基于注意力机制卷积网络结构的体质辨识方法技术

本发明专利技术公开了一种基于注意力机制卷积网络结构的体质辨识方法，S1，数据采集：通过脉诊仪采集人体脉象信号样本，并以.txt格式输出所述脉象信号样本数据；脉诊仪的采集频率为180Hz、采集时间为10s，脉诊仪采集脉象的压力为80‑140mmHg，供采集1800个数据点；S2，信号去噪；S3，数据扩容：对脉象信号样本数据进行扩容；S4，建立神经网络结构，由一维卷积神经网络层、注意力机制模块、全连接层和Softmax层组成；5，训练过程，因此，本发明专利技术的神经网络结构可以很好的实现人体平和体质与非平和体质的二分类，准确率达96%以上。

【技术实现步骤摘要】
基于注意力机制卷积网络结构的体质辨识方法
本专利技术涉及中医理论中的体质辨识方法，尤其是涉及基于注意力机制卷积网络结构的体质辨识方法。
技术介绍
中医理论中，为了促进健康和预防疾病，将人的体质分为不同的体质类别。传统的体质辨别方法通常采用问卷调查方法，这些方法存在效率低，准确率低，同时受个体的主观性影响，难以表达出个体的实际身体状况。因此，体质分类的客观化与规范化是中医体质发展的一个重要的问题。脉搏波信号可以准确辨识体质，但需要医师的先验知识，并且缺乏客观的证据。因此，利用现代科学技术对不同体质的脉象进行分析具有重要意义。传统的脉象分析方法集中在人工定义的特征提取与分析，人工定义的特征并不一定能够代表出脉象信号的全部信息，并且脉象信号作为一种生理信号，容易受到测试者移动、呼吸等影响，会产生大量的噪声干扰。
技术实现思路
本专利技术目的在于提供一种基于注意力机制卷积网络结构的体质辨识方法，实现提高人体体质辨识准确度。为实现上述目的，本专利技术采取下述技术方案：本专利技术所述基于注意力机制卷积网络结构的体质辨识方法，包括下述步骤：S1，数据采集：通过脉诊仪采集人体脉象信号样本，并以.txt格式输出所述脉象信号样本数据；所述脉诊仪的采集频率为180Hz、采集时间为10s，脉诊仪采集脉象的压力为80-140mmHg，供采集1800个数据点；S2，信号去噪：采用EMD分解（经验模态分解，(EmpiricalModeDecomposition,EMD)）对脉诊仪采集的所述脉象信号样本数据进行去噪处理，去除脉象信号样本中的肌电干扰和基线漂移；S3，数据扩容：对脉象信号样本数据进行扩容，扩容过程中每次选择2s的数据长度，保证截取的信号中至少包含一个完整的脉象周期；S4，建立神经网络结构：所述神经网络结构由一维卷积神经网络层、注意力机制模块、全连接层和Softmax层组成；所述一维卷积神经网络层和注意力模块用于提取去噪处理后脉象信号的特征，所述全连接层和Softmax层用于分类器；5，训练过程：将去噪处理后的脉象信号数据划分为训练集和测试集，通过所述训练集不断训练神经网络结构，不断调整参数，然后再通过所述测试集验证训练的神经网络结构是否具有一定的泛化能力，当训练好的神经网络结构在测试集上达到预设的结果后，神经网络结构停止训练并且输出神经网络结构，保存神经网络结构参数。S4中，所述一维卷积神经网络层包括卷积运算、批量归一化层以及激活函数层；所述卷积运算如公式1所示：(1)；其中：L代表输出信号的长度，输出信号的个数由卷积核的个数决定；L1代表输入信号的长度；F代表卷积核的长度；P代表末尾补零的个数；S代表卷积核移动的步长；所述激活函数层为Sigmoid或Relu函数。S4中，所述注意力机制模块具有C个输入信号的特征图通道，所述输入信号特征的长度为W；输入信号首先经过所述特征图通道数为C的1×1卷积核，然后通过所述Sigmoid函数输出，则得到一个长度为W的信号局部特征权值向量；然后让特征图通过一个卷积层和一个激活函数Relu，对输入特征图的特征进行编码，以防止对某些局部特征过聚焦；最后将所述特征权值向量分别与各个特征图通道的特征编码向量进行相乘，即在每个特征图通道的局部特征上添加一个权值，在训练过程中不断调整这些权值参数，从而达到提升特征学习能力目的。本专利技术采用EMD分解去除脉象信号中混有的基线漂移和其他噪声干扰，并采用一维卷积神经网络进行特征提取，因此，卷积神经网络可以自动提取到信号的高维特征，不需要进行人工的特征提取，节约了特征提取的时间，并且可以提取到“最优”的信号特征。为了更好的学习到脉象信号的特征，在一维卷积神经网络中加入注意力机制，在特征学习阶段，可以更好的学习到脉象信号的局部有用特征。实验表明，本专利技术的神经网络结构可以很好的实现人体平和体质与非平和体质的二分类，准确率达96%以上。附图说明图1是本专利技术方法的流程图。图2是本专利技术所述采用EMD算法去噪预处理的流程图。图3是本专利技术原始的人体脉象信号图。图4是本专利技术预处理后的人体脉象信号图。图5是本专利技术所述的数据扩容流程图。图6是本专利技术所述的神经网络结构图。图7是本专利技术所述的一维卷积神经网络层结构图。图8是本专利技术的注意力机制模块结构图。图9是本专利技术所述训练集和测试集的损失函数和准确率图。具体实施方式下面结合附图对本专利技术的实施例作详细说明，本实施例在以本专利技术技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本的保护范围不限于下述实施例。如图1所示，本专利技术所述基于注意力机制卷积网络结构的体质辨识方法，包括下述步骤：S1，数据采集：通过脉诊仪（天中依脉集团有限公司生产的依脉智能中医四诊系统）采集人体脉象信号样本，并以.txt格式输出脉象信号样本数据，如图3所示；脉诊仪的采集频率为180Hz、采集时间为10s，脉诊仪采集脉象的压力为100mmHg，供采集1800个数据点。S2，信号去噪：如图2所示，采用EMD分解（经验模态分解(EmpiricalModeDecomposition,EMD)）对脉诊仪采集的脉象信号样本数据进行去噪预处理，去除脉象信号样本中的肌电干扰和基线漂移。EMD分解可将信号自适应地分解为一系列的内禀模态函数（IntrinsicModeFunction，IMF）或称为IMF分量；IMF是瞬时频率处处有意义的函数，代表了信号内部固有的振荡模式。脉搏信号经过经验模态分解后，其基线漂移分解在几个高阶IMF中；选择让其通过一组低通滤波器，然后再把IMF进行重构，由此得到预处理后的信号，如图4所示。S3，数据扩容：如图5所示，在对脉象分类识别中，通常需要对脉象信号进行分割，但是分割信号存在工作量大，识别不准确、实时性比较差等问题，并且通常采集的脉象信号样本存在数据分布不平衡，样本不充分等问题；因此，为了获取更多的信号，选择对脉象信号进行数据扩容，扩容过程中每次选择2s的数据长度，保证截取的信号中至少存在一个完整的脉象周期，脉诊仪的采集频率为180Hz，则每次输入的数据点个数为360个数据点。S4，建立神经网络结构：如图6所示，所述神经网络结构由一维卷积神经网络层、注意力机制模块、全连接层和Softmax层组成；一维卷积神经网络层和注意力模块用于提取去噪处理后脉象信号的特征，所述全连接层和Softmax层用于分类器；采用一维卷积神经网络对信号进行特征提取，一维卷积神经网络可以自动提取到信号的特征，并且计算量比较小，能够最大化的提取到信号的原始特征；在一维卷积神经网络中加入注意力机制，在特征学习阶段，可以增强不同体质脉象信号之间特征差异性，忽略不相关的特征，增强对脉象信号的特征学习能力，有效地提高特征学习的效率和可靠性。如图7所示，一维卷积神经网络层的结构包本文档来自技高网...

