[发明专利]基于注意力机制卷积网络结构的体质辨识方法

权利要求书

1.一种基于注意力机制卷积网络结构的体质辨识方法，其特征在于：包括下述步骤：

S1，数据采集：

通过脉诊仪采集人体脉象信号样本，并以.txt格式输出所述脉象信号样本数据；所述脉诊仪的采集频率为180Hz、采集时间为10s，脉诊仪采集脉象的压力为80-140mmHg，供采集1800个数据点；

S2，信号去噪：

采用EMD分解对脉诊仪采集的所述脉象信号样本数据进行去噪处理，去除脉象信号样本中的肌电干扰和基线漂移；脉搏信号经过经验模态分解后，其基线漂移分解在几个高阶IMF中；选择让其通过一组低通滤波器，然后再把IMF进行重构，由此得到预处理后的信号；

S3，数据扩容：

对脉象信号样本数据进行扩容，扩容过程中每次选择2s的数据长度，保证截取的信号中至少包含一个完整的脉象周期；

S4，建立神经网络结构：

所述神经网络结构由一维卷积神经网络层、注意力机制模块、全连接层和Softmax层组成；所述一维卷积神经网络层和注意力模块用于提取去噪处理后脉象信号的特征，所述全连接层和Softmax层用于分类器；其中，输出的特征图的维度为12×128，然后经过一个平均池化层，维度降为3×128，然后将特征图平铺，共得到384个特征点，全连接层的结构将384个特征点降维32，然后由32降维到9，最后通过Softmax层，输出类别概率，真实的样本标签通过独热编码与输出的类别概率进行比较，然后通过反向传播算法不断调整神经网络中的参数值，从而得到一个最优的网络模型；

S5，训练过程：

将去噪处理后的脉象信号数据划分为训练集和测试集，通过所述训练集不断训练神经网络结构，不断调整参数，然后再通过所述测试集验证训练的神经网络结构是否具有一定的泛化能力，当训练好的神经网络结构在测试集上达到预设的结果后，神经网络结构停止训练并且输出神经网络结构，保存神经网络结构参数。

2.根据权利要求1所述基于注意力机制卷积网络结构的体质辨识方法，其特征在于：S4中，所述一维卷积神经网络层包括卷积运算、批量归一化层以及激活函数层；所述卷积运算如公式1所示： (1)；

其中： L 代表输出信号的长度，输出信号的个数由卷积核的个数决定； L 1 代表输入信号的长度； F 代表卷积核的长度； P 代表末尾补零的个数； S 代表卷积核移动的步长；

所述激活函数层为Sigmoid或Relu函数。

3.根据权利要求1所述基于注意力机制卷积网络结构的体质辨识方法，其特征在于：S4中，所述注意力机制模块具有C个输入信号的特征图通道，所述输入信号特征的长度为W；输入信号首先经过所述特征图通道数为 C 的1×1卷积核，然后通过Sigmoid函数输出，则得到一个长度为 W 的信号局部特征权值向量；然后让特征图通过一个卷积层和一个激活函数Relu，对输入特征图的特征进行编码，以防止对某些局部特征过聚焦；最后将所述特征权值向量分别与各个特征图通道的特征编码向量进行相乘，即在每个特征图通道的局部特征上添加一个权值，在训练过程中不断调整这些权值参数，从而达到提升特征学习能力目的。