一种脉象分类识别方法及系统技术方案

本发明专利技术涉及一种脉象分类识别方法及系统。该方法包括获取多个个体的原始心电数据；对原始心电数据进行预处理，得到预处理后的心电数据；采用深度残差神经网络模型对预处理后的心电数据进行训练和优化，得到训练优化后的心电数据预测模型；获取多个个体的原始脉象数据；对原始脉象数据进行预处理，得到预处理后的脉象数据；根据训练优化后的心电数据预测模型和预处理后的脉象数据采用迁移学习方法，得到训练优化后的脉象数据预测模型；获取需要进行分类的脉象数据；根据训练优化后的脉象数据预测模型对脉象数据进行分类识别。本发明专利技术能够对各种脉象进行精准分类，提高脉象识别的准确率。提高脉象识别的准确率。提高脉象识别的准确率。

【技术实现步骤摘要】
一种脉象分类识别方法及系统


[0001]本专利技术涉及脉象分析领域，特别是涉及一种脉象分类识别方法及系统。

技术介绍

[0002]当前，关于脉搏信号的研究主要是基于时域分析、频域分析以及时域
‑
频域分析进行的。时域分析主要是通过测定脉搏波图中具有重要生理意义的基准点的值，也就是所谓的时域特征用于研究分析。频域分析主要是将脉搏波图通过频域变换方法转换成频谱图，计算出频谱图的一些参数，也就是所谓的频域特征用于研究分析。时域
‑
频域分析则同时结合了上述两种方式提取的时域特征和频域特征用于研究分析。王炳和等从280例参与者的脉搏信号谱图中提取出频域特征，结合ANN方法在7类脉象上实现了87％的平均识别准确率。岳沛平等通过对1456例参与者脉搏信号的时域、频域特征以及不同时间
‑
尺度上的能量特征进行提取并利用ANN进行分类，在10类基本脉象上实现了良好识别(准确率>90％)，在7类相兼脉象上也具有较佳表现(准确率>82％)。张诗雨等提取了脉搏信号的时域、频域和时频域特征，使用随机森林方法对175例平、实、弦、滑4类脉象进行识别，取得了总体93.0％的准确率。但上述脉象分析方法都需要人工手动提取特征，之后通常还需要多步骤优化，这对研究者的脉象知识和计算机技术都有较高要求故而难以应用到临床实践。

