一种基于人体双侧经络平衡状态的判别算法、装置及电子设备

本发明涉及医疗保健信息，尤其涉及一种基于人体双侧经络平衡状态的判别算法、装置以及电子设备。

背景技术：

1、中医认为机体平衡是保持健康的基础，经络系统呈对称式分布于人体，在维持机体平衡中扮演着重要角色。经络与腧穴是沟通内外、联系脏腑、运行气血的通道，也是临床治疗和产生临床效应的物质基础。经络平衡对于机体的生理、病理、诊断和治疗具有重要作用，相反若是经络失去平衡，将会使机体处于疾病或亚健康状态。因此，深入探究双侧同名经络的物质、能量及信息等的平衡状态对防病治病具有重要作用。

2、如何基于穴位信息，自动准确地提取穴位的有效特征进行比对，一直以来都是这个领域研究的难点，也是限制穴位分析相关仪器设备应用的一个主要方面，如何从穴位信息中提取中医相关特征，是当前穴位分析设备技术领域一个普遍的技术难题。目前的中医穴位分析系统判别方法是仅基于穴位的电位进行深度学习，构建基于ai的分析模型，虽然实现起来相对容易，但是穴位信息过于单一，导致准确性不佳；同时，不同人体不同状态不同时间的穴位信息都有所区别，因此造成实际应用上困难重重，无法实现形成可商业化使用的设备。

3、因此，如何提供一种将经穴相关数据充分利用、判别精度高的判别方法和装置，是本领域亟需突破的技术难题。

技术实现思路

1、基于以上现有技术的不足，本发明提供一种基于人体双侧经络平衡状态的判别算法。

2、作为本发明的一方面，本发明提供一种基于人体双侧经络平衡状态的判别算法，其中，所述判别方法包括，

3、获取人体左侧经穴与右侧同名经穴的特征数据；

4、对所述特征数据进行数据清洗；

5、基于数据清洗后的特征数据进行数据归一化处理；

6、基于数据归一化处理后的特征数据提取粗粒度特征；

7、基于粗粒度特征提取细粒度特征；

8、基于细粒度特征进行特征归一化处理；

9、基于特征归一化处理后的细粒度特征进行数据融合；

10、基于融合后的特征数据，获取双侧穴位平衡结果；

11、所述双侧穴位平衡结果用于判断人体双侧经络平衡状态。

12、人体双侧经络平衡状态具体指人体左右两侧对应穴位(同名经穴位)处于平衡或者对称状态，是根据电阻、温度、痛阈及压力敏感度综合判断的结果。中医指出机体平衡是保持健康的基础，经络平衡对于机体的生理、病理、诊断和治疗具有重要作用，相反若是经络失去平衡，将会使机体处于疾病或亚健康状态；经络平衡具体表现为人体左右两侧对应的穴位状态是否平衡，或者人体左右两侧对应的穴位信息是否具有对称性；通过判别双侧经穴电阻、温度、痛阈及压力值的平衡状态，或者说人体左右两侧对应的穴位状态是对称的。

13、在其中一个实施例中，所述获取人体左侧经穴与右侧同名经穴的特征数据步骤中，

14、所述特征数据包括电阻、温度、痛阈以及压力敏感度；所述电阻、温度、痛阈以及压力敏感度具有时间序列特征。

15、所述获取人体左侧经穴与右侧同名经穴的特征数据，具体包括，获取人体左侧经穴与右侧同名经穴连续时刻的电阻、温度、痛阈以及压力敏感度；具体的，所述电阻以及温度可以通过电阻传感器、温度传感器在测试时间内按照预设时间间隔采集数据；所述痛阈以及压力敏感度可以在特定时间内，通过压力传感器以及人体主观感觉采集数据，例如，在人体有痛感时记录对应压力值从而获取痛阈值，在人体有酸或麻感觉时纪录对应压力值从而获得压力敏感度值。