【技术保护点】
1.一种基于注意力机制卷积网络结构的体质辨识方法，其特征在于：包括下述步骤：/nS1，数据采集：/n通过脉诊仪采集人体脉象信号样本，并以.txt格式输出所述脉象信号样本数据；所述脉诊仪的采集频率为180Hz、采集时间为10s，脉诊仪采集脉象的压力为80-140mmHg，供采集1800个数据点；/nS2，信号去噪：/n采用EMD分解对脉诊仪采集的所述脉象信号样本数据进行去噪处理，去除脉象信号样本中的肌电干扰和基线漂移；/nS3，数据扩容：/n对脉象信号样本数据进行扩容，扩容过程中每次选择2s的数据长度，保证截取的信号中至少包含一个完整的脉象周期；/nS4，建立神经网络结构：/n所述神经网络结构由一维卷积神经网络层、注意力机制模块、全连接层和Softmax层组成；所述一维卷积神经网络层和注意力模块用于提取去噪处理后脉象信号的特征，所述全连接层和Softmax层用于分类器；/n5，训练过程：/n将去噪处理后的脉象信号数据划分为训练集和测试集，通过所述训练集不断训练神经网络结构，不断调整参数，然后再通过所述测试集验证训练的神经网络结构是否具有一定的泛化能力，当训练好的神经网络结构在测试集上达到预设的结果后，神经网络结构停止训练并且输出神经网络结构，保存神经网络结构参数。/n...

【技术特征摘要】
1.一种基于注意力机制卷积网络结构的体质辨识方法，其特征在于：包括下述步骤：
S1，数据采集：
通过脉诊仪采集人体脉象信号样本，并以.txt格式输出所述脉象信号样本数据；所述脉诊仪的采集频率为180Hz、采集时间为10s，脉诊仪采集脉象的压力为80-140mmHg，供采集1800个数据点；
S2，信号去噪：
采用EMD分解对脉诊仪采集的所述脉象信号样本数据进行去噪处理，去除脉象信号样本中的肌电干扰和基线漂移；
S3，数据扩容：
对脉象信号样本数据进行扩容，扩容过程中每次选择2s的数据长度，保证截取的信号中至少包含一个完整的脉象周期；
S4，建立神经网络结构：
所述神经网络结构由一维卷积神经网络层、注意力机制模块、全连接层和Softmax层组成；所述一维卷积神经网络层和注意力模块用于提取去噪处理后脉象信号的特征，所述全连接层和Softmax层用于分类器；
5，训练过程：
将去噪处理后的脉象信号数据划分为训练集和测试集，通过所述训练集不断训练神经网络结构，不断调整参数，然后再通过所述测试集验证训练的神经网络结构是否具有一定的泛化能力，当训练好的神经网络结构在测试集上达到预设的结果后，神经网络结构...

【专利技术属性】
技术研发人员：李楠，毛晓波，焦义，于佳瑞，黄璐琦，赵宇平，徐向阳，倪金红，姚国梁，
申请(专利权)人：郑州大学，
类型：发明
国别省市：河南;41