【技術實現步驟摘要】
本專利技術涉及一種基于編碼器-解碼器框架的中醫脈象診斷方法，屬于醫學診斷。
技術介紹
1、脈象診斷作為我國傳統醫學的重要組成部分，扮演著人體信息診斷系統的角色。該技術通過脈象信息反映人體物質、能量代謝和機能調控。自公元三世紀《脈經》這一我國最早的脈學專著問世以來，脈學理論不斷豐富和完善，對全球醫學領域產生了深遠影響。脈診作為一種無創檢測技術，受到了國內外專家的廣泛認可和關注。隨著數學、信息工程學、計算機學等學科在中醫領域的深入融合，特別是深度學習技術的應用，更是為脈象信號的學習和分類診斷能力帶來了極大的提升。這一變革不僅推動了中醫診斷的現代化進程，更為中醫在全球范圍內的傳播和發展注入了新的活力。
2、盡管如此，中醫脈象判斷的準確性在很大程度上依賴于醫師的個人經驗和主觀判斷，缺乏客觀的診斷標準。為此，迫切需要借助現代計算機技術，對脈象信號進行量化診斷研究，以實現脈診的規范化和客觀化。盡管脈象信號診斷技術已取得一定成果，但從現有研究與應用狀況來看，仍存在諸多不足，主要問題包括脈象信號特征提取方法單一、模型所使用的參數不夠全面、脈象診斷算法尚不完善等，這些因素共同導致了脈象診斷較低的準確率，因此亟需尋找更為有效的解決方案。
技術實現思路
1、為了克服現有技術的缺陷，本專利技術提供了將脈象信號診斷問題建模為機器翻譯問題，在脈象信號與診斷文本之間建立映射的一種基于編碼器-解碼器框架的中醫脈象診斷方法，本專利技術旨在解決如何利用深度神經網絡從復雜的脈象信號中提取出關鍵特征，提升脈象
2、一種基于編碼器-解碼器框架的中醫脈象診斷方法，包括以下步驟：
3、步驟一：收集數據：針對不同體質、不同年齡階段的人群使用不同類型的傳感器收集脈象信號，并得到中醫對于脈象信號的診斷文本；
4、步驟二：數據集的預處理：對收集的脈象信號進行去除背景噪聲、高頻噪聲和基線漂移預處理，并將處理后的脈象信號劃分為訓練集和測試集；
5、步驟三：構建基于編碼器-解碼器框架的神經網絡：包括編碼器和解碼器兩部分，其中編碼器包括時序卷積網絡、長短期記憶神經網絡和全連接層，解碼器包括帶有注意力機制的長短期記憶神經網絡和全連接層；
6、時序卷積網絡接收編碼器的輸入從脈象信號中提取多尺度特征信息，再將卷積后的序列送入含有若干個隱藏層的長短期記憶神經網絡進行特征處理、增強，然后經過全連接層對編碼器的輸出進行計算，最后通過解碼器對編碼器的輸出進行解析，得到最后的預測文本；
7、步驟四：訓練網絡：將預處理后的訓練集輸入基于編碼器-解碼器框架的神經網絡中，經過編碼器和解碼器兩部分生成與脈象信號相匹配的健康狀態的預測文本，在網絡模型的訓練過程中，使用softmax函數作為模型的激活函數，利用adam作為模型的優化算法來優化交叉熵損失函數，最后使用dropout，在訓練階段額外添加一個輔助損失，強迫模型基于編碼器每個時間步的隱藏層表征準確預測對應時刻文本表征，訓練多輪后得到最終的網絡模型；
8、步驟五：測試：將預處理后的測試集脈象信號輸入訓練好的網絡模型中，得到模型的預測文本，并與給定的真實文本進行比較，計算評價指標。
9、所述步驟一具體包括：
10、對不同體質、不同年齡階段的人使用不同類型的傳感器收集脈象信號，并記錄中醫對于脈象信號的診斷文本，每一位測試者收集的脈象信號包括左右手“浮中沉”三種深淺程度的“寸關尺”三個診脈部位，具體收集方法為對年輕人采用壓電式壓力傳感器，并采用單點采集方法；對兒童采用光電傳感器，并采用單點采集方法；對老年人或體質較虛的人群采用壓阻式壓力傳感器，并采用多點采集和動態采集方法。
11、所述步驟二具體包括：
12、采用零相位濾波器去除背景噪聲，并選擇sym8小波作為小波基函數進行7層小波分解，置零分解后的高頻信號的系數和計算得到的基線漂移信號的系數，再重新進行信號重構去除高頻噪聲和基線漂移問題，隨后將數據按8：2的比例劃分為訓練集和測試集。
13、所述步驟三具體包括：
