CN115374125B - 脉象诊断分类方法、数据库构建方法、装置及存储介质 - Google Patents
脉象诊断分类方法、数据库构建方法、装置及存储介质 Download PDFInfo
- Publication number
- CN115374125B CN115374125B CN202211065471.1A CN202211065471A CN115374125B CN 115374125 B CN115374125 B CN 115374125B CN 202211065471 A CN202211065471 A CN 202211065471A CN 115374125 B CN115374125 B CN 115374125B
- Authority
- CN
- China
- Prior art keywords
- pulse
- data
- information
- diagnosis
- standard
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 247
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000010276 construction Methods 0.000 title claims abstract description 24
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 238000013145 classification model Methods 0.000 claims abstract description 76
- 230000033764 rhythmic process Effects 0.000 claims description 41
- 238000003066 decision tree Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 29
- 238000007667 floating Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 201000010099 disease Diseases 0.000 claims description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 6
- 239000010985 leather Substances 0.000 claims description 5
- 230000002950 deficient Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 19
- 230000006872 improvement Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 239000003814 drug Substances 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000013138 pruning Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 210000001367 artery Anatomy 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 210000001124 body fluid Anatomy 0.000 description 1
- 239000010839 body fluid Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000012377 drug delivery Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 210000002321 radial artery Anatomy 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 208000011726 slow pulse Diseases 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2246—Trees, e.g. B+trees
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4854—Diagnosis based on concepts of traditional oriental medicine
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
- G06F16/287—Visualization; Browsing
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Alternative & Traditional Medicine (AREA)
- Software Systems (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明揭示了一种脉象诊断分类方法、数据库构建方法、装置及存储介质,分类方法包括:获取参考脉象数据组,以及与标准脉象数据组对应的脉象类别信息;根据所述参考脉搏数据和所述参考诊断数据,构建诊断识别模型;根据所述标准诊断数据和所述脉象类别信息,构建脉象分类模型;接收并将待诊脉搏数据依次输入所述诊断识别模型和所述脉象分类模型,得到对应的诊断分类信息。本发明提供的脉象诊断分类方法,使得用于进行脉象分类的数据具有明确的特征指向性,能够提升分类过程的针对性和分类结果的准确性。
Description
技术领域
本发明涉及中医诊脉技术领域,尤其涉及一种脉象诊断分类方法、数据库构建方法、装置及存储介质。
背景技术
“望、闻、问、切”四诊是中华民族传统医学(简称中医,下同)对病人进行诊断的方法,其中的“切”通常代表脉诊,中医医师通过手指触压患者寸口桡动脉处的寸、关、尺三个部位,分别施加诸如浮、中、沉等不同压力,感受位于中医中手太阴肺经的动脉处的波动,通过对包含有脉搏的位置、强弱、趋势、形状、宽度和节律等信息的脉搏数据进行分析,了解患者当前各种维度下的脉象,以分析判断患者当前的生理状态。由于脉搏数据的采集无需对患者进行创伤性操作,也无需采集人体的体液或其他分泌物进行高精度分析,能够使中医医师快速掌握患者病情并对症下药,因此具有极强的发展需求。
现有技术中,通常单独将标准脉象所对应的脉搏数据进行预设,并将采集到的患者脉搏数据与预设的脉搏数据进行数值上或者波形上的比对,从而对患者的脉象进行诊断和分类,但由于脉搏波形和数据的不稳定性,且标准脉象所对应的不同脉搏数据之间可能存在交叉,导致对患者脉象的分析判断精度较差,甚至无法得出可用的脉象诊断分类结果。
发明内容
本发明的目的之一在于提供一种脉象诊断分类方法,以解决现有技术中依据脉搏数据的数值和波形本身进行脉象诊断分类,所导致的判断结果精度差,甚至无法得到有效可用的诊断分类结果的技术问题。
本发明的目的之一在于提供一种脉象诊断分类装置。
本发明的目的之一在于提供一种存储介质。
本发明的目的之一在于提供一种脉象诊断分类数据库构建方法。
为实现上述发明目的之一,本发明一实施方式提供一种脉象诊断分类方法,包括:获取参考脉象数据组,以及与标准脉象数据组对应的脉象类别信息;其中,所述参考脉象数据组包括参考脉搏数据和参考诊断数据,所述参考诊断数据包括所述标准脉象数据组的标准诊断数据;根据所述参考脉搏数据和所述参考诊断数据,构建诊断识别模型;根据所述标准诊断数据和所述脉象类别信息,构建脉象分类模型;接收待诊脉搏数据并将待诊脉搏数据依次输入所述诊断识别模型和所述脉象分类模型,得到对应的诊断分类信息。
