，其特征在于：所述步骤(1)中，有关患者腕脉搏动信息的收集存在大量的冗余，需要重新建立数据集并进行标注。本发明的患者腕脉搏动数据集是通过收集门诊医生对患者脉象的征型描述和许多经典医案中得到，为了提高本发明在实际场景中的应用能力，所收集的数据集均来自于现实生活中的场景，然后利用目标检测标注工具进行标注，将搏动信息划分为多个数据集，进而获得患者的腕脉搏动初始信息，本发明的数据集定义为四类：脉位、脉数、脉形，脉势(指力，指法和五十动)。3.根据权利要求1所述的一种基于神经网络的脉象诊断系统，其特征在于：所描述步骤(2)中，采取随机抽样的方式将所采集的患者的腕脉搏动数据按一定的比例划分为独立不重复的验证集和测试集。4.根据权利要求1所述的一种基于神经网络的脉象诊断系统，其特征在于：所描述的步骤(3)中，我们使用训练输入集合X提取患者腕脉搏动信息特征，其中x1代表指力，x2代表指法，x...

【专利技术属性】
技术研发人员：张玉，王青，罗智勇，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：