[发明专利]基于频域双特征融合的脉搏波信号识别分类方法

说明书

本发明涉及一种基于频域双特征融合的脉搏波信号识别分类方法，采集患者的原始脉搏波数据首先进行时域脉搏数据预处理；预处理后时域脉搏数据转换为频域脉搏数据后再分别转换成一维倒谱系数与二维递归图；递归图通过Densenet模型提取特征，获得二维图像特征；倒谱系数通过CNN模型提取特征，获得一维数据特征；一维数据特征和二维图像特征送特征融合模块进行融合；融合特征送入分类模块进行识别与分类。充分考虑了脉搏信号中的高维非线性特性与非周期性的特性，能够获取脉搏特征中较为深层次的信息，解决了当前对脉搏波信号进行分类识别的方法未考虑到脉搏信号的高维非线性特性与非周期性特性而存在针对某些疾病分类准确率较低的问题。

技术领域

本发明涉及一种识别技术，特别涉及一种基于频域双特征融合的脉搏波信号识别分类方法。

背景技术

中医脉诊具有两千多年的历史，中医从脉诊的角度分析，西医从ECG心电图信号分析，均可以发现心血管疾病患者的脉搏波中蕴含着丰富的生理、病理信息。可见，通过中医脉诊分析能够为心血管疾病的临床诊断提供切实的帮助。

目前脉搏信号分类方法中，单特征识别方法较多，一般采用卷积神经网络，循环神经网络等，均没有考虑过进行一维数据和二维图特征特征融合方法获取更多脉搏波的非周期性、非线性特征，无法充分挖掘脉搏波深层特征，降低了一些心血管疾病分类预测的准确率。

发明内容

为了进一步提高通过脉搏波判读疾病分类准确率，提出了一种基于频域双特征融合的脉搏波信号识别分类方法。

本发明的技术方案为：一种基于频域双特征融合的脉搏波信号识别分类方法，脉搏信号采集模块采集患者的原始脉搏波数据；原始脉搏波数据送入原始脉搏预处理模块进行时域脉搏数据预处理；预处理后时域脉搏数据送入频域特征转换模块，转换为频域脉搏数据，频域脉搏数据分别转换成一维倒谱系数与二维递归图；递归图通过Densenet模型提取特征，获得二维图像特征；倒谱系数通过CNN模型提取特征，获得一维数据特征；频域特征转换模块输出一维数据特征和二维图像特征送特征融合模块，进行特征融合；融合特征送入分类模块进行识别与分类。

进一步，所述预处理具体包括：

对原始脉搏信号使用移动平均滤波器进行平滑处理；

设置分解尺度，使用Sym8小波基对平滑处理后脉搏波信号进行小波分解，得到各细节分量与近似分量，设置阈值，对细节分量进行阈值处理，用处理后的各分量进行小波重构，得到去除噪声后的信号；

对进行去噪处理后的脉搏波信号进行降采样处理，将采样频率降到200Hz；对降采样后的脉搏波信号使用小波变换进行去除基线漂移处理。

进一步，所述递归图获得具体步骤：对预处理后的脉搏波信号进行分帧与加窗；将加窗后的数据进行快速傅里叶变换得到频谱；将得到的频谱转换成递归图。

进一步，所述倒谱系数获得具体步骤：设计Mel滤波器组对转换后频谱脉搏信号进行平滑与消除谐波，将处理后的数据计算每个滤波器组输出的对数能量；将得到的对数能量数据经过离散余弦变换得到倒谱系数。

进一步，所述特征融合为将CNN输出的数据特征X与Densenet输出的数据特征Y进行并列拼接，具体如下：所述CNN网络输出的数据格式为X＝[x₁,x₂,x₃,...,x_n]的一维时间特征序列，其中，n为序列的固定长度，所述Densenet网络输出的数据格式为的二维特征矩阵，其中n为矩阵的长，m为矩阵的宽，采用基于卷积的特种融合方法：