[发明专利]一种基于时序卷积网络的中医脉象识别模型的建立方法

说明书

本发明公开了一种基于时序卷积网络的中医脉象识别模型的建立方法，通过检测手环对腕部桡动脉处的压力脉搏波信号、容积脉搏波信进行采集，通过检测指夹对指端的容积脉搏波信号进行采集，得到原始脉搏波信号，分别获得原始脉搏波信号的单周期波形；并对单周期波形的长度作规正化处理，获得具有相同长度的脉象时间序列的数据集；然后将数据集分为训练集、验证集和测试集，对训练集和验证集进行时序卷积网络计算，并进行验证和超参数调整，最终得到脉象识别模型；然后将测试集导入到脉象识别模型进行识别验证，得到脉象诊断识别的预测结果。本发明所提出的脉象识别方法拥有较高的准确率，可以为人体心血管系统健康状态的诊断提供参考。

技术领域

本发明涉及脉象识别技术领域，具体为一种基于时序卷积网络的中医脉象识别模型的建立方法。

背景技术

人体的脉象信号与心脏搏动、脉道通利和气血盈亏直接相关，具有时变性和非线性的特点。不同类型的脉象信号会呈现出较明显的形态差异。

在脉象信号的分析识别研究中，一般首先对脉搏波进行特征提取，然后再建立脉象信号分类模型。通过特征点法提取了脉搏波上具有生理意义的时域特征，这种分析方法较直观、运用较多，但通常只能反映部分的脉搏波信息；文献则使用频域分析法，从统计的角度获取不同脉象的频域特征，但是缺少了时间维度上的形态变化信息；采用的时频域分析法结合了时间和频谱的信息，但其更倾向于描述脉象局部状态的特征。不难发现，上述分析方法通常在提取特征后，还需要利用机器学习等算法对特征数据集进行学习，以建立脉象信号分类模型，但是所提取的特征难以完整体现脉象信号在时域上的形态变化，可能导致部分细节信息的丢失，从而降低模型的识别准确率。

因此我们对此做出改进，提出一种基于时序卷积网络的中医脉象识别模型的建立方法。

发明内容

为了解决上述技术问题，本发明提供了如下的技术方案：

本发明一种基于时序卷积网络的中医脉象识别模型的建立方法，包括以下几个步骤：

步骤1：原始脉搏波信号的采集，通过检测手环对腕部桡动脉处的压力脉搏波信号、容积脉搏波信进行采集，通过检测指夹对指端的容积脉搏波信号进行采集，得到原始脉搏波信号，分别获得原始脉搏波信号的单周期波形；

步骤2：并对单周期波形的长度作规正化处理，获得具有相同长度的脉象时间序列的数据集；

步骤3：然后将数据集分为训练集、验证集和测试集，对训练集和验证集进行时序卷积网络计算，并进行验证和超参数调整，最终得到脉象识别模型；

步骤4：然后将测试集导入到脉象识别模型进行识别验证，得到脉象诊断识别的预测结果。

作为本发明的一种优选技术方案，所述的步骤2中对单周期波形的长度作规正化处理的方法是，

步骤1，设定统一的脉象序列长度，使其至少可容纳一个单周期脉搏波；

步骤2，使用同一样本分割得到的单周期脉搏波补充在序列末尾，直至达到设定的序列长度。

作为本发明的一种优选技术方案，所述对训练集和验证集进行时序卷积网络计算的方法，是将多个残差块结构串联组成时序卷积网络，每个残差块结构中具有两个参数相同的膨胀因果卷积层，在输入的一维脉象时间序列经膨胀因果卷积层卷积后，在进行权重归一化，随后使用线性整流函数为激活函数，最后进行了正则化，按照此步骤进行两次；在残差块进行残差连接恒等映射的过程中，使用了1×1卷积，使得其输入与输出张量的维度保持一致。

作为本发明的一种优选技术方案，所述膨胀因果卷积的方法是，

若定义输入的脉象时间序列为0层，RF_(m，n)为第层中节点在第层上感受野大小，则在步长为1的前提下通过推导计算，膨胀卷积中各层的感受野大小如下：