[發(fā)明專利]基于深度學(xué)習(xí)的中醫(yī)六路脈診信號(hào)體質(zhì)判別方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202010612698.8
• 申請(qǐng)日: 2020-06-30
• 公開（公告）號(hào): CN113854974A
• 公開（公告）日: 2021-12-31
• 發(fā)明（設(shè)計(jì)）人: 周飛;范澤民;胡方鋒
• 申請(qǐng)（專利權(quán)）人: 上海泰怡健康科技有限公司
• 主分類號(hào): A61B5/02
• 分類號(hào): A61B5/02;A61B5/00
• 代理公司: 上海宏京知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 31297
• 代理人: 劉穎

1.基于深度學(xué)習(xí)的中醫(yī)六路脈診信號(hào)體質(zhì)判別方法，其特征在于，所述方法包括以下步驟：

步驟1：采集六路脈診的原始數(shù)據(jù)D_raw，并且將原始數(shù)據(jù)D_raw存儲(chǔ)于數(shù)據(jù)庫；

步驟2：對(duì)原始數(shù)據(jù)D_raw進(jìn)行預(yù)處理，得到降維數(shù)據(jù)D_pca；

步驟3：將原始數(shù)據(jù)D_raw和降維數(shù)據(jù)D_pca輸入深度神經(jīng)網(wǎng)絡(luò)，進(jìn)行體質(zhì)分類預(yù)測(cè)；

步驟4：通過多個(gè)深度神經(jīng)網(wǎng)絡(luò)分別獲取多類體質(zhì)的概率Pn，并且對(duì)多類體質(zhì)的概率Pn進(jìn)行集成，得到最終預(yù)測(cè)概率P。

2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的中醫(yī)六路脈診信號(hào)體質(zhì)判別方法，其特征在于，所述步驟2的具體流程為：

步驟2.1：對(duì)原始數(shù)據(jù)D_raw進(jìn)行降噪處理，得到降噪數(shù)據(jù)；

步驟2.2：對(duì)降噪數(shù)據(jù)進(jìn)行基準(zhǔn)矯正處理，得到矯正數(shù)據(jù)；

步驟2.3：對(duì)矯正數(shù)據(jù)進(jìn)行降維處理，得到降維數(shù)據(jù)D_pca。

3.根據(jù)權(quán)利要求2所述的基于深度學(xué)習(xí)的中醫(yī)六路脈診信號(hào)體質(zhì)判別方法，其特征在于，所述步驟3的具體流程為：

步驟3.1：通過全連接網(wǎng)絡(luò)學(xué)習(xí)降維數(shù)據(jù)D_pca的高階特征d_pca，具體公式為：

d_pca＝W×D_pca+b

其中，W為全連接層的權(quán)重，b為全連接層的偏置；

步驟3.2：通過多核卷積網(wǎng)絡(luò)學(xué)習(xí)原始數(shù)據(jù)D_raw的高階特征d_raw；

步驟3.3：對(duì)高階特征d_pca和高階特征d_raw進(jìn)行拼接融合，進(jìn)行體質(zhì)分類預(yù)測(cè)。

4.根據(jù)權(quán)利要求3所述的基于深度學(xué)習(xí)的中醫(yī)六路脈診信號(hào)體質(zhì)判別方法，其特征在于，所述步驟4的具體流程為：

步驟4.1：獲取每一類體質(zhì)的拼接融合特征；

步驟4.2：通過多個(gè)深度神經(jīng)網(wǎng)絡(luò)分別對(duì)每一類體質(zhì)的拼接融合特征進(jìn)行二分類判斷，并且通過Sigmoid函數(shù)計(jì)算該類體質(zhì)的概率Pn，Sigmoid函數(shù)表達(dá)式為：

步驟4.3：對(duì)多類體質(zhì)的概率Pn進(jìn)行集成，得到最終預(yù)測(cè)概率P＝Max(P_n)。

5.根據(jù)權(quán)利要求4所述的基于深度學(xué)習(xí)的中醫(yī)六路脈診信號(hào)體質(zhì)判別方法，其特征在于：所述體質(zhì)分類共計(jì)九種。

6.基于深度學(xué)習(xí)的中醫(yī)六路脈診信號(hào)體質(zhì)判別系統(tǒng)，其特征在于：包括數(shù)據(jù)采集模塊、數(shù)據(jù)預(yù)處理模塊、深度學(xué)習(xí)模塊、集成學(xué)習(xí)模塊；

所述數(shù)據(jù)采集模塊用于采集六路脈診的原始數(shù)據(jù)D_raw，并且將原始數(shù)據(jù)D_raw存儲(chǔ)于數(shù)據(jù)庫；

所述數(shù)據(jù)預(yù)處理模塊用于對(duì)原始數(shù)據(jù)D_raw進(jìn)行預(yù)處理，得到降維數(shù)據(jù)D_pca；

所述深度學(xué)習(xí)模塊用于將原始數(shù)據(jù)D_raw和降維數(shù)據(jù)D_pca輸入深度神經(jīng)網(wǎng)絡(luò)，進(jìn)行體質(zhì)分類預(yù)測(cè)；

所述集成學(xué)習(xí)模塊用于通過多個(gè)深度神經(jīng)網(wǎng)絡(luò)分別獲取多類體質(zhì)的概率Pn，并且對(duì)多類體質(zhì)的概率Pn進(jìn)行集成，得到最終預(yù)測(cè)概率P。