16、中医穴位敏化理论认为疾病时穴位的敏感性发生了变化。

17、痛敏:在病理状态下体表特定部位(穴位)出现的以疼痛为特征的反应点，即该部位的痛阈降低，按之即痛；即根据人体痛感程度测量穴位处的痛阈。

18、压力敏：在病理状态下，体表特定部位(穴位)对压力敏感性增高，即根据人体的压力敏感程度测量穴位处的压力敏感度。

19、温敏：在病理状态下特定部位(穴位)对温度及温度变化的感受和反应出现改变，即根据温度变化测量穴位处的温度值。

20、电敏：在病理状态下特定部位(穴位)的皮肤电位、电阻、电势差、导电量等会发生变化，即根据电阻变化测量穴位处的电阻值。

21、在其中一个实施例中，所述对所述特征数据进行数据清洗，具体包括：

22、将获取的电阻、温度、痛阈以及压力敏感度导出数值，将左侧经穴特征数据减去右侧同名经穴特征数据差值的绝对值得到数据清洗后的特征数据；

23、所述将获取的电阻、温度、痛阈以及压力敏感度导出数值，将电阻值、温度值、痛阈值以及压力敏感度值以数值的方式导出，例如温度37℃，则导出37数值。

24、在其中一个实施例中，对特征数据的时间序列缺失值和离群值进行处理，离群值视为缺失值，利用时间序列的均值进行数据填充；当测试过程中出现错误或传感器有失灵等问题时，出现的缺失值和离群值会严重影响测试结果，导致与真实值偏离严重，因此通过时间序列的均值进行数据填充，可以一定程度上提高测试的准确性。

25、在其中一个实施例中，所述基于数据清洗后的特征数据进行数据归一化处理，具体包括：

26、将数据清洗后的特征数据输入以下公式进行计算处理，得到数据归一化处理后的特征数据，公式为：

27、xnorm＝(x-xmin)/(xmax-xmin)

28、其中，xnorm归一化后的数据，x是数据清洗后的特征数据，xmax是数据清洗后的特征数据中的最大值，xmin是数据清洗后的特征数据中的最小值。

29、在其中一个实施例中，所述基于数据归一化处理后的特征数据提取粗粒度特征，具体包括：

30、对于特征数据痛阈以及压力敏感度，采用门控循环单元(gru)提取粗粒度特征，公式为：

31、rt＝σ(wt·[ht-1,xt]

32、

33、zt＝σ(wz·[ht-1,xt])

34、

35、rt为重置门，zt为更新门，w为权重矩阵，xt表示当前时刻输入信息，ht-1表示上一时刻t-1的隐藏状态，ht表示传递到下一时刻t的隐藏状态；为候选隐藏状态，σ为sigmoid函数；

36、rt为重置门，决定了如何将新的输入信息与前面的记忆相结合；zt为更新门，用于控制前一时刻t-1的状态信息被带入到当前状态中的程度；这里w并不是一个值，而是一个权重矩阵，xt表示当前时刻输入信息，ht-1表示上一时刻t-1的隐藏状态，隐藏状态充当了神经网络记忆，它包含之前时刻所出现过的数据的信息；ht表示传递到下一时刻t的隐藏状态，为候选隐藏状态，σ为sigmoid函数，通过这个函数可以将数据变为0-1范围的数值。采用tanh函数可以将数据变为[-1,1]范围的数值；

37、由于痛阈以及压力敏感度都是采用压力传感器测量，同时两者的测试都与人体主观感觉强度相关，但对时间的依赖性较低，因此两者采用门控循环单元(gru)提取粗粒度特征更合适，更能匹配主观测试值。

38、对于特征数据电阻以及温度，采用lstm提取粗粒度特征，公式为：

39、ht,ct＝lstm(xt,ht-1,ct-1)

