[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

说明书

本发明涉及一种基于双路卷积神经网络融合的脉象识别方法，包括步骤：获取待识别的脉象图；将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，脉象识别模型通过以下步骤预先训练获得：采集训练数据集；搭建脉象识别卷积神经网络框架，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；利用采集的训练数据集训练脉象识别卷积神经网络，训练后得到脉象识别模型。本发明利用卷积神经网络通过模拟人类神经元结构逐层进行信息传递的特点，实现特征的自动提取，可以同时提取脉象图全局和局部的深层次高维度图像信息，从而能够大幅度提高脉象识别的准确率。

技术领域

本发明涉及计算机数据处理技术领域，特别是涉及一种基于双路卷积神经网络融合的脉象识别方法。

背景技术

脉诊是传统中医的组成之一，具有重要的临床价值。医师通过按压腕部桡动脉脉搏获取脉象信息，从而判断人体健康状况。但其准确性主要取决于医师的主观意识和临床经验，缺乏客观的诊断指标。因此有必要应用现代计算机技术，进行脉象信号的量化识别方法研究，实现脉诊的规范化和客观化。

当前已有许多学者进行了脉象信号分析识别的研究，分析方法主要包括时域分析、频域分析、时频域分析和非线性动力学分析等。时域分析法是根据脉象信号定义多个具有生理意义的时域特征，其中包括脉象主波幅度、重博前波幅度、降中峡幅度和脉动周期等；频域分析法通过傅里叶变换等数学分析理论将脉象信号推导至频域内，进行频域特征提取；时频域分析法可以同时描述信号的时域、频域特征，常用的方法有小波变换、希尔伯特-黄变换等；对于非线性动力学分析法，现有技术公开了一种基于无阈值递归图和卷积神经网络的脉象信号分析识别方法，该方法通过非线性分析将脉象信号转换为相应的无阈值递归图，从而使其非线性特征映射到二维平面中，通过卷积神经网络的多层卷积计算，实现对脉象信号特征的自学习并分类，使其具有分辨不同脉象类型的能力，该技术方案的步骤如下：(1)采集脉象原始脉象信号数据；(2)将脉象信号转换为递归图；(3)将递归图转换为无阈值递归图；(4)生成原始图像---标签数据集；(5)VGG-16模型训练；(6)脉象信号分类。

在脉象信号模式识别研究中，现有的技术主要采用BP神经网络线性判别分析、贝叶斯分类器、支持向量机(Support Vector Machine，SVM)等方法。传统的机器学习方法都需要人工定义并提取脉象特征，但脉象类型与脉象特征之间存在复杂的非线性关系，难以定义一个最优的特征集来区分不同类别的脉象。因此，现有的技术方案不足以准确提取各类脉象的深层次信息，模型的扩展能力较差，识别准确度较低。

发明内容

为解决现有的技术方案不足以准确提取各类脉象的深层次信息、模型的扩展能力较差以及识别准确度较低的问题，本发明提供一种基于双路卷积神经网络融合的脉象识别方法。

为实现上述目的，本发明采取如下的技术方案：

一种基于双路卷积神经网络融合的脉象识别方法，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