本發明專利技術涉及一種脈象分類識別方法及系統。該方法包括獲取多個個體的原始心電數據；對原始心電數據進行預處理，得到預處理后的心電數據；采用深度殘差神經網絡模型對預處理后的心電數據進行訓練和優化，得到訓練優化后的心電數據預測模型；獲取多個個體的原始脈象數據；對原始脈象數據進行預處理，得到預處理后的脈象數據；根據訓練優化后的心電數據預測模型和預處理后的脈象數據采用遷移學習方法，得到訓練優化后的脈象數據預測模型；獲取需要進行分類的脈象數據；根據訓練優化后的脈象數據預測模型對脈象數據進行分類識別。本發明專利技術能夠對各種脈象進行精準分類，提高脈象識別的準確率。提高脈象識別的準確率。提高脈象識別的準確率。
【技術實現步驟摘要】
一種脈象分類識別方法及系統
[0001]本專利技術涉及脈象分析領域，特別是涉及一種脈象分類識別方法及系統。
技術介紹
[0002]當前，關于脈搏信號的研究主要是基于時域分析、頻域分析以及時域
?
頻域分析進行的。時域分析主要是通過測定脈搏波圖中具有重要生理意義的基準點的值，也就是所謂的時域特征用于研究分析。頻域分析主要是將脈搏波圖通過頻域變換方法轉換成頻譜圖，計算出頻譜圖的一些參數，也就是所謂的頻域特征用于研究分析。時域
?
頻域分析則同時結合了上述兩種方式提取的時域特征和頻域特征用于研究分析。王炳和等從280例參與者的脈搏信號譜圖中提取出頻域特征，結合ANN方法在7類脈象上實現了87％的平均識別準確率。岳沛平等通過對1456例參與者脈搏信號的時域、頻域特征以及不同時間
?
尺度上的能量特征進行提取并利用ANN進行分類，在10類基本脈象上實現了良好識別(準確率>90％)，在7類相兼脈象上也具有較佳表現(準確率>82％)。張詩雨等提取了脈搏信號的時域、頻域和時頻域特征，使用隨機森林方法對175例平、實、弦、滑4類脈象進行識別，取得了總體93.0％的準確率。但上述脈象分析方法都需要人工手動提取特征，之后通常還需要多步驟優化，這對研究者的脈象知識和計算機技術都有較高要求故而難以應用到臨床實踐。
技術實現思路
[0003]本專利技術的目的是提供一種脈象分類識別方法及系統，能夠對各種脈象進行精準分類，提高脈象識別的準確率。
[0004]為實現上述目的，本專利技術提供了如下方案：
[0005]一種脈象分類識別方法包括：
[0006]獲取多個個體的原始心電數據；
[0007]對所述原始心電數據進行預處理，得到預處理后的心電數據；
[0008]采用深度殘差神經網絡模型對所述預處理后的心電數據進行訓練和優化，得到訓練優化后的心電數據預測模型；
[0009]獲取多個個體的原始脈象數據，所述脈象數據包括平脈、弦脈、滑脈、數脈、沉脈、虛脈、結代脈、遲脈、澀脈和疾脈；
[0010]對所述原始脈象數據進行預處理，得到預處理后的脈象數據；
[0011]根據所述訓練優化后的心電數據預測模型和所述預處理后的脈象數據采用遷移學習方法，得到訓練優化后的脈象數據預測模型；
[0012]獲取需要進行分類的脈象數據；
[0013]根據所述訓練優化后的脈象數據預測模型對所述脈象數據進行分類識別。
[0014]可選地，所述對所述原始心電數據進行預處理，得到預處理后的心電數據，具體包括：
[0015]對所述原始心電數據進行峰對齊和峰識別處理，得到處理后的心電數據。
[0016]可選地，所述采用深度殘差神經網絡模型對所述預處理后的心電數據進行訓練和優化，得到訓練優化后的心電數據預測模型，具體包括：
[0017]將所述預處理后的心電數據以7:1:2的比例隨機分配到心電數據訓練集、心電數據驗證集和心電數據測試集；
[0018]采用深度殘差神經網絡模型對所述心電數據訓練集進行訓練，得到訓練后的心電數據預測模型；
[0019]根據所述心電數據驗證集上宏F1分數最高的訓練后的心電數據預測模型作為優化后的心電數據預測模型；
[0020]根據所述心電數據測試集對所述優化后的心電數據預測模型進行房顫識別效果評價。
[0021]可選地，所述深度殘差神經網絡模型包括15個卷積層、1個適應性平均池化層、1個全連接層以及輸入層和輸出層，還包括7個殘差單元，其中4個殘差單元對前面層的輸入進行最大池化運算后與后面層的輸出進行加和，作為下一個殘差單元的輸入，其中3個殘差單元則將前面層的輸入與后面層的輸出直接進行加和，當殘差單元前后層的維數不相等時，使用零值填充的方式對前面層的輸入進行維數擴充，使前面層的輸入和后面層的輸出具有相等的維數便于進行加和，層和層之間還加入了BatchNorm、ReLU函數和Dropout深度學習方法。
[0022]一種脈象分類識別系統包括：
[0023]心電數據獲取模塊，用于獲取多個個體的原始心電數據；
[0024]心電數據處理模塊，用于對所述原始心電數據進行預處理，得到預處理后的心電數據；
[0025]心電數據訓練優化模塊，用于采用深度殘差神經網絡模型對所述預處理后的心電數據進行訓練和優化，得到訓練優化后的心電數據預測模型；