40、ct和ht分别是时刻t的细胞记忆状态向量和隐藏状态向量，xt是时刻t的输入向量，ht-1表示上一时刻t-1的lstm输出值、ct-1表示上一时刻t-1的单元状态。

41、由于电阻和温度两者都是客观测试结果，不受人体主观感觉影响，且两者对时间依赖性较高，因此两者通过lstm提取粗粒度特征更合适，更能匹配其时间序列性质。

42、在其中一个实施例中，所述基于粗粒度特征提取细粒度特征，具体包括：

43、将粗粒度特征输入以下公式提取细粒度特征，公式如下：

44、

45、其中，f(t)和g(t)是两个函数，*表示卷积运算，t是自变量，τ是积分量，表示在t时刻，卷积核g在整个时间轴上与函数f的乘积的积分；

46、优选的，在离散的情况下，公式可以表示为：

47、

48、其中，n和m是离散的时间点，f(n)和g(n)是数据中的对应元素，描述了在n时刻，卷积核g在整个时间轴上与数据f的乘积的总和。

49、在其中一个实施例中，所述基于细粒度特征进行特征归一化处理，具体包括：

50、计算细粒度特征的余弦相似度值，电阻、温度、痛阈以及压力敏感度的细粒度特征力分别用a、b、c、d表示，对应模长分别为||a||、||b||、||c||、||d||；计算单位向量

51、将每个特征向量与其他特征向量的余弦相似度两两进行计算比较，计算余弦相似度，得到特征向量之间的余弦相似度：

52、similarity＝cos(θ)＝e′*f′

53、e′为a′、b′、c′、d′中任一项，f′为a′、b′、c′、d′中e′以外的任一项；

54、优选的，以温度和电阻为例：

55、similarity＝cos(θ)＝a′*b′

56、通过计算余弦相似度，可以得到特征向量之间的余弦相似度，取值范围在[-1,1]之间；

57、通过全连接层计算，将电阻、温度、痛阈及压力敏感度特征数据映射到同一维度，得到特征归一化处理后的细粒度特征；全连接层公式：

58、y＝wi*xi+bi

59、y是全连接层的输出，xi代表细粒度特征，xi是全连接层的第i个输入数字，wi是所述细粒度特征对应的权重，bi是所述细粒度特征对应的偏移量；所述wi、bi为全连接层待训练参数，wi、bi的训练受所述余弦相似度约束。

60、具体的，xi是全连接层对应的细粒度特征电阻、温度、痛阈以及压力敏感度。

61、经过学习和优化后使得不同模态特征向量具有相同的特征描述方式，从而帮助全连接层将提取的电阻、温度、痛阈及压力敏感度等特征映射到同一维度，方便后续特征的融合。

62、在其中一个实施例中，所述基于特征归一化处理后的细粒度特征进行数据融合，具体包括：

63、将特征归一化处理后的细粒度特征按照并列方式进行拼接，得到特征xconcat，通过swin-transformer-跨窗口注意力机制，将特征xconcat采用4个大小相同的滑动窗口w电阻、w温度、w痛阈、w压力在各自细粒度特征上的同一位置截取出大小相同的特征x电阻n、x温度n、x痛阈n、x压力n，并通过注意力融合机制合并成特征xn：

64、xn＝windowattention(x电阻n、x温度n、x痛阈n、x压力n)

65、具体的，4个滑动窗口将同时从上往下、从左往右进行滑动，每次滑动后都进行一次跨窗口注意力融合；总共进行n次，得到了n个窗口特征，n为细粒度特征大小/滑动窗口大小；

66、将特征xn将拼接成特征图x融合：

67、x融合＝concat(x1、x2、...、xn)

68、将n个窗口特征同样按照从上往下、从左往右进行拼接成完整的特征图x融合；所述特征图x融合为融合后的特征数据；x1、x2、...、xn为各个滑动窗口内融合后的特征块。