所述参考诊断数据为:反映脉象类别在不同特征维度下的判定信息或特征数据;所述参考诊断数据包括参考脉名信息和参考节律信息;或者,所述参考诊断数据包括参考脉位信息、参考脉力信息、参考脉势信息、参考脉率信息、参考脉形信息和参考节律信息;或者,所述参考诊断信息包括参考脉名信息、参考脉位信息、参考脉力信息、参考脉势信息、参考脉率信息、参考脉形信息和参考节律信息。
作为本发明一实施方式的进一步改进,所述方法具体包括:搭建决策树分类模型框架,对所述标准诊断数据的内容进行维度类型分类,并基于分类结果生成决策树的若干内部节点;以所述脉象类别信息作为决策树的叶节点,并根据所述标准诊断数据与所述脉象类别信息之间的对应关系,构建得到决策树分类模型作为所述脉象分类模型。
作为本发明一实施方式的进一步改进,所述决策树分类模型框架基于sklearn模型;所述方法具体包括:调用预设的CART算法,根据所述分类结果对所述标准诊断数据进行处理,生成决策树的所述若干内部节点。
作为本发明一实施方式的进一步改进,所述参考脉象数据组包括所述标准脉象数据组和样本患者数据组,所述标准脉象数据组包括所述标准诊断数据和标准脉搏数据,所述样本患者数据组包括样本脉搏数据和样本诊断数据。
作为本发明一实施方式的进一步改进,所述方法具体包括:按照预设比例对所述标准诊断数据进行划分,得到第一标准诊断数据集合和第二标准诊断数据集合;搭建弱监督分类模型框架,以所述第一标准诊断数据集合和所述样本诊断数据共同作为分类模型训练集,以所述第一标准诊断数据集合对应的若干脉象类别信息作为标签,训练得到初始分类模型;以所述第二标准诊断数据集合作为分类模型测试集,以所述第二标准诊断数据集合对应的若干脉象类别信息作为标签,对所述初始分类模型进行测试优化,构建得到弱监督分类模型作为所述脉象分类模型。
作为本发明一实施方式的进一步改进,所述方法具体包括:搭建神经网络模型框架,以所述标准脉搏数据和所述样本脉搏数据中一部分作为识别模型训练集,以所述标准脉搏数据对应的标准诊断数据作为其标签,以所述样本脉搏数据对应的样本诊断数据作为其标签,训练得到初始识别模型;以所述标准脉搏数据和所述样本脉搏数据中另一部分作为识别模型测试集,对所述初始识别模型进行测试优化,构建得到神经网络模型作为所述诊断识别模型。
作为本发明一实施方式的进一步改进,所述脉象类别信息包括浮脉、洪脉、濡脉、散脉、芤脉、革脉、沉脉、伏脉、牢脉、弱脉、迟脉、缓脉、涩脉、结脉、数脉、促脉、疾脉、动脉、虚脉、微脉、细脉、代脉、短脉、实脉、滑脉、紧脉、长脉、弦脉中至少部分。
作为本发明一实施方式的进一步改进,所述参考诊断数据包括参考脉名信息和参考节律信息。
作为本发明一实施方式的进一步改进,对应于每种参考脉搏数据的所述参考节律信息为节律正常类判定信息、不齐类判定信息、节律结代类判定信息和节律促类判定信息其中之一;对应于每种参考脉搏数据的所述参考脉名信息为脉名平类判定信息、弦一类判定信息、弦二类判定信息、弦三类判定信息、弦四类判定信息、滑类判定信息、平滑类判定信息、平弦类判定信息、弦滑类判定信息、涩类判定信息、芤类判定信息、濡类判定信息、虚类判定信息、实类判定信息、弱类判定信息、微类判定信息、散类判定信息、革类判定信息、牢类判定信息、紧类判定信息、洪类判定信息、细类判定信息、脉名浮类判定信息、脉名沉类判定信息、脉名迟类判定信息、脉名缓类判定信息、脉名数类判定信息、脉名疾类判定信息、脉名结代类判定信息和脉名促类判定信息其中之一。
作为本发明一实施方式的进一步改进,所述方法具体包括:接收并根据对应于所述参考脉搏数据的参考脉位信息、参考脉力信息、参考脉势信息、参考脉率信息、参考脉形信息,确定所述参考脉名信息。
作为本发明一实施方式的进一步改进,对应于每种参考脉搏数据的所述参考脉位信息为脉位浮类判定信息、中类判定信息和脉位沉类判定信息其中之一;对应于每种参考脉搏数据的所述参考脉力信息为有力类判定信息、中力类判定信息和无力类判定信息其中之一;对应于每种参考脉搏数据的所述参考脉势信息为满实类判定信息、脉势正常类判定信息、低乎虚类判定信息和中空虚类判定信息其中之一;对应于每种参考脉搏数据的所述参考脉率信息为脉率迟类判定信息、脉率缓类判定信息、脉率平类判定信息、带数类判定信息、脉率数类判定信息和脉率疾类判定信息其中之一;对应于每种参考脉搏数据的所述参考脉形信息为单主波判定信息、主前组合波判定信息、主重组合波判定信息、主前重组合波判定信息其中之一。
为实现上述发明目的之一,本发明一实施方式提供一种脉象诊断分类装置,包括:存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的脉象诊断分类程序,所述脉象诊断分类程序被所述处理器执行时,实现上述任一种技术方案所述的脉象诊断分类方法。
为实现上述发明目的之一,本发明一实施方式提供一种存储介质,其上存储有应用程序,该应用程序被执行时,实现上述任一种技术方案所述的脉象诊断分类方法。
为实现上述发明目的之一,本发明一实施方式提供一种脉象诊断分类数据库构建方法,包括:接收参考脉象数据组,以及与标准脉象数据组对应的脉象类别信息,并以所述脉象类别信息作为脉象诊断分类数据库的基准类别信息;其中,所述参考脉象数据组包括参考诊断数据,所述参考诊断数据包括所述标准脉象数据组的标准诊断数据,以及其他脉象数据组的其他诊断数据;调用脉象分类模型,根据所述其他诊断数据,对所述其他脉象数据组进行分类,确定所述其他脉象数据组对应的其他类别信息;按照所述其他类别信息与所述基准类别信息的对应关系,对所述其他脉象数据组进行整合,得到脉象诊断分类数据库。
作为本发明一实施方式的进一步改进,所述其他脉象数据组包括其他脉搏数据;所述方法还包括:调用诊断识别模型,对所述其他脉搏数据进行诊断识别,得到对应的其他诊断数据。
与现有技术相比,本发明提供的脉象诊断分类方法,提供了用于进行脉象分类且区别于脉搏数据的诊断数据,基于标准脉象所对应的标准诊断数据,与其对应已知的脉象类别信息建立相关关系,从而处理其他诊断数据得到对应的脉象分类结果,由于诊断数据是对脉象在不同维度下的初步判断结果,因此具有较为明确的特征指向性,能够提升分类过程的针对性和分类结果的准确性。
附图说明
图1是本发明一实施方式中脉象诊断分类装置的结构示意图。
图2是本发明一实施方式中脉象诊断分类方法的步骤示意图。
图3是本发明一实施方式中在执行脉象诊断分类方法时参考脉象数据组的内容组成示意图。
图4是本发明一实施方式中脉象诊断分类方法的第一实施例的步骤示意图。
图5是本发明一实施方式中在执行脉象诊断分类方法时决策树模型的结构示意图。
图6是本发明一实施方式中脉象诊断分类方法的第二实施例的步骤示意图。
图7是本发明一实施方式中脉象诊断分类方法的第三实施例的步骤示意图。
图8是本发明一实施方式中脉象诊断分类数据库构建方法的步骤示意图。
图9是本发明一实施方式中在执行脉象诊断分类数据库构建方法时参考脉象数据组的内容组成示意图。
图10是本发明一实施方式中在执行脉象诊断分类数据库构建方法时脉象诊断分类数据库的内容组成示意图。
具体实施方式
以下将结合附图所示的具体实施方式对本发明进行详细描述。但这些实施方式并不限制本发明,本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。
需要说明的是,术语“包括”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者还包括为这种过程、方法、物品或者设备所固有的要素。此外,术语“第一”、“第二”、“第三”等仅用于描述目的,而不能理解为指示或暗示相对重要性。
随着医学技术的发展,如何模仿中医技术,通过采集患者外部体征,特别是采集一段时间内患者脉搏处的波动情况,感受患者脉象并分析得到患者病症等信息,替换地应用现代检测技术对上述信息和数据进行初步诊断和脉象分类是本领域亟待解决的技术问题。
本发明一实施方式为了进一步模拟中医实际操作,避免对应于不同脉象类别的脉搏数据区间之间存在交叉,脉搏数据采集精度低所导致的脉象分类结果可信度低、成功率低的问题,辅助医疗工作者准确掌握患者情况,提供了如图1所示的一种脉象诊断分类装置和如图2所示的脉象诊断分类方法。
