脉象数据的解读方法和脉象数据的解读装置与流程

本发明涉及医疗技术领域，具体而言，涉及一种脉象数据的解读方法和一种脉象数据的解读装置。

背景技术：

王琦中医体质九分法”——包括平和质、气虚质、阳虚质、阴虚质、痰湿质、湿热质、瘀血质、气郁质、特禀质。前人在脉象与9种体质的关联研究方面进行了初步研究。申晓日等考察了脉位、脉力、脉率3种脉象信息与体质的关联，发现不同体质在性别构成方面差异较大，脉力可作为辨别湿热质与阳虚质的重要依据。王颖纯等以脉诊仪测定结果为输入，构建了9种体质的bp神经网络。贺妍等对脉图信息和体质的关联进行了判别分析，但效果不够理想。

存在的问题主要有3方面：一是建立数据库的样本量少，难以反映总体特征；二是采集方法往往是单部位采集脉诊信息，无法体现中医三部九侯的脉诊特色；三是分析方法存在不足。

技术实现要素：

本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。

为此，本发明的一个目的在于提供了一种脉象数据的解读方法。

本发明的另一个目的在于提供了一种脉象数据的解读装置。

有鉴于此，本发明的第一方面的技术方案提供了一种脉象诊断的方法，由脉诊仪获得所述脉象的脉象数据，所述脉象数据的解读方法包括：获取训练数据，采集所述脉象数据，所述脉诊仪采样频率为100hz，所述脉象数据的标签与体质相对应，建立不定长周期、以每秒为单位的脉象数据和体质标签对；建立网络并训练深度网络模型，网络输入为每周期60秒的所述脉象数据，网络输出为脉象的结果；模型应用，采用训练好的所述深度网络模型进行体质诊断。

进一步地，所述获取训练数据中，每个所述脉象数据的样本的长度为100hz。

本发明的第二方面的技术方案提供了一种脉象数据的解读装置，包括：获取训练数据单元，用于采集所述脉象数据，所述脉诊仪采样频率为100hz，所述脉象数据的标签与体质相对应，建立不定长周期、以每秒为单位的脉象数据和体质标签对；训练深度网络模型单元，用于将所述脉象数据输入网络进行训练，网络输入为每周期60秒的所述脉象数据，网络输出为脉象的结果；模型应用单元，用于采用训练好的所述深度网络模型进行体质诊断。

本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

具有输入大量样本建立数据库的可能，因而进一步的提高反应总体特征的准确性，实现了多尺度脉象数据的判断，多条脉象数据可以对应多种脉象结果，可以实现单个人，多种脉象的识别。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1示出了根据本发明的一个实施例的带残差结构的网络示意图。

具体实施方式

为了能够更清楚地理解本发明的上述方面、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

实施例1：

根据本发明的实施例的脉象数据的解读方法，包括：

步骤a1，提取脉象数据并进行训练数据的预处理：

收集20000名人的脉像数据及专家对个人体质的判定结果。其中每一条是一个连续采样周期的数据，包含的脉象记为x1，...xk对应的个人体质类别为m1，...mn，其中类别mi为平和质、气虚质、阳虚质、阴虚质、痰湿质、湿热质、瘀血质、气郁质、特禀质中的一种。

在训练数据预处理中，我们每秒按照一个单位，将不定长的脉象序列进行切割，并与对应的体质类别组成一个数据对，采样的频率为100hz，则数据对的维数为(100,1)。

步骤a2，脉象类别辨别的网络结构。

网络结构我们采用卷积神经网络(cnn)，主要考虑到卷积核可以提取多尺度的脉象信号信息。脉象信号特征存在多种尺度的变化，我们采用cnn可以根据深层的卷积结构获得在信号时域空间中更大的感受野，有效的捕捉信号的特征信息。卷积神经网络由卷积层和池化层构成，卷积层的显著特征是利用共享权重减少深度网络结构的参数，降低了训练复杂度。同时为了保证在网络传播过程中尽量减少信号的损失，采用了2015年何凯明提出的残差结构，建立16层的网络结构。

数据输入：

脉象的数据结构同图像不同，单个位置的脉象数据是一维的张量。中医脉象诊断根据6部位的脉象信息的综合诊断结果，脉象类型的判别网络输入为6个通道的1维张量。在训练集的处理中我们得到的是按照一秒为输入的定长为(96,1)的数据对，分别记为(a,b)，因此输入的单个样本为维度为(6,100,1)。

网络结构：

我们采用的是带残差结构的网络，如图1所示,残差结构是深度神经网络跳跃连接卷积层的一种结构，深度网络相当于一个恒等变换。

对残差网络进行微调，每一层增加了一个正则化层，该层实现的是将批量样本进行正则化变化，正则化层有助于提高深度模型的泛化性能，减少过拟合。

其中激活函数形式如下所示：

全部的卷积最后由全连接层进行连接，而后由softmax函数输出分类结果，记为y。

softmax(y)iexp(yi)/∑jexp(yj)

训练过程：

在该网络的训练中，损失函数采用如下形式：

其中，n为训练的批次数量，p(*)为输出与标签一致的概率。训练采用随机梯度下降的方法，利用反向传播逐层训练各层参数，各层的网络结构设计表1所示。

表1

其中conv表示卷积层，bn表示正则化层，relu表示隐含层，residualblock表示的是残差结构层。

步骤a3，体质判断：根据训练模型保留权重，并实现人的体质判断。采集人的脉象数据，将连续的脉象数据拆分为以秒为单位的单个输入数据。利用训练获得的网络通过前向传播过程获得人的脉象结果。我们对脉象数据的拆分实现了多尺度脉象数据的判断，多条脉象数据可以对应多种脉象结果，可以实现单个人，多种脉象的识别。为了避免拆分部分的特征被破坏，我们采用0.5倍的重合采样，即按照时间顺序实现0.5s脉象数据的重合采样，得到一系列的采样数据。利用训练得到的网络可以得到多个脉象标签，去除重复的结果，最终的脉象集合即为观测对象的体质判断结果。例：病人的脉象样本共计120s，我们得到总长为11520帧的数据，根据重复采样可以获得230样本数据，通过我们的网络得到对应的标签，假设全部为气虚体质，则最后的判断结果为气虚体质。如果标签不同则输出全部的体质结果。

实施例2：

根据本发明的实施例的脉象数据的解读装置，包括：获取训练数据单元，用于采集所述脉象数据，所述脉诊仪采样频率为100hz，所述脉象数据的标签与体质相对应，建立不定长周期、以每秒为单位的脉象数据和体质标签对；训练深度网络模型单元，用于将所述脉象数据输入网络进行训练，网络输入为每周期60秒的所述脉象数据，网络输出为脉象的结果；模型应用单元，用于采用训练好的所述深度网络模型进行体质诊断。

以上结合附图说明了本发明的技术方案，通过本发明的技术方案，通过训练数据，建立模型并应用，具有输入大量样本建立数据库的可能，因而进一步的提高反应总体特征的准确性，实现了多尺度脉象数据的判断，多条脉象数据可以对应多种脉象结果，可以实现单个人，多种脉象的识别。

在本说明书的描述中，术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。