14、時序卷積網絡沿著整個輸入序列，固定的時間間隔應用相同的時間性短幀，設置大于一個采樣點的步長可以有效地對輸出序列進行降采樣，網絡學習一組這樣的濾波器，從而得到一組有效降采樣至16hz的濾波序列并輸入到長短期記憶神經網絡(lstm)。
15、長短期記憶神經網絡包含遺忘門、輸入門和輸出門三個門控單元以及一個細胞狀態，長短期記憶神經網絡將時序卷積網絡的輸出作為網絡的輸入，通過門控機制處理輸入序列，生成一個包含所有時間步的輸出序列；
16、門控機制具體表現為，首先序列數據經過遺忘門的sigmoid層，該層根據上一時間步ht-1和當前時間步xt的輸入，為處于記憶單元狀態ct-1的每個神經元生成一個介于0和1之間的值，ft的公式為：
17、ft＝σ(wf·[ht-1,xt]+bf)
18、下一階段包括兩個步驟，先輸入門層結合ht-1和本次輸入確定當前輸入的單元狀態，tanh層產生添加到神經元狀態中，合并前兩個過程來提供更新的狀態值，以下為it和的公式：
19、it＝σ(wi·[ht-1,xt]+bi)
20、
21、接下來去更新舊的神經元狀態ct-1到新的神經元狀態ct，將ct-1乘以一個ft，然后將輸入得到一個衡量在多大程度上更新每個狀態值的新候選值，ct的公式如下所示：
22、
23、最終確定網絡的輸出，該輸出經過過濾，以神經元狀態為基礎構建而成，具體表現為通過sigmoid函數確定神經元的輸出成分，并利用tanh函數將神經元狀態映射到-1到1的范圍內，將其與上面的輸出成分相乘，長短期記憶神經網絡學習以單一隱藏狀態匯總，得到最終的ot和ht為：
24、ot＝σ(wo·[ht-1，xt+bo)
25、ht＝ot*tanh(ct)
26、最終的編碼器隱藏狀態初始化解碼器，該解碼器在給定前一個單詞及其自身當前狀態的情況下學習預測序列中的下一個單詞，具體步驟為，在解碼器的lstm層輸出之后，添加一個attention層，attention層將接收長短期記憶神經網絡層的隱藏狀態作為輸入，并輸出一個加權后的表示，attention層通過點積形式的評分函數，后使用softmax函數將這些相似度分數轉換為概率分布，即attention權重，使用計算得到的attention權重對長短期記憶神經網絡層的輸出進行加權求和，得到加權后的上下文向量，上下文向量將作為解碼器全連接層的輸入，由解碼器的全連接層生成最終的輸出。
27、所述步驟四具體包括：
28、softmax函數作為模型的激活函數，將輸入序列的值映射到(0，1)，具體公式為adam作為模型的優化算法來優化交叉熵損失函數，交叉熵損失的計算公式為l＝-σy*log(p)，其中y為真實標簽的概本文檔來自技高網...
【技術保護點】
1.一種基于編碼器-解碼器框架的中醫脈象診斷方法，其特征在于：包括以下步驟：
2.根據權利要求1所述的一種基于編碼器-解碼器框架的中醫脈象診斷方法，其特征在于：所述步驟一具體包括：
3.根據權利要求1所述的一種基于編碼器-解碼器框架的中醫脈象診斷方法，其特征在于：所述步驟二具體包括：
4.根據權利要求1所述的一種基于編碼器-解碼器框架的中醫脈象診斷方法，其特征在于：所述步驟三具體包括：
5.根據權利要求1所述的一種基于編碼器-解碼器框架的中醫脈象診斷方法，其特征在于：所述步驟四具體包括：
6.根據權利要求1所述的一種基于編碼器-解碼器框架的中醫脈象診斷方法，其特征在于：所述步驟五具體包括：
【技術特征摘要】
1.一種基于編碼器-解碼器框架的中醫脈象診斷方法，其特征在于：包括以下步驟：
2.根據權利要求1所述的一種基于編碼器-解碼器框架的中醫脈象診斷方法，其特征在于：所述步驟一具體包括：
3.根據權利要求1所述的一種基于編碼器-解碼器框架的中醫脈象診斷方法，其特征在于：所述步驟二具體包括：
4.根...
【專利技術屬性】
技術研發人員：張繼勇，裴雅婷，周曉飛，唐江平，鮑柳昕，李世峰，何帆，
申請(專利權)人：杭州電子科技大學，
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。