对应于上述脉象诊断分类方法,本发明首先提供了一种存储介质,存储介质上存储有应用程序,应用程序被执行时,实现一种脉象诊断分类方法,以利用参考诊断数据与脉象类别信息建立相关关系,并利用此种相关关系辅助脉象的诊断分类过程,从而提高诊断分类的准确率和可信度。在脉象诊断分类方法中,还具体利用参考诊断数据分别建立与参考脉搏数据和脉象类别信息的双向识别分类模型,从而能够应对仅有待诊脉搏数据输入的情况,同样提高识别和分类的准确率。
存储介质可以设置于一种脉象诊断分类装置100中,存储介质可以是上述装置能够存取的任何可用介质,或可以是包含一个或多个可用介质集成的服务器、数据中心等存储设备。可用介质可以是例如软盘、硬盘、磁带等的磁性介质,或例如DVD(Digital VideoDisc,高密度数字视频光盘)等的光介质,或例如SSD(Solid State Disk,固态硬盘)等的半导体介质。
本发明一实施方式提供一种如图1所示的脉象诊断分类装置100,该脉象诊断分类装置100包括处理器11、通信接口12、存储器13以及通信总线14。处理器11、通信接口12、存储器13通过通信总线14实现相互间的通信。
其中,存储器13用于存放应用程序;处理器11用于执行存储器13上存放的应用程序,该应用程序可以是前文所述的、存储于存储介质上的应用程序,也即上述存储介质可以是包含于存储器13的。在执行该应用程序时,同样可以实现诸如前文所述的功能和步骤,并达到对应的技术效果。
其他结构特征,例如可能存在的功能分区和模块的调整,可以是根据其所搭载的应用程序进行划分的。具体地,脉象诊断分类装置100可以包括用于获取参考脉象数据组和脉象类别信息的数据获取模块,可以包括用于构建诊断识别模型和脉象分类模型的模型构建模块,也可以包括用于处理待诊脉搏数据并生成诊断分类信息的数据处理模块。
本发明一实施方式提供一种如图2所示的脉象诊断分类方法,该方法应用的程序或指令,可以搭载于上述存储介质和/或上述脉象诊断分类装置中,以实现脉象诊断分类的技术效果。脉象诊断分类方法具体包括下述步骤。
步骤21,获取参考脉象数据组,以及与标准脉象数据组对应的脉象类别信息。
步骤22,根据参考脉搏数据和参考诊断数据,构建诊断识别模型。
步骤23,根据标准诊断数据和脉象类别信息,构建脉象分类模型。
步骤24,接收待诊脉搏数据并将待诊脉搏数据依次输入诊断识别模型和脉象分类模型,得到对应的诊断分类信息。
其中,参考脉象数据组包括参考脉搏数据和参考诊断数据,参考诊断数据包括标准脉象数据组的标准诊断数据。
对于步骤21,参考脉象数据组表征经过预先诊断,且作为后续对待诊脉搏数据进行诊断分析的参考的数据组。所述预先诊断的过程可以是医师对参考脉搏数据本身进行分析、可以是医师进行把脉并基于经验判断、可以是基于预设的分析模型进行运算,也可以是进行反复试验优化。参考脉象数据组的具体内容可以具有两种分类方式,结合图3所示,从取得方式和置信度高低的角度分类,参考脉象数据组可以包括标准脉象数据组和除了标准脉象数据组以外的其他脉象数据组(例如是样本患者数据组等),其中,标准脉象数据组至少可以包括对应于多种预设脉象类别的标准诊断数据,而所述预设脉象类别则对应体现为与标准诊断数据相关联的脉象类别信息。标准脉象数据组可以具体定义为基于经验和反复试验得到的预设数据,其获取方式可以是从预设数据库或网络上爬取。
例如,脉象类别信息可以指向或包括浮脉,此时,指向浮脉的诊断数据可以作为关联于该脉象类别信息的标准诊断数据。一方面,所述脉象类别信息可以包括浮脉、洪脉、濡脉、散脉、芤脉、革脉、沉脉、伏脉、牢脉、弱脉、迟脉、缓脉、涩脉、结脉、数脉、促脉、疾脉、动脉、虚脉、微脉、细脉、代脉、短脉、实脉、滑脉、紧脉、长脉、弦脉中至少部分。在实际运用的过程中,可以在上述28中脉象类别(信息)中选取至少部分,具体可以根据本领域技术人员和实际情况的需要进行配置。在一种较为优选的实施方式中,获取的脉象类别信息包含上述28中脉象类别(信息)的全部,从而标准诊断数据也包括对应于上述28中脉象类别(信息)的至少28组。如此,能够增大分类结果的细粒度,为医疗工作者“对症下药”提供支持。
另一方面,指向某种脉象类别信息的标准诊断数据并不局限于只有一种类型,基于此,标准诊断数据可以定义为反映所指向的脉象类别在不同特征维度下的判定信息或特征数据,例如,标准脉名信息、标准节律信息、标准脉位信息、标准脉力信息、标准脉势信息、标准脉率信息和标准脉形信息中的至少一种。
以浮脉为例,指向浮脉的标准诊断数据可以包括指向浮脉的标准脉名信息(例如,脉名浮类判定信息)和标准节律信息(例如,节律正常类判定信息),也可以包括指向浮脉的标准节律信息(例如,节律正常类判定信息)、标准脉位信息(例如,脉位浮类判定信息)、标准脉力信息(例如,有力类判定信息)、标准脉势信息(例如,满实类判定信息)、标准脉率信息(例如,脉率平类判定信息)和标准脉形信息(例如,单主波判定信息)中的至少一种。上述任一种技术方案,基于判定信息之间的相互组合,均能够唯一确定其所对应的脉象为浮脉,从而依次能够体现浮脉在两个不同特征维度、六个不同特征维度或七个不同特征维度下的诊断情况。
对参考脉象数据组的具体内容的另一种分类方式,还可以是从处理阶段的角度进行,即,可以将参考脉象数据组分为参考脉搏数据和参考诊断数据。再结合两种分类方式的情况下,参考诊断数据可以是包括标准诊断数据,并定义为反映某种脉象类别在不同特征维度下的判定信息(具体可以是判定标记或判定标签)或特征数据。而同样包含于参考诊断数据的,还可以包含上述其他脉象数据组中的其他诊断数据,上述其他诊断数据并不天然带有明确的脉象类别信息,其所指向的脉象类别可能是未知的,但该其他诊断数据同样应当符合上述对参考诊断数据的定义,也即能够唯一地指向某种脉象类别。
参考诊断数据的获取方式,对于标准诊断数据而言,优选为进行反复试验和优化并进行预设;对于诸如样本患者数据组中的样本诊断数据等其他诊断数据而言,优选为医师进行把脉并基于经验判断。
参考脉搏数据可以被定义指向某种脉象类别的脉搏实测数据,其能够反应脉搏波动情况指标,可以具有数值或数值区间的表现形式。
对于步骤23,脉象分类模型用于对输入的诊断数据进行分析,得到并输出对应的类别信息,基于此,可以至少利用天然成对应关系且指向脉象类别已知的标准诊断数据进行模型的构建。
在基于上述实施方式提供的第一实施例中,本发明基于标准诊断数据和对应的脉象类别信息进行了决策树分类模型的构建,从而能够快速构建准确性高的脉象分类模型。结合图4和图2所示,该第一实施例中步骤23具体包括下述步骤。
步骤231A,搭建决策树分类模型框架,对标准诊断数据的内容进行维度类型分类,并基于分类结果生成决策树的若干内部节点。
步骤232A,以脉象类别信息作为决策树的叶节点,并根据标准诊断数据与脉象类别信息之间的对应关系,构建得到决策树分类模型作为脉象分类模型。
具体地,上述“对标准诊断数据的内容进行维度类型分类”,在一种具体的实施方式中,可以解释为将所有标准诊断数据分为标准脉名信息和标准节律信息2类,可以解释为将所有标准诊断数据分为标准脉位信息、标准脉力信息、标准脉势信息、标准脉率信息、标准脉形信息和标准节律信息6类,也可以解释为将所有标准诊断数据分为标准脉名信息、标准脉位信息、标准脉力信息、标准脉势信息、标准脉率信息、标准脉形信息和标准节律信息7类。
上述“基于分类结果生成决策树的若干内部节点”,在一种具体的实施方式中,可以解释为将“判断脉名信息”作为决策节点,将所有标准脉名信息设置为与该决策节点对应的所有状态节点,用于后续计算期望值,形成一组内部节点,并将“判断节律信息”作为决策节点,将所有标准节律信息设置为与该决策节点对应的所有状态节点,用于后续计算期望值,形成另一组内部节点;也可以解释为将“判断脉位信息”作为决策节点,将所有标准脉位信息设置为与该决策点对应的所有状态节点,用于后续计算期望值,形成一组内部节点,并将“判断节律信息”作为决策节点,将所有标准节律信息设置为与该决策节点对应的所有状态节点,用于后续计算期望值,形成另一组内部节点。由此,能够对应上述2类分类结果、6类分类结果和7类分类结果,产生多种技术方案,此处不进行穷举。
由于每组标准诊断数据中不同特征维度下的信息最终均指向一个确定的脉象类别,因此以对应的脉象类别信息作为决策树的叶节点,并根据对应关系形成连接内部节点与叶节点之间的“枝”,即可完成对决策树分类模型形式的脉象分类模型的构建。
