[发明专利]一种基于BL-CNN的脉搏特征识别分类系统及方法

说明书

本发明提供了一种基于BL‑CNN的脉搏特征识别分类方法，其包括如下步骤：采集脉搏信号并对脉搏信号进行预处理；提取预处理后的脉搏信号的时域特征信息；提取预处理后的脉搏信号的频域特征信息；通过BI‑LSTM模型对时域特征信息进行处理；对频域特征信息以及处理后的时域特征信息进行混合训练并对脉搏信号的特征信息进行识别分类。本发明通过充分考虑脉搏信号特征的时间相关性，可方便后续脉搏信号特征信息的识别分类，为医生诊断提供重要依据，提高了脉搏诊断效率及脉搏诊断准确率。相应地，本发明还提供一种基于BL‑CNN的脉搏特征识别分类系统。

技术领域

本发明涉及数据处理技术领域，具体而言，涉及一种基于BL-CNN的脉搏特征识别分类系统及方法。

背景技术

脉搏压力及脉搏特征变化是评价人体心血管系统生理病理状态的重要依据，无论是中医切脉或是西医心血管病检查，都试图从脉搏信号特征中提取各种生理病理信息。由于脉搏信号前后间具有一定的联系，故而脉搏信号时间相关性能够为医生提供病理信息，并为脉搏诊断提供一个重要依据。

目前在对脉搏信号特征进行训练的方法中，一般采用卷积神经网络、BP神经网络等，其均未考虑到脉搏信号的时间相关性，容易导致脉搏信号在识别及特征训练过程中部分特征信息被忽略，降低了智能诊断准确率以及识别率。

发明内容

基于此，为了解决目前对脉搏信号特征进行训练的方法由于未考虑到脉搏信号的时间相关性而存在容易导致脉搏信号在识别及特征训练过程中部分特征信息被忽略，降低了智能诊断准确率以及识别率的问题，本发明提供了一种基于BL-CNN的脉搏特征识别分类系统及方法，其具体技术方案如下：

一种基于BL-CNN的脉搏特征识别分类系统，包括脉搏信号采集模块、时域特征提取模块、频域特征提取模块以及卷积神经网络。

所述脉搏信号采集模块用于采集脉搏信号并对所述脉搏信号进行预处理；所述时域特征提取模块用于接收预处理后的所述脉搏信号并提取预处理后的所述脉搏信号的时域特征信息；所述频域特征提取模块用于接收预处理后的所述脉搏信号并提取预处理后的所述脉搏信号的频域特征信息；所述脉搏特征处理模块，用于通过BI-LSTM模型对所述时域特征信息进行处理；所述卷积神经网络用于对所述频域特征信息以及处理后的所述时域特征信息进行混合训练并对脉搏信号的特征信息进行识别分类。

上述基于BL-CNN的脉搏特征识别分类系统通过提取脉搏波信号的时域特征信息以及频域特征信息，并通过BI-LSTM模型对所述时域特征信息进行处理，利用卷积神经网络对所述频域特征信息以及处理后的所述时域特征信息进行混合训练并对脉搏信号的特征信息进行识别分类，充分考虑了脉搏信号特征的时间相关性，其能够获取完整的脉搏特征信息，解决了目前对脉搏信号特征进行训练的方法由于未考虑到脉搏信号的时间相关性而存在容易导致脉搏信号在识别及特征训练过程中部分特征信息被忽略，降低了智能诊断准确率以及识别率的问题。

进一步地，预处理后的所述脉搏信号包括多个周期的脉搏波曲线。

进一步地，所述时域特征信息的公式为其中，A、B、C、D以及E表示单个脉搏波曲线上的特征点，f_AB、f_BC、f_CD以及f_DE分别表示取特征点A到特征点B之间的曲线、取特征点B到特征点C之间的曲线、取特征点C到特征点D之间的曲线、取特征点D到特征点E之间的曲线以及取特征点A到特征点E之间的曲线，t1、t2、t3、t4以及t5分别表示特征点A、特征点B、特征点C、特征点D以及特征点E的时间，i表示所述脉搏波曲线的周期个数。

进一步地，所述卷积神经网络包括Softmax分类器。

相应地，本发明提供一种基于BL-CNN的脉搏特征识别分类方法，其包括如下步骤：

采集脉搏信号并对所述脉搏信号进行预处理；

提取预处理后的所述脉搏信号的时域特征信息；