[发明专利]多任务神经网络脉象数据处理方法、系统及终端

说明书

本发明的多任务神经网络脉象数据处理方法、系统及终端，通过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。本发明的方案可从单个要素上对脉象信号的结果进行细分，而非仅仅只有脉象名称的输出，更符合中医医学理论，并且可以获得高准确度的脉率识别结果、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。

技术领域

本申请涉及数据处理技术领域，尤其涉及多任务神经网络脉象数据处理方法、系统及终端。

背景技术

关于脉象的种类，《内经》、《频湖脉学》等医家著作中不同的要素为纲将脉象分类不同的类别。在历代医家所列的脉象中，晚清医家周学海将脉象分为位、数、形、势四个方面，是目前接受度较高的阐述方式。具体阐述为“位者，浮沉尺寸也；数者，迟数结促也；形者，长短广狭厚薄粗细刚柔，犹算学家之有线面体也；势者，敛舒伸缩进退起伏之有盛衰也”。许多单脉实际上不是简单的一种脉象属性，而是多个单要素(位属性、数属性、形属性、势属性)按照不同的比例重新组合。

对于脉象数据的识别，目前较为广泛的处理方式是进行时域、频域、或时频域特征点的识别，依靠专家系统的特征值判断方式进行分类。同时，由于部分脉象信号的时、频域特征点不明显，或存在多种表现方式，特征点的识别方式并不适用于所有的信号。并且获得的分类结果仅为脉象的名称，如平脉，滑脉，弦脉等，缺少脉象在单个脉象要素上的细分内容。

发明内容

鉴于以上所述现有技术的缺点，本申请的目的在于提供多任务神经网络脉象数据处理方法、系统及终端，解决现有技术中的脉象数据识别处理方式缺少脉象在单个脉象要素上的细分内容的问题。

为实现上述目标及其他相关目标，本申请提供一种多任务神经网络脉象数据处理方法，包括：获取待识别的脉象数据片段；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：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。

于本申请的一或多个实施例中，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；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；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。

于本申请的一或多个实施例中，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。

于本申请的一或多个实施例中，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。