详细地,可以结合图5所示,经过步骤231A能够形成诸如第一内部节点IN1至第x内部节点INx等多组内部节点,经过步骤232A能够确定诸如第一叶节点LN1的多组叶节点以及内部节点和叶节点之间的“枝”关系。一方面,本发明并未对后续优化步骤进行展开表述,但在一些优选的实施方式中,还可以通过剪枝优化、Random Forest等方式进行模型优化。
其中,对于剪枝优化,还可以选用前置剪枝、后置剪枝或两者结合等方式进行优化,优选地,迭代优化过程中还可以引入参考诊断数据中的其他诊断数据来进行,具体可以具有评估决策树分类模型的性能、调整决策节点和状态节点内容等用途。另一方面,基于建立好的上述决策树分类模型,还可以进一步产生对应于步骤24的应用方案。
例如,待诊脉搏数据PD经过处理后会生成对应的待测诊断数据DD,待测诊断数据作为根节点RN(具体可以是图5中的第一根节点RN1)输入至决策树模型中,依次经过第一内部节点IN1等节点的决策和判断,最终到达第一叶节点LN1并以第一叶节点LN1所记载的内容,输出脉象类别信息PCI。此外,决策树中不仅仅可以包含一个根节点作为输入,还可以包含多个根节点进行同步输入。
优选地,在一种实施方式中,决策树分类模型框架的搭建,可以是基于sklearn模型实现的,如此,脉象分类模型具有数据准备压力小、使用成本低、回归和分类功能兼顾、能够应对多输出的情况等优势,且作为白盒模型,容易被解释和调整。
对于若干内部节点的构建过程,还可以进一步优选地利用CART(ClassificationAnd Regression Tree,分类回归树)算法来实现,由于使用CART算法搭建决策树的过程中,会先进行数据的二值化,因此形成的二叉树能够简化决策节点的判断处理压力,适用于脉象分类这种较为数据复杂度较低的应用场景。在运用CART算法的实施方式中,所述步骤231A可以具体包括步骤:调用预设的CART算法,根据分类结果对标准诊断数据进行处理,生成决策树的若干内部节点。当然,本发明并不排斥采用ID3(Iterative Dichotomiser 3,迭代二叉树三代)算法和C4.5算法搭建决策树。
同样对于步骤23,除了利用标准诊断数据和对应的脉象类别信息进行模型构建以外,还可以将参考诊断数据中的其他诊断数据同样纳入进来,共同用于构建脉象分类模型。
在此之前,需要介绍本发明对于参考脉象数据组的一种优选的配置方案。在该方案中,上文中其他脉象数据组可以具体包括一种样本患者数据组,基于此,参考脉象数据组会同时包含理论上准确的标准脉象数据组,以及实际上较为灵活的样本患者数据组,两者相结合来至少共同参与后续的模型构建过程,能够提高模型的准确度以及灵活应对能力。当然,其他脉象数据组还可以包括其他不同角度的脉象数据组,比如特殊病例、动物试验等,本发明在此处不进行穷举。样本患者数据组可以具体定义为对应于典型患者脉象的数据组,可以包括样本诊断数据。
结合图3所示,兼具上述对参考脉象数据组的两种分类方案,参考脉象数据组的构成可以被进一步归纳为:参考脉象数据组包括标准脉象数据组和样本患者脉象数据组,标准脉象数据组包括标准诊断数据和对应的脉象类别信息,样本患者数据组包括样本诊断数据,样本诊断数据和标准诊断数据统归于参考诊断数据。
在此基础上,可以利用弱监督学习的方式构建脉象分类模型,以标准脉象数据组作为有标记的训练数据,以其他脉象数据组或样本患者数据组作为无标记的训练数据进行训练,最终得到弱监督分类模型形式的脉象分类模型。
具体地,还可以基于上述参考脉象数据组的配置进行训练集和测试集的构建,从而对训练得到的脉象分类模型的性能进行评估。当然,本发明也不排斥将下文中对测试集的配置方案转用到验证集上,从而便于对脉象分类模型进行迭代优化。
在基于上述实施方式提供的第二实施例中,本发明基于标准诊断数据和对应的脉象类别信息,以及其他诊断数据(具体可以是样本诊断数据)进行了弱监督分类模型的构建,从而能够克服决策树的狭隘和较差的伸缩性,能够适应输入数据量较为庞大的情况,并且能够降低对标准诊断数据的需求。结合图6和图2所示,该第二实施例中步骤23具体包括下述步骤。
步骤231B,按照预设比例对标准诊断数据进行划分,得到第一标准诊断数据集合和第二标准诊断数据集合。
步骤232B,搭建弱监督分类模型框架,以第一标准诊断数据集合和样本诊断数据共同作为分类模型训练集,以第一标准诊断数据集合对应的若干脉象类别信息作为标签,训练得到初始分类模型。
步骤233B,以第二标准诊断数据集合作为分类模型测试集,以第二标准诊断数据集合对应的若干脉象类别信息作为标签,对初始分类模型进行测试优化,构建得到弱监督分类模型作为脉象分类模型。
上述弱监督分类模型可以配置为不完全监督(incomplete supervision)、不确切监督(inexact supervision)和不精确监督(inaccurate supervision)中的一种,在一种实施方式中,可以具体配置为不确切监督。在搭载不完全监督时,还可以通过主动学习和半监督学习两种方式进行模型训练,优选为半监督学习,在搭载有不精确监督时,可以通过带噪学习的方式进行模型训练。
对于用于划分的预设比例,第一标准诊断数据集合中的数据量可以占所有标准诊断数据的70%,第二标准诊断数据集合中的数据量可以占所有标准诊断数据的30%。当然,在包括分类模型验证集的实施方式中,上述比例关系可以对应调整。
对于步骤22,诊断识别模型用于对输入的脉搏数据进行分析,得到并输出对应的诊断数据,基于此,用于构建诊断识别模型的参考脉搏数据和参考诊断数据,可以是至少一组标准诊断数据和与其对应的标准脉搏数据,可以是至少一组其他诊断数据和与其对应的其他脉搏数据,也可以是结合上述四种数据及两两之间的对应关系共同构建。其中,标准脉搏数据包含于标准脉象数据组中,并属于参考脉搏数据的一种;其他脉搏数据包含于其他脉象数据组中,并属于参考脉搏数据的一种。
基于此,步骤22可以具体包括步骤:搭建神经网络模型框架,以参考脉搏数据中一部分作为识别模型训练集,以参考脉搏数据对应的参考诊断数据作为其标签,训练得到初始识别模型;以参考脉搏数据中另一部分作为识别模型测试集,对初始识别模型进行测试优化,构建得到神经网络模型作为诊断识别模型。
再结合上述对参考脉象数据组的优选配置,其他脉搏数据可以具体为样本脉搏数据,包含于样本患者数据组中,此时,如图3所示,参考脉象数据组的构成可以被进一步归纳为:参考脉象数据组包括标准脉象数据组和样本患者脉象数据组,标准脉象数据组包括标准诊断数据、标准脉搏数据和对应的脉象类别信息,样本患者数据组包括样本诊断数据和样本脉搏数据,样本诊断数据和标准诊断数据统归于参考诊断数据,样本脉搏数据和标准脉搏数据统归于参考脉搏数据。
如此,可以最终形成本发明基于上述实施方式的第三实施例,结合图7和图2所示,包括下述步骤。
步骤221,搭建神经网络模型框架,以标准脉搏数据和样本脉搏数据中一部分作为识别模型训练集,以标准脉搏数据对应的标准诊断数据作为其标签,以样本脉搏数据对应的样本诊断数据作为其标签,训练得到初始识别模型。
步骤222,以标准脉搏数据和样本脉搏数据中另一部分作为识别模型测试集,对初始识别模型进行测试优化,构建得到神经网络模型作为诊断识别模型。
其中,神经网络模型可以是任何神经网络预测模型,其形式可以是前馈神经网络(例如,卷积神经网络、全连接神经网络、生成对抗网络等)、反馈神经网络(例如,循环神经网络、长短期记忆神经网络、Hopfield网络和玻尔兹曼机等)等。考虑到模型规模和成本的影响,可以选择卷积神经网络来构建诊断识别模型。
其中,识别模型训练集和识别模型测试集的数据量之比同样可以是7:3。此外,上述对识别模型测试集的配置方案也可以被转用到对识别模型验证集的配置上。可以理解地,上述针对步骤22提供的第三实施例,可以与前文的第一实施例和/或第二实施例相结合,形成衍生的技术方案。
此外,上文对于参考诊断数据的内容分类,提供了2类、6类和7类的三种具体实施例,但在本发明提供的一个优选的实施方式中,优选采用2类的分类方案进行脉象分类模型和诊断识别模型的构建。此时,可以将参考诊断数据(以及归属于参考诊断数据的标准诊断数据)限定为包括参考脉名信息和参考节律信息,其中,可以具体包括对应于标准诊断数据的标准脉名信息和标准节律信息。
具体地,对应于每种参考脉搏数据的参考节律信息为节律正常类判定信息、不齐类判定信息、节律结代类判定信息和节律促类判定信息其中之一。换言之,参考节律信息最多包含上述4种类型。