[0026]脈象數據獲取模塊，用于獲取多個個體的原始脈象數據，所述脈象數據包括平脈、弦脈、滑脈、數脈、沉脈、虛脈、結代脈、遲脈、澀脈和疾脈；
[0027]脈象數據處理模塊，用于對所述原始脈象數據進行預處理，得到預處理后的脈象數據；
[0028]脈象數據訓練優化模塊，用于根據所述訓練優化后的心電數據預測模型和所述預處理后的脈象數據采用遷移學習方法，得到訓練優化后的脈象數據預測模型；
[0029]待分類數據獲取模塊，用于獲取需要進行分類的脈象數據；
[0030]分類識別模塊，用于根據所述訓練優化后的脈象數據預測模型對所述脈象數據進行分類識別。
[0031]可選地，所述心電數據處理模塊，具體包括：
[0032]心電數據處理單元，用于對所述原始心電數據進行峰對齊和峰識別處理，得到處理后的心電數據。
[0033]可選地，所述心電數據訓練優化模塊，具體包括：
[0034]心電數據分配單元，用于將所述預處理后的心電數據以7:1:2的比例隨機分配到心電數據訓練集、心電數據驗證集和心電數據測試集；
[0035]訓練單元，用于采用深度殘差神經網絡模型對所述心電數據訓練集進行訓練，得
到訓練后的心電數據預測模型；
[0036]優化單元，用于根據所述心電數據驗證集上宏F1分數最高的訓練后的心電數據預測模型作為優化后的心電數據預測模型；
[0037]識別效果評價單元，用于根據所述心電數據測試集對所述優化后的心電數據預測模型進行房顫識別效果評價。
[0038]可選地，所述深度殘差神經網絡模型包括15個卷積層、1個適應性平均池化層、1個全連接層以及輸入層和輸出層，還包括7個殘差單元，其中4個殘差單元對前面層的輸入進行最大池化運算后與后面層的輸出進行加和，作為下一個殘差單元的輸入，其中3個殘差單元則將前面層的輸入與后面層的輸出直接進行加和，當殘差單元前后層的維數不相等時，使用零值填充的方式對前面層的輸入進行維數擴充，使前面層的輸入和后面層的輸出具有相等的維數便于進行加和，層和層之間還加入了BatchNorm、ReLU函數和Dropout深度學習方法。
[0039]根據本專利技術提供的具體實施例，本專利技術公開了以下技術效果：
[0040]本專利技術提供一種脈象分類識別方法，該方法包括獲取多個個體的原始心電數據；對原始心電數據進行預處理，得到預處理后的心電數據；采用深度殘差神經網絡模型對預處理后的心電數據進行訓練和優化，得到訓練優化后的心電數據預測本文檔來自技高網...
【技術保護點】
【技術特征摘要】
1.一種脈象分類識別方法，其特征在于，包括：獲取多個個體的原始心電數據；對所述原始心電數據進行預處理，得到預處理后的心電數據；采用深度殘差神經網絡模型對所述預處理后的心電數據進行訓練和優化，得到訓練優化后的心電數據預測模型；獲取多個個體的原始脈象數據，所述脈象數據包括平脈、弦脈、滑脈、數脈、沉脈、虛脈、結代脈、遲脈、澀脈和疾脈；對所述原始脈象數據進行預處理，得到預處理后的脈象數據；根據所述訓練優化后的心電數據預測模型和所述預處理后的脈象數據采用遷移學習方法，得到訓練優化后的脈象數據預測模型；獲取需要進行分類的脈象數據；根據所述訓練優化后的脈象數據預測模型對所述脈象數據進行分類識別。2.根據權利要求1所述的脈象分類識別方法，其特征在于，所述對所述原始心電數據進行預處理，得到預處理后的心電數據，具體包括：對所述原始心電數據進行峰對齊和峰識別處理，得到處理后的心電數據。3.根據權利要求1所述的脈象分類識別方法，其特征在于，所述采用深度殘差神經網絡模型對所述預處理后的心電數據進行訓練和優化，得到訓練優化后的心電數據預測模型，具體包括：將所述預處理后的心電數據以7:1:2的比例隨機分配到心電數據訓練集、心電數據驗證集和心電數據測試集；采用深度殘差神經網絡模型對所述心電數據訓練集進行訓練，得到訓練后的心電數據預測模型；根據所述心電數據驗證集上宏F1分數最高的訓練后的心電數據預測模型作為優化后的心電數據預測模型；根據所述心電數據測試集對所述優化后的心電數據預測模型進行房顫識別效果評價。4.根據權利要求1所述的脈象分類識別方法，其特征在于，所述深度殘差神經網絡模型包括15個卷積層、1個適應性平均池化層、1個全連接層以及輸入層和輸出層，還包括7個殘差單元，其中4個殘差單元對前面層的輸入進行最大池化運算后與后面層的輸出進行加和，作為下一個殘差單元的輸入，其中3個殘差單元則將前面層的輸入與后面層的輸出直接進行加和，當殘差單元前后層的維數不相等時，使用零值填充的方式對前面層的輸入進行維數擴充，使前面層的輸入和后面層的輸出具有相等的維數便于進行加和，層和層之間還加入了BatchNorm、ReLU函數和Dropout深度學習方法。5.一種脈象分類識別系統，其特征在于，包括：心電數據獲取模塊，用于獲取多個個體的原始心電數據；心...
【專利技術屬性】
技術研發人員：蘇暢，王惠君，王睿，侯艷，武振宇，左麗君，盧宇紅，
申請(專利權)人：蘇暢，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。