69、优选的，将电阻、温度、痛阈以及压力敏感度4种细粒度特征按照并列的方式进行拼接，类似于图像特征rgb三通道特征的组合方式，使其契合swin-transformer模型的输入要求。

70、在其中一个实施例中，所述基于融合后的特征数据，获取双侧穴位平衡结果，具体包括：

71、输入融合后的特征数据到输入层，隐藏层对特征进行提取分析，由输出层输出双侧穴位平衡结果；公式如下：

72、输入层：x＝[x1，x2，…,xn]

73、隐藏层：h＝σ(x·w1+b1)

74、输出层：y＝σ(h·w2+b2)

75、其中，h代表隐藏层的输出，也称为隐藏层的激活值，y代表输出层的输出，即模型的预测值；w1和w2是权重矩阵，b1和b2是偏置向量，σ是激活函数，采用sigmoid函数；由于本方案是基于人体双侧经络平衡状态的分类任务，故模型的优化目标设置为二分类交叉熵损失函数。

76、优选的，采用二分类交叉熵损失函数公式进行训练：

77、l＝-1/n*∑(y*log(y_pred)+(1-y)*log(1-y_pred))

78、其中，l表示损失函数的值，n表示样本数量，y表示实际标签，y_pred表示模型预测的标签。交叉熵损失函数的作用是衡量模型预测结果与实际标签之间的差异，通过最小化损失函数的值，可以使得模型的预测结果更接近实际标签。

79、通过反向传播算法不断迭代更新模型的权重和偏置，直到损失函数逐渐减小,直至趋近于稳定的状态。权重和偏置的更新公式如下：

80、

81、其中η为学习率，和为对应的梯度。

82、使用训练好的模型对新的输入数据进行预测，将输入数据按照上述步骤进行数据归一化处理、提取粗粒度特征、提取细粒度特征取的特征直接进行卷积神经网络的特征归一化处理，最终依次传递给mlp层进行输出预测，根据预测结果中概率最高的类别作为最终的预测结果，即判别左右双侧穴位平衡结果是平衡还是不平衡。

83、第二方面，本发明还提供了一种基于人体双侧经络平衡状态的判别装置，具体包括：

84、获取单元，人体左侧经穴与右侧同名经穴的特征数据；

85、数据清洗单元，对所述特征数据进行数据清洗；

86、数据归一化单元，基于数据清洗后的特征数据进行数据归一化处理；

87、粗粒度计算单元，基于数据归一化处理后的特征数据提取粗粒度特征；

88、细粒度计算单元，基于粗粒度特征提取细粒度特征；

89、特征归一化单元，基于细粒度特征进行特征归一化处理；

90、数据融合单元，基于特征归一化处理后的细粒度特征进行数据融合；

91、状态判断单元，基于融合后的特征数据，获取双侧穴位平衡结果。

92、第三方面，本发明还提供了一种电子设备，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由处理器加载并执行如上述任一项基于人体双侧经络平衡状态的判别算法步骤。

93、本发明提供的基于人体双侧经络平衡状态的判别算法，具有将经穴相关数据充分利用、判别精度高的优势，为中医穴位分析装置的应用提供了可靠稳定的基于人体双侧经络平衡状态的判别算法。

94、本发明通过将人体双侧经络平衡状态分解为左侧经穴与右侧同名经穴的特征数据，基于电阻、温度、痛阈以及压力敏感度的特征数据，经过数据清洗、数据归一化处理、提取粗粒度特征、提取细粒度特征、特征归一化处理、数据融合，进而实现双侧穴位平衡结果；将复杂多变的双侧同名经穴位特征相关信息形成了有序分类，通过分两个模型分别完成粗粒度提取，保证了数据的有效利用，进而实现了数据处理的稳定性，解决了当前的双侧同名经穴位仅基于电流或电阻进行判断，数据利用较为单一，判别精度不高的问题，为中医双侧同名经穴位的准确判别、广泛应用提供了基础保障。

95、本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。