对应于每种参考脉搏数据的参考脉名信息为脉名平类判定信息、弦一类判定信息、弦二类判定信息、弦三类判定信息、弦四类判定信息、滑类判定信息、平滑类判定信息、平弦类判定信息、弦滑类判定信息、涩类判定信息、芤类判定信息、濡类判定信息、虚类判定信息、实类判定信息、弱类判定信息、微类判定信息、散类判定信息、革类判定信息、牢类判定信息、紧类判定信息、洪类判定信息、细类判定信息、浮类判定信息、脉名沉类判定信息、脉名迟类判定信息、脉名缓类判定信息、脉名数类判定信息、脉名疾类判定信息、脉名结代类判定信息和脉名促类判定信息其中之一。换言之,参考脉名信息最多包含上述30种类型。
而对于参考脉名信息不明确的特殊情况下,还可以在前述6类分类方案的启示下,基于其中的5种信息来确定参考脉名信息。也即,步骤22具体包括对应于步骤221的前置步骤:接收并根据对应于参考脉搏数据的参考脉位信息、参考脉力信息、参考脉势信息、参考脉率信息、参考脉形信息,确定参考脉名信息。
具体地,对应于每种参考脉搏数据的参考脉位信息为脉位浮类判定信息、中类判定信息和脉位沉类判定信息其中之一。换言之,参考脉位信息最多包含上述3种类型。
对应于每种参考脉搏数据的参考脉力信息为有力类判定信息、中力类判定信息和无力类判定信息其中之一。换言之,参考脉力信息最多包含上述3种类型。
对应于每种参考脉搏数据的参考脉势信息为满实类判定信息、脉势正常类判定信息、低乎虚类判定信息和中空虚类判定信息其中之一。换言之,参考脉势信息最多包含上述4种类型。
对应于每种参考脉搏数据的参考脉率信息为脉率迟类判定信息、脉率缓类判定信息、脉率平类判定信息、带数类判定信息、脉率数类判定信息和脉率疾类判定信息其中之一。换言之,参考脉率信息最多包含上述6种类型。
对应于每种参考脉搏数据的参考脉形信息为单主波判定信息、主前组合波判定信息、主重组合波判定信息、主前重组合波判定信息其中之一。换言之,参考脉率信息最多包含上述4种类型。对于参考脉形信息,需要解释的是,单主波判定信息表征对应的参考脉搏数据中的脉搏波形只包括主波,主前组合波判定信息表征对应的参考脉搏数据中的脉搏波形同时包括主波和重搏前波,主重组合波判定信息表征对应的参考脉搏数据中的脉搏波形同时包括主波和重搏波,主前重组合波判定信息表征对应的参考脉搏数据中的脉搏波形同时包括主波、重搏前波和重搏波。
当然,上述“最多包含……种类型”并不代表本发明排斥其他方案。例如,对于参考脉形信息而言,还可能出现单重搏前波判定信息(只包括重搏前波)、单重搏波(只包括重搏波)等类型,此时对应的参考脉形信息会有更多种可能出现的类型。只不过在本发明提供的优选方案中,会通过报错、跳过或重新拟合获取等方式来避免对这些意义较小的情况进行分析,从而提高诊断分类的效率。
同时,上述对参考诊断数据内容的配置、依据脉名信息和节律信息进行诊断识别的方案,以及根据脉位信息、脉力信息、脉势信息、脉率信息、脉形信息来确定脉名信息的方案,同样可以应用在步骤24中,也即可以应用在对待诊脉搏数据的分析过程中,这是基于模型训练过程(或称构建过程)和模型预测过程(或称应用过程)的“对称性”而产生的,本领域技术人员应当能够理解,此处不再赘述。
下面将以浮脉、数脉和虚脉依次作为诊断分类信息进行举例,从步骤24的角度入手进行描述。
第一种情况下:接收待诊脉搏数据后输入诊断识别模型,能够得到脉位浮类判定信息、有力类判定信息、满实类判定信息、脉率平类判定信息、单主波判定信息和节律正常类判定信息,结合前五种判定信息最终确定脉名信息为脉名浮类判定信息;将脉名浮类判定信息和节律正常类判定信息输入脉象分类模型中,最终得到脉象类别信息为浮脉的诊断分类信息作为结果。
可以理解地,对于第一种情况,还可以根据实际需要取消确定脉名信息的步骤,直接将脉位浮类判定信息、有力类判定信息、满实类判定信息、脉率平类判定信息、单主波判定信息和节律正常类判定信息输入脉象分类模型中,同样可以得到对应的诊断分类信息,下文不再赘述。
第二种情况下:接收待诊脉搏数据后输入诊断识别模型,能够得到脉位浮类判定信息、有力类判定信息、脉势正常类判定信息、脉率数类判定信息、单主波判定信息和节律促类判定信息,结合前五种判定信息最终确定脉名信息为脉名数类判定信息;将脉名数类判定信息和节律促类判定信息输入脉象分类模型中,最终得到脉象类别信息为数脉的诊断分类信息作为结果。
第三种情况下:接收待诊脉搏数据后输入诊断识别模型,能够得到脉位沉类判定信息、无力类判定信息、低乎虚类判定信息、脉率缓类判定信息、单主波判定信息和节律正常类判定信息,结合前五种判定信息最终确定脉名信息为虚类判定信息;将虚类判定信息和节律正常类判定信息输入脉象分类模型中,最终得到脉象类别信息为虚脉的诊断分类信息作为结果。
本发明一实施方式为了进一步模拟中医实际操作,提供在机器一侧用于对脉象进行诊断分类过程所对应的完整的数据库,从而提高上述自动化诊断分类过程的效率和输出结果的准确度,提供了一种脉象诊断分类数据库构建装置和如图8所示的脉象诊断分类数据库构建方法。
对应于上述脉象诊断分类数据库构建方法,本发明首先提供一种存储介质,可以具有与对应于脉象诊断分类方法的存储介质相同或类似的配置方案,甚至可以将脉象诊断分类方法的应用程序和脉象诊断分类数据库构建方法的应用程序设置于同一个存储介质中。同理,脉象诊断分类数据库构建装置的配置方案也可以具有与脉象诊断分类装置相同或类似的技术方案,此处不再赘述。
对应地,本发明一实施方式提供的脉象诊断分类数据库构建方法,同样可以搭载于上述存储介质和/或上述脉象诊断分类数据库构建装置中,以实现脉象诊断分类数据库构建的技术效果。脉象诊断分类数据库构建方法具体包括下述步骤。
步骤31,接收参考脉象数据组,以及与标准脉象数据组对应的脉象类别信息,并以脉象类别信息作为脉象诊断分类数据库的基准类别信息。
步骤32,调用脉象分类模型,根据其他诊断数据,对其他脉象数据组进行分类,确定其他脉象数据组对应的其他类别信息。
步骤33,按照其他类别信息与基准类别信息的对应关系,对其他脉象数据组进行整合,得到脉象诊断分类数据库。
其中,参考脉象数据组包括参考诊断数据,参考诊断数据包括标准脉象数据组的标准诊断数据,以及其他脉象数据组的其他诊断数据。
首先,参考脉象数据组、标准脉象数据组、脉象类别信息、其他诊断数据和其他脉象数据组的定义可以参考前文内容,本发明在此处不再赘述。基准类别信息是用于构建脉象诊断分类数据库的基础,表征对脉象诊断分类数据库中的数据进行分类的依据,可以体现为表单的横向表头或文件夹等形式,也可以作为在脉象诊断分类数据库进行检索的索引。
脉象分类模型可以是第一实施例中脉象诊断方法提供的(例如,步骤21和步骤23得到的模型),也可以是直接预设的。其他类别信息定义为对应于其他脉象数据组的脉象类别信息,表征其他类别信息所唯一指向的脉象类别。在步骤32中,结合图9所示,具体可以是以其他诊断数据作为脉象分类模型的输入,执行类似于前文的分类预测过程,从而得到对应的分类信息作为其他类别信息。
在该实施方式中,接收得到的参考脉象数据组不仅可以包括上述内容,还可以具体包括归属于标准脉象数据组的标准脉搏数据,以及归属于其他脉象数据组的其他脉搏数据,两者具有与前文相同或类似的定义。可以理解地,本发明并不排斥将上述脉象分类模型替换为其他能够接收上述其他脉搏数据作为输入的分类模型,从而结合图9中虚线箭头所示,可以直接根据其他脉搏数据确定与其他脉象数据组对应的其他类别信息。基于此,步骤31和步骤32之间,还可以包括步骤:调用诊断识别模型,对其他脉搏数据进行诊断识别,得到对应的其他诊断数据。
进一步地,参考脉象数据组中其他脉象数据组包括样本患者数据组,并且,样本患者数据组包括样本脉搏数据和样本诊断数据。作为解释说明地,样本脉搏数据归属于其他脉搏数据,且归属于参考脉象数据组的参考脉搏数据,样本诊断数据归属于其他诊断数据,且归属于参考脉象数据组的参考诊断数据。
其次,对于步骤33,结合图9和图10所示,对于不同的其他脉象数据组(具体可以是样本患者数据组)中其他诊断数据(具体可以是样本诊断数据)或其他脉搏数据(具体可以是样本脉搏数据)中至少其一,分别可以得到对应的其他类别信息,如此,可以基于其他类别信息找到与其最为相近的基准类别信息,将其他类别信息所对应的样本诊断数据和/或样本脉搏数据列于对应的基准类别信息之下,从而完成对其他脉象数据组(至少完成对其中的样本患者数据组)的整合。
