[发明专利]多任务神经网络脉象数据处理方法、系统及终端

权利要求书

1.一种多任务神经网络脉象数据处理方法，其特征在于，包括：

获取待识别的脉象数据片段；其中，所述脉象数据片段由对脉象信号进行重采样获得；

基于构建的多任务脉象信号识别模型，根据所述脉象数据片段获得对应该片段的多要素脉象识别结果；其中，所述多要素识别结果包括：同时输出的脉率识别结果、节律识别结果、脉势流利度识别结果以及脉势紧张度识别结果；

其中，所述多任务脉象信号识别模型的构建方式包括：

构建脉象信号识别框架模型；

利用训练数据集训练脉象信号识别框架模型，以获得多任务脉象信号识别模型；并且

其中，所述训练数据集包括：多个脉象数据片段样本以及对应各脉象数据片段样本的多要素脉象识别结果；

其中，所述脉象信号识别框架模型包括：

特征粗提取结构，用于对输入的脉象数据片段进行粗特征提取，以输出粗特征提取数据；其中，所述特征粗提取结构包括：两个连接的特征粗子提取结构；其中，每个特征粗子提取结构包括：一卷积层、一与所述卷积层连接的Dropout层以及一与所述Dropout层连接的BatchNormalization层；

特征细提取结构，连接所述特征粗提取结构，用于对所述粗特征提取数据进行细特征提取，以输出细特征提取数据；其中，所述特征细提取结构包括：分支特征提取结构，包括：对应不同卷积核的三个分支结构，用于根据输入的粗特征提取数据分别输出对应的分支特征数据；其中，每个分支结构包括：三层连接的ResBlock1D结构，用于对进行输入的粗特征提取数据进行三次残差计算；全局平均池化层，用于对经过三次残差处理的数据进行平均处理；融合结构，连接所述分支特征提取结构，用于将三个分支结构输出的分支特征数据进行融合，输出细特征提取数据；

多要素结果输出结构，连接所述特征细提取结构，用于基于输入的细特征提取数据获得对应所述脉象数据片段的多要素识别结果；其中，所述多要素结果输出结构包括：脉率识别结果输出结构，用于基于输入的细特征提取数据输出脉率识别结果；节律识别结果输出结构，用于基于输入的细特征提取数据输出节律识别结果；脉势流利度识别结果输出结构，用于基于输入的细特征提取数据输出脉势流利度识别结果；脉势紧张度识别结果输出结构，用于基于输入的细特征提取数据输出脉势紧张度识别结果；并且其中，所述脉率识别结果输出结构采用的激活函数为relu函数；所述节律识别结果输出结构采用的激活函数为sigmoid函数；所述脉势流利度识别结果输出结构采用的激活函数为softmax函数；所述脉势紧张度识别结果输出结构采用的激活函数为sigmoid函数；

损失加权计算层，连接所述多要素结果输出结构，包括：第一损失加权计算模块，用于采用MSE函数对脉率识别结果进行损失加权计算；第二损失加权计算模块，用于采用加权交叉熵损失函数对节律识别结果、脉势流利度识别结果以及脉势紧张度识别结果进行损失加权计算；其中，对脉率识别结果，节律识别结果、脉势流利度识别结果以及脉势紧张度识别结果分别设置控制参数。

2.根据权利要求1中所述的多任务神经网络脉象数据处理方法，其特征在于，所述多要素结果输出结构包括：

脉率识别结果输出结构，用于基于输入的细特征提取数据输出以次每分为单位的脉率值；

节律识别结果输出结构，用于基于输入的细特征提取数据输出节律二分类结果；其中，所述节律二分类结果包括：对应节律齐或节律不齐的结果；

脉势流利度识别结果输出结构，用于基于输入的细特征提取数据输出脉势流利度三分类结果；其中，所述脉势流利度三分类结果包括：对应脉势滑、脉势涩以及脉势无滑涩特征情形中的一种的结果；

脉势紧张度识别结果输出结构，用于基于输入的细特征提取数据输出脉势紧张度二分类结果；其中，所述脉势紧张度二分类结果包括：对应脉势弦或脉势平的结果。