[发明专利]一种脉搏分析方法及装置

权利要求书

1.一种脉搏分析方法，包括如下步骤：

S1、获取与寸、关、尺三个部位相对应的三组脉搏数据集，每组脉搏数据集中包括由多个脉搏采集单元获取的多个脉搏数据；

S2、获取各脉搏数据的频域特征、时域特征和高斯混合模型特征；其中所述高斯混合模型特征为高斯混合模型中每个高斯分布函数的权重、均值和协方差矩阵；

S3、将各脉搏数据的频域特征、时域特征和高斯混合模型特征输入预先训练好的神经网络模型中，输出得到预测的脉象分类结果。

2.根据权利要求1所述的脉搏分析方法，其特征在于，步骤S2与S3之间还包括采用主成分分析法剔除冗余的频域特征、时域特征和高斯混合模型特征的步骤。

3.根据权利要求2所述的脉搏分析方法，其特征在于：根据如下步骤获取训练好的神经网络模型：

获取脉搏样本数据集，对脉搏样本数据集进行脉象标注得到脉象分类，将脉搏样本数据集分为训练集和测试集，获取训练集和测试集中每个脉搏样本数据的频域特征、时域特征和高斯混合模型特征，并采用主成分分析法剔除冗余的频域特征、时域特征和高斯混合模型；

利用训练集中所有脉搏样本数据的频域特征、时域特征和高斯混合模型特征对神经网络模型进行训练，利用测试集中所有脉搏样本数据的频域特征、时域特征和高斯混合模型特征对神经网络模型的准确度进行评估，得到训练好的神经网络模型。

4.根据权利要求2所述的脉搏分析方法，其特征在于：所述脉搏数据包括脉搏宽度；步骤S3中，将各脉搏数据的频域特征、时域特征、高斯混合模型特征和脉搏宽度输入预先训练好的神经网络模型中，输出得到预测的脉象分类结果。

5.根据权利要求4所述的脉搏分析方法，其特征在于，根据如下步骤获取训练好的神经网络模型：

获取脉搏样本数据集，对脉搏样本数据集进行脉象标注得到脉象分类，将脉搏样本数据集分为训练集和测试集，获取训练集和测试集中每个脉搏样本数据的频域特征、时域特征和高斯混合模型特征，并采用主成分分析法剔除冗余的频域特征、时域特征和高斯混合模型；

利用训练集中所有脉搏样本数据的频域特征、时域特征、高斯混合模型特征和脉搏宽度对神经网络模型进行训练，利用测试集中所有脉搏样本数据的频域特征、时域特征、高斯混合模型特征和脉搏宽度对神经网络模型的准确度进行评估，得到训练好的神经网络模型。

6.一种脉搏分析装置，其特征在于，包括：

第一获取模块，用于获取与寸、关、尺三个部位相对应的三组脉搏数据集，每组脉搏数据集中包括由多个脉搏采集单元获取的多个脉搏数据；

特征提取模块，用于获取各脉搏数据的频域特征、时域特征和高斯混合模型特征；其中

所述高斯混合模型特征为高斯混合模型中每个高斯分布函数的权重、均值和协方差矩阵；和

预测模块，用于将各脉搏数据的频域特征、时域特征和高斯混合模型特征输入预先训练好的神经网络模型中，输出得到预测的脉象分类结果。

7.根据权利要求6所述的脉搏分析装置，其特征在于：还包括特征剔除模块，用于采用主成分分析法剔除冗余的频域特征、时域特征和高斯混合模型特征。

8.根据权利要求7所述的脉搏分析装置，其特征在于，还包括模型训练模块，用于根据如下步骤获取训练好的神经网络模型：

获取脉搏样本数据集，对脉搏样本数据集进行脉象标注得到脉象分类，将脉搏样本数据集分为训练集和测试集，获取训练集和测试集中每个脉搏样本数据的频域特征、时域特征和高斯混合模型特征，并采用主成分分析法剔除冗余的频域特征、时域特征和高斯混合模型；

利用训练集中所有脉搏样本数据的频域特征、时域特征和高斯混合模型特征对神经网络模型进行训练，利用测试集中所有脉搏样本数据的频域特征、时域特征和高斯混合模型特征对神经网络模型的准确度进行评估，得到训练好的神经网络模型。