其他类别信息(例如图10中的其他类别信息1),与基准类别信息(例如图10中基准类别信息1和基准类别信息2)的匹配过程,在形为数值的情况下可以通过分析欧氏距离等方式进行,在形为文本的情况下可以利用文本匹配算法等方式进行。文本匹配算法包括但不限于:TF-IDF(Term Frequency-Inverse Document Frequency,词频—逆文本频率指数加权算法)、BM 25(Best Matching 25,25次迭代最佳匹配算法)或深度模型算法。衡量相似度的判据或算法包括但不限于:Jaccard相似度、Levenshtein编辑距离、Simhash算法。
由于脉象诊断分类数据库包含有执行前述脉象诊断分类方法所需的所有数据,因此,可以将脉象诊断分类数据库构建方法和脉象诊断分类方法相结合。在两种方法结合的实施例中,由于数据库基于基准类别信息进行了初步分类,因此可以建立索引、地址和指针等内容,辅助脉象诊断分类方法的进行并提升其效率。
综上,本发明提供的脉象诊断分类方法,提供了用于进行脉象分类且区别于脉搏数据的诊断数据,基于标准脉象所对应的标准诊断数据,与其对应已知的脉象类别信息建立相关关系,从而处理其他诊断数据得到对应的脉象分类结果,由于诊断数据是对脉象在不同维度下的初步判断结果,因此具有较为明确的特征指向性,能够提升分类过程的明确性和分类结果的准确性。并且,具体利用参考诊断数据分别建立与参考脉搏数据和脉象类别信息的双向分类模型,从而能够应对仅有待诊脉搏数据输入的情况,同样提高识别和分类的准确率和效果。
本发明提供的脉象诊断分类数据库构建方法,还能够对不具有脉象类别信息作为分类标签的其他脉象数据组进行归纳整理,最终形成以标准脉象数据组对应的基准类别信息为依据的数据库,增强数据库的完备性和条理性,便于添加指针、索引、地址等内容,来提升检索、模型训练、模型运用的效率。
应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施方式中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明,它们并非用以限制本发明的保护范围,凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
Claims (15)
1.一种脉象诊断分类方法,其特征在于,包括:
获取参考脉象数据组,以及与标准脉象数据组对应的脉象类别信息;其中,所述参考脉象数据组包括参考脉搏数据和参考诊断数据,所述参考诊断数据包括所述标准脉象数据组的标准诊断数据;
根据所述参考脉搏数据和所述参考诊断数据,以参考脉搏数据对应的参考诊断数据作为标签,训练构建诊断识别模型;
根据所述标准诊断数据和所述脉象类别信息,以标准诊断数据对应的脉象类别信息作为标签,训练构建脉象分类模型;
接收待诊脉搏数据并将待诊脉搏数据依次输入所述诊断识别模型和所述脉象分类模型,得到对应的诊断分类信息;
所述参考脉搏数据为:反映脉搏波动情况指标且指向对应脉象类别的脉搏实测数据;
所述参考诊断数据为:反映脉象类别在不同特征维度下的判定信息或特征数据;
所述标准脉象数据组包括对应于预设脉象类别的标准诊断数据,所述脉象类别信息表征所述标准诊断数据所对应的脉象类别。
2.根据权利要求1所述的脉象诊断分类方法,其特征在于,所述“根据所述标准诊断数据和所述脉象类别信息,以标准诊断数据对应的脉象类别信息作为标签,训练构建脉象分类模型”具体包括:
搭建决策树分类模型框架,对所述标准诊断数据的内容进行维度类型分类,并基于分类结果生成决策树的若干内部节点;
以所述脉象类别信息作为决策树的叶节点,并根据所述标准诊断数据与所述脉象类别信息之间的对应关系,构建得到决策树分类模型作为所述脉象分类模型。
3.根据权利要求2所述的脉象诊断分类方法,其特征在于,所述决策树分类模型框架基于sklearn模型;所述“搭建决策树分类模型框架,对所述标准诊断数据的内容进行维度类型分类,并基于分类结果生成决策树的若干内部节点”具体包括:
调用预设的CART算法,根据所述分类结果对所述标准诊断数据进行处理,生成决策树的所述若干内部节点。
4.根据权利要求1所述的脉象诊断分类方法,其特征在于,所述参考脉象数据组包括所述标准脉象数据组和样本患者数据组,所述标准脉象数据组包括所述标准诊断数据和标准脉搏数据,所述样本患者数据组包括样本脉搏数据和样本诊断数据。
5.根据权利要求4所述的脉象诊断分类方法,其特征在于,所述“根据所述标准诊断数据和所述脉象类别信息,以标准诊断数据对应的脉象类别信息作为标签,训练构建脉象分类模型”具体包括:
按照预设比例对所述标准诊断数据进行划分,得到第一标准诊断数据集合和第二标准诊断数据集合;
搭建弱监督分类模型框架,以所述第一标准诊断数据集合和所述样本诊断数据共同作为分类模型训练集,以所述第一标准诊断数据集合对应的若干脉象类别信息作为标签,训练得到初始分类模型;
以所述第二标准诊断数据集合作为分类模型测试集,以所述第二标准诊断数据集合对应的若干脉象类别信息作为标签,对所述初始分类模型进行测试优化,构建得到弱监督分类模型作为所述脉象分类模型。
6.根据权利要求4所述的脉象诊断分类方法,其特征在于,所述“根据所述参考脉搏数据和所述参考诊断数据,以参考脉搏数据对应的参考诊断数据作为标签,训练构建诊断识别模型”具体包括:
搭建神经网络模型框架,以所述标准脉搏数据和所述样本脉搏数据中一部分作为识别模型训练集,以所述标准脉搏数据对应的标准诊断数据作为其标签,以所述样本脉搏数据对应的样本诊断数据作为其标签,训练得到初始识别模型;
以所述标准脉搏数据和所述样本脉搏数据中另一部分作为识别模型测试集,对所述初始识别模型进行测试优化,构建得到神经网络模型作为所述诊断识别模型。
7.根据权利要求1所述的脉象诊断分类方法,其特征在于,所述脉象类别信息包括浮脉、洪脉、濡脉、散脉、芤脉、革脉、沉脉、伏脉、牢脉、弱脉、迟脉、缓脉、涩脉、结脉、数脉、促脉、疾脉、动脉、虚脉、微脉、细脉、代脉、短脉、实脉、滑脉、紧脉、长脉、弦脉中至少部分。
8.根据权利要求1所述的脉象诊断分类方法,其特征在于,所述参考诊断数据包括参考脉名信息和参考节律信息。
9.根据权利要求8所述的脉象诊断分类方法,其特征在于,对应于每种参考脉搏数据的所述参考节律信息为节律正常类判定信息、不齐类判定信息、节律结代类判定信息和节律促类判定信息其中之一;
对应于每种参考脉搏数据的所述参考脉名信息为脉名平类判定信息、弦一类判定信息、弦二类判定信息、弦三类判定信息、弦四类判定信息、滑类判定信息、平滑类判定信息、平弦类判定信息、弦滑类判定信息、涩类判定信息、芤类判定信息、濡类判定信息、虚类判定信息、实类判定信息、弱类判定信息、微类判定信息、散类判定信息、革类判定信息、牢类判定信息、紧类判定信息、洪类判定信息、细类判定信息、脉名浮类判定信息、脉名沉类判定信息、脉名迟类判定信息、脉名缓类判定信息、脉名数类判定信息、脉名疾类判定信息、脉名结代类判定信息和脉名促类判定信息其中之一。
10.根据权利要求8所述的脉象诊断分类方法,其特征在于,所述“获取参考脉象数据组,以及与标准脉象数据组对应的脉象类别信息”具体包括:
接收并根据对应于所述参考脉搏数据的参考脉位信息、参考脉力信息、参考脉势信息、参考脉率信息、参考脉形信息,确定所述参考脉名信息。
11.根据权利要求10所述的脉象诊断分类方法,其特征在于,对应于每种参考脉搏数据的所述参考脉位信息为脉位浮类判定信息、中类判定信息和脉位沉类判定信息其中之一;
对应于每种参考脉搏数据的所述参考脉力信息为有力类判定信息、中力类判定信息和无力类判定信息其中之一;
对应于每种参考脉搏数据的所述参考脉势信息为满实类判定信息、脉势正常类判定信息、低乎虚类判定信息和中空虚类判定信息其中之一;
对应于每种参考脉搏数据的所述参考脉率信息为脉率迟类判定信息、脉率缓类判定信息、脉率平类判定信息、带数类判定信息、脉率数类判定信息和脉率疾类判定信息其中之一;
对应于每种参考脉搏数据的所述参考脉形信息为单主波判定信息、主前组合波判定信息、主重组合波判定信息、主前重组合波判定信息其中之一。
