[发明专利]一种基于双路卷积神经网络融合的脉象识别方法

权利要求书

1.一种基于双路卷积神经网络融合的脉象识别方法，其特征在于，包括以下步骤：

获取待识别的脉象图；

将所述脉象图输入至基于双路卷积神经网络融合的脉象识别模型中进行脉象识别，得到脉象识别结果；

其中，所述脉象识别模型通过以下步骤预先训练获得：

步骤一：采集训练数据集

利用高精度面阵式脉象采集仪采集手部挠骨附近的寸关尺三个位置在轻压、中压、重压三种压力下的脉象信号；

将所述脉象信号的点位数据转换为时间—振幅的脉象图；

对全部的所述脉象图进行标签划分，得到训练数据集；

步骤二：搭建脉象识别卷积神经网络框架

所述脉象识别卷积神经网络框架包括输入层、非线性变换层、线性融合层和输出层，其中，所述输入层包括两路网络结构相同的第一支路，每一个所述第一支路包括一个卷积层和一个修正线性单元；所述非线性变换层包括两路网络结构相同且分别与对应的所述第一支路连接的第二支路，每一个所述第二支路包括5层网络，每一层网络包括一个卷积层、一个批归一化和一个ReLU激活函数；所述线性融合层将所述非线性变换层的两个所述第二支路的结果融合，得到输出结果；所述输出层包括一个全局平均池化层、一个随机丢弃神经元连接和一个全连接层，所述线性融合层的输出结果输出至所述全局平均池化层；

步骤三：训练脉象识别卷积神经网络

利用所述训练数据集对搭建的脉象识别卷积神经网络进行训练，训练后得到所述脉象识别模型。

2.根据权利要求1所述的一种基于双路卷积神经网络融合的脉象识别方法，其特征在于，

在利用所述训练数据集对搭建的所述脉象识别卷积神经网络进行训练过程中，利用带微批数据集的随机梯度下降算法来迭代和更新卷积核状态W和偏置B，每次进行微批数据集运算，并采用随机梯度下降算法寻找全局最优解。

3.根据权利要求1或2所述的一种基于双路卷积神经网络融合的脉象识别方法，其特征在于，

在卷积神经网络的图像处理过程中，卷积层之间需要通过卷积滤波器联系，卷积滤波器的定义表示为W×H×C×D，其中，C代表被滤波图像的通道数，W、H分别代表滤波范围的宽、高；D代表卷积滤波器的种类；

所述输入层的两路所述第一支路的特征提取公式相同，如公式(1)所示：

F₁(X₁)＝max(0，W₁*X₁+B₁) (1)

式中，X₁为输入所述输入层的脉象图，W₁和B₁分别表示所述输入层的卷积滤波器和偏置，W₁的尺寸是3×3×3×64，它表示64种不同的卷积滤波器，每个卷积核的尺寸为3×3×3，F₁(X₁)是所述第一支路的卷积层得到的特征图，所述特征图的宽w₁和高h₁的计算公式如公式(2)和公式(3)所示：

w₁＝(w-pad*2+kenel)/stride+1 (2)

h₁＝(h-pad*2+kenel)/stride+1 (3)

式中，kernel为卷积核的大小，stride为卷积核的步长，pad为边缘补零像素个数，且kernel的值为3，stride的值在所述输入层、所述脉象识别卷积神经网络的第二层至第三层为1，在所述脉象识别卷积神经网络的第四层至第六层为2，pad的值为1；

输入所述输入层的脉象图为3×80×80的特征图，表示特征图为3通道的彩色图，宽w和高h均为80，特征图经过所述输入层的64个3×3×3的卷积核之后会产生64×80×80的特征图，64×80×80的特征图经过修正线性单元，修正线性单元表示为max(0,X)，可以提取有用的特征图，最后输出结果仍为64×80×80的特征图；

在所述非线性变换层的非线性映射过程中，卷积层、批归一化和ReLU激活函数位于所述脉象识别卷积神经网络的第二层至第六层，所述非线性变换层各层的公式表示如下：

F_i(X_i)＝max(0，W_i*F_i-1(X_i-1)+B_i){2,3,4,5,6} (4)

式中，X_i表示第i层，F_i-1(X_i-1)为第i-1层X_i-1的输出，W_i和B_i分别表示非线性变换第i层的卷积滤波器和偏置，其中，卷积滤波器W₁的尺寸是3×3×3×64；卷积滤波器W₂的尺寸是64×3×3×64，卷积核的尺寸为64×3×3；卷积滤波器W₃的尺寸是128×3×3×64，卷积核的尺寸为64×3×3；卷积滤波器W₄、卷积滤波器W₅和卷积滤波器W₆的尺寸是256×3×3×128，卷积核的尺寸为128×3×3；

在所述线性融合层，将所述非线性变换层的两个所述第二支路的输出结果进行对应位置的特征值相加，得到所述线性融合层的输出结果，计算公式如公式(5)所示：

C_j＝A_j+B_j (5)

式中，C_j代表所述线性融合层输出的特征图在j位置的元素值，A_j代表其中一个第二支路输出的特征图在j位置的元素值，B_j代表另一个第二支路输出的特征图在j位置的元素值；

在所述输出层的输出重建过程中，所述线性融合层的输出结果输入到所述输出层的所述全局平均池化层，所述全局平均池化层的滤波器大小为256×10×10，经过全局平均池化后的特征图大小为256×1×1，再经过一个随机丢弃神经元连接、一个256×28的全连接层，脉象识别卷积神经网络最后输出的特征图大小为1×28。