深度学习方法及其在中医脉诊中的应用研究

扫码查看

原文链接

NETL

中文摘要：中医脉诊是一种重要的中医学诊断方法。脉诊通过触摸患者脉搏，了解患者的脏腑功能、气血状况、病变程度等信息，从而确定病因病机，制定针对性的治疗方案，然而传统脉诊具有主观性强、难以量化分析特点。随着深度学习技术蓬勃发展，基于深度学习技术的中医脉诊广泛应用于精准医疗领域，其强大的特征学习能力非常适合于中医脉诊中规律性、关联性知识的挖掘。但目前基于深度学习的脉诊研究存在以下难度和痛点：临床脉诊样本数据量少，噪声大，类别不均衡，使预测偏向多数类，导致模型分类精度低、泛化性能差。本文针对临床高血压脉搏波波形样本、问诊量表类样本展开研究，采用深度学习和机器学习技术构建基于AI技术的高血压预测模型，进而研究脉搏波特征相关性，深入挖掘影响高血压分类的关键因素，为高血压中医临床诊断提供参考。本文主要的研究工作如下：（1）采用一种基于欠采样技术的淘汰随机森林算法，逐步均衡化各类别高血压问诊量表类样本，减少类别不均衡对分类精度的影响。将时域脉搏波波形转化为频域MFCC特征图，采用一种改进EfficientNet模型实现高血压靶器官损伤脉搏波自动分类。同时，将高血压靶器官脉诊频域特征与部分问诊特征进行融合，构建基于问诊、脉诊二诊合参诊断的多特征融合模型，进一步提高高血压靶器官损伤脉搏波分类精度和泛化性能。针对上海中医药大学附属龙华医院、中西医结合医院的608例高血压靶器官损伤临床脉诊、问诊样本，经过5折交叉验证实验，本文融合模型分类精度分别为93%Accuracy，92%Precision，83%Sensitivity，92%F1-score，98%AUC，与各种典型模型相比，具有更好的分类精度和泛化性能。（2）本文提出一种基于联合采样双层集成的高血压脉搏波预测模型UDEL，首先通过对原样本进行多种联合采样，得到三个具有不同数据量的均衡样本集。并基于EfficientNetSF模型进行分类训练，再采用三种集成融合方式投票输出最终分类结果。联合采样保留了原始样本分布，减少了少数类的漏检率，提高了多数类的准确率。EfficientNetSF模型是一种基于递归图与MFCC特征图的多模态特征级融合方式。递归图属于脉搏波时域数据分析，可以有效进行特征自相关学习，提取脉搏波的周期性、相位同步性、非线性动力学特征，进而分析心血管系统的功能和疾病发生机制。与问诊数据相比，具有更好的实用性与准确性，而基于递归图与频域MFCC特征图融合特征可以有效增强脉搏波可区分性。针对上海中医药大学附属龙华医院、中西医结合医院的590例临床高血压危险分层脉搏波样本，经过3折交叉验证实验，本文融合模型分类精度分别为96.3%Accuracy，95.4%Precision，94.86%Sensitivity，94.49%F1-score，95.58%G-mean，与各种典型模型相比，具有更好的分类精度和泛化性能。

作者：

蔡书琛

展开 >

关键词：

中医脉诊频域特征二诊合参多源特征融合类别不均衡

授予学位：

硕士

学科专业：

控制科学与工程

导师：

杨晶东

学位年度：

2023

学位授予单位：

上海理工大学

语种：

中文

中图分类号：