12.一种脉象诊断分类装置,其特征在于,包括:存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的脉象诊断分类程序,所述脉象诊断分类程序被所述处理器执行时,实现如权利要求1-11任一项所述的脉象诊断分类方法。
13.一种存储介质,其上存储有应用程序,其特征在于,该应用程序被执行时,实现如权利要求1-11任一项所述的脉象诊断分类方法。
14.一种脉象诊断分类数据库构建方法,其特征在于,包括:
接收参考脉象数据组,以及与标准脉象数据组对应的脉象类别信息,并以所述脉象类别信息作为脉象诊断分类数据库的基准类别信息;其中,所述参考脉象数据组包括参考诊断数据,所述参考诊断数据包括所述标准脉象数据组的标准诊断数据,以及其他脉象数据组的其他诊断数据;
调用如权利要求1-11任一项所述的脉象诊断分类方法提供的脉象分类模型,根据所述其他诊断数据,对所述其他脉象数据组进行分类,确定所述其他脉象数据组对应的其他类别信息;
按照所述其他类别信息与所述基准类别信息的对应关系,对所述其他脉象数据组进行整合,得到脉象诊断分类数据库。
15.根据权利要求14所述的脉象诊断分类数据库构建方法,其特征在于,所述其他脉象数据组包括其他脉搏数据;所述“接收参考脉象数据组,以及与标准脉象数据组对应的脉象类别信息,并以所述脉象类别信息作为脉象诊断分类数据库的基准类别信息”具体包括:
调用诊断识别模型,对所述其他脉搏数据进行诊断识别,得到对应的其他诊断数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211065471.1A CN115374125B (zh) | 2022-09-01 | 2022-09-01 | 脉象诊断分类方法、数据库构建方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211065471.1A CN115374125B (zh) | 2022-09-01 | 2022-09-01 | 脉象诊断分类方法、数据库构建方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115374125A CN115374125A (zh) | 2022-11-22 |
CN115374125B true CN115374125B (zh) | 2024-05-10 |
Family
ID=84069984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211065471.1A Active CN115374125B (zh) | 2022-09-01 | 2022-09-01 | 脉象诊断分类方法、数据库构建方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115374125B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1759804A (zh) * | 2005-11-02 | 2006-04-19 | 浙江大学 | 中医四诊合参智能辨证方法 |
WO2011141765A1 (en) * | 2010-05-14 | 2011-11-17 | Centre For Development Of Advanced Computing | Diagnostic classifications of pulse signal waveform data |
JP2015016268A (ja) * | 2013-07-15 | 2015-01-29 | 崔 忠浩cui zhonghao | 東洋医学における脈診の測定分析方法と測定分析システム及び簡易で携帯できる人工智能脈診測定分析装置 |
CN108670209A (zh) * | 2018-03-29 | 2018-10-19 | 中国科学院微电子研究所 | 一种自动识别中医脉象的方法和系统 |
CN109363632A (zh) * | 2018-09-26 | 2019-02-22 | 北京三医智慧科技有限公司 | 脉象数据的解读方法和脉象数据的解读装置 |
CN110752032A (zh) * | 2019-12-02 | 2020-02-04 | 山东浪潮人工智能研究院有限公司 | 一种基于卷积神经网络和激光测振的中医诊断方法 |
WO2020095326A1 (en) * | 2018-11-11 | 2020-05-14 | Houronearth Creative Solutions Pvt Ltd | System and method for classifying a pulse morphology of a user |
CN112057043A (zh) * | 2020-08-24 | 2020-12-11 | 段晓东 | 中医脉搏数据处理方法、设备及存储介质 |
CN112842288A (zh) * | 2021-01-29 | 2021-05-28 | 清华大学深圳国际研究生院 | 脉搏数据分类模型建立装置、分类识别装置和测量系统 |
CN112869717A (zh) * | 2021-02-25 | 2021-06-01 | 佛山科学技术学院 | 一种基于bl-cnn的脉搏特征识别分类系统及方法 |
CN113229798A (zh) * | 2021-05-18 | 2021-08-10 | 平安科技(深圳)有限公司 | 模型迁移训练方法、装置、计算机设备及可读存储介质 |
CN113907722A (zh) * | 2021-11-05 | 2022-01-11 | 永州职业技术学院 | 一种基于hht的智能脉搏病理特征甄选分类识别系统及方法 |
CN114366047A (zh) * | 2022-01-27 | 2022-04-19 | 上海国民集团健康科技有限公司 | 多任务神经网络脉象数据处理方法、系统及终端 |
CN114795137A (zh) * | 2022-03-08 | 2022-07-29 | 哈尔滨理工大学 | 一种基于神经网络的患者脉象诊断系统 |
CN114916910A (zh) * | 2022-04-29 | 2022-08-19 | 无锡市华焯光电科技有限公司 | 脉象分类方法、分类模型训练方法、分类设备和存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8160668B2 (en) * | 2006-09-29 | 2012-04-17 | Nellcor Puritan Bennett Llc | Pathological condition detector using kernel methods and oximeters |
US20210140938A1 (en) * | 2017-05-07 | 2021-05-13 | Aipore Inc. | Identification method, classification analysis method, identification device, classification analysis device, and storage medium |
-
2022
- 2022-09-01 CN CN202211065471.1A patent/CN115374125B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1759804A (zh) * | 2005-11-02 | 2006-04-19 | 浙江大学 | 中医四诊合参智能辨证方法 |
WO2011141765A1 (en) * | 2010-05-14 | 2011-11-17 | Centre For Development Of Advanced Computing | Diagnostic classifications of pulse signal waveform data |
