基于频域特征图的高血压靶器官损伤脉搏波预测模型

针对高血压靶器官损伤时域脉搏波预测模型效率较低和分类精度较差的问题,本文提出了一种基于频域脉搏波特征图预测模型,实现高效无创辅助诊断。本文采用高斯滤波替换三角滤波,将脉搏波时域特征转换为频域矩阵特征图,并采用一种改进的SiMAM注意力机制模型EfficientNetS,提高脉搏波全局特征提取能力。608例临床高血压靶器官损伤脉搏波样本经5-Fold交叉验证后分类模型评估指标F₁ score、Accuracy、Precision、Sensitivity、曲线下面积(Area under the curve,AUC)值分别为：97.31%、98.72%、97.71%、97.04%、99.13%。与典型模型相比,本文方法具有较高的分类精度和泛化性能。此外,本文采用随机森林算法研究时域和频域特征与脉搏波分类相关性,深入挖掘潜在的影响高血压靶器官损伤分类的关键因素,发现高血压靶器官损伤的发病机理,为临床诊断提供有效支持。     

基于递归图和卷积神经网络的脉象分析识别

在脉象信号分析识别中,时域、频域等分析方法难以挖掘脉象信号的非线性信息,且传统机器学习方法需要人工定义特征,无法进行特征的自学习。提出一种基于无阈值递归图和卷积神经网络的脉象分析识别方法。基于非线性动力学理论,将脉象信号转换为无阈值递归图,通过VGG-16卷积神经网络实现递归图非线性特征的自动提取,并建立脉象分类模型。实验结果表明,该方法分类准确率可达98.14%,与已有的脉象分类方法相比有所提升。该研究为脉象信号分类提供了一种新的思路和方法,对脉诊客观化具有一定的实用价值。     

混合深度学习机制下的H型高血压脉诊预测

现有H型高血压诊断需要检测患者体内的伴有血浆同型半胱氨酸含量,效率低且带有创口。中医学脉诊可以通过分析患者脉搏生理活动,结合临床问诊信息实现H型高血压无创辅助诊断。本文提出了基于混合深度学习的脉诊分类模型,在具有双向长短时记忆（Bi-directional long short-term memory,BiLSTM）网络中增加卷积神经网络（Convolutional neural network,CNN）结构提取脉诊特征局部相关特征,构建基于CNN-BiLSTM结构的高血压脉诊分类网络。实验采用上海中医药大学附属龙华医院及中西医结合医院的325例临床疑似高血压脉诊病例。实验结果表明本文模型评估参数灵敏度、特异性、正确率、F₁-score、接收者操作特征（Receiver operating characteristic,ROC）曲线及其下方围成的面积（Area under curve,AUC）值分别为：79.71%、69.56%、77.17%、83.96%、0.850 0,高于经典机器学习方法的诊断精度,对中医临床辅助诊断具有较好的参考价值。