[发明专利]用于心血管疾病患者脉象识别的神经网络的实现方法

说明书

本发明公开了一种用于心血管疾病患者脉象识别的神经网络结构，包括下述步骤：S1，脉象数据采集；S2，脉象数据预处理；S3，建立所述神经网络结构；S4，训练过程。本发明利用一维卷积神经网络(1DCNN)在处理时间序列信号时有着非常的优势这一特点，而脉象信号就是属于一种典型的时间序列信号；因此，通过采集一部分正常人的脉象以及心血管疾病患者的脉象，通过大数据分析，将两种脉象划分为训练集和测试集；为了保证神经网络结构的有效性，在训练集和测试集中的数据都是来自于不同的个体。经实验证明，本发明能够有效的识别出心血管疾病患者的脉象，为脉诊的客观化诊断提供了一种科学的方法。

技术领域

本发明涉及中医脉诊领域，尤其是涉及用于心血管疾病患者脉象识别的神经网络结构。

背景技术

在中医的临床诊断与治疗中，脉象诊断（脉诊）是一个重要的诊断方法。但是脉象诊断大多依靠人的主观经验，缺乏客观的理论依据和诊断方法，从而给脉诊的普及化带来了一定的困难。人体的脉象在一定程度上可以反映出人体的身体状况，心血管疾病患者的脉象在传统中医理论中被称为弦脉，与正常人的脉象有一定的区别。如何利用科技手段，建立一种用于心血管疾病患者脉象识别的神经网络结构，为心血管疾病患者脉诊的客观化诊断提供了一种科学方法，目前还未见诸有关报道。

发明内容

本发明目的在于提供一种用于心血管疾病患者脉象识别的神经网络结构，为心血管疾病患者脉诊的客观化诊断提供了一种科学方法。

为实现上述目的，本发明采取下述技术方案：

本发明所述用于心血管疾病患者脉象识别的神经网络结构，包括下述步骤：

S1，脉象数据采集：

采用脉象采集仪分别对正常人的脉象和心血管疾病患者的脉象进行采集；采集脉象过程中，调整脉象采集仪的测量压力获得不同压力值下的脉搏图，输出相应压力下的脉搏数据，格式均为.txt格式，每次采集脉象的时间为10s，采样频率为200Hz，共计2000个数据点，采集的脉搏数据用MATLAB软件进行读取显示；

然后选取最佳压力值下的脉搏图，一般压力值为80时候的脉搏为最佳；

S2，脉象数据预处理：

为了解决数据样本分布不均衡和数据样本过少的问题，在数据预处理阶段对S1中获得的一维脉象信号进行切片操作；在每次切片操作中，选取了3.2s的脉搏数据，共计640个脉象数据点；在切片过程中每次循环向右移动200个数据点，保证每次切片的数据都至少包含一个脉搏周期，并且每次切片中都加入一个新的脉搏周期，以提高系统的鲁棒性；该过程由所述MATLAB软件中的for循环函数实现；

S3，建立所述神经网络结构：

所述神经网络结构由一维卷积神经网络、残差卷积网络和全连接神经网络构成；所述一维卷积神经网络用于提取脉象信号的特征；所述残差网络用于防止在进行深层神经网络训练的反向传播中出现梯度消失或者梯度爆炸，同时加快神经网络的训练速度；所述全连接神经网络又被称为多层感知器，为一个分类器，将提取到的脉搏信号的高维特征送入全连接神经网络后，通过调整全连接神经网络中的不同神经元的权重和偏置值，使不同的特征对应的神经元保持权重值的更新，最终达到非线性映射和分类的效果；

S4，训练过程：

将处理后的脉象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；然后再通过测试集验证训练的神经网络结构是否能够有效的提取出信号的特征，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，保存神经网络参数。

所述一维卷积神经网络的卷积层有17层；所述神经网络结构由卷积层、激活函数层、批量归一化层、Dropout层和残差块构成。