JP2015016268A (ja) * | 2013-07-15 | 2015-01-29 | 崔 忠浩cui zhonghao | 東洋医学における脈診の測定分析方法と測定分析システム及び簡易で携帯できる人工智能脈診測定分析装置 |
CN108670209A (zh) * | 2018-03-29 | 2018-10-19 | 中国科学院微电子研究所 | 一种自动识别中医脉象的方法和系统 |
CN109363632A (zh) * | 2018-09-26 | 2019-02-22 | 北京三医智慧科技有限公司 | 脉象数据的解读方法和脉象数据的解读装置 |
WO2020095326A1 (en) * | 2018-11-11 | 2020-05-14 | Houronearth Creative Solutions Pvt Ltd | System and method for classifying a pulse morphology of a user |
CN110752032A (zh) * | 2019-12-02 | 2020-02-04 | 山东浪潮人工智能研究院有限公司 | 一种基于卷积神经网络和激光测振的中医诊断方法 |
CN112057043A (zh) * | 2020-08-24 | 2020-12-11 | 段晓东 | 中医脉搏数据处理方法、设备及存储介质 |
CN112842288A (zh) * | 2021-01-29 | 2021-05-28 | 清华大学深圳国际研究生院 | 脉搏数据分类模型建立装置、分类识别装置和测量系统 |
CN112869717A (zh) * | 2021-02-25 | 2021-06-01 | 佛山科学技术学院 | 一种基于bl-cnn的脉搏特征识别分类系统及方法 |
CN113229798A (zh) * | 2021-05-18 | 2021-08-10 | 平安科技(深圳)有限公司 | 模型迁移训练方法、装置、计算机设备及可读存储介质 |
CN113907722A (zh) * | 2021-11-05 | 2022-01-11 | 永州职业技术学院 | 一种基于hht的智能脉搏病理特征甄选分类识别系统及方法 |
CN114366047A (zh) * | 2022-01-27 | 2022-04-19 | 上海国民集团健康科技有限公司 | 多任务神经网络脉象数据处理方法、系统及终端 |
CN114795137A (zh) * | 2022-03-08 | 2022-07-29 | 哈尔滨理工大学 | 一种基于神经网络的患者脉象诊断系统 |
CN114916910A (zh) * | 2022-04-29 | 2022-08-19 | 无锡市华焯光电科技有限公司 | 脉象分类方法、分类模型训练方法、分类设备和存储介质 |
Non-Patent Citations (4)
Title |
---|
人工神经网络在中医脉象识别分类研究中的应用概况;燕海霞;王忆勤;宫爱民;付晶晶;钱鹏;员凤英;;世界科学技术(中医药现代化);20090610(第04期);全文 * |
基于大数据分析的中医脉象辨识智能判断;李磊;;科技通报(第08期);第41-45页 * |
基于贝叶斯分类器的脉象自动识别方法;王慧燕;徐珊;;中国生物医学工程学报(第05期);全文 * |
脉象特性分析和识别方法的研究;周越;许晴;孔薇;;生物医学工程学杂志;20060630(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115374125A (zh) | 2022-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111160139B (zh) | 心电信号的处理方法、装置及终端设备 | |
CN107103201B (zh) | 医疗导航路径的生成方法、装置及医疗路径导航方法 | |
US7174205B2 (en) | Cardiac diagnostic system and method | |
CN107292330A (zh) | 一种基于监督学习和半监督学习双重信息的迭代式标签噪声识别算法 | |
CN111956212A (zh) | 基于频域滤波-多模态深度神经网络的组间房颤识别方法 | |
CN110731773A (zh) | 一种基于心电波形图全局与局部深度特征融合的异常心电图筛查方法 | |
Tobias et al. | CNN-based deep learning model for chest X-ray health classification using tensorflow | |
CN111803059A (zh) | 一种基于时域卷积网络的心电信号分类方法及装置 | |
CN114916910B (zh) | 脉象分类方法、分类模型训练方法、分类设备和存储介质 | |
CN113066579A (zh) | 生理状态预测方法和装置、电子设备及存储介质 | |
CN114191665A (zh) | 机械通气过程中人机异步现象的分类方法和分类装置 | |
CN115374125B (zh) | 脉象诊断分类方法、数据库构建方法、装置及存储介质 | |
Dissanayake et al. | Understanding the importance of heart sound segmentation for heart anomaly detection | |
Hiroyasu et al. | Gender classification of subjects from cerebral blood flow changes using Deep Learning | |
CN112686091B (zh) | 基于深度神经网络的两步骤心律失常分类方法 | |
Angayarkanni | Predictive analytics of chronic kidney disease using machine learning algorithm | |
Usha et al. | Predicting Heart Disease Using Feature Selection Techniques Based on Data Driven Approach | |
Jadhav et al. | Monitoring and Predicting of Heart Diseases Using Machine Learning Techniques | |
Sun et al. | Research on white feather broiler health monitoring method based on sound detection and transfer learning | |
Raghav et al. | Intelligent Curation System for Blood Infections using Fuzzy Inference System in Android | |
CN114595731B (zh) | 基于持续学习的非线性医疗传感器数据的语义分割方法 | |
Dhanalakshmi et al. | Health Information Broadcast Distributed Pattern Association based on Estimated Volume | |
Kumar et al. | SMOTE-TOMEK: A Hybrid Sampling-Based Ensemble Learning Approach for Sepsis Prediction | |
Gupta et al. | Heart Disease Prediction using Machine learning algorithms | |
Zhang et al. | Heart sound segmentation based on a joint HSMM method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |