[发明专利]基于深度学习的中医六路脉诊信号体质判别方法及系统

权利要求书

1.基于深度学习的中医六路脉诊信号体质判别方法，其特征在于，所述方法包括以下步骤：

步骤1：采集六路脉诊的原始数据D_raw，并且将原始数据D_raw存储于数据库；

步骤2：对原始数据D_raw进行预处理，得到降维数据D_pca；

步骤3：将原始数据D_raw和降维数据D_pca输入深度神经网络，进行体质分类预测；

步骤4：通过多个深度神经网络分别获取多类体质的概率Pn，并且对多类体质的概率Pn进行集成，得到最终预测概率P。

2.根据权利要求1所述的基于深度学习的中医六路脉诊信号体质判别方法，其特征在于，所述步骤2的具体流程为：

步骤2.1：对原始数据D_raw进行降噪处理，得到降噪数据；

步骤2.2：对降噪数据进行基准矫正处理，得到矫正数据；

步骤2.3：对矫正数据进行降维处理，得到降维数据D_pca。

3.根据权利要求2所述的基于深度学习的中医六路脉诊信号体质判别方法，其特征在于，所述步骤3的具体流程为：

步骤3.1：通过全连接网络学习降维数据D_pca的高阶特征d_pca，具体公式为：

d_pca＝W×D_pca+b

其中，W为全连接层的权重，b为全连接层的偏置；

步骤3.2：通过多核卷积网络学习原始数据D_raw的高阶特征d_raw；

步骤3.3：对高阶特征d_pca和高阶特征d_raw进行拼接融合，进行体质分类预测。

4.根据权利要求3所述的基于深度学习的中医六路脉诊信号体质判别方法，其特征在于，所述步骤4的具体流程为：

步骤4.1：获取每一类体质的拼接融合特征；

步骤4.2：通过多个深度神经网络分别对每一类体质的拼接融合特征进行二分类判断，并且通过Sigmoid函数计算该类体质的概率Pn，Sigmoid函数表达式为：

步骤4.3：对多类体质的概率Pn进行集成，得到最终预测概率P＝Max(P_n)。

5.根据权利要求4所述的基于深度学习的中医六路脉诊信号体质判别方法，其特征在于：所述体质分类共计九种。

6.基于深度学习的中医六路脉诊信号体质判别系统，其特征在于：包括数据采集模块、数据预处理模块、深度学习模块、集成学习模块；

所述数据采集模块用于采集六路脉诊的原始数据D_raw，并且将原始数据D_raw存储于数据库；

所述数据预处理模块用于对原始数据D_raw进行预处理，得到降维数据D_pca；

所述深度学习模块用于将原始数据D_raw和降维数据D_pca输入深度神经网络，进行体质分类预测；

所述集成学习模块用于通过多个深度神经网络分别获取多类体质的概率Pn，并且对多类体质的概率Pn进行集成，得到最终预测概率P。