[发明专利]一种基于卷积神经网络建立脉波噪声信号识别模型的方法及系统

说明书

本发明公开了一种基于卷积神经网络建立脉波噪声信号识别模型的方法及系统，其中方法包括：对脉波噪声信号数据进行预处理；通过卷积网络模型的多个卷积层提取经过处理的噪声信号数据的特征；通过最大池化层提取经过处理的噪声信号数据的关键信息；通过稠密层激活函数计算卷积神经网络模型的各神经元的权重；通过卷积神经网络模型对经过处理的噪声信号数据进行计算，输出噪声信号数据的识别结果；通过噪声信号数据的识别结果的误差调整卷积神经网络模型的各神经元的权重，对卷积神经网络模型进行多次迭代循环训练；利用经过处理的噪声信号数据中未识别的噪声信号数据对卷积神经网络模型进行验证，获取经过验证的卷积神经网络模型。

技术领域

本发明涉及脉波信号处理技术领域，更具体地，涉及一种基于卷积神经网络建立脉波噪声信号识别模型的方法及系统。

背景技术

数字化脉诊通过贴在桡动脉上的压力传感器采集得到脉波信号。这一技术使脉诊逐步走向定量化、标准化，为中医脉诊更加客观、准确地进行临床诊断、辅助诊断、疗效判定提供技术支持，进而推动中医现代化的进程。

在识别数字化脉波噪声信号时，面临的问题本质是对连续一维时间序列进行二分类。传统分类器如(逻辑斯特回归,linear SVM)多用来做线性分割；对于非线性可分的样本，可以加一些kernel核函数或者特征的映射使其成为一个曲线或者一个曲面将样本分开，由于样本特征的分布并不规则，容易出现过拟合、特征抽取的问题。

因此，需要一种技术，以实现基于卷积神经网络建立脉波噪声信号识别模型的技术。

发明内容

本发明技术方案提供了一种基于卷积神经网络建立脉波噪声信号识别模型的方法及系统，以解决如何基于卷积神经网络建立脉波噪声信号识别模型的问题。

为了解决上述问题，本发明提供了一种基于卷积神经网络建立脉波噪声信号识别模型的方法，所述方法包括：

对脉波噪声信号数据进行预处理，降低所述脉波信号数据的离散程度，获取经过处理的噪声信号数据；

将经过处理的所述噪声信号数据输入到卷积神经网络模型，通过所述卷积网络模型的多个卷积层提取经过处理的所述噪声信号数据的特征；

基于所述噪声信号数据的特征，通过最大池化层提取经过处理的所述噪声信号数据的关键信息；

通过稠密层激活函数计算所述卷积神经网络模型的各神经元的权重；

通过所述卷积神经网络模型对经过处理的所述噪声信号数据进行计算，输出所述噪声信号数据的识别结果；

通过所述噪声信号数据的识别结果的误差调整所述卷积神经网络模型的各神经元的权重，对所述卷积神经网络模型进行多次迭代循环训练；

利用经过处理的噪声信号数据中未识别的噪声信号数据对所述卷积神经网络模型进行验证，获取经过验证的卷积神经网络模型。

优选地，所述对脉波噪声信号数据进行预处理，包括：

对脉波噪声信号数据进行标准化处理，利用公式如下：

y＝(x-a)/c

其中，x表示离散化的数字化脉波噪声信号；

a＝avg(x)表示单个脉波噪声信号序列的均值、中值或根据整体样本计算的平均值，或是其他方法预测的脉波噪声信号中心值；

c为常量，是通过实验数据统计获得的x的离差均值，或根据脉波噪声信号数据校准后的标准差。

优选地，所述通过最大池化层提取经过处理的所述噪声信号数据的关键信息，包括：

所述通过最大池化层通过最大值下采样方法提取经过处理的所述噪声信号数据的关键信息。