技术实现思路

[0003]本专利技术的目的是提供一种脉象分类识别方法及系统，能够对各种脉象进行精准分类，提高脉象识别的准确率。
[0004]为实现上述目的，本专利技术提供了如下方案：
[0005]一种脉象分类识别方法包括：
[0006]获取多个个体的原始心电数据；
[0007]对所述原始心电数据进行预处理，得到预处理后的心电数据；
[0008]采用深度残差神经网络模型对所述预处理后的心电数据进行训练和优化，得到训练优化后的心电数据预测模型；
[0009]获取多个个体的原始脉象数据，所述脉象数据包括平脉、弦脉、滑脉、数脉、沉脉、虚脉、结代脉、迟脉、涩脉和疾脉；
[0010]对所述原始脉象数据进行预处理，得到预处理后的脉象数据；
[0011]根据所述训练优化后的心电数据预测模型和所述预处理后的脉象数据采用迁移学习方法，得到训练优化后的脉象数据预测模型；
[0012]获取需要进行分类的脉象数据；
[0013]根据所述训练优化后的脉象数据预测模型对所述脉象数据进行分类识别。
[0014]可选地，所述对所述原始心电数据进行预处理，得到预处理后的心电数据，具体包括：
[0015]对所述原始心电数据进行峰对齐和峰识别处理，得到处理后的心电数据。
[0016]可选地，所述采用深度残差神经网络模型对所述预处理后的心电数据进行训练和优化，得到训练优化后的心电数据预测模型，具体包括：
[0017]将所述预处理后的心电数据以7:1:2的比例随机分配到心电数据训练集、心电数据验证集和心电数据测试集；
[0018]采用深度残差神经网络模型对所述心电数据训练集进行训练，得到训练后的心电数据预测模型；
[0019]根据所述心电数据验证集上宏F1分数最高的训练后的心电数据预测模型作为优化后的心电数据预测模型；
[0020]根据所述心电数据测试集对所述优化后的心电数据预测模型进行房颤识别效果评价。
[0021]可选地，所述深度残差神经网络模型包括15个卷积层、1个适应性平均池化层、1个全连接层以及输入层和输出层，还包括7个残差单元，其中4个残差单元对前面层的输入进行最大池化运算后与后面层的输出进行加和，作为下一个残差单元的输入，其中3个残差单元则将前面层的输入与后面层的输出直接进行加和，当残差单元前后层的维数不相等时，使用零值填充的方式对前面层的输入进行维数扩充，使前面层的输入和后面层的输出具有相等的维数便于进行加和，层和层之间还加入了BatchNorm、ReLU函数和Dropout深度学习方法。
[0022]一种脉象分类识别系统包括：
[0023]心电数据获取模块，用于获取多个个体的原始心电数据；
[0024]心电数据处理模块，用于对所述原始心电数据进行预处理，得到预处理后的心电数据；
[0025]心电数据训练优化模块，用于采用深度残差神经网络模型对所述预处理后的心电数据进行训练和优化，得到训练优化后的心电数据预测模型；
[0026]脉象数据获取模块，用于获取多个个体的原始脉象数据，所述脉象数据包括平脉、弦脉、滑脉、数脉、沉脉、虚脉、结代脉、迟脉、涩脉和疾脉；
[0027]脉象数据处理模块，用于对所述原始脉象数据进行预处理，得到预处理后的脉象数据；
[0028]脉象数据训练优化模块，用于根据所述训练优化后的心电数据预测模型和所述预处理后的脉象数据采用迁移学习方法，得到训练优化后的脉象数据预测模型；
[0029]待分类数据获取模块，用于获取需要进行分类的脉象数据；
[0030]分类识别模块，用于根据所述训练优化后的脉象数据预测模型对所述脉象数据进行分类识别。
[0031]可选地，所述心电数据处理模块，具体包括：
[0032]心电数据处理单元，用于对所述原始心电数据进行峰对齐和峰识别处理，得到处理后的心电数据。
[0033]可选地，所述心电数据训练优化模块，具体包括：
[0034]心电数据分配单元，用于将所述预处理后的心电数据以7:1:2的比例随机分配到心电数据训练集、心电数据验证集和心电数据测试集；
[0035]训练单元，用于采用深度残差神经网络模型对所述心电数据训练集进行训练，得
到训练后的心电数据预测模型；
[0036]优化单元，用于根据所述心电数据验证集上宏F1分数最高的训练后的心电数据预测模型作为优化后的心电数据预测模型；
[0037]识别效果评价单元，用于根据所述心电数据测试集对所述优化后的心电数据预测模型进行房颤识别效果评价。
[0038]可选地，所述深度残差神经网络模型包括15个卷积层、1个适应性平均池化层、1个全连接层以及输入层和输出层，还包括7个残差单元，其中4个残差单元对前面层的输入进行最大池化运算后与后面层的输出进行加和，作为下一个残差单元的输入，其中3个残差单元则将前面层的输入与后面层的输出直接进行加和，当残差单元前后层的维数不相等时，使用零值填充的方式对前面层的输入进行维数扩充，使前面层的输入和后面层的输出具有相等的维数便于进行加和，层和层之间还加入了BatchNorm、ReLU函数和Dropout深度学习方法。
[0039]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0040]本专利技术提供一种脉象分类识别方法，该方法包括获取多个个体的原始心电数据；对原始心电数据进行预处理，得到预处理后的心电数据；采用深度残差神经网络模型对预处理后的心电数据进行训练和优化，得到训练优化后的心电数据预测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种脉象分类识别方法，其特征在于，包括：获取多个个体的原始心电数据；对所述原始心电数据进行预处理，得到预处理后的心电数据；采用深度残差神经网络模型对所述预处理后的心电数据进行训练和优化，得到训练优化后的心电数据预测模型；获取多个个体的原始脉象数据，所述脉象数据包括平脉、弦脉、滑脉、数脉、沉脉、虚脉、结代脉、迟脉、涩脉和疾脉；对所述原始脉象数据进行预处理，得到预处理后的脉象数据；根据所述训练优化后的心电数据预测模型和所述预处理后的脉象数据采用迁移学习方法，得到训练优化后的脉象数据预测模型；获取需要进行分类的脉象数据；根据所述训练优化后的脉象数据预测模型对所述脉象数据进行分类识别。2.根据权利要求1所述的脉象分类识别方法，其特征在于，所述对所述原始心电数据进行预处理，得到预处理后的心电数据，具体包括：对所述原始心电数据进行峰对齐和峰识别处理，得到处理后的心电数据。3.根据权利要求1所述的脉象分类识别方法，其特征在于，所述采用深度残差神经网络模型对所述预处理后的心电数据进行训练和优化，得到训练优化后的心电数据预测模型，具体包括：将所述预处理后的心电数据以7:1:2的比例随机分配到心电数据训练集、心电数据验证集和心电数据测试集；采用深度残差神经网络模型对所述心电数据训练集进行训练，得到训练后的心电数据预测模型；根据所述心电数据验证集上宏F1分数最高的训练后的心电数据预测模型作为优化后的心电数据预测模型；根据所述心电数据测试集对所述优化后的心电数据预测模型进行房颤识别效果评价。4.根据权利要求1所述的脉象分类识别方法，其特征在于，所述深度残差神经网络模型包括15个卷积层、1个适应性平均池化层、1个全连接层以及输入层和输出层，还包括7个残差单元，其中4个残差单元对前面层的输入进行最大池化运算后与后面层的输出进行加和，作为下一个残差单元的输入，其中3个残差单元则将前面层的输入与后面层的输出直接进行加和，当残差单元前后层的维数不相等时，使用零值填充的方式对前面层的输入进行维数扩充，使前面层的输入和后面层的输出具有相等的维数便于进行加和，层和层之间还加入了BatchNorm、ReLU函数和Dropout深度学习方法。5.一种脉象分类识别系统，其特征在于，包括：心电数据获取模块，用于获取多个个体的原始心电数据；心...

【专利技术属性】
技术研发人员：苏畅，王惠君，王睿，侯艳，武振宇，左丽君，卢宇红，
申请(专利权)人：苏畅，
类